|
电话：15313702523
Discover蓄电池基于人工智能与数字孪生的锂离子电池新型聚合建模方法
发展可再生能源产业与绿色低碳技术是实现"双碳"目标的重要手段。锂离子电池凭借其高能量密度、低自放电率和长循环寿命等优势，在电动汽车[1,2]、便携式电子设备[3]、无人机[4]、储能系统[5,6]及卫星[7,8]等多个技术领域发挥着不可替代的作用。
在电池领域，放电终止点（End-of-Discharge, EoD）被定义为电池达到实际使用极限的时刻。超过该极限继续使用电池通常存在安全隐患。以电动汽车为例，EoD对于估算剩余续航里程（Remaining Driving Range, RDR）至关重要。精确预测EoD不仅能优化电池利用率，更能确保车辆[[9], [10], [11]]和无人机[12]等关键任务活动的可靠性。与仅依赖历史电池使用数据来估算荷电状态（SoC）和健康状态（SoH）不同，EoD预测需要综合考虑电池的过去和未来使用情况。此外，EoD的计算也不同于功率状态（SoP）的预测。SoP采用短期预测算法，在秒级时间尺度上预测输入峰值功率点；而EoD则需要在分钟或小时级别的时间尺度上进行长期预测，涵盖从当前时刻直至电池达到实际极限的整个时段。
然而，在时间维度上，电池持续的充放电循环会随时间推移导致内阻增加与总活性电荷减少。电池性能的老化会引起放电轨迹的变化。在空间维度上，由于电池使用方式与环境条件的差异，即使同型号电池也可能呈现不同程度的老化。在缺乏充足监测数据的情况下，难以准确评估电池的时空差异性，这增加了寿终预测的难度。实际应用中，电池监测常受限于硬件成本与部署条件，难以采集每个电池全生命周期的高频数据，进一步加剧了电池寿终预测的难度。在有限数据条件下，对不同老化程度电池实现精准的寿终预测，一直是锂离子电池领域具有挑战性的难题。
近年来，关于电池建模与放电终止（EoD）预测的研究成果大量涌现。文献中探讨的EoD预测方法可简要归纳为两类代表性方法：基于模型的方法与基于数据的方法。基于模型的方法从锂离子电池老化机理和内部电化学反应出发进行建模。Quiñones等[13]采用Lambert函数结合简化电化学模型，实现了电池剩余放电时间的快速精确预测。Faraji-Niri等[14]开发了一种用于读档外推的双层马尔可夫模型，通过历史使用数据预测最可能的未来读档情况，以提升不确定性条件下的放电终点(EoD)估算精度。Mishra等人[15]采用贝叶斯分层模型(BHM)预测锂离子电池在不同读档条件与数据可用性下的放电行为。Zhang等学者[16]提出了一种整合荷电状态估计与预测的随机框架，在动态不确定性条件下提供可靠的剩余放电时间区间，有助于缓解续航焦虑。上述基于模型的方法具有较高的预测精度，但模型往往呈现强非线性且参数繁多。当面临电池组中单体电池老化程度在时空维度上不一致的复杂场景时，模型构建过程中的公式偏差与假设错误等问题会削弱其在不同电池与运行工况间的适应性与迁移能力。此外，部分模型虽能通过复杂设计实现高适应性[17,18]，但计算复杂度通常较高，难以轻量化嵌入实际电池管理系统（BMS），因此这类方法在实际BMS中的应用受到限制。
基于数据的方法能够从数据集中提取输入与目标之间的映射关系，而无需考虑电池的内部机理。因此，在训练数据充足的前提下，数据驱动方法可实现精准预测。这类方法已在电池领域得到广泛应用。Shi等[19]将卷积神经网络（CNN）与双向长短期记忆网络（BiLSTM）相结合，利用在线监测数据实现了放电容量与EoD的精确估计。Biggio等[20]设计了Dynaformer架构，该架构能够同时推断电池的健康状态，并根据电压和电流数据样本准确预测完整放电曲线。Zhang等人[21]提出了一种基于基础误差联合建模的轻量级机器学习框架，该框架能够实现跨不同快充协议及全生命周期范围内的精确电池电压预测。基于数据的方法其性能高度依赖于大量高质量历史数据。然而在实际应用时，电池组中大量单体电池的全生命周期数据难以获取，这极大地限制了数据驱动方法在电池管理系统中的可扩展性。
混合建模方法将基于模型的物理先验与数据驱动的学习能力相结合，在保持可解释性的同时提升模型的适应性与泛化能力。Wang等[22]提出了一种基于物理信息的神经网络用于锂离子电池建模与老化预测。Zhao等[23]通过将等效电路模型嵌入循环神经网络并与门控循环单元结合进行残差补偿，实现了锂离子电池放电终止电压的精准预测。Alcibar等[24]将基于电化学的放电模型与卷积神经网络相结合，通过误差校正结构实现了锂离子电池终止电压的概率性预测与不确定性量化。尽管混合建模方法结合了模型驱动与数据驱动各自的优势，但在实际应用中往往难以实现二者理想化的平衡整合。一方面，物理模型的简化假设与参数不确定性限制了其描述复杂动态过程的能力。另一方面，尽管纯数据驱动模块具备灵活性，但在数据不足时易出现过拟合现象，且其黑箱特性可能损害整体模型的可解释性。当应用于电池组内老化程度不一致的大量单体电池时，这种固有耦合困境会显著降低此类方法的预测性能，从而限制其实际部署的可行性。
上述方法在电池寿命终止预测方面均取得了一定成果。然而，现有建模方法通常在离线数据训练后即固定不变。模型处理数据通常与实际系统运行数据相互独立，缺乏与物理实体运行过程的实时交互和动态更新机制。作为多尺度、多学科的模拟模型，数字孪生能够模拟真实物理实体在实际系统中的动作，成为连接物理空间与数字空间的跨链桥。目前已有许多研究将数字孪生技术应用于锂离子电池健康管理。Qin等[25]提出基于局部放电数据的数字孪生框架，用于锂离子电池健康状态(SOH)的实时估计。Liu等[26]开发了云边协同的数字孪生架构，用于LiCoO2电池的SOH估计和实时电压预测。2电池领域。Yi等[27]将数字孪生与LSTM网络相结合，实现了实时温度预测与退化模式分析。Nair等[28]构建了人工智能驱动的数字孪生模型，用于可靠预测电池放电容量。Ye等[29]通过数字孪生增强强化学习系统，以提高电动汽车的能源效率并缓解电池退化问题。然而，现有研究大多针对单体电池特定工况和老化状态进行训练优化，缺乏对电池组内多电池异质老化与复杂工况的适应性。面对电池老化差异时，多数模型泛化能力有限。因此，在复杂多样的放电循环数据流面前，现有数字孪生方法受老化程度差异影响时，其处理能力将大幅降低。
针对上述问题，本文引入人工智能数字孪生（AI-DT）概念[[30], [31], [32], [33]]，提出面向锂离子电池组的人工智能数字孪生体，阐述其结构体系与运行机制，并重点聚焦于寿命终止预测。电池AI-DT通过人工智能方法构建数字空间中与物理电池一致的数字电池模型。该数字电池通过与物理电池的双向闭环交互实现自主更新，在物理空间与数字空间之间达成全要素状态的全生命周期同步。此外，通过模拟、分析与自主决策，为物理电池提供决策优化与闭环控制。
本文聚焦数字电池模型建模环节，提出基于AI的锂离子电池组集群建模方法。该方法具备跨时空全年龄泛化能力，用于预测锂离子电池组电压放电轨迹以获取EoD点。在数据层面，通过同步处理保留了电压曲线中的关键能量与形态特征。在模型层面，AI方法被用于基于局部放电数据预测放电轨迹，该方法仅需观测少量电流与电压信号即可准确推演完整放电过程并获取EoD。所构建模型在运行过程中与物理模型实时交互，动态监测模型性能并自适应更新，以实现对同类型电池组内不同单体电池及老化阶段的高精度预测，从而确保电池利用率最大化与关键任务的安全运行。本文的主要贡献包括：
- ·
循环数据同步：提出一种面向循环数据的时间一致性处理方法，通过确保不同放电周期间的时序对齐，有效解决变长循环数据导致的建模干扰问题，显著提升基于人工智能的电池预测模型输入质量与预测精度。
- ·
基于局部放电数据预测放电轨迹以获取EoD点：构建了一种AI驱动的放电轨迹预测模型，该模型具备以下四项能力：(1) 通过依赖任意长度的电流与电压观测小窗口输入，可实现完整电压放电曲线的同步预测；(2) 能够高效建模长时间序列并适应电池放电过程的长期依赖性；(3) 兼容恒定负载与可变负载工况，具有极强的工程适用性。
- ·
面向电池全时空多老化状态的聚合建模方法：提出一种漂移检测与动态微调机制相融合的方法，该方法具备跨时空模型学习与复用能力。该方法利用单体电池的部分历史数据训练基础模型，并通过运行时的性能监控与选择性微调持续修正模型输出。该方法使得模型能够泛化至电池组内同型号任意单体电池，并在不同老化阶段保持稳定的预测性能。最终在有限数据条件下，实现对电池组内多老化状态单体电池的放电终点（EoD）准确预测，显著降低对大规模数据采集的依赖。