[发明专利]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

说明书

本发明公开了一种基于数字孪生的动力锂电池容量退化分析及在线预测方法。首次，根据电池的历史运行数据、荷电状态(SOC)和电池电流放电周期的局部放电电压曲线，基于数字孪生系统中的反向传播神经网络(BPNN)部分，预测并完成电池相应的放电电压曲线。在此基础上，基于数字孪生系统的卷积神经网络‑长短期记忆‑注意力(CNN‑LSTM‑Attention)部分，提取电流放电电压曲线的重要特征用于实时预测锂电池最大可用容量，并揭示电池的退化状态，实现锂电池容量实时在线估计。

技术领域

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

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。

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。

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。

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。

发明内容

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。

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：

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；

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；

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。