基于数字孪生的动力锂电池容量退化分析及在线估计方法

1.本发明涉及新能源汽车领域，具体涉及一种动力锂电池容量退化分析及在线估计方法。


背景技术：

2.锂离子电池(lithium ion battery,lib)具有功率密度高、使用寿命长、环保节能等优点，已广泛应用于电动汽车(electric vehicle,ev)。健康、可靠、高效的lib是设备正常运行的关键。lib充放电的基本原理取决于锂离子的运动。经过多次循环，锂离子电镀和固体电解质界面会生长，导致lib容量下降。以ev为例，当lib的额定容量下降到80％左右时，这些电池面临退役。如果严重退化的lib不能及时退役，将严重影响ev的行驶性能和安全性能。因此，及时分析和准确估计lib的容量至关重要。
3.虽然许多学者致力于准确的锂电池退化状态分析和剩余使用寿命预测，但以前研究主要集中在离线分析和预测上。具体地，在构建相应的理论或数据模型后，测量电池的特征参数。然后将相关参数导入模型，得到相应的剩余寿命预测值。然而，尽管这些方法可以通过先进的机器学习和深度学习方法实现高精度预测，但它们通常无法实时地预测电池性能参数。
4.数字孪生是一个实时动态仿真过程，它结合了多学科理论、多物理场知识、多尺度信息和多概率思维。它充分利用物理实体特性、传感器测量参数和设备运行历史数据，构建虚拟和真实映射。数字孪生显示、监控和调整设备的整个生命周期。近年来，随着计算机技术的进步和计算能力的提高，基于信息物理系统的数字孪生技术再次受到学术界的青睐。lib的数字化双胞胎主要通过大数据、云计算、物联网(iot)等先进技术，构建虚拟空间中电池的动态模型，与真实物理模型实时相关。它可以通过电池的历史运行数据和电池的一些可观察参数，直接评估电池状态并预测电池性能。
5.由于电池劣化参数的预测方法缺乏及时性，很难按时预测电池的某些特征参数。同时，在电池的实际运行过程中获取整个充电周期的相应数据也不方便。为此，本文提出了一种利用电池部分循环数据和数字孪生技术实现电池退化参数实时预测的方法。主要贡献如下：1)结合大数据、云计算、物联网等先进技术，构建了libs数字孪生系统框架，可根据实际电池工程要求进行细化和使用。2)根据电池的历史运行数据、soc和电池电流放电周期的局部放电电压曲线，采用基于反向传播神经网络(bpnn)的数字孪生系统，预测并完成电池相应的放电电压曲线。3)基于卷积神经网络-长短期记忆-注意力(cnn-lstm-attention)的数字孪生系统用于提取电流放电电压曲线的重要特征，构建电池容量的预测模型，并实时反馈电池的劣化性能。


技术实现要素：

6.本发明的发明目的是：为了解决传统锂电池容量估计方法中存在时序误差积累导致的容量估计结果不准确的问题，本发明提出了一种基于数字孪生的动力锂电池容量在线
估计方法。
7.本发明的技术方案是：一种基于数字孪生的动力锂电池容量在线估计方法，包括以下步骤：
8.s1、以电动汽车用动力锂电池为对象，综合分析动力锂电池健康因子指标，筛选出能反映锂电池性能退化规律的健康因子指标；构建出锂电池数字孪生系统框架；
9.s2、根据步骤s1中筛选出的健康因子指标作为输入传递到步骤s2中基于数字孪生系统中的bpnn部分，预测锂电池相应的放电电压曲线；
10.s3、根据步骤s2中计算得到的锂电池放电电压曲线，作为输入传递到数字孪生系统的cnn-lstm-attention部分，用于提取电流放电电压曲线的重要特征，从而完成锂电池容量预测模型的构建，实现锂电池容量退化分析和实时在线估计。
11.进一步地，所述步骤s1以电动汽车用动力锂电池为对象，综合分析动力锂电池健康因子指标，筛选出能反映锂电池性能退化规律的健康因子指标；构建出锂电池数字孪生系统框架；具体分步骤为：
12.s11、随着充放电循环的不断增加，充放电时间逐渐变短，这是由容量衰减引起的。因此，采用放电电压和相应的时间作为我们的健康因子来反馈电池的实时容量下降。
13.①
放电电压
[0014][0015]
式中：vm第m次锂电池充放电循环周期下的放电电压，分别为第m个充放电循环电池完全放电时、起始放电时的电压，m为锂电池充放电周期；
[0016]
②
锂电池放电时间
[0017][0018]
式中：tm为第n次充放电循环的放电时间，分别为第m次充放电循环电池电压为起始端电压、放电截止电压的时刻，m为动力锂电池放电周期；
[0019]
然而，仅通过局部放电电压曲线很难获得实际的完整放电电压曲线。因此，我们增加一个额外的锂电池健康因子soc。
[0020]
③
锂电池soc计算公式为：
[0021][0022]
其中，m表示第m个充放电周期，n是相应的时间点，c
max
表示第m个周期的最大可用容量，c
current
表示第n个时间点处第m个周期的电流容量。在电池的实际放电过程中，电池的soc从100％降低到0％，我们可以准确地捕捉到它随时间的变化。
[0023]
s12、构建出锂电池数字孪生系统框架。以放电电压、放电时间以及soc作为输入，以锂电池最大可用容量为输出，融合bpnn以及cnn-lstm-attention方法，构建锂电池数字孪生系统框架；
[0024]
进一步地，所述步骤s2根据锂电池健康因子指标作为输入构建基于bpnn的数字孪生系统，预测锂电池相应的放电电压曲线，具体包括一下分步骤：
[0025]
s21、bpnn模型构建。bpnn由两个阶段组成：信号正向传播级和误差反向传播级。输出误差按输入到输出方向计算，权重和阈值按输出到输入方向计算。换句话说，信号正向传
播级可以获得输出值，而误差反向传播级可以更新权重和阈值。bpnn的权重和误差更新公式为：
[0026][0027]
其中是(i-1)层中反向传播的错误值，δij是第i-1层的反向传播的错误值。w
ij
是第i层j个单元中的权重值。k
ij
是第i层j-th单元中的函数值，例如在第一层中，k
1j
是[x1 x2]，在第二层中，k
2j
是[f
1 f
2 f3]。δh
i+1,j
是第(i+1)层j-th单元的偏导数。
[0028]
s22、完整电压曲线预测。本发明通过锂电池历史运行数据、soc和电池电流放电周期的局部放电电压曲线，通过s21构建好的bpnn模型，建立锂电池整个周期放电电压曲线的孪生模型。
[0029]
进一步地，所述步骤s3根据步骤s2中计算得到的锂电池放电电压曲线，作为输入传递到基于cnn-lstm-attention的数字孪生系统用于提取电流放电电压曲线的重要特征，从而完成锂电池容量预测模型的构建，实现锂电池容量实时在线估计。包括以下分步骤：
[0030]
s31：cnn模型构建。cnn通常由输入层、卷积层、池化层、全连接层和输出层组成。输入图层是数据输入部分。在卷积层中，通常需要通过相应的卷积核实现特征提取。卷积内核也称为功能过滤器。特征提取公式如下：
[0031][0032]
其中表示第k层中的第j个特征映射。σ是线性整流函数(relu)。是偏差项。fk表示第k个图层中的要素映射编号。是从第k层到第(k+1)层的特征映射f上卷积的核。pk是第k层中核的长度。
[0033]
同时，为了避免边缘特征的缺失，我们还需要引入填充扩展方法。池化层用于进一步压缩数据要素并保留最活跃的要素信息。拼合池数据后，可以导入完整的连接层。全连接层类似于人工神经网络。在全连接层中，神经网络中的任何神经元都与前后层中的所有神经元连接。在输出层中，我们可以选择相应的激活函数relu来获得相应的预测输出值。
[0034]
s32：lstm构建。lstm是随着递归神经网络(rnn)的发展而设计的，可以避免长期依赖问题，解决梯度爆炸和梯度消失问题。因此，lstm可以在时间序列特征预测中取得非常出色的结果。内存单元是lstm的核心。实际输入信号由输入门、遗忘门和输出门控制。
[0035]
lstm的结构如图3所示。遗忘门通过0-1功能实现，有选择地忘记前一单元的信息，即忘记不重要的信息并保留相关重要信息。输入门决定将哪个相关信号添加到当前过程，输出门确定哪个将被视为当前过程的输出。具体计算公式如下。
[0036]ft
＝σ(wf[h
t-1
,x
t
]+bf)
[0037]it＝
σ(wi[h
t-1
,x
t
]+bi)
[0038]c′
t
＝tanh(wc[h
t-1
,x
t
]+bc)
[0039]ot
＝σ(wo[h
t-1
,x
t
]+bo)
[0040]ct
＝c
t-1
·ft
+i
t
·c′
t
[0041]ht
＝tanh(c
t
)
·ot
[0042]
其中，x是lstm单位的输入。h是lstm单元的输出。t是lstm单位的数量。f
t
是忘记门的输出。i
t
和c'
t
是输入门的输出和当前状态。o
t
和c
t
是输出栅极的输出和当前状态。w和b是相应的结构权重和偏差。σ()是sigmoid激活函数，tanh是tanh激活函数，具体如下式所示。
[0043][0044][0045]
s33、cnn-lstm-attention模型构建。attention模型都附加到编码器-解码器框架中，并与模型相结合。在神经网络中，cnn-lstm被广泛用作典型的编码器解码器。在cnn-lstm中嵌入注意机制可以提高lstm的精度。通常，我们输入lstm的数据越多，lstm的影响就越差。因此，为了更好地掌握编码中的有效信息并获得相应的时空特征，我们在模型中引入了注意力机制。注意力是分配概率权重的有效机制。通过分配不同的权重，可以实现对训练数据某些集中趋势的更多关注。核心计算公式如下。
[0046]eij
＝tanh(w1hi+w2hj+b
α
)
[0047][0048][0049]
其中e
ij
显示了第i个参数和第j个参数的关系。w和b是相应的结构权重和偏差。a
ij
表示由softmax函数计算出的注意力权重。hi是注意力机制的输出。
[0050]
s34、数字孪生模型评价。为了反映预测结果与实际值之间的差距，引入相应的模型性能评估指标。
[0051]
中心均方根偏差(centred root mean square deviation,crmsd):
[0052][0053]
中位数绝对差(median absolute difference,mad):
[0054][0055]
最大绝对误差(maximal absolute error,mae)：
[0056][0057]
平均偏置误差(mean biased error,mbe)：
[0058][0059]
归一化均方根误差(normalized root mean square error,nrmse)：
[0060][0061]
皮尔逊相关系数(pearson’s correlation coefficients,pcc)：
[0062][0063]
均方根误差(root mean square error,rmse)：
[0064][0065]
可决系数r-square：
[0066][0067]
其中y表示真实值,y＝[y1,y2,...,yn],表示y的平均值向量。表示预测值向量,表示的平均值向量。crmsd、mad、mae、mbe、nrmse和rmse越小，真实值和预测值就越接近。pcc和rsquare越接近1，真实值和预测值就越接近。
附图说明
[0068]
构成本技术的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0069]
图1反向传播神经网络模型示意图
[0070]
图2卷积神经网络模型示意图
[0071]
图3长短时记忆神经网络模型示意图
[0072]
图4动力锂电池退化曲线
[0073]
图5动力锂电池容量退化趋势曲线
[0074]
图6放电电压曲线的预测精度对比图
[0075]
图7锂电池最大可用容量的预测精度对比图
具体实施方式
[0076]
下面结合附图和实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
[0077]
本案例的锂电池数据来源于牛津大学公开的动力锂电池测试数据集。电池类型为kokam公司生产的slpb533459h4动力锂电池。电池测试设备是bio-logic mpg-205(8通道)。锂电池采用恒流恒压充放电方式，充放电速率为1c。lib的具体基本参数如表1所示。
[0078]
表1电池技术指标
[0079][0080]
一种基于数字孪生的动力锂电池容量退化分析及在线估计方法，包括以下步骤：
[0081]
s1、以电动汽车用动力锂电池为对象，综合分析动力锂电池健康因子指标，筛选出能反映锂电池性能退化规律的健康因子指标；以放电电压、放电时间以及soc作为输入，以锂电池最大可用容量为输出，融合bpnn以及cnn-lstm-attention方法，构建锂电池数字孪生系统框架；
[0082]
s2、根据步骤s1中筛选出的健康因子指标作为输入传递到步骤s2中基于bpnn的数字孪生系统，预测锂电池相应的放电电压曲线；
[0083]
s3、根据步骤s2中计算得到的锂电池放电电压曲线，作为输入传递到基于cnn-lstm-attention的数字孪生系统用于提取电流放电电压曲线的重要特征，从而完成锂电池容量预测模型的构建，实现锂电池容量实时在线估计。
[0084]
在步骤s1中，以电动汽车用动力锂电池为对象，综合分析动力锂电池健康因子指标，筛选出能反映锂电池性能退化规律的健康因子指标。由于电池具有很高的使用寿命，因此数据以一百次循环为单位记录。电池的容量退化曲线和电压变化曲线如图4和图5所示。我们可以发现，随着循环时间的增加，电池容量呈现出明显的衰减趋势，而随着电池容量的降低，电池的充放电时间逐渐缩短，这可以表征我们电池的退化。
[0085]
仅从局部放电电压曲线很难获得实际的完整放电电压曲线。因此，我们增加一个额外的锂电池健康因子指标soc。
[0086]
随后，以放电电压、放电时间以及soc作为输入，以锂电池最大可用容量为输出，融合bpnn以及cnn-lstm-attention方法，构建锂电池数字孪生系统框架；
[0087]
s2、根据步骤s1中筛选出的健康因子指标作为输入传递到步骤s2中基于反向传播神经网络(bpnn)的数字孪生系统，预测锂电池相应的放电电压曲线；
[0088]
放电过程由数字孪生系统中的bpnn模型构建。以数据库中的电池为例，我们读取每个周期的放电电压曲线。cell-(1-6)周期的数据用作训练样本，即数字孪生系统中的历史周期数据。在此基础上，构建了电池放电过程模型，并随机选择随后的4个循环进行相应的测试，即cell-7的第4000个循环和第7000个循环，以及cell-8的第4000个循环和7000个循环。在测试中，我们主要输入局部电压放电曲线，周期的soc值以及相应的时间参数。在电池实际运行中，这些参数可以直接从电压测量仪、定时装置、健康指示仪实时读取。以10％局部电压为例，其中c7400010表示cell-7，4000次循环和10％电压放电曲线。
[0089]
从图6和表2中可以发现，对于我们选择的四个测试周期，bpnn补充的电池放电电压曲线非常接近实际的电池放电电压曲线。以rsquare为评价指标，我们的补体曲线的准确率高于99.6％。由于我们从局部放电曲线中提取时间参数和soc值，因此这些参数具有明显的规律性。因此，我们发现预测精度不会随着已知局部放电曲线长度的不同而发生显著变
化。换言之，对于10％局部放电电压曲线和40％局部放电电压曲线，我们的系统都可以实现超高精度的补偿，并且该方法具有优异的鲁棒性。
[0090]
表2预测放电电压曲线的评价指标
[0091][0092]
s3、根据步骤s2中计算得到的锂电池放电电压曲线，作为输入传递到基于cnn-lstm-attention的数字孪生系统用于提取电流放电电压曲线的重要特征，从而完成锂电池容量预测模型的构建，实现锂电池容量实时在线估计。
[0093]
根据电池的完整放电电压曲线，采用数字孪生系统中的cnn-lstm-attention模型来分析锂电池性能退化。由于锂电池的衰减主要体现在容量的衰减上，因此，可以通过完整的放电电压曲线实时获得相应的最大容量参数。根据soc的变化，在一个放电周期的放电电压曲线中选择100个采样点，得到采样点的电压和时间特征，并将其用作200维样本。cell-(1-6)的所有放电循环都是cnn-lstm-attention模型的训练样本集，该模型可以预测任何循环的最大可用容量。我们使用cell-7和cell-8进行相关验证。相关结果如图7所示。需要注意的是，虽然图7中绘制的预测容量曲线是连续的，但曲线的不同点之间没有关系。它们都是通过单独的输入参数获得的预测值。这意味着我们可以通过一定周期的放电电压曲线直接获得最大可用容量，并且此过程不受电池历史数据的影响。
[0094]
因为在实际的电池运行过程中，我们可以根据数据孪生系统中的历史数据自动训练模型，并根据s2预测的电池放电曲线参数作为输入，实现对当前循环电池可用容量的实时预测，监控电池的退化，确保电池处于健康的运行状态并及时退役。从图7和表3可以看出，cnn-lstm-attention预测的电池最大可用容量接近实际值，实际最大可用容量误差小于3mah，其r-square系数达到99.8％以上。同时，电池的预测精度不会随着循环次数的增加而改变，这表明系统具有良好的稳定性。在工程实践中，相关的电池退化参数可以直接从数字孪生系统中读取。
[0095]
表3预测最大可用容量的评估指标
[0096][0097]
本发明通过将电池容量估计、bpnn、cnn-lstm-attention和数字孪生技术相结合，解决了传统锂电池容量估计方法中存在误差积累导致的容量估计结果不准确的问题，从而满足电动汽车高安全性和可靠性的要求。
[0098]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。