阅读说明：本技术 一种应用数字孪生技术的锂离子电池寿命预测方法 (Lithium ion battery life prediction method applying digital twinning technology ) 是由 熊瑞 田金鹏 卢家欢 于 2020-06-01 设计创作，主要内容包括：一种应用数字孪生技术的锂离子电池寿命预测方法,其通过建立电池的数字孪生体,生成电池在不同工作条件下的老化轨迹,能够有效地应对电池不一致性、环境及工作条件的变化。结合机器学习模型,可以建立快速电池寿命预测模型,并实现其定期更新以应对工况及环境变化,明显克服了现有技术中所存在的不足。(A lithium ion battery service life prediction method applying a digital twinning technology is characterized in that aging tracks of a battery under different working conditions are generated by establishing a digital twinning body of the battery, and the aging tracks can effectively cope with the changes of battery inconsistency, environment and working conditions. By combining a machine learning model, a rapid battery life prediction model can be established, and the model can be updated regularly to cope with working conditions and environmental changes, so that the defects in the prior art are obviously overcome.)

一种应用数字孪生技术的锂离子电池寿命预测方法

技术领域

本发明涉及电池系统领域，尤其涉及锂离子电池的剩余寿命估计。

背景技术

锂离子电池的性能在使用过程中会逐渐衰退，对电池系统以及载运工具的安全性与可靠性具有重要影响，目前的电池寿命预测方法大多是针对特定的电池，基于对电池进行离线试验的试验结果来设计，所覆盖的应用工况少，试验环境变化小。通过上述方式得到的电池寿命预测方法尚存在一些较为明显的缺陷，如无法考虑电池之间的不一致性，以及无法针对工况及环境变化做出更新。因此，如何提供一种既能够有效地适应不同电池间的不一致性，还可针对不同工况进行快速反应的锂电池寿命预测方法，是本领域中亟待解决的问题。

发明内容

数字孪生技术能够有效地克服传统电池控制管理的缺点，对不同电池类型和不同工况的适应性极强，有助于提高对电池全生命周期的控制及寿命预测效果。有鉴于此，本发明提供了一种锂离子电池寿命预测方法，基于数字孪生技术实现，具体包括以下步骤：

I.构建电池充电过程数字孪生体：

步骤一、针对特定实体电池i，进行信号采集，获取用于表征其运行状态的数据，并存储于电池数据存储平台；

步骤二、针对待预测电池i的结构与材料，建立用于仿真电池寿命的理论模型，结合离线的电池老化试验确定并验证所述模型中对电池寿命产生影响的参数，基于所述参数建立通用数字孪生体；

步骤三、基于修正算法并利用存储的历史运行状态数据，对通用数字孪生体进行修正，建立所述实体电池i的寿命数字孪生体；

II.构建电池寿命快速预测模型：

步骤四、从电池运行历史数据中分析电池i的运行工况及环境变化的统计信息，并基于统计信息生成出现的不同电池运行工况及环境情况的概率分布；

步骤五、将步骤四中所生成的运行工况及环境输入到所述寿命数字孪生体，对各个工况、环境下的电池老化路径进行仿真，得到仿真电池老化数据集；

步骤六、基于机器学习算法建立电池寿命快速预测模型，以电池温度、电压、压力等信号作为输入，电池寿命作为输出；利用所述仿真电池老化数据集对所述电池寿命快速预测模型进行训练；利用训练好的电池寿命快速预测模型对实体电池i的寿命进行预测。

步骤七、实时采集电池工况、环境变化以及用户习惯并存储，对所述电池寿命快速预测模型定期更新。

进一步地，所述步骤一中所述的用于表征其运行状态的数据，包括：电池的电压、电流、功率、电池内部温度分布、压力、环境温度、湿度等。

进一步地，所述步骤二中从电化学、热力学、力学等角度建立用于仿真电池寿命的理论模型；建立通用数字孪生体所根据的机理包括：电解液分解、钝化膜生长、析锂、过渡金属溶解、电池结构变化等。

进一步地，所述步骤三中对通用数字孪生体进行修正，具体利用实体电池i的容量损失、阻抗增长等数据与通用数字孪生体的仿真结果进行比较实现。

进一步地，所述步骤四中的统计信息具体是在历史数据中提取电流、功率需求来得到；生成所述概率分布基于蒙特卡洛算法、对抗生成网络、自编码器等算法。

进一步地，所述步骤六中的机器学习算法采用基于支持向量机、高斯过程回归、深度神经网络等算法。

上述本发明所提供的方法，通过建立电池的数字孪生体，生成电池在不同工作条件下的老化轨迹，能够有效地应对电池不一致性、环境及工作条件的变化。结合机器学习模型，可以建立快速电池寿命预测模型，并实现其定期更新以应对工况及环境变化，明显克服了现有技术中所存在的不足。

附图说明

图1为本发明所提供方法的整体示意图；

图2为本发明所提供方法中寿命数字孪生体的构建过程示意图；

图3为某动力电池的环境温度分布及其需求功率的统计分布；

图4为某动力电池的剩余寿命预测结果。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明所提供的一种锂离子电池寿命预测方法，基于数字孪生技术实现，如图1所示，该方法具体包括以下步骤：

I.构建电池充电过程数字孪生体，具体如图2所示：

步骤一、针对特定实体电池i，进行信号采集，获取用于表征其运行状态的数据，并存储于电池数据存储平台；所述的用于表征其运行状态的数据，包括：电池的电压、电流、功率、电池内部温度分布、压力、环境温度、湿度等。

步骤二、针对待预测电池i的结构与材料，从电化学、热力学、力学等角度建立用于仿真电池寿命的理论模型，结合离线的电池老化试验确定并验证所述模型中对电池寿命产生影响的参数，基于所述参数建立通用数字孪生体，所根据的机理包括：电解液分解、钝化膜生长、析锂、过渡金属溶解、电池结构变化等；

步骤三、基于修正算法并利用存储的历史运行状态数据，对通用数字孪生体进行修正，可利用实体电池i的容量损失、阻抗增长等数据与通用数字孪生体的仿真结果进行比较实现，建立所述实体电池i的寿命数字孪生体；

II.构建电池寿命快速预测模型：

步骤四、从电池运行历史数据中分析电池i的运行工况及环境变化的统计信息，比如在历史数据中提取电流、功率需求，并基于统计信息结合蒙特卡洛算法、对抗生成网络、自编码器等算法生成出现的不同电池运行工况及环境情况的概率分布；例如，附图3为某款动力电池的需求功率统计信息以及环境温度的统计信息。通过蒙特卡洛在上述分布中采样即可获得电池不同功率及温度的可能组合。或者通过对抗生成网络、自编码器等算法学习上述分布，即可生成具有相同分布的大量不同运行工况及环境情况的可能组合。

步骤五、将步骤四中所生成的运行工况及环境输入到所述寿命数字孪生体，对各个工况、环境下的电池老化路径进行仿真，得到仿真电池老化数据集；

步骤六、基于支持向量机、高斯过程回归、深度神经网络等机器学习算法建立电池寿命快速预测模型，以电池温度、电压、压力等信号作为输入，电池寿命作为输出；利用所述仿真电池老化数据集对所述电池寿命快速预测模型进行训练；利用训练好的电池寿命快速预测模型对实体电池i的寿命进行预测。例如，采用高斯过程回归算法建立电池充电电压与电池寿命的关系，对某动力电池寿命进行预测，其结果如图4所示。

步骤七、实时采集电池工况、环境变化以及用户习惯并存储，对所述电池寿命快速预测模型定期更新。

应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。