CN111610448B - 一种应用数字孪生技术的锂离子电池寿命预测方法 - Google Patents

一种应用数字孪生技术的锂离子电池寿命预测方法 Download PDF

Info

Publication number
CN111610448B
CN111610448B CN202010485489.1A CN202010485489A CN111610448B CN 111610448 B CN111610448 B CN 111610448B CN 202010485489 A CN202010485489 A CN 202010485489A CN 111610448 B CN111610448 B CN 111610448B
Authority
CN
China
Prior art keywords
battery
service life
digital twin
life
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010485489.1A
Other languages
English (en)
Other versions
CN111610448A (zh
Inventor
熊瑞
田金鹏
卢家欢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202010485489.1A priority Critical patent/CN111610448B/zh
Publication of CN111610448A publication Critical patent/CN111610448A/zh
Application granted granted Critical
Publication of CN111610448B publication Critical patent/CN111610448B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

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。

Description

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。

Claims (6)

1.一种应用数字孪生技术的锂离子电池寿命预测方法，其特征在于：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。
2.如权利要求1所述的方法，其特征在于：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。
3.如权利要求1所述的方法，其特征在于：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、电池结构变化过程。
4.如权利要求1所述的方法，其特征在于：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、阻抗增长数据与通用数字孪生体的仿真结果进行比较实现。
5.如权利要求1所述的方法，其特征在于：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、自编码器算法。
6.如权利要求1所述的方法，其特征在于：所述步骤六中的机器学习算法可采用基于支持向量机、高斯过程回归、深度神经网络等算法。
CN202010485489.1A 2020-06-01 2020-06-01 一种应用数字孪生技术的锂离子电池寿命预测方法 Active CN111610448B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010485489.1A CN111610448B (zh) 2020-06-01 2020-06-01 一种应用数字孪生技术的锂离子电池寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010485489.1A CN111610448B (zh) 2020-06-01 2020-06-01 一种应用数字孪生技术的锂离子电池寿命预测方法

Publications (2)

Publication Number Publication Date
CN111610448A CN111610448A (zh) 2020-09-01
CN111610448B true CN111610448B (zh) 2021-05-04

Family

ID=72198108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010485489.1A Active CN111610448B (zh) 2020-06-01 2020-06-01 一种应用数字孪生技术的锂离子电池寿命预测方法

Country Status (1)

Country Link
CN (1) CN111610448B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112345952A (zh) * 2020-09-23 2021-02-09 上海电享信息科技有限公司 动力电池老化程度判断方法
CN112379297B (zh) * 2020-10-22 2024-06-11 欣旺达动力科技股份有限公司 电池系统寿命预测方法、装置、设备及存储介质
CN112685949A (zh) * 2020-11-25 2021-04-20 江苏科技大学 一种基于数字孪生的变压器健康预测方法
CN112904220B (zh) * 2020-12-30 2021-12-31 厦门大学 一种基于数字孪生和机器学习的ups健康预测方法、系统、电子设备及可存储介质
CN113591364A (zh) * 2021-06-08 2021-11-02 北京科技大学 燃料电池管理系统的管理方法及装置
CN113406508A (zh) * 2021-06-23 2021-09-17 苏州东吴智控科技有限公司 基于数字孪生的电池检测和维护方法及装置
CN113533995B (zh) * 2021-07-05 2023-10-20 上海电享信息科技有限公司 一种动力电池一致性检测方法
CN113740747A (zh) * 2021-08-31 2021-12-03 北京航空航天大学 一种面向可靠性数字孪生的锂电池组充放电测试与数据采集系统
CN113517760B (zh) * 2021-09-10 2021-11-30 广州健新科技有限责任公司 一种基于大数据和数字孪生的电池储能站监测方法及系统
CN113884899A (zh) * 2021-09-28 2022-01-04 中汽创智科技有限公司 一种基于数字孪生的燃料电池仿真标定系统及方法
CN114047453A (zh) * 2021-10-26 2022-02-15 深圳蓝信电气有限公司 一种小容量直流电源寿命测试系统
CN115993549A (zh) * 2021-11-17 2023-04-21 江苏天合储能有限公司 一种储能电池管理系统的修正方法、装置、系统及介质
CN114004168B (zh) * 2021-12-24 2022-04-29 武汉理工大学 一种基于数字孪生的燃料电池综合管理系统及方法
CN114216558B (zh) * 2022-02-24 2022-06-14 西安因联信息科技有限公司 一种无线振动传感器电池剩余寿命预测方法及系统
CN114722625B (zh) * 2022-04-24 2022-11-15 上海玫克生储能科技有限公司 锂电池的单体数字孪生模型建立方法、系统、终端和介质
CN115422696B (zh) * 2022-04-24 2023-07-07 上海玫克生储能科技有限公司 一种模组数字孪生模型建立方法、系统、终端和介质
CN116819344B (zh) * 2023-08-25 2024-01-23 宁德时代新能源科技股份有限公司 锂电池形核过电位预测方法、装置、车辆及介质
CN117688850A (zh) * 2024-02-03 2024-03-12 深圳三晖能源科技有限公司 一种户外储能电池寿命预测方法、系统、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108037463A (zh) * 2017-12-15 2018-05-15 太原理工大学 一种锂离子电池寿命预测方法
CN108490357A (zh) * 2018-03-14 2018-09-04 安徽理工大学 基于机理-数据驱动模型的锂电池剩余容量预测方法
CN109873185A (zh) * 2017-12-04 2019-06-11 通用电气公司 基于数字孪生体的管理系统和方法及基于数字孪生体的燃料电池管理系统和方法
CN110161425A (zh) * 2019-05-20 2019-08-23 华中科技大学 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法
CN110492186A (zh) * 2019-07-02 2019-11-22 北京航空航天大学 一种基于云端控制技术的动力电池模组的管理方法
CN110489833A (zh) * 2019-07-31 2019-11-22 西安交通大学 数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法
EP3591757A1 (de) * 2018-07-06 2020-01-08 Torqeedo GmbH Verfahren, computerprogrammprodukt und prognosesystem zur bestimmung der lebensdauer einer antriebsbatterie eines fahrzeugs, insbesondere eines boots

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109873185A (zh) * 2017-12-04 2019-06-11 通用电气公司 基于数字孪生体的管理系统和方法及基于数字孪生体的燃料电池管理系统和方法
CN108037463A (zh) * 2017-12-15 2018-05-15 太原理工大学 一种锂离子电池寿命预测方法
CN108490357A (zh) * 2018-03-14 2018-09-04 安徽理工大学 基于机理-数据驱动模型的锂电池剩余容量预测方法
EP3591757A1 (de) * 2018-07-06 2020-01-08 Torqeedo GmbH Verfahren, computerprogrammprodukt und prognosesystem zur bestimmung der lebensdauer einer antriebsbatterie eines fahrzeugs, insbesondere eines boots
CN110161425A (zh) * 2019-05-20 2019-08-23 华中科技大学 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法
CN110492186A (zh) * 2019-07-02 2019-11-22 北京航空航天大学 一种基于云端控制技术的动力电池模组的管理方法
CN110489833A (zh) * 2019-07-31 2019-11-22 西安交通大学 数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Cloud-Based Battery Digital Twin Middleware Using Model-Based Development》;Lukas Merkle;《Computer Science and Intelligent Control》;20190930;全文 *
《基于数字孪生的电动汽车动力系统实验教学方案》;汪玉洁等;《教育现代化》;20191031;全文 *

Also Published As

Publication number Publication date
CN111610448A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
CN111610448B (zh) 一种应用数字孪生技术的锂离子电池寿命预测方法
Tong et al. Early prediction of remaining useful life for Lithium-ion batteries based on a hybrid machine learning method
CN112149345B (zh) 电池管理方法、装置、计算机设备和存储介质
Goh et al. Estimation of the state of health (SOH) of batteries using discrete curvature feature extraction
Yang et al. Remaining useful life prediction of lithium-ion batteries based on a mixture of ensemble empirical mode decomposition and GWO-SVR model
EP4198531A1 (en) Battery cell defectiveness and fire early diagnosis method and apparatus based on neural network
Jiang et al. Multi-kernel relevance vector machine with parameter optimization for cycling aging prediction of lithium-ion batteries
CN109001640B (zh) 一种动力电池的数据处理方法和装置
CN106777786A (zh) 一种锂离子电池soc估算方法
CN113821976A (zh) 一种基于集成算法的锂电池故障诊断建模方法
CN113591364A (zh) 燃料电池管理系统的管理方法及装置
Wang et al. Capacity estimation of lithium-ion batteries based on data aggregation and feature fusion via graph neural network
Ting et al. State-of-Charge for Battery Management System via Kalman Filter.
CN114879046B (zh) 一种基于卡尔曼滤波的锂电池寿命预测方法和系统
CN115586444A (zh) 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法
CN114325406A (zh) 一种基于机器学习思维预测电池热失控的方法及系统
CN114881318A (zh) 基于生成对抗网络的锂电池健康状态预测方法及系统
Namdari et al. A multiscale entropy-based long short term memory model for lithium-ion battery prognostics
CN115061058A (zh) 退役动力电池梯次利用剩余寿命测算方法及系统
Zhao et al. Battery safety: Machine learning-based prognostics
Xu et al. A novel Drosophila‐back propagation method for the lithium‐ion battery state of charge estimation adaptive to complex working conditions
Chen et al. State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method
CN113657030A (zh) 一种基于高斯过程回归的锂电池剩余使用寿命预测方法
Satyan et al. A Survey on data-driven methods for state of charge estimation of battery
CN117289167A (zh) 基于多重神经网络的电池剩余寿命预测方法、装置及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant