通过基于超网络的参数化物理驱动神经网络实现的稳健电池荷电状态估计

准确的荷电状态（SOC）估计对于电池管理系统（BMS）至关重要。然而，传统方法面临参数依赖性挑战，或在未见过的运行条件下稳定性不足。本文提出了一种结合时间序列学习与由电化学约束驱动的参数化物理信息神经网络（PPINN）的新型混合框架。该架构采用超网络，根据初始SOC值生成动态权重，实现了对多种运行条件的自适应学习。通过融合基于物理的知识与数据驱动建模，该模型能够学习广义解空间，从而避免重复训练。针对不同温度和驾驶循环的实验验证显示，本方法具有卓越性能，达到了高精度的泛化能力和稳健性。