物理信息神经网络

天地协同高精度

针对星上锂电稀疏遥测与不规则放电工况，通过三支路物理信息网络与结构剪枝，实现低算力下高精度SOH与RUL估计。

Zhengxuan, Yan · Han, Xiaodong · 张登峰

Journal of Energy Storage 2026

参数信息

平均SOH估计MAE

0.0064

平均RUL估计MAE

43.33 cycles

技术优势

适应不规则放电

用等压降时间点序列特征将稀疏且深度不一的放电数据标准化，使不同工况的数据可直接用于模型训练。

剪枝降算力

在轨估计时剪除动力学支路与自动微分模块，既保持精度又大幅降低计算负担，适合星载部署。

物理规律约束

通过不确定性加权的复合损失函数，将单调性和偏微分方程约束注入训练过程，使预测更符合电池退化物理。

应用场景

• 卫星锂离子电池管理系统：星上实时SOH/RUL估计，提前预警容量衰减，保障卫星能源系统可靠运行。
• 锂离子电池健康监测：从稀疏遥测数据中提取标准化特征，实现电池健康状态的准确追踪。
• 星上电源管理：低算力推理辅助星上能源调度决策，优化电池使用策略。
• 电池寿命预测：融合退化物理与数据驱动，在轨估计剩余可用循环次数。
• 资源受限AI推理：剪枝后的网络可在星载处理器上运行，为有限资源下的智能推理提供方案。