Robuste Schätzung des Batterieladezustands (SOC) mittels hypernetzwerkbasierter parametrischer physik-informierter neuronaler Netze

Eine präzise Schätzung des Ladezustands (SOC) ist für Batteriemanagementsysteme (BMS) unerlässlich. Herkömmliche Methoden haben jedoch Schwierigkeiten mit Parameterabhängigkeiten oder leiden unter Instabilität bei unbekannten Betriebsbedingungen. Dieses Papier schlägt ein neuartiges hybrides Framework vor, das zeitliche Sequenzlernen mit parametrisierten physik-informierten neuronalen Netzen (PPINN) integriert, die durch elektrochemische Randbedingungen gesteuert werden. Die Architektur verwendet ein Hypernetzwerk, das dynamische Gewichte basierend auf Anfangs-SOC-Werten generiert und so adaptives Lernen unter verschiedenen Betriebsbedingungen ermöglicht. Dadurch kann das Modell einen generalisierten Lösungsraum erlernen, indem physikbasiertes Wissen mit datengetriebenem Modellieren kombiniert wird, was sich wiederholendes Training vermeidet. Die experimentelle Validierung bei verschiedenen Temperaturen und Fahrzyklen zeigt überlegene Leistung und erreicht Generalisierungsfähigkeit sowie Robustheit mit hoher Genauigkeit.