Liquid time constant based neuromorphic active inference for resilient control and health aware battery management in hybrid AC/DC microgrids

1. Liquid time constant based neuromorphic active inference for resilient control and health aware battery management in hybrid AC/DC microgrids

基本信息

• 标题：Liquid time constant based neuromorphic active inference for resilient control and health aware battery management in hybrid AC/DC microgrids
• DOI/URL：https://doi.org/10.1038/s41598-026-60189-3；Nature 页面：https://www.nature.com/articles/s41598-026-60189-3
• 期刊/会议/预印本平台：Scientific Reports
• 发表日期：2026-07-03；Nature 页面显示 Received 2026-04-18，Accepted 2026-06-25，Published 2026-07-03
• 作者和机构：Arun Kumar Rawat、Subhash Chandra、Vinay Kumar Deolia；Department of Electrical Engineering, GLA University, Mathura, India
• 通讯作者：Arun Kumar Rawat（Nature 页面 Correspondence to Arun Kumar Rawat）
• 脚本评分：69
• 期刊指标核验：未核验；本次只依据本地期刊分层将 Scientific Reports 识别为 broad open-access journal / Q1，不臆测 JIF、JCI、CiteScore 或 SJR 数值。
• 可信度：页面全文/摘要级。DOI/Nature 页面成功抓取，确认题名、摘要、作者机构、通讯作者、开放获取许可和补充材料链接；本文页面提示为 unedited manuscript early access，后续正式编辑版可能有细节变化。

纳入理由和命中证据

• 命中证据 1：摘要明确指出传统控制策略忽略 electrochemical constraints，会加速 battery health degradation。
• 命中证据 2：方法通过 expected free energy minimization 建立 self-preservation mechanism，以 reduce daily micro-cycling。
• 命中证据 3：摘要称根据 simulated trajectories，techno-economic analysis 预测年化运营支出降低 31.99%，并给出 theoretical 2.9-year extension of battery hardware lifespan。
• 与普通储能调度/微电网控制论文的区别：该文把电池健康退化和寿命延长作为控制目标的一部分，而不只是经济调度或电能质量控制。
• 与标准寿命预测论文的区别：它没有在可访问摘要中提出电池 RUL/SOH/EOL 估计器，也没有报告容量轨迹预测误差；因此应归为“健康感知控制 + 寿命影响评估”，不是核心 RUL benchmark 论文。

创新点

• 把 neuromorphic active inference、liquid time-constant neural network 和微电网控制结合，在扰动期缩短时间视野、稳态期扩大时间视野以抑制噪声。
• 将 expected free energy minimization 用作自保护机制，目标包括减少微循环、降低电池退化相关成本。
• 对哥哥方向的潜在价值在于：寿命预测不只服务离线评估，也可进入控制器目标函数，形成“预测—控制—寿命延长”的闭环。

主要内容

• 论文面向 inverter-dominated renewable microgrids 中的 hybrid AC/DC 控制问题，同时考虑电池储能系统 replacement costs。
• 提出 NAI-LD 控制方法，利用 continuous-time liquid time-constant neural network 调整控制器对暂态/稳态的处理速度。
• 在 severe stochastic transients 的仿真环境中评估电能质量与电池健康相关目标。
• 作者明确承认当前结果受限于仿真环境，退化预测严格受 LFP 半经验特性约束，尚未考虑通信延迟、传感器噪声和 ADC jitter，仍需 hardware-in-the-loop 实验验证。

模型架构/方法流程

• 方法类别：神经形态/主动推理控制；液态时间常数神经网络；健康感知电池管理；半经验退化投影。
• 模型架构：可访问摘要确认使用 continuous-time liquid time-constant neural network；具体层数、状态方程、训练方式、超参数和控制律细节未能从可访问内容确认。
• 方法流程：微电网被解释为寻求 operational homeostasis 的动态系统；控制器在扰动期收缩时间视野、稳态期扩展时间视野；通过 expected free energy minimization 减少日常 micro-cycling。

输入特征与输出目标

• 输入特征：未能从可访问内容完整确认。摘要显示模型处理微电网随机暂态、电能质量与电池运行轨迹；具体传感量如电压、电流、SOC、温度、频率、THD 等是否全部作为输入未能确认。
• 输出目标：微电网控制动作/能量管理策略；健康相关输出是微循环减少和寿命延长评估，而非明确的 RUL/SOH 数值预测器。
• SOH/EOL 定义：未能从可访问内容确认；没有看到容量保持率 80%、内阻阈值等标准 EOL 定义。

数据来源/数据结构/电池类型/循环协议

• 电池体系：摘要明确退化投影受 lithium iron phosphate chemistry（LFP）半经验特性约束。
• 数据来源：仿真环境；未确认真实电池循环实验、车队 BMS 数据或 NASA/CALCE/MIT-Stanford 等公开 RUL 数据集。
• 电池数量、循环数量、温度、倍率、老化协议：未能从可访问内容确认。
• 是否跨电池、跨工况、跨化学体系验证：未能确认；摘要反而强调后续仍需 hardware-in-the-loop 和物理部署验证。

结果指标

• 控制/电能质量指标：frequency excursions 限制在 ±0.025 Hz；total harmonic distortion 为 2.3–2.7%。
• 经济/寿命指标：基于仿真轨迹的 techno-economic analysis 预测年化运营支出降低 31.99%；理论电池硬件寿命延长 2.9 年。
• 计算指标：平均算法执行时间 0.62 ms，作者据此认为可在标准 DSP 上实现。
• 缺失指标：未能确认 MAE、RMSE、MAPE、R2、cycle error、RUL error、SOH error、coverage/calibration 等寿命预测指标。

Baseline/对比方法

• 摘要只笼统对比 traditional control strategies，未能从可访问内容确认具体 baseline 名称、参数或统计显著性。
• 后续补全文时应查验是否比较 droop control、MPC、RL、NLMPC、传统 BMS 老化约束控制等方法。

泄漏风险/局限性/复现性

• 泄漏风险：对标准 RUL/SOH 数据建模而言信息不足；本文主要是仿真控制，典型“同一电池循环随机切分”泄漏未能适用或未能确认。
• 局限性：作者明确承认结果受仿真环境限制；退化投影只适用于半经验 LFP 特性；未纳入通信延迟、传感器噪声、ADC jitter；仍需 HIL 实验验证。
• 复现性：中等偏低/信息不足。Nature 页面提供多个补充材料链接，但本次未解析补充 XLSX/TIF；未能确认代码、参数文件或仿真模型是否开源。

对哥哥研究/落地的启发和后续动作

• 结论：观望/低优先级跟进，不应放入核心 RUL/SOH 预测 benchmark，但可放入“寿命感知控制/健康约束能量管理”文献夹。
• 启发 1：寿命模型可以作为控制器的约束或 reward，而非只做离线预测；这对 BMS/储能系统落地更接近闭环优化。
• 启发 2：如果哥哥后续做“预测 + 控制”，需要把预测误差、不确定性和控制器造成的微循环/温升反馈闭环考虑进去。
• 后续动作：下载/解析补充材料，确认退化模型形式、LFP 参数来源、寿命延长 2.9 年的计算公式，以及是否有可复现实验代码。