⚡ electrical engineering

KAN-Therm: A Lightweight Battery Thermal Model Using Kolmogorov-Arnold Network

本文提出了一种基于柯尔莫哥洛夫 - 阿诺德网络的轻量化热模型 KAN-Therm，该模型以较低的内存开销和计算时间高效估算圆柱形电池核心温度，从而解决了物理电池管理系统中的资源约束问题。

原作者： Soumyoraj Mallick, Faysal Ahamed, Sanchita Ghosh, Tanushree Roy

发布于 2026-05-08

📖 1 分钟阅读☕ 轻松阅读

原作者： Soumyoraj Mallick, Faysal Ahamed, Sanchita Ghosh, Tanushree Roy

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，将锂离子电池比作一个繁忙的厨房。电池的表面就像操作台——你可以轻易触摸它并感知其热度。但核心（中心）则像隐藏在墙内的烤箱加热元件。你看不见也摸不着它，但如果它过热，整个厨房都可能起火。

为了确保电池安全，我们需要根据可测量的数据——流入的电流、周围空气的温度以及操作台（表面）的温度——来推测那个隐藏的“烤箱”的温度。

问题：“笨重”与“快速”的矛盾

长期以来，科学家们一直试图构建电池的“数字孪生”（虚拟副本）来推测核心温度。

旧方法（物理模型）：这就像试图通过为每一秒求解一本庞大复杂的数学教科书问题来计算温度。它非常准确，但速度极慢且需要巨大的算力，导致电池内部的小型计算机（电池管理系统，BMS）不堪重负。这就像在开车时试图用袖珍计算器求解微积分方程。
新方法（神经网络）：这就像雇佣一位超级聪明但极其笨重的巨人。它们推测速度很快，但背着一个装满数据（内存）的巨大背包，小型电池计算机无法承载。如果你试图把这位巨人塞进一辆小车里，车子就会散架。

解决方案：KAN-Therm（“聪明、轻盈”的侦探）

本文作者创造了一种新工具，名为KAN-Therm。把它想象成一位既极其聪明又身穿羽毛般轻盈外套的侦探。

他们没有使用标准的“笨重巨人”神经网络，而是使用了一种称为柯尔莫哥洛夫 - 阿诺德网络（Kolmogorov-Arnold Network, KAN） 的技术。

工作原理：传统网络使用固定规则（像僵硬的检查清单）并仅调整数值。而 KAN 则不同；它们可以自己学习规则。想象一位侦探，他不仅死记硬背线索清单，还能学会以完美契合特定案件的方式识别模式。
结果：这位侦探极其高效，只需要一个极小的背包（极少的内存），却能几乎瞬间解开谜团（估算温度）。

实验：竞赛

研究人员让他们的新型“轻盈侦探”（KAN-Therm）与旧有的“笨重巨头”进行了一场竞赛：

MLP、RNN、LSTM：标准的“笨重巨人”（神经网络）。
XGBoost：一种“基于树”的模型（像是一棵不断提出“是/否”问题的决策树）。
物理模型：缓慢、笨重的数学教科书方法。

他们在模拟电池上，使用真实的驾驶场景（如城市交通和高速公路速度）对这些模型进行了测试。

结果：谁赢了？

以下是这场竞赛在日常语言中的解读：

速度：KAN-Therm 是跑得最快的。它估算温度仅需约0.04 微秒。
- 标准神经网络大约慢了12 到 22 倍。
- 旧的物理数学方法慢了33 倍。
体积（内存）：KAN-Therm 是最小的。它仅需25 个微小的信息片段（参数）即可完成任务。
- 基于树的模型（XGBoost）需要6000 个片段（大了 240 倍！）。
- 标准神经网络需要数百个片段。
准确性：这是最重要的一点。
- “笨重巨人”（RNN 和 LSTM）的准确性略高，但优势微乎其微（仅约0.014 度）。
- 为了说明这一点：测量电池的传感器本身存在0.015 度的自然“模糊度”或噪声。缓慢笨重的模型与快速轻盈的 KAN-Therm 之间的差异，甚至小于传感器本身的模糊度。
- 换句话说，对于所有实际目的而言，“轻盈侦探”与“笨重巨人”一样出色，但它能装进你的口袋里。

结论

该论文得出结论，KAN-Therm 是电动汽车和电池内部小型计算机的完美工具。它解决了“准确性与速度”之间的巨大难题。通常，你必须在准确（但缓慢）和快速（但不准确）之间做出选择。而 KAN-Therm 能够既快速、又小巧、且准确性足够，在无需超级计算机运行的情况下保障电池安全。

这就像从笨重缓慢的蒸汽机升级为 sleek（流线型）、高速的电动机，它们完成完全相同的工作，但后者却能安装在自行车上。

技术摘要：KAN-Therm

问题陈述

锂离子电池的可靠运行对于安全性和寿命至关重要，特别是在电动汽车和智能电网等安全关键应用中。一个关键挑战是准确实时估算无法直接测量的电池核心温度。虽然存在高保真物理模型（例如 H∞观测器、卡尔曼滤波器），但它们存在计算需求高、参数化困难以及可观测性差等问题，使其不适用于资源受限的物理电池管理系统（BMS）。相反，现有的数据驱动方法（例如 MLP、LSTM、XGBoost）虽然提供更快的估算速度，但通常需要显著的内存开销和计算资源来存储复杂的网络结构，从而在精度与嵌入式硬件上的可部署性之间形成权衡。

方法论

作者提出了一种基于柯尔莫哥洛夫 - 阿诺德网络（KANs）的轻量级数据驱动热模型KAN-Therm，用于估算圆柱形电池单体的核心温度。

1. 理论基础

与传统多层感知机（MLP）使用固定非线性激活函数和可学习线性权重不同，KANs 将标量权重替换为边上的可学习单变量函数（由 B 样条参数化）。该架构基于柯尔莫哥洛夫 - 阿诺德表示定理，使网络能够以更少的参数和增强的可解释性捕捉复杂的非线性关系。

2. 数据生成

训练和验证数据是使用 2.3Ah 圆柱形 LiFePO4–LiC6 电池单体的集总参数热模型生成的。该模型模拟了各种条件下的核心温度（ $T_1$ ）、表面温度（ $T_2$ ）和冷却液温度（ $T_\infty$ ）动态：

输入： 施加电流（ $I$ ）、冷却功率（ $\dot{Q}_c$ ）、冷却液温度（ $T_\infty$ ）和表面温度（ $T_2$ ）。
场景： 数据收集自城市测功机驾驶循环（UDDS）、US06 和 VEIL2NREL 驾驶循环，以及从 0.9C 到 10C 的恒流（CC）充电曲线。
噪声： 添加了逼真的传感器噪声（温度的高斯噪声 $\sigma=0.015K$ ，电流的高斯噪声 $\sigma=0.006A$ ）以模拟物理测量。

3. 模型架构与训练

结构： KAN-Therm 模型采用紧凑架构，包含 4 个节点的输入层、1 个节点的隐藏层和 1 个节点的输出层（配置为 [[4, 1, 1]]）。
超参数优化： 进行了 exhaustive 网格搜索以确定最佳设置，包括样条阶数（ $k=3$ ）、网格间隔（ $G=2$ ）、稀疏化惩罚（ $\lambda, \nu_1, \nu_2$ ）以及训练轮数（70）。
损失函数： 训练目标是最小化均方预测误差与正则化项（L1 范数和自熵）的组合，以强制模型的稀疏性和紧凑性。
基线： 将该模型与四个最先进的基准模型进行了比较：MLP、RNN、LSTM 和 XGBoost，所有模型均通过网格搜索进行了调整。

主要贡献

KAN-Therm 的开发： 本文介绍了一种专为电池核心温度估算定制的特定 KAN 架构，证明了可学习激活函数能够以极高的参数效率有效建模热动态。
针对物理 BMS 的优化： 通过严格的超参数调整，作者确定了一种配置，在精度与物理 BMS 硬件（例如具有有限 FRAM 的系统）的严格内存和计算约束之间取得平衡。
综合基准测试： 该研究提供了 KAN 与传统神经网络和基于树的模型在五个指标上的详细比较：参数数量、估算时间以及 RMSE（训练、验证和测试）。

结果

在测试数据集（包括恒流和动态 VEIL2NREL 曲线）上的性能比较得出了以下发现：

参数效率： KAN-Therm 是最紧凑的模型，仅需25 个可学习参数。这显著少于 RNN（121 个）、MLP（369 个）、LSTM（877 个）和 XGBoost（6,000 个）。
计算速度： KAN-Therm 实现了最快的估算速度，每样本仅需0.0395 µs。它比 RNN 快约21.7 倍，比 LSTM 快 12.5 倍，比 XGBoost 快 20.4 倍。其表现也优于基于物理的数值积分模型（1.3 µs）。
精度：
- 测试 RMSE： RNN 实现了最低的测试 RMSE（0.0334 K），其次是 LSTM（0.0359 K）。KAN-Therm 的测试 RMSE 为0.0477 K。
- 误差分析： 表现最佳的 RNN 与 KAN-Therm 之间的 RMSE 差异为0.0143 K，作者指出这与传感器噪声水平（0.015 K）相当。
- 权衡： 虽然 KAN-Therm 的 RMSE 略高于 RNN 和 LSTM，但它提供了精度和效率的更优平衡。KAN-Therm 的相对误差约为 0.0125%，被认为足以满足下游安全应用的需求。

意义与主张

本文声称，KAN-Therm 成功解决了电池管理中期望的估算精度与现实世界实用性之间的二元对立。通过利用 KAN 的参数效率和可解释性，该模型提供了一种轻量级替代方案，适用于部署在资源受限的物理 BMS 硬件上，在这些硬件上，高保真模型计算成本过高，而标准神经网络则内存占用过大。

作者强调，虽然 KAN-Therm 在原始精度上并未严格优于 RNN，但其参数数量的大幅减少（比 RNN 少 79.3%）和推理时间的显著缩短（快 21.7 倍），使其成为嵌入式系统中实时、安全关键热监测的可行且可扩展的解决方案。这项工作表明，在计算资源有限的场景下，KAN 可以有效替代更复杂的架构。