CN114722625B - 锂电池的单体数字孪生模型建立方法、系统、终端和介质 - Google Patents
锂电池的单体数字孪生模型建立方法、系统、终端和介质 Download PDFInfo
- Publication number
- CN114722625B CN114722625B CN202210434279.9A CN202210434279A CN114722625B CN 114722625 B CN114722625 B CN 114722625B CN 202210434279 A CN202210434279 A CN 202210434279A CN 114722625 B CN114722625 B CN 114722625B
- Authority
- CN
- China
- Prior art keywords
- parameters
- lithium battery
- monomer
- macroscopic
- digital twin
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种锂电池的单体数字孪生模型建立方法、系统、终端和介质,方法包括:根据宏观状态参数与宏观物化参数分析得到经验关系簇;所述宏观物化参数用于表征锂电池单体的运行状态;所述宏观状态参数用于表征所述锂电池单体的工况性能;所述经验关系簇为所述锂电池单体的宏观状态参数与宏观物化参数的先验关系;根据所述经验关系簇建立所述锂电池单体的单体数字孪生模型;根据实时获取的宏观物化参数对所述单体数字孪生模型进行更新。本发明能够建立持续、实时和直观的锂电池单体数字孪生模型,精度高可预测性强。
Description
技术领域
本发明涉及电池技术领域,尤其涉及一种锂电池的单体数字孪生模型建立方法、系统、终端和介质。
背景技术
在“碳中和”背景下,对可代替石油能源的清洁能源寻找热情持续升温。太阳能、潮汐能、风能、水能等是一种清洁的可持续利用的能源,但能源产生的介质可控性相对不是很强。锂离子电池是目前新一代二次电池、其具有较高的能量密度和循环寿命,目前广泛应用于移动通信、数码科技、电动汽车、能源存储等领域,未来对锂离子电池及其材料的需求难以估量、其配套的上下游产业链也市场巨大。对于锂电池建立数字孪生体,能够给更加清晰地了解锂电池的实时工作状态,从而更好保障锂电池的经济性、可靠性和安全性。
数字孪生作为一种新兴技术受到电力系统的极大关注,数字孪生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。锂电池的单体数字孪生系统是基于锂电池单体的物理化学模型的数字孪生体,其不局限于宏观量,而致力于挖掘锂电池内部微观量的变化规律,故存在很强的预测性和可信性。
该单体数字孪生系统操作方便,易于实现,但是需要大量的实验数据作为模型基础以实现拟合,对于超出实验数据范围的预测真实性难以控制。而且,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。
发明内容
针对上述技术问题,本发明的目的在于解决现有技术中需要使用大量实验数据建立锂电池单体对应数字孪生模型的适应性弱、准确率低的技术问题。
为了实现上述目的,本发明提供一种模组数字孪生模型建立方法,包括:
根据宏观状态参数与宏观物化参数分析得到经验关系簇;所述宏观物化参数用于表征锂电池单体的运行状态;所述宏观状态参数用于表征所述锂电池单体的工况性能;所述经验关系簇为所述锂电池单体的宏观状态参数与宏观物化参数的先验关系;
根据所述经验关系簇建立所述锂电池单体的单体数字孪生模型;
根据实时获取的宏观物化参数对所述单体数字孪生模型进行更新。
在一些实施方式中,所述根据宏观状态参数与宏观物化参数分析得到经验关系簇包括:
从传感器模组处获取所述锂电池单体的宏观物化参数,并基于预设方式建立所述宏观状态参数;
采集不同宏观状态参数下的两相反应锂电池的充放电曲线;
对采集的各充放电曲线进行基于电池经验模型的参数提取得到所述经验关系簇。
在一些实施方式中,所述根据所述经验关系簇建立所述锂电池单体的单体数字孪生模型包括:
根据所述经验关系簇选择符合需求的预设模型建立所述单体数字孪生模型。
在一些实施方式中,所述根据所述经验关系簇建立所述锂电池单体的单体数字孪生模型之后包括:
通过所述单体数字孪生模型展示待显示参数;所述待显示参数包括宏观状态参数,宏观物化参数,微观物化参数;
根据所述宏观物化参数和微观物化参数建立预警阈值;
对所述锂电池内部状态进行实时监测得到监测结果;
将所述监测结果与所述预警阈值进行比较,若所述监测结果超过所述预警阈值进行提示预警。
根据本发明的另一方面,本发明进一步提供一种锂电池的单体数字孪生模型建立系统,包括:
分析模块,用于根据宏观状态参数与宏观物化参数分析得到经验关系簇;所述宏观物化参数用于表征锂电池单体的运行状态;所述宏观状态参数用于表征所述锂电池单体的工况性能;所述经验关系簇为所述锂电池单体的宏观状态参数与宏观物化参数的先验关系;
建立模块,用于根据所述经验关系簇建立所述锂电池单体的单体数字孪生模型;
更新模块,用于根据实时获取的宏观物化参数对所述单体数字孪生模型进行更新。
在一些实施方式中,所述分析模块包括:
获取单元,用于从传感器模组处获取所述锂电池单体的宏观物化参数,并基于预设方式建立所述宏观状态参数;
采集单元,用于采集不同宏观状态参数下的两相反应锂电池的充放电曲线;
提取单元,用于对采集的各充放电曲线进行基于电池经验模型的参数提取得到所述经验关系簇。
在一些实施方式中,所述建立模块包括:
创建单元,用于根据所述经验关系簇选择符合需求的预设模型建立所述单体数字孪生模型。
在一些实施方式中,系统还包括:
展示模块,用于通过所述单体数字孪生模型展示待显示参数;所述待显示参数包括宏观状态参数,宏观物化参数,微观物化参数;
设置模块,用于根据所述宏观物化参数和微观物化参数建立预警阈值;
监测模块,用于对所述锂电池内部状态进行实时监测得到监测结果;
处理模块,用于将所述监测结果与所述预警阈值进行比较,若所述监测结果超过所述预警阈值进行提示预警。
根据本发明的另一方面,本发明进一步提供一种终端设备,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器,用于执行所述存储器上所存放的计算机程序,实现所述锂电池的单体数字孪生模型建立方法所执行的操作。
根据本发明的另一方面,本发明进一步提供一种存储介质,所述存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现所述锂电池的单体数字孪生模型建立方法所执行的操作。
与现有技术相比,本发明所提供的一种锂电池的单体数字孪生模型建立方法、系统、终端和介质,能够建立持续、实时和直观的锂电池单体数字孪生模型,精度高可预测性强。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1为本发明锂电池的单体数字孪生模型建立方法的一个实施例的流程示意图;
图2为本发明锂电池的单体数字孪生模型建立方法的另一个实施例的流程示意图;
图3为本发明锂电池的单体数字孪生模型建立系统的一个实施例的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所述描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其他特征、整体、步骤、操作、元素、组件和/或集合的存在或添加。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
另外,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
参考说明书附图1,一种锂电池的单体数字孪生模型建立方法,包括:
S100根据宏观状态参数与宏观物化参数分析得到经验关系簇;所述宏观物化参数用于表征锂电池单体的运行状态;所述宏观状态参数用于表征所述锂电池单体的工况性能;所述经验关系簇为所述锂电池单体的宏观状态参数与宏观物化参数的先验关系;
具体的,宏观物化参数包括电压、电压变化率、电流、功率、温度分布(指电池内部各点的温度)、内阻、压力等。宏观状态参数包括电池表面测得的温度、SOC(state ofcharge的缩写,表示的是电池剩余电量百分比)、SOH(state of health的缩写,表示的是电池健康度,可以理解为电池当前的容量与出厂容量的百分比)、SOP(State of Power的缩写,表示的是电池的功率状态)、工况等。
S200根据所述经验关系簇建立所述锂电池单体的单体数字孪生模型;
S300根据实时获取的宏观物化参数对所述单体数字孪生模型进行更新。
本发明先得到各种情况锂电池单体下的宏观状态参数与物化参数的关系作为系统的输入,其后通过微观本征的机理模型进行集成多学科、多物理量、多尺度、多概率的仿真得到实时的实际系统的物理化学参数,并据此得到模型预测的宏观状态参数及其概率分布,之后通过历史数据和传感器返回的测量数据更新电池的最大似然宏观状态参数,作为下时刻的部分系统输入。
参考说明书附图2,一种锂电池的单体数字孪生模型建立方法,包括:
S110从传感器模组处获取所述锂电池单体的宏观物化参数,并基于预设方式建立所述宏观状态参数;
具体的,传感器模组包括但是不限于温度传感器、电压传感器、电流传感器。其中,温度传感器用于采集监测锂电池的温度,电压传感器用于用于采集监测锂电池的电压,电流传感器用于用于采集监测锂电池的电流。
S120采集不同宏观状态参数下的两相反应锂电池的充放电曲线;
具体的,两相反应锂电池是指反应过程中,正极材料反应只有两相参与,例如磷酸铁锂电池,磷酸铁锂电池的储锂反应机制为:
LiFePO4→xLi+xFePO4+(1-x)LiFePO4;
由方程式可见,随着反应进行,始终是两相。其能特斯方程为E=ΔrG/F=[ΔfG(FePO4)-ΔfG(LiFePO4)]/F,根据磷酸铁锂电池的能特斯方程可知,磷酸铁锂电池的电极电势与x无关,是常数,表现在OCV-SOC曲线上是一个很长的平台,其平台的拐点是高低含量处相的量不够引起的。其中,磷酸铁锂电池的充放电曲线如图2所示。
对于非两相反应的锂电池,例如钴酸锂电池,钴酸锂电池的储锂反应机制为:LiCoO2→xLi+Li{1-x}CoO2。
由方程式可见,随着反应进行,反应右侧相组成与相相关。钴酸锂电池的能特斯方程为E=ΔrG/F=[ΔfG(Li{1-x}CoO2)-ΔfG(LiCoO2)]/F,根据钴酸锂电池的能特斯方程可知,钴酸锂电池的电极电势与x有关,表现在OCV-SOC曲线上是一个连续的上升曲线。更一般的,一般认为在电化学反应过程中,存在几个相就存在几个电压平台。
电池经验模型可以包括Nernst模型、大数据模型、等效电路模型还有电池经验模型这种简单的表象电化学模型。本实施例中以Nernst模型举例来预测两相反应锂电池的剩余寿命。
Nernst模型的一种数学形式为:
Nernst模型的曲线形式也具有平台,从理论上来说,Nernst模型更适用于两相反应锂电池,本发明主要采用Nernst模型来预测两相反应锂电池的剩余寿命。当然,也可以通过Nernst模型来预测宏观状态参数中的其他参数,例如SOH。
在该步骤中,先采集两相反应锂电池在不同宏观状态参数下的充放电曲线。不同工况是指不同的充放电倍率和温度,同一个锂电池的充放电倍率不同时其充放电曲线也不同,所以采集数据时,需要采集同一个锂电池在不同充放电倍率和不同温度下的充放电曲线。
锂电池的寿命(SOH,state of health)是指电池剩余容量/电池标准容量,也即锂电池的剩余寿命。本发明的目的是为了预测锂电池的宏观状态参数,所以在采集电池的充放电曲线时也需要体现锂电池的宏观状态参数这一变量,使每个充放电曲线都有对应的充放电状态。例如,预测锂电池的剩余寿命,所以在采集电池的充放电曲线时也需要体现锂电池的寿命这一变量,使每个充放电曲线都有对应的充放电工况和寿命。
在采集锂电池的充放电曲线时,可以采集一个两相反应锂电池在不同宏观状态参数下的充放电曲线并形成充放电曲线集,也可以采集多个两相反应锂电池分别在不同宏观状态参数下的充放电曲线并形成充放电曲线集。例如,采集一个两相反应锂电池在不同工况、不同寿命下的充放电曲线并形成充放电曲线集,也可以采集多个两相反应锂电池分别在不同工况、不同寿命下的充放电曲线并形成充放电曲线集。
S130对采集的各充放电曲线进行基于电池经验模型的参数提取得到所述经验关系簇;
具体的,延续上述示例,Nernst模型的一种初始数学形式为:
为了节省算力提高精度,将Nernst模型的初始数学形式进行简化得到:
y=k0ln(l0)+k0ln(x)+k1(1-x)-1;
延续上述例子,简化后的Nernst模型中的x即为锂电池的SOC值,也即为横坐标,y为锂电池的端电压,也即为纵坐标;k0ln(l0)表征平台电压,k0、k1则分别与正负极材料锂离子活度、电极几何构型等相关。
构建Nernst模型的数学形式后,即可根据构建的Nernst模型的数学形式对采集的充放电曲线进行拟合,得到各充放电曲线对应的Nernst模型的参数k0、k1和l0。
对每个充放电曲线都进行拟合,提取出每个充放电曲线对应的Nernst模型的参数k0、k1和l0,其中,每个充放电曲线都可得到一组Nernst模型的模型参数k0、k1和l0,根据采集的多个充放电曲线,即可得到多组数据,每组数据均包括以下参数:充放电工况、锂电池剩余寿命和Nernst模型的模型参数。
根据采集的多个充放电曲线得到多组数据后,即可根据多组数据对寿命预测模型进行训练,建立Nernst模型的模型参数与宏观状态参数的对应关系。通过训练好的寿命预测模型预测锂电池的宏观状态参数时,可以先采集某一工况下的两相反应锂电池在的充放电曲线,然后提取出其充放电曲线中的Nernst模型的参数k0、k1和l0,最后根据Nernst模型的参数k0、k1和l0和已训练好的寿命预测模型对该待预测锂电池的宏观状态参数进行估计。
S210根据所述经验关系簇选择符合需求的预设模型建立所述单体数字孪生模型;
具体的,根据锂电池应用场景、边缘终端和云端的算力、孪生模型的精度要求,基于经验关系簇选择符合需求的预设模型建立所述单体数字孪生模型。本发明将基于大数据、人工智能学习或实验等方式建立的宏观状态参数(SOC、SOH、SOP、工况等)与宏观物化参数(电压、电流、电压变化率等)的经验关系簇作为数字孪生模型的输入,这样,就能够使用经验关系簇建立锂电池单体物理化学模型。本发明采用的模型根据锂电池应用场景、边缘终端和云端的算力、孪生模型的精度要求等选择集总粒子模型(Lumped Particle Model,LPM)、单粒子模型(Single Particle Model,SPM)、伪二维模型(Pseudo 2DimensionModel,P2D)、热耦合模型、力耦合模型、力热耦合模型、多维维度边缘效应模型、宏观温度模型等的一种或多种组合建立锂电池物理化学模型。通过上述流程所得的充放电曲线簇是锂电池物化模型的输入参数,从而可得到锂电池内部的微观物理化学参数,据此得到锂电池宏观物理化学参数(电流、电压、压力),并通过经验关系曲线簇转化为实际宏观状态参数(寿命、温度、SOC、SOH、SOP等)的预测值的概率分布。
S300根据实时获取的宏观物化参数对所述单体数字孪生模型进行更新;
具体的,通过传感器和历史数据(包括历史的宏观状态参数,宏观物化参数,微观物化参数)更新单体数字孪生模型。由于在锂电池数字孪生系统中,另一个关键的输入是实时或低延迟的传感器系统。通过传感器采集的测量数据(即本发明的宏观物化参数)与物理化学模型返回的预测数据和其概率分布得到锂电池的真实数据。真实数据获取的方法有许多,比如标准卡尔曼、扩展卡尔曼和无迹卡尔曼等。主要原理是测量数据有其测量误差和其分布,模型通过历史数据和物理化学关系得到预测数据已有其概率分布,故而能共同返回数据最大概率值,并以此值作为锂电池此时刻的真实数据,更新真实数。
S400通过所述单体数字孪生模型展示待显示参数;所述待显示参数包括宏观状态参数,宏观物化参数,微观物化参数;
具体的,通过多维度立体展示系统(包括本发明的单体数字孪生模型)展示锂电池单体系统的各部位参数。可以展示的数据则有宏观状态参数,宏观物化参数,微观物化参数等。微观物化参数包括电池各点的电场电势和电流,以及各相的锂离子浓度等等。
S500根据所述宏观物化参数和微观物化参数建立预警阈值;
S600对所述锂电池内部状态进行实时监测得到监测结果;
S700将所述监测结果与所述预警阈值进行比较,若所述监测结果超过所述预警阈值进行提示预警。
具体的,对宏观物化参数和微观物化参数建立预警阈值。具体地,可将参数种类分为经济性、可靠性、安全性三个维度,参数状态分为良好、正常、亚健康、异常、危险等级别。适用一些方法(比如恒虚警)将物化参数的概率分布和阈值进行比较来归类状态级别。也可使用训练人工智能模型将电池状态进行分类和聚类。据并以此值作为物理化学模型下一时刻的预测值和概率分布的输入。
对锂电池内部状态进行实时监测得到监测结果,将监测结果与预警阈值进行比较,如果监测结果超过预警阈值的时候,返回内部宏观状态参数给预警诊断系统进行预警和诊断,返回给决策系统进行维护决策得到维护参数。如果监测结果未超过预警阈值的时候,则继续监测获取锂电池的监测结果,并按一定时间间隔进行日志。
目前锂电池的数字孪生系统均基于数据驱动,而非本征的物理化学模型。而且在实际使用中,需要对上述锂电池进行适当地监测,其中包括电压监测、电流监测、温度监测等,以便估算该电池组的状态特性。而传统的蓄电池测量是利用工程人员现场测量,人力成本很高且测量不够准确。本发明应用于应用场景的锂电及其空间场景分布、布置于实际场景不同维度的宏观物化参数传感器、布置于场景较高维度(整车、整站或电池堆)的边缘计算装置、将传感器数据和边缘计算结果上传的通信装置、布置有模型展示系统和预警诊断系统的服务器或PC端。
优选的,通过状态观测器来修正最大似然系统参数。由于上述实施例通过历史数据和物理化学关系得到预测数据已有其概率分布,在测量有误差的情况下,为了提升单体数字孪生模型的准确率就需要修正最大似然系统参数。
其中,状态观测器包括卡尔曼滤波(Kalman filtering)和无迹卡尔曼滤波等。Kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中,估计动态系统的状态。由于它便于计算机编程实现,并能够对现场采集的数据进行实时的更新和处理。Kalman滤波是一种利用线性系统状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响,所以最优估计也可看作是滤波过程,Kalman滤波是目前应用最为广泛的滤波方法,在通信,导航,制导与控制等多领域得到了较好的应用。
此外,无迹卡尔曼滤波是将原本是白噪声分布的样本经过非线性变换后映射所得概率分布加入卡尔曼滤波的修正之中,进行滤波调整的一种方法。
本发明提供了一种锂电池单体数字孪生系统的建立方法,由于基于物化机理模型,精度高可预测性强。此外,还可以滤波修正最大似然系统参数,可靠性、鲁棒性强。最后,本发明存在预警系统和展示系统,直观,操作门槛低。
本发明提供了一种锂电池的单体数字孪生模型的建立方法。首先得到各种情况锂电池单体下的实际状态参数与物化参数的关系作为系统的输入,其后通过微观本征的机理模型进行集成多学科、多物理量、多尺度、多概率的仿真得到实时的实际系统的物理化学参数,并据此得到模型预测的状态参数及其概率分布,之后通过历史数据和传感器返回的测量数据更新电池的最大似然状态参数,作为下时刻的部分系统输入。在之前的基础上,数字孪生系统最后通过展示系统和预警诊断系统,使监管人员更直观的了解和判断锂电池的运行状态。
本发明提供了一种锂电池的单体数字孪生模型的建立方法。其通过基于大数据、人工智能学习或实验等方式建立的状态参数与宏观物化参数的经验关系,作为数字孪生模型的输入。在数字孪生的物理化学仿真过程中,产生各方面的物化参数以及其值的概率密度分布,此时通过传感器和历史数据更新此刻电池的最大似然状态参数,之后通过动画模型在四维展示终端直观展示锂电池的历史和实时最大似然状态参数和物化参数,接着辅以预警诊断系统对可能存在的危险进行预警诊断,最终建立持续的、实时的、有预测时效性的和直观的锂电池数字孪生系统。
参考说明书附图3,一种模组数字孪生模型建立系统,包括:
分析模块10,用于根据宏观状态参数与宏观物化参数分析得到经验关系簇;所述宏观物化参数用于表征锂电池单体的运行状态;所述宏观状态参数用于表征所述锂电池单体的工况性能;所述经验关系簇为所述锂电池单体的宏观状态参数与宏观物化参数的先验关系;
建立模块20,用于根据所述经验关系簇建立所述锂电池单体的单体数字孪生模型;
更新模块30,用于根据实时获取的宏观物化参数对所述单体数字孪生模型进行更新。
具体的,本实施例是上述方法实施例对应的系统实施例,具体效果参见上述方法实施例,在此不再一一赘述。
在一些实施方式中,所述分析模块10包括:
获取单元,用于从传感器模组处获取所述锂电池单体的宏观物化参数,并基于预设方式建立所述宏观状态参数;
采集单元,用于采集不同宏观状态参数下的两相反应锂电池的充放电曲线;
提取单元,用于对采集的各充放电曲线进行基于电池经验模型的参数提取得到所述经验关系簇。
具体的,本实施例是上述方法实施例对应的系统实施例,具体效果参见上述方法实施例,在此不再一一赘述。
在一些实施方式中,所述建立模块20包括:
创建单元,用于根据所述经验关系簇选择符合需求的预设模型建立所述单体数字孪生模型。
具体的,本实施例是上述方法实施例对应的系统实施例,具体效果参见上述方法实施例,在此不再一一赘述。
在一些实施方式中,系统还包括:
展示模块,用于通过所述单体数字孪生模型展示待显示参数;所述待显示参数包括宏观状态参数,宏观物化参数,微观物化参数;
设置模块,用于根据所述宏观物化参数和微观物化参数建立预警阈值;
监测模块,用于对所述锂电池内部状态进行实时监测得到监测结果;
处理模块,用于将所述监测结果与所述预警阈值进行比较,若所述监测结果超过所述预警阈值进行提示预警。
具体的,本实施例是上述方法实施例对应的系统实施例,具体效果参见上述方法实施例,在此不再一一赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各程序模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的程序模块完成,即将所述装置的内部结构划分成不同的程序单元或模块,以完成以上描述的全部或者部分功能。实施例中的各程序模块可以集成在一个处理单元中,也可是各个单元单独物理存在,也可以两个或两个以上单元集成在一个处理单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件程序单元的形式实现。另外,各程序模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述或记载的部分,可以参见其他实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其他的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性、机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可能集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
应当说明的是,上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种锂电池的单体数字孪生模型建立方法,其特征在于,包括:
根据宏观状态参数与宏观物化参数分析得到经验关系簇;所述宏观物化参数用于表征锂电池单体的运行状态;所述宏观状态参数用于表征所述锂电池单体的工况性能;所述经验关系簇为所述锂电池单体的宏观状态参数与宏观物化参数的先验关系;
根据所述经验关系簇建立所述锂电池单体的单体数字孪生模型;
根据实时获取的宏观物化参数对所述单体数字孪生模型进行更新;
所述根据宏观状态参数与宏观物化参数分析得到经验关系簇包括:
从传感器模组处获取所述锂电池单体的宏观物化参数,并基于预设方式建立所述宏观状态参数;
采集不同宏观状态参数下的两相反应锂电池的充放电曲线;
对采集的各充放电曲线进行基于电池经验模型的参数提取得到所述经验关系簇。
2.根据权利要求1所述锂电池的单体数字孪生模型建立方法,其特征在于,所述根据所述经验关系簇建立所述锂电池单体的单体数字孪生模型包括:
根据所述经验关系簇选择符合需求的预设模型建立所述单体数字孪生模型。
3.根据权利要求1-2任一项所述锂电池的单体数字孪生模型建立方法,其特征在于,所述根据所述经验关系簇建立所述锂电池单体的单体数字孪生模型之后包括:
通过所述单体数字孪生模型展示待显示参数;所述待显示参数包括宏观状态参数,宏观物化参数,微观物化参数;
根据所述宏观物化参数和微观物化参数建立预警阈值;
对所述锂电池内部状态进行实时监测得到监测结果;
将所述监测结果与所述预警阈值进行比较,若所述监测结果超过所述预警阈值进行提示预警。
4.一种锂电池的单体数字孪生模型建立系统,其特征在于,包括:
分析模块,用于根据宏观状态参数与宏观物化参数分析得到经验关系簇;所述宏观物化参数用于表征锂电池单体的运行状态;所述宏观状态参数用于表征所述锂电池单体的工况性能;所述经验关系簇为所述锂电池单体的宏观状态参数与宏观物化参数的先验关系;
建立模块,用于根据所述经验关系簇建立所述锂电池单体的单体数字孪生模型;
更新模块,用于根据实时获取的宏观物化参数对所述单体数字孪生模型进行更新;
所述分析模块包括:
获取单元,用于从传感器模组处获取所述锂电池单体的宏观物化参数,并基于预设方式建立所述宏观状态参数;
采集单元,用于采集不同宏观状态参数下的两相反应锂电池的充放电曲线;
提取单元,用于对采集的各充放电曲线进行基于电池经验模型的参数提取得到所述经验关系簇。
5.根据权利要求4所述锂电池的单体数字孪生模型建立系统,其特征在于,所述建立模块包括:
创建单元,用于根据所述经验关系簇选择符合需求的预设模型建立所述单体数字孪生模型。
6.根据权利要求4-5任一项所述锂电池的单体数字孪生模型建立系统,其特征在于,还包括:
展示模块,用于通过所述单体数字孪生模型展示待显示参数;所述待显示参数包括宏观状态参数,宏观物化参数,微观物化参数;
设置模块,用于根据所述宏观物化参数和微观物化参数建立预警阈值;
监测模块,用于对所述锂电池内部状态进行实时监测得到监测结果;
处理模块,用于将所述监测结果与所述预警阈值进行比较,若所述监测结果超过所述预警阈值进行提示预警。
7.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器,用于执行所述存储器上所存放的计算机程序,实现如权利要求1至权利要求3任一项所述锂电池的单体数字孪生模型建立方法所执行的操作。
8.一种存储介质,其特征在于,所述存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现如权利要求1至权利要求3任一项所述锂电池的单体数字孪生模型建立方法所执行的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210434279.9A CN114722625B (zh) | 2022-04-24 | 2022-04-24 | 锂电池的单体数字孪生模型建立方法、系统、终端和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210434279.9A CN114722625B (zh) | 2022-04-24 | 2022-04-24 | 锂电池的单体数字孪生模型建立方法、系统、终端和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114722625A CN114722625A (zh) | 2022-07-08 |
CN114722625B true CN114722625B (zh) | 2022-11-15 |
Family
ID=82246467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210434279.9A Active CN114722625B (zh) | 2022-04-24 | 2022-04-24 | 锂电池的单体数字孪生模型建立方法、系统、终端和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114722625B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115097321B (zh) * | 2022-08-29 | 2022-11-15 | 北京航空航天大学 | 基于数字孪生的锂电池eis和soh估计方法 |
CN117436290B (zh) * | 2023-12-21 | 2024-03-08 | 卓世未来(天津)科技有限公司 | 一种数字孪生模型响应优化方法及系统 |
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 (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113517760A (zh) * | 2021-09-10 | 2021-10-19 | 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 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8374807B2 (en) * | 2008-11-13 | 2013-02-12 | Lockheed Martin Corporation | Method and apparatus that detects state of charge (SOC) of a battery |
CN110225075A (zh) * | 2019-03-25 | 2019-09-10 | 北京快电科技有限公司 | 一种建筑能源互联网智慧运营云操作系统 |
DE102020206137A1 (de) * | 2020-05-15 | 2021-11-18 | Ford Global Technologies, Llc | Verfahren zum Generieren eines virtuellen Reifenmodells und zur Simulierung eines Reifenzustands sowie virtuelles Reifenmodell |
CN111610448B (zh) * | 2020-06-01 | 2021-05-04 | 北京理工大学 | 一种应用数字孪生技术的锂离子电池寿命预测方法 |
CN112200493A (zh) * | 2020-11-02 | 2021-01-08 | 傲林科技有限公司 | 一种数字孪生模型构建方法及装置 |
CN113219343A (zh) * | 2021-06-02 | 2021-08-06 | 上海玫克生储能科技有限公司 | 基于弹性网的锂电池健康状态预测方法、系统、设备及介质 |
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 |
CN113671382A (zh) * | 2021-09-06 | 2021-11-19 | 中国科学院电工研究所 | 一种基于云-端数字孪生的电池储能系统状态估计方法 |
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 |
CN114329760A (zh) * | 2021-11-26 | 2022-04-12 | 北京交通大学 | 一种基于数字孪生的车载锂离子电池建模及故障诊断方法 |
-
2022
- 2022-04-24 CN CN202210434279.9A patent/CN114722625B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113517760A (zh) * | 2021-09-10 | 2021-10-19 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN114722625A (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114722625B (zh) | 锂电池的单体数字孪生模型建立方法、系统、终端和介质 | |
Guo et al. | Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network | |
Xu et al. | Remaining useful life prediction of lithium-ion batteries based on wiener process under time-varying temperature condition | |
Lipu et al. | A review of state of health and remaining useful life estimation methods for lithium-ion battery in electric vehicles: Challenges and recommendations | |
Zhang et al. | A deep learning method for lithium-ion battery remaining useful life prediction based on sparse segment data via cloud computing system | |
Pan et al. | A data-driven fuzzy information granulation approach for battery state of health forecasting | |
Li et al. | Comparative study of the influence of open circuit voltage tests on state of charge online estimation for lithium-ion batteries | |
Zhang et al. | Aging performance characterization and state-of-health assessment of retired lithium-ion battery modules | |
CN115422696B (zh) | 一种模组数字孪生模型建立方法、系统、终端和介质 | |
Nagulapati et al. | A novel combined multi-battery dataset based approach for enhanced prediction accuracy of data driven prognostic models in capacity estimation of lithium ion batteries | |
CN116455085B (zh) | 一种电池储能电站智能监控系统 | |
CN106777786A (zh) | 一种锂离子电池soc估算方法 | |
Zheng et al. | Real-time estimation of battery state of charge with metabolic grey model and LabVIEW platform | |
CN114879046B (zh) | 一种基于卡尔曼滤波的锂电池寿命预测方法和系统 | |
Zhang et al. | Improved particle swarm optimization-extreme learning machine modeling strategies for the accurate lithium-ion battery state of health estimation and high-adaptability remaining useful life prediction | |
Chen et al. | A new gas–liquid dynamics model towards robust state of charge estimation of lithium-ion batteries | |
CN117276702A (zh) | 一种基于数字孪生的云电池储能管理系统及其控制方法 | |
Wu et al. | A collaborative estimation scheme for lithium-ion battery state of charge and state of health based on electrochemical model | |
Pang et al. | A Review on the Prediction of Health State and Serving Life of Lithium‐Ion Batteries | |
Chen et al. | State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method | |
Huang et al. | State of health estimation of lithium-ion batteries based on fine-tuning or rebuilding transfer learning strategies combined with new features mining | |
Diao et al. | Research on Electric Vehicle Charging Safety Warning Based on A-LSTM Algorithm | |
Ma et al. | A novel health index for battery RUL degradation modeling and prognostics | |
CN107402356A (zh) | 一种基于动态参数辨识的ekf估算铅酸电池soc方法 | |
Jiang et al. | Advances in battery state estimation of battery management system in electric vehicles |
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 |