摘要
长时程基于物理的电池退化模拟提供了机械理解，但计算成本高昂，限制了其在广泛操作条件下的应用。本文提出了一种混合物理-概率学习框架，用于在未知充电速率下的锂离子电池退化轨迹的替代建模。
方法
使用 DFN/P2D 电化学模型生成的周期分辨退化数据在 PyBaMM 中被转化为容量对齐的电压与导数特征，并通过变分自编码器 (VAE) 进行编码。得到的二维潜在空间根据周期进展和充电协议组织退化轨迹。
接着，在该潜在空间中，使用周期数和 C-rate 作为输入变量训练稀疏多任务高斯过程 (GP)，提供潜在退化动态的连续插值以及后验不确定性估计。通过协议级别的保留评估，潜在空间 GP 准确恢复未见的 C-rate 轨迹，并表现出与训练数据支持一致的不确定性行为。
当在未见的内部 C-rate 进行查询时，模型生成的潜在轨迹在相邻模拟协议之间保持一致位置。通过固定的 VAE 解码器解码 GP 预测的潜在状态，获得平滑的电压-容量演变，而通过辅助潜在到健康状态 (SOH) 预测器的 GP 潜在后验的蒙特卡洛传播提供了不确定性感知的 SOH 估计。
结论
因此，所提出的 BattVAE-GP 框架为长时程退化建模提供了一种计算高效且具不确定性感知的替代方案，为电池健康预测扩展到更丰富的操作条件和未来的模拟-实验融合提供了结构化基础。
博主点评： 该研究通过结合物理和概率模型，为电池退化的长期预测提供了一种创新的方法，特别是在不确定性量化方面的突破，将极大提升电池管理系统的可靠性与效率。