物理约束迁移学习框架

跨冷却边界热建模

通过解耦产热与散热并提供物理一致性，实现多种冷却条件下电池热行为的准确高效预测。

Ke, Xue · Qingyang, Yuan · Bo, Zhang · 杜宪

Journal of Energy Storage 2026

参数信息

平均绝对误差

<0.56 °C

均方根误差

<0.69 °C

技术优势

跨冷却边界可迁移

通过解耦产热与散热，将在准绝热源域学到的产热表示冻结，仅微调散热相关网络，即可适应多种冷却条件。

数据效率高

只需少量目标域温度测量即可完成适配，降低了获取大量不同冷却条件下数据的需求。

物理一致性强

在优化中施加能量守恒约束，保证预测符合热力学规律，尤其在边界变化时保持稳定。

误差低

在UDDS驾驶循环下，所有冷却场景的平均绝对误差低于0.56°C，均方根误差低于0.69°C。

应用场景

• 电池热管理：可用于不同冷却方式下的温度预测，辅助设计或优化热管理策略。
• 锂离子电池建模：提供一种数据高效且物理一致的建模方法，减少新边界条件下重新建模需求。
• 储能系统：支持储能系统中电池在不同冷却配置下的热状态预测，保障安全运行。
• 热状态估计：在有限测量数据下估计电池温度，并满足能量守恒，提升估计可靠性。