电池数字孪生：模型数据人工智能融合的智能电池管理系统

Posted 2021-04-26 EAI能源与人工智能

原文信息：

Battery digital twins: Perspectives on the fusion of models, data and artificial intelligence for smart battery management systems

原文链接：

https://www.sciencedirect.com/science/article/pii/S2666546820300161

        本文由帝国理工大学Billy Wu博士 , 华威大学Dhammika Widanage 博士,以及北京航空航天大学杨世春教授、刘新华助理教授团队合作在Energy and AI上发表。重点介绍了基于数字孪生的模型、数据、人工智能相融合的智能电池管理系统。

摘要

       锂离子电池广泛应用于电动汽车和电网储能等领域，这些设备的寿命很大程度上受到材料选择、系统设计和使用工况的影响，这些耦合的因素使得电池在实际应用中的控制具有挑战性。随着学界在电池老化机理、系统建模和故障诊断方面的研究突破，结合人工智能方法创建电池的数字孪生模型成为可能。在数字孪生体系中，电池的物理实体和数字虚拟模型协同联动，能够实现更为智能的管控。因此，本文展示了电池在状态估计模型、车载诊断工具、数据驱动建模领域的成果以及这些功能如何整合在一个数字孪生体系之中。

挑战与机遇共存

       减少温室气体排放并遏制全球气候变化是人类命运共同体面对的一大挑战，锂电池的应用是其中的重要手段之一，但其能量密度、寿命周期、昂贵成本是限制大规模使用的阻碍。严格限制电池参数（如电压、电流、温度等）能够简单有效解决这些障碍，如果辅助以模型驱动方法得到状态参数就能更好实现电池控制，例如基于电极电势和锂盐浓度优化快充策略、微观老化模型与宏观状态估计耦合，实现对动态工况的闭环监测。

        同样也有一些挑战在研究中存在。电池的老化通常认为由SEI膜生长、析锂反应、活性颗粒破裂与损失等原因导致，但是基于电池单体来看由于生产制造产生的不可避免的不一致性会对模型预测的精度产生非常显著的影响；近年来在状态估计的研究中使用了大量机器学习算法，通过数据训练探索其内部隐含关联最终实现系统性能的自动提升，但是这种方法性能的提升依赖于训练数据样本的大小，即必须有足够多的真实数据提供给模型才能得到理想的效果；在此基础上提出一种融合模型驱动与数据驱动的混合模型，这种模型兼具两种方法的优点并随着车联网时代的到来变的可能，但是海量的实时动态数据如何有效存储、处理又成为难题。

        数字孪生技术随着模型、算法、物联网、大数据等多个领域内不断的技术突破被提出，即构建一个与物理实体映射的虚拟数字模型，两个模型交互耦合并协同进化，这非常适合具有复杂非线性特点的锂电池系统。本文以下将从电池建模与控制、车载传感与诊断技术、机器学习算法在电池领域的应用以及如何建立一个包容的电池数字孪生系统四个方面介绍，最后提出了作者的结论与展望。

01

模型——电池的建模与控制

       电池管理系统（BMS）最核心的三个功能是维持电池使用过程中的性能、寿命和安全，此外还会有车-电网双向充电、快充策略等扩展功能。为实现这些功能需要精确估算电池内部的状态变量如荷电状态（SOC）、健康状态（SOH）、可用功率状态（SOAP），在状态估计的同时还需要考虑运行环境、材料体系、内部电化学反应等因素的影响。例如在车辆加减速过程中，电池的峰值功率会相应变化，长时间处于高倍率充放电工况会加速电池老化并导致容量衰减，因此可以使用厚电极提升电池比能量，但是厚电极机械性能较差，如何在结构稳定与荷电能力之间取得平衡变的极为重要，此外电池所处的环境温度、SEI膜生长、快充方式，材料成本等也会影响电池性能。

        在电池模型的研究方面，等效电路模型能够通过电阻、电容等电学元件的组合描述电池的电学特性，模型的RC环节越多精度越高，同时计算复杂度也会随之升高；另一类由Newman和Doyle提出的伪二维（P2D）模型能够精确描述电池单体的微观性能，但是模型要求标定大量难以测量的参数，这就导致了模型难以实现对单体的一对一匹配，据此优化得到了需要较少参数的单粒子（SPM）模型等；此外还有一些参数化方法，将温度、寿命、荷电状态等参数的关系通过公式拟合，这种方法虽然足够简单但精度难以长时间保持。

        虽然在电池宏观和微观领域的众多难题都取得重大进展，但是由于生产制造的不一致性和随着电池性能衰退的演变，如何保持模型的精度和控制的高效仍值得继续研究。

02

数据——车载传感与诊断技术

        智能的电池管理系统应该具备电池数据的收集和分析能力，随着人工智能技术的发展，对数据的质量和数量也有了更高要求。传统的电池检测技术依赖于实验室的大型仪器设备，难以实现车载利用，因此基于数据处理的诊断技术受到关注。下表是不同的数据种类、分析技术及对应的表征。

        目前广泛使用的技术有混合脉冲功率法（HPPC）、差分电压分析（DVA）和增量容量分析（ICA）、差热伏安分析（DTV）等方法，这些方法为保证特征的有效性通常需要对原始数据做一些预处理。电化学阻抗谱法和等效电路模型结合也能对电池微观性能有效分析，还有学者提出了光纤替代传统热电偶的温度测量方法，以及压力、体积检查电池内部产气膨胀等现象的方法。

        特征提取与识别技术能帮助研究人员更好理解电池微观特征，与数据驱动模型组合后可以迸发更大潜力，电池数据结构的标准化是高效测试分析电池的重要前提。

03

人工智能——机器学习算法和数据驱动方法的应用

        通过前述数据分析和特征提取方法得到的结构化数据输入机器学习模型中，能够有效提升状态估计的精度和效率。物联网以及其他技术的发展使得高质量的海量数据获取变的越来越容易，也使得人工智能方法的前景越来越明朗，除了常见的人工神经网络（ANN）、支持向量机（SVM）等算法，生成对抗神经网络也得到应用，该方法能够快速虚拟扩增数据集，推断未知电池体系的实验数据并加快新型电池研发。

04

数字孪生：模型、数据、人工智能的融合方法

        数字孪生系统依照现实世界的物理实体在云端建立数字虚拟模型，该模型可以从多维度实现对实体的映射和仿真，在电池状态估计、故障诊断、云端控制等领域有广阔应用前景。团队以数字孪生技术为基础又提出了赛博链理论（CHAIN），即层次化赛博物理系统与交互式网联架构，能够实现设计智能化、数据多维化、功能分级化和全生命周期管理四大功能，其分层的架构能够更好的融合已有的微观-宏观耦合模型、智慧工厂解决方案、故障预测与健康管理（PHM）、数据驱动平台等技术体系，具有强大的泛化能力、普适性和包容性，针对不同层次的功能可以提供适宜的网络配置和硬件算力，实现资源利用最大化和管理效益最优化。赛博链架构具有的交互式网络框架下，动力电池系统在数字孪生模型“信息感知”的基础上演化出“反馈调节”能力，不仅能够在赛博物理空间完成“数字孪生（Digital Twin）”和“数字主线（Digital Thread）”，还能更好进行多源信息融合，大大提升赛博链架构的自适应性和集成能力，满足电池系统精细化管理和未来能源互联网构建的需求。

        综上，数字孪生在电池未来的研究中具有很大潜力，且数据、模型、人工智能算法作为数字孪生系统的三个关键因素仍会成为研究热点，另外还有数据格式标准化、电池数据库建设、多尺度建模、人工智能算法融合等难题仍待解决。

作者介绍

INTRODUCTION

Billy Wu

      英国帝国理工大学戴森设计工程学院副教授，主要研究内容涵盖多元化能源系统（锂电池、燃料电池和超级电容器）的基础问题与工程应用，包括材料化学、电池模型和电池管理系统及热管理系统等，共发表了40余篇论文，担任Energy & AI、Scientific Reports、HardwareX和the Journal of Power and Energy编委会成员。

Dhammika Widanalage

      英国华威大学副教授，在艾伦·图灵（Alan Turing）研究所访问并担任项目负责人，他在华威大学获得了博士学位，并在比利时布鲁塞尔自由大学（Vrije Universiteit Brussel）担任博士后，主要研究用于工业应用和电池建模的频域识别方法，依托电池建模、系统识别和机器学习等方法实现电池寿命预测，取得诸多成果并与多家英国企业合作实现成果转化。 

杨世春

      北京航空航天大学交通科学与工程学院教授、博士生导师、院长，入选国家万人计划领军人才、科技部中青年科技创新领军人才、全国优秀科技工作者。全国汽车标准化技术委员会电动车辆分标委副主任委员、SAE车辆安全与信息安全技术委员会副主席、中国智能交通协会专家委员会道路车辆专业工作委员会专家。主要从事新能源汽车能源动力系统安全、高效优化及控制理论研究，第一完成人获得国家科技进步二等奖1项、中国汽车工业技术发明一等奖1项和教育部科技进步二等奖1项。

刘新华

      北京航空航天大学交通科学与工程学院助理教授，英国帝国理工大学客座讲师，北航浙江新能源汽车研究院实验室负责人，北航第十批青年拔尖人才，多年来致力于新能源相关领域研究，相关工作以基础为切入点，应用为导向，依托精细电池模型、大数据挖掘和电池管理技术实现动力电池性能评估、状态预测与安全预警。

END

 关于我们 

本期小编：王博文，许一帆

Energy and AI 的目标是成为能源和人工智能交叉领域前沿研究的权威期刊。2020年投稿并接受的文章均可免费开源发表。该期刊主要刊登研究(Research)、短讯(Short communication)、展望(Perspective)、综述(Review) 等类型的文章。欢迎广大学者踊跃投稿。

我们的网址是：www.journals.elsevier.com/energy-and-ai

点击阅读原文，免费获取Energy and AI最新原创论文