本文提出了一种基于物理信息神经网络（Physics-Informed Neural Network，PINN）的大型锂离子电池温度估计方法，旨在解决传统物理模型参数复杂、数据驱动模型依赖大量训练数据且可解释性差的问题。研究以大型刀片电池为对象，建立了考虑熵变影响的非均匀产热一维热模型，并将其嵌入长短期记忆（Long Short-Term Memory，LSTM）神经网络的损失函数中，构建出新的PINN温度估计框架。实验结果表明，在不同恒流和动态工况下，该模型的最大均方根误差（Root Mean Square Error，RMSE）和平均绝对误差（Mean Absolute Error，MAE）均不超过0.6摄氏度，验证了其在小数据集条件下仍具备较高的预测精度和良好的泛化能力。该研究为电池管理系统中的温度分布监测与热安全预警提供了技术支撑。

本文的研究背景主要集中在锂离子电池的热管理领域。电池性能、寿命和热安全性高度依赖工作温度，最佳运行温度范围通常为20至40摄氏度。低温会降低电池容量和效率，高温则加速老化甚至引发热失控。由于电池组中温度传感器数量受限于空间和成本，精确预测电池温度变化成为确保系统安全与延长寿命的重要手段。现有温度预测方法分为物理模型和数据驱动模型两类。物理模型通过建立电热耦合关系实现实时预测，但存在计算复杂度高、参数标定困难且随工况变化的问题；数据驱动方法虽然响应快、精度较高，但需要大量训练数据，且在数据稀疏时精度显著下降，模型可解释性较差。针对这些不足，研究者提出了物理信息神经网络方法，将物理方程残差引入神经网络损失函数，通过训练最小化综合损失以兼具物理模型的可解释性和数据驱动模型的高效性。

在方法构建上，本文首先建立了大型刀片电池的一维三节点热模型。由于刀片电池厚度极薄且长宽比大，模型忽略了厚度和宽度方向的传热，仅考虑长度方向的热传导。每个节点区域被视为独立热源，其能量平衡方程包含热生成、相邻节点间导热和与环境之间的对流换热。热生成采用焦耳热公式，通过区域等效内阻来考虑熵变和非均匀产热的影响。该等效内阻通过多阶段充放电温升实验反算获得，实验覆盖不同电流倍率、温度和荷电状态（State of Charge，SOC）区间。对流换热热阻则利用电池静置时的实测温升数据，通过递推最小二乘法辨识得到。物理模型经整理后转化为微分方程残差形式，作为神经网络的物理损失项。

在神经网络构建方面，选择LSTM作为基础网络以捕捉温度变化的时序特性。输入特征包括时间、电流、等效内阻以及相邻区域温度，输出为中央区域温度。网络包含四层隐藏层，每层64个神经元。其损失函数由数据损失和物理损失加权组成，分别采用均方误差形式，权重设定为0.8和0.2。物理损失项中的系数无需人工标定，通过神经网络训练自动学习。这种设计允许模型在有限训练数据下，利用热物理方程约束网络学习过程，提高预测精度和泛化能力。

实验部分采用一款商用150安时磷酸铁锂刀片电池，尺寸为945×90×14毫米，质量为2.6千克。测试台架包括充放电测试系统、高低温试验箱、三枚K型热电偶及上位机。数据采集包括不同环境温度和不同倍率下的恒流充电工况，以及由动态应力测试（Dynamic Stress Test，DST）、新欧洲驾驶循环（New European Driving Cycle，NEDC）和城市测功机驾驶循环（Urban Dynamometer Driving Schedule，UDDS）混合构成的动态工况。模型训练集仅包含25摄氏度、1C/2C恒流充电和25摄氏度混合动态工况数据，其余温度和电流条件全部作为测试集，以验证模型的泛化能力。评价指标选用决定系数（R²）、RMSE和MAE。

在与BP神经网络和LSTM神经网络的对比实验中，PINN模型在所有测试工况下均表现出最高的R²和最低的RMSE、MAE。0.5C恒流充电条件下，PINN模型的R²为0.9637，RMSE为0.2176摄氏度，MAE为0.1546摄氏度；1C条件下R²为0.9766，RMSE为0.3381摄氏度，MAE为0.2594摄氏度；2C条件下R²达到0.9953，RMSE为0.4200摄氏度，MAE为0.2875摄氏度。相比之下，BP神经网络在0.5C和1C条件下误差显著偏大，LSTM模型虽优于BP网络但仍不及PINN模型，表明物理约束有效提升了对熵热效应的捕捉能力和整体预测精度。

在不同环境温度下的验证中，PINN模型在15、25、35和45摄氏度环境温度以及0.5C、1C、2C恒流充电条件下均保持了较高的预测准确度。最高误差出现在45摄氏度、2C充电工况，电池表面最高温度达到62.48摄氏度，但模型RMSE仅为0.5699摄氏度，MAE为0.4876摄氏度。其余工况中，多数RMSE保持在0.5摄氏度以下，MAE普遍低于0.4摄氏度。动态工况下，模型在15、25和35摄氏度的RMSE分别为0.2803、0.2333和0.3230摄氏度，MAE分别为0.2542、0.1985和0.3053摄氏度，进一步证明其对复杂电流变化下温度预测的适应性。

总体而言，该研究的创新之处在于将区域等效内阻概念与物理信息神经网络相结合，在较小训练数据集条件下实现了对大型刀片电池温度分布的实时准确估计。与非均匀产热模型相结合的物理损失函数无需人工标定系数，提高了模型的可移植性和工程实用性。其应用价值在于为电池管理系统提供高精度、可解释的温度预测手段，有助于热失控预警和热控制策略的优化。未来研究方向包括将温度估计扩展至电池模组层级，实现对电池整体温度场的实时预测。