基于数字孪生的动力电池设计与管理方法

1.本发明涉及自动化技术领域，涉及动力电池设计与建模领域，具体涉及一种基于数字孪生的动力电池设计与管理方法。


背景技术：

2.我国新能源汽车已进入大规模应用的关键时期，作为“三纵三横”研发布局中的关键节点，设计高强度、轻量化、高安全、低成本、长寿命的动力电池及管理系统成为关键难题。伴随着电动汽车的使用，恶劣的路面条件、环境温度和负载的动态变化会导致电池系统性能非线性下降，进而导致漏液、绝缘损坏和部分短路等问题。若未能明晰电池内部反应机理，及时监测故障特征和评估健康状态，电池将加速老化继而引发自燃、爆炸等严重安全事故，因此实现动力电池的敏捷设计与高效管理有重要意义。
3.数字孪生技术是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。数字孪生是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖耦合的系统的数字映射系统。
4.目前针对动力电池的敏捷设计与管理方面，公开号为cn 111581850 a的发明专利公开了一种应用数字孪生技术的全周期动力电池管理系统，具体公开了系统由物理模型系统、物理管理系统、云孪生系统组成；其中，所述物理模型系统基于真实的电池单体、模组与动力电池系统的物理模型，作为所述物理管理系统的被控对象，以及作为所述物理管理系统的电池管理算法的数据来源，和构建云孪生系统的孪生模型的数据来源；所述物理管理系统通过数据采集模块获取物理模型系统开发过程中产生的初始参数和使用过程中产生的运行数据，对这些数据进行处理、运行电池管理算法进行计算后，与物理模型系统传来的数据一并上传至所述云孪生系统；所述云孪生系统基于物理管理系统上传的数据信息，基于云端算法构建电池孪生模型，通过该电池孪生模型和电池历史数据进行数据溯源、状态估计、安全诊断、寿命预测、工况分析功能；所述云孪生系统的输出信息流一部分流向物理管理系统，为所述物理管理系统的状态监测、决策制定、控制执行等提供参考依据，并最终通过物理管理系统实现对物理模型系统的控制；另一部分直接流向物理模型系统，为电池材料改性、结构优化提供参考和指导，以及为电池管理算法开发过程提供参考和指导，用于对不同老化状态电池的分类重组，实现电池重组梯次利用；所述电池管理算法与所述云端算法中，电池管理算法采用相对短时间尺度算法，云端算法则采用相对长时间尺度算法，，其相较于现有技术可有效减少前期开发过程中的实验量，缩短开发周期。公开号为cn 110534823b的发明专利公开了一种动力电池均衡管理系统及方法，利用数字孪生技术建立基于云端控制的动力电池均衡管理系统，同时汇集了实际运行数据与模拟运行数据用于分析计算，能够有效削弱当前电池系统的不一致性与减轻未来电池系统不一致性的扰动，以达到管理动力电池电量不一致性并控制未来不一致性发展方向的目的。
5.然而，目前现有的电池设计与管理的方式精度不高，成本高且灵敏度较低。


技术实现要素：

6.本发明的目的在于克服现有技术的不足，提供一种基于数字孪生的动力电池设计与管理方法，可以降低成本，实现敏捷开发，降低了参数辨识的工作量和盲目性，精度高且保持稳定，也能够实现动力电池的全生命周期闭环控制。
7.本发明提供了一种基于数字孪生的动力电池设计与管理方法，其特征在于，包括如下步骤：
8.(1)建立与电池样品映射的多物理场耦合机理模型，并利用实验数据对多物理场耦合机理模型进行标定；
9.(2)利用活性子空间方法对多物理场机理模型的计算结果数据集进行敏感度分析，筛选出影响电池性能的关键参数作为模型的主控参数；
10.(3)将主控参数作为输入，并将多物理场耦合机理模型的仿真数据集作为训练集，利用仿真结果和神经网络预测结果确定损失函数，建立神经网络高效量化模拟模型；
11.(4)基于神经网络高效模拟模型对电池的主要性能参数进行快速仿真，将多物理场耦合机理模型中的部分功能与神经网络模型结合，得到能够实现映射物理实体的动力电池孪生模型。
12.进一步地，其中所述步骤(4)中多物理场耦合机理模型中的部分功能为副反应计算、产热计算、应力计算中的至少一种。
13.进一步地，其中所述步骤(4)中动力电池孪生模型的输入参数是由数据交互系统传输的实际运行数据经过参数辨识得到的。
14.进一步地，还包括步骤(6)，具体为：基于动力电池孪生模型，在数字孪生平台上进行需求功能的二次开发，并将功能处理后的结果进行反馈，实现动力电池全生命周期闭环管理。
15.进一步地，所述步骤(6)中需求功能包括状态估计、容量预测、热失控预警中的至少一种。
16.进一步地，所述步骤(6)中需求功能还包括对实际运行数据进行主控参数辨识。
17.进一步地，所述主控参数辨识的方法遗传算法、差分进化算法、布谷鸟算法中的至少一种。
18.进一步地，所述步骤(1)中的多物理场机理模型是电化学反应模型、热模型、机械应力模型和副反应模型中的至少两种以上的耦合。
19.本发明还提供了一种数字孪生动力电池系统，包括：动力电池多物理场耦合机理模型，神经网络高效量化模拟模型、数字孪生云平台、动力电池物理实体、主控参数辨识模块、动力电池云端功能模块。
20.本发明的基于数字孪生的动力电池设计与管理方法，可以实现：
21.(1)在动力电池的设计阶段建立多物理场耦合机理模型，利用活性子空间方法高效分析出该模型的主控参数以及反应机理，对高维输入参数空间的活跃方向建立基于神经网络的高效量化模拟模型，该模型可以通过调控参数实现电池样品快速试制，提高动力电池的设计和优化水平。在动力电池全生命周期演变过程中，在数字孪生平台中建立动力电池多物理场耦合数字模型，通过信息交互系统与物理空间的动力电池实体产生虚拟映射与数据传输，可实现动力电池精确状态估计、演变趋势预测、故障诊断与热失控预警等功能，
也能够为动力电池设计提供经验反馈。本发明针对多物理场耦合机理模型模拟的活性子空间方法敏感度分析方法，仅需要部分实验数据标定机理模型即可建立神经网络高效模拟模型，极大降低了动力电池设计过程中的实验次数和时间成本，实现电池正向设计过程的敏捷开发。
22.(2)本发明得到的主控参数不仅可以作为孪生模型的输入，还降低了参数辨识的工作量和盲目性，且因为具有更强代表性能够作为存储变量记录电池全生命周期演化过程的规律。
23.(3)本发明的数字孪生平台能够与车端电池管理系统协同，实现动力电池高效管理。建立的孪生模型能够伴随电池全生命周期演化不断迭代，精度不会随着时间变化发散。
24.(4)本发明建立的数字孪生平台能够存储、计算电池演化过程的各项参数，并形成一定规律和经验反馈指导电池设计，真正实现动力电池的全生命周期闭环控制。
附图说明
25.图1为基于数字孪生的动力电池设计与管理方案图；
26.图2为动力电池多物理场耦合机理模型方案图；
27.图3为神经网络高效量化模拟模型方案图；
28.图4为利用差分进化算法进行主控参数辨识的方案图。
具体实施方式
29.下面详细说明本发明的具体实施，有必要在此指出的是，以下实施只是用于本发明的进一步说明，不能理解为对本发明保护范围的限制，该领域技术熟练人员根据上述本发明内容对本发明做出的一些非本质的改进和调整，仍然属于本发明的保护范围。
30.本发明提供了一种基于数字孪生的动力电池设计与管理方法，其具体实现方式如附图1-4所示，其中图1为基于数字孪生的动力电池设计与管理方案图，图2为动力电池多物理场耦合机理模型方案图，图3为神经网络高效量化模拟模型方案图，图4为利用差分进化算法进行主控参数辨识的方案图，下面对水土污染检测系统和方法进行具体的介绍。
31.本发明提供了一种基于数字孪生的动力电池设计与管理方法，该方法能够将设计阶段建立的神经网络高效量化模拟模型和多物理场耦合机理模型的部分功能结合，构建用于数字孪生平台的虚拟模型，实现动力电池全生命周期高效管理。真实世界运行的动力电池物理实体与数字孪生模型通过数据交互系统实现数据传输和迭代更新，经过辨识的主控参数可以被存储和计算，也可作为模型的特征参数进行算法开发。由于孪生模型具有实时性，不仅能够无限逼近物理实体还能实现同步演化，经过云端功能开发与扩展还能实现状态估计、寿命预测、热失控预警等功能。
32.图1所示为本发明基于数字孪生的动力电池设计与管理方案图，主要分为以下步骤：
33.在设计阶段建立与电池样品映射的多物理场耦合机理模型，利用实验数据对该模型进行标定，即可获得设计阶段的动力电池孪生模型，该模型能够精确反映不同物理化学参数对电池性能的影响规律；
34.由于模型所需参数众多，难以全部测量得到，因此利用活性子空间方法对多物理
场机理模型的计算结果数据集进行敏感度分析，筛选出影响电池性能的关键参数作为模型的主控参数。活性子空间(active subspace,as)方法是一种基于数据映射的降维方法，该方法基于梯度的偏协方差矩阵特征分解，得到活跃特征方向，构建输入参数低维子空间，利用输入参数在该子空间的投影得到活跃变量，降低输入参数维度。该方法和其他常用敏感性降维方法的区别在于，敏感性分析保留的是影响较大的输入参数，而子空间分析保留的是影响较大的输入参数空间中的方向，这些方向是参数自身的线性组合，从而实现最大程度降维的同时保证精度。同时，活跃方向向量的分量值提供了目标量相对于输入参数的全局敏感性信息。
35.将主控参数作为输入，机理模型的仿真数据集作为训练集，利用仿真结果和神经网络预测结果建立损失函数，建立神经网络高效量化模拟模型。该模型可以调整主控参数的输入获得不同电池性能参数的预测值，实现动力电池敏捷设计与快速优化。
36.得到的神经网络高效模拟模型能够对电池的主要性能参数进行快速仿真，将多物理场耦合机理模型中的部分功能(如副反应计算、产热计算、应力计算)与神经网络模型结合，得到能够实现映射物理实体的孪生模型，该模型的输入参数是由数据交互系统传输的实际运行数据经过参数辨识得到的。
37.以数字孪生模型为基础，在平台上进行需求功能的二次开发，可实现状态估计、容量预测、热失控预警等功能。云端功能模块以孪生模型为领域知识模型，与物理实体协同进化，随时间发展不断更新，具有更精确更稳定的效果，且易于功能开发。
38.数字孪生平台能存储计算精确的主控参数演化、状态性能估计等特征，因此能够将结果反馈给电池设计部门，提供产品的设计和优化方向和品控管理依据，真正实现动力电池全生命周期闭环管理。
39.活性子空间方法可以在m维输入参数空间x∈rm中识别出对应于目标量，即输出量f(x)的低维结构，沿低维方向f对x的梯度最大。通过对f(x)梯度的协方差矩阵做特征分解，可以得到输入空间的活性子空间：
[0040][0041]
式中，π为输入参数的联合概率密度函数(probability density function,pdf),c为对称半正定矩阵，w＝[w1,...,wm]为特征向量矩阵，λ＝diag(λ1,...,λm)为对应特征值组成的对角矩阵，其中λ1,...,λm从大到小降次排列，如果特征值λn远大于λ
n 1
，即λn＞＞λ
n 1
，其中n小于m，即f(x)在前n个特征向量方向上梯度较大，而在后m-n个特征向量方向上几乎不变。前n个特征向量形成的低维空间即为活性子空间s。如果在仿真计算中可以直接得到映射f(x)的梯度，那么，活性子空间可通过如下步骤在输入空间中的随机采样计算得到：
[0042]
1)根据输入参数x∈rm的概率密度分布π(x)，在输入空间采m个样本{x
(1)
,...,x
(m)
}；
[0043]
2)对每个样本点计算梯度式中i＝1,...,m；
[0044]
3)估算矩阵c：
[0045]
4)对进行特征值分解
[0046]
5)根据特征值大小将特征矩阵和特征向量矩阵分块：
[0047][0048]
式中，且且包含前n个特征向量包含前n个特征向量包含其余特征向量；
[0049]
6)中特征向量展成的空间即为活性子空间，对应的活跃向量为输入参数维度由m维降为n维。
[0050]
图2所示为本发明提出的动力电池多物理场耦合机理模型方案图。多物理场机理模型是电化学反应模型、热模型、机械应力模型和副反应模型等以及不同模型的耦合，本发明以一种电化学热耦合模型为实例进行阐述：
[0051]
1)固相锂离子扩散方程：以菲克第二定律为基础建立锂离子浓度无量纲平衡方程，描述正、负极区域活性材料颗粒内部的锂离子扩散过程；
[0052][0053]
式中：和分别表示正极、负极区域的固相锂离子浓度，为正负极区域的固相扩散系数，r为沿球形颗粒半径方向的尺寸参数，t为锂离子在球形颗粒内部扩散过程进行的时间。
[0054]
2)液相锂离子扩散方程：描述正、负极及隔膜区域内电解液中的锂离子扩散过程；
[0055][0056][0057][0058]
式中：de为液相锂离子有效扩散系数，和为正负极区域的电解液体积分数，为阴离子转移数，为负极液相锂离子浓度，为电解液液相锂离子浓度，为正极液相锂离子浓度，f为法拉第常数，l-和l

分别为正负极电极厚度，i(t)为随时间变化的电流。
[0059]
3)固相电势方程：描述正、负极区域内固相电势的分布；
[0060][0061]
式中：σ
eff,
±
为折合后的实际有效电极电导率，为固相电势，为电极与集流体界面处电流密度。
[0062]
4)液相电势方程：描述正、负极及隔膜区域内液相电势的分布；
[0063][0064]
式中：表示正极或负极对应的液相电势；κf表示液相的等效电导率；r表示理想气体常数；t表示温度；表示液相的电导率；l
sep
为电解液隔膜区域对应的厚度；ce为液相锂离子浓度。该方程等号右边的第一项代表了电解液液相电阻导致的阻抗电势，第二项代表了电解液中锂离子浓度梯度造成的过电势(浓差极化电压)。
[0065]
5)bulter-volmer动力学方程：描述电池内部固液相界面处电化学反应动力学过程；
[0066][0067]
式中：α＝αa或αc，αa和αc分别为阴阳离子的传递系数，为电极过电势，a
±
为正负极的体积分数，为交换电流密度，其表达式如下：
[0068][0069]
式中：为固相颗粒表面浓度，ce为液相电解质浓度，为固相颗粒最大浓度，k
±
为液相锂离子浓度拟合可以计算得到的液相电导率。
[0070]
6)电荷守恒方程：描述电池体系内部的电荷平衡现象；
[0071][0072]
式中，为正负极交换电流密度。
[0073]
7)温度修正方程：基于阿伦尼乌斯公式描述电导率、扩散系数等参数受温度影响的变化规律。
[0074][0075]
式中，ψ
ref
是在参比温度t
ref
时的属性值。每个单一属性的温度敏感性由其对应的活化能控制。
[0076]
图3所示为本发明提出的神经网络高效量化模拟模型方案图。主控参数作为输入，机理模型的仿真数据集作为训练集，利用仿真结果和神经网络预测结果建立损失函数。神经网络模型能够通过神经元间带权重的连接，门的通断，激活函数的限制等，实现对高维非线性系统的精确拟合，利用误差反向传播等算法快速求解，符合本发明对计算效率和精度的需求。
[0077]
在数字孪生平台中，一项重要的功能是对实际运行数据进行主控参数辨识，参数辨识技术本质是对多目标参量的优化求解，本发明中可使用包括但不限于遗传算法、差分进化算法、布谷鸟算法等智能算法进行参数辨识。图4以差分进化算法为例阐述本发明提出的主控参数辨识方案：
[0078]
差分进化(differential evolution，de)算法思想来源于早期提出的遗传算法(genetic algorithm，ga)，模拟遗传学中的杂交(crossover)、变异(mutation)、复制
(reproduction)来设计遗传算子。差分进化算法群体由突变和选择过程驱动。突变过程，包括变异和交叉操作，这两步操作被设计用于利用或探索搜索空间，而选择过程被用于确保更接近的个体信息可以进一步利用。
[0079]
此外，数字孪生动力电池系统主要包括：动力电池多物理场耦合机理模型(设计阶段模型)，神经网络高效量化模拟模型(使用阶段模型，即数字孪生云端虚拟模型)、数字孪生云平台、动力电池物理实体、主控参数辨识模块、动力电池云端功能模块等
[0080]
所述的动力电池多物理场耦合机理模型为设计阶段的参考数值模型，该模型包括用于描述电池内部复杂非线性的电化学反应模型、热模型、机械应力模型和副反应模型等以及不同模型的耦合机制，经典的电化学反应模型包括伪二维模型、单粒子模型、均质模型等；热模型包括傅里叶传热方程、博纳蒂方程等；机械应力模型包括颗粒破碎模型、应力模型等；副反应模型包括sei膜生成模型、析锂模型等。模型的求解算法包括但不限于限差分法、有限容积法、有限元法等。由于多物理场耦合机理模型的建立应用了多孔电极理论、浓溶液理论、产热传热理论等物理化学方程，因此能够较为精细的描述电池内部反应过程，但其计算中包含大量非线性偏微分方程和严密的微观参数、初始条件、边界条件，故多用于电池的设计计算和性能模拟。
[0081]
所述的神经网络高效量化模拟模型依托于多物理场耦合机理模型的仿真计算结果，利用活性子空间方法对机理模型的高维输入参数进行不确定性分析，得到各部分模型参数以及初始条件、边界条件不确定性的传递规律和参数敏感性，揭示内部反应的主控物理机制。经过筛选保留的即为高敏感度输入参数，将主控参数作为输入，以机理模型的仿真数据集作为训练集，利用仿真结果和神经网络预测结果建立损失函数，建立的神经网络模型即可实现设计目标和电池内部状态的高效量化模拟。
[0082]
所述的数字孪生云平台为物理实体和云端孪生模型连接的依托节点。该平台一方面存储通过传感器、系统后台等途径采集到的物理实体运行过程产生的多源历史数据，这些数据存储在数字孪生平台的云端数据库中可供模型训练、标准划定使用；另一方面利用云端服务器的大算力持续计算各类模型的各项参数或指标，得到当前或未来某一时间段的信息预测、分析、评估，实现信息的价值变现与共享。
[0083]
所述的动力电池实体为数字孪生平台的组成部分之一，是物理空间中实际运行的动力电池本体，用于获取电池的实时参数，包括电压、电流、温度、湿度、外界应力等。当数字孪生系统对动力电池进行功能定义时，动力电池成为被控对象。动力电池实体包括：电池组、电池管理系统、热管理系统、车载t-box、can通讯模块和车端模型。
[0084]
所述的主控参数辨识模块为数字孪生平台的组成部分之一，可将由物理实体上传的海量数据辨识得到孪生模型的主控参数，是实现物理实体与孪生模型映射的重要模块，也可作为动力电池的特征参数发送到动力电池云端功能模块。
[0085]
所述的动力电池孪生模型为数字孪生平台的组成部分之一，是物理实体在孪生平台的同步数字映射，也是云端功能模块的基础。本发明的孪生模型主要指训练完成的神经网络高效模拟模型，以及多物理场耦合机理模型的一部分功能作为补充。
[0086]
所述的动力电池云端功能模块为数字孪生平台的组成部分之一，主要由一些面向用户端的微服务功能组成，如状态估计、寿命预测、热失控预测、充电控制等，为确保动力电池系统的高效管理，该部分的设计需要符合功能安全和信息安全定义。
[0087]
尽管为了说明的目的，已描述了本发明的示例性实施方式，但是本领域的技术人员将理解，不脱离所附权利要求中公开的发明的范围和精神的情况下，可以在形式和细节上进行各种修改、添加和替换等的改变，而所有这些改变都应属于本发明所附权利要求的保护范围，并且本发明要求保护的产品各个部门和方法中的各个步骤，可以以任意组合的形式组合在一起。因此，对本发明中所公开的实施方式的描述并非为了限制本发明的范围，而是用于描述本发明。相应地，本发明的范围不受以上实施方式的限制，而是由权利要求或其等同物进行限定。