一种锂离子电池物理信息数字孪生模型的构建方法

本发明属于电池管理，涉及一种用于锂离子电池内部状态监测、健康状态评估及老化诊断的数字孪生模型的构建方法、系统及应用。

背景技术：

1、随着电动汽车和大规模储能系统的普及，锂离子电池的应用日益广泛。电池管理系统（bms）作为保障电池安全运行、优化性能和延长寿命的核心单元，其重要性不言而喻。然而，当前bms面临的核心瓶颈在于难以对电池内部复杂的、动态的、局部的电化学状态进行实时、精确的监测和估计。这些内部状态，如电极颗粒内的锂离子浓度分布、电解液浓度、温度分布、局部过电位等，直接决定了电池的宏观性能、老化速率乃至安全边界。

2、近年来，为了实现电池状态估计（如荷电状态（soc）、健康状态（soh）与剩余使用寿命（rul）），数据驱动方法，特别是深度学习模型，因其快速的推理能力和灵活的部署方式而被广泛研究。然而，纯数据驱动方法存在显著的局限性。首先，它们严重依赖大规模、高质量且带有精确标签的训练数据。在电池领域，覆盖多种工况和全生命周期老化阶段的数据集难以获取，尤其是内部状态的“真值标签”（如锂离子浓度）在实际运行中无法直接测量，这限制了模型的泛化能力和在真实工况下的稳定性。

3、为克服纯数据驱动模型的瓶颈，研究逐渐转向将物理模型与机器学习模型融合的混合建模方法。这类方法主要包括外部融合（如生成合成数据、提取物理特征）和内部融合（将物理约束嵌入模型结构或损失函数中）。尽管外部融合提高了模型解释性和可迁移性，但仍高度依赖训练数据的分布质量。相比之下，内部融合策略（如将ocv方程、电化学约束或热-电耦合方程融入神经网络）更能增强模型的物理一致性和泛化能力。但由于电池内部状态之间高度耦合，映射关系复杂且难以解析，这类方法在内部状态估计上的应用仍面临挑战。

4、近年来，以物理信息神经网络（pinn）深度算子网络为代表的科学机器学习方法为求解偏微分方程（pdes）提供了新思路，也为构建高保真、低计算成本的电池数字孪生系统开辟了新的可能。特别是深度算子学习已经成为一种很有前途的范例，它通过直接学习控制物理系统的底层算子来推广pinn框架，一个流行的架构为深度算子网络（deeponet）。在处理函数间非线性映射、适应多初始条件和控制输入变化方面展现出更强的灵活性。然而，传统的建模架构无法处理非自动或初始条件不同的系统，使用电流函数作为输入限制了模型的泛化能力。而将电池演化过程视为“当前状态到下一状态”的时空因果映射问题，可为deeponet在电池系统中的应用打开新局面。可以预见的是，利用deeponet来近似电化学模型中的偏微分方程的解可以大大提高电化学模型的实际适用性，并释放bms的全部潜力。尽管已有研究尝试使用deeponet建模电池行为，但通常将整个电流曲线作为输入函数，这限制了模型在动态和未知工况下的泛化应用。

5、因此，亟需一种能够解决现有技术中锂离子电池内部状态难以精确监测、纯数据驱动模型泛化能力差、物理模型计算成本高昂的技术难题锂离子电池建模方法。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种锂离子电池物理信息数字孪生模型的构建方法，解决现有技术中锂离子电池内部状态难以精确监测、纯数据驱动模型泛化能力差、物理模型计算成本高昂的技术难题。该方法不依赖于特定工况曲线，能够精确、高效地实时模拟电池内部动态，具备较强的跨工况、跨参数的泛化能力，以构建真正意义上的数字孪生，从而充分释放bms的潜力，并支持对电池的精细化管理。

2、为达到上述目的，本发明提供如下技术方案：

3、方案1：

4、一种锂离子电池物理信息数字孪生模型的构建方法，核心思想是将电池内部关键的控制方程所描述的动力学特性，表述为一个从当前状态到下一时刻状态的算子学习任务，并利用深度算子网络（deeponet）来近似这个复杂的非线性算子。该方法包括：

5、1）基于深度算子网络的动力学特性建模：

6、采用深度算子网络（deeponets）来学习电池相应的控制方程所描述的动力学特性，包括但不限于固相浓度扩散方程、液相浓度扩散方程、电荷守恒方程或热力学方程等；

7、将基于深度算子网络的动力学特性建模为一个离散时间递归框架，其中深度算子网络学习从当前时刻的状态（包括锂离子浓度、电势或温度等多个物理量）到预设时间步长之后下一时刻状态的映射；

8、将预测输出的下一时刻状态作为后续时间步长的输入，以实现连续的时间序列模拟。

9、2）深度算子网络训练：通过生成广泛覆盖各种电化学特性和操作条件的训练数据集来训练深度算子网络。

10、3）基于深度算子网络的数字孪生模型构建：

11、将预先训练好的用于模拟电池内守恒定律和传输定律的深度算子网络在每一个时刻的预测状态基于第一性原理（遵循必要的假设）计算端电压，从而构建能够描述完整电池内部（锂离子浓度、电势等）和外部（温度、电压等）特性的基于深度算子网络的数字孪生模型。

12、为了减轻电池长期工作下的建模误差积累，开发了一种多时间尺度建模策略，利用较长时间步长（例如10min）的深度算子网络的预测解来定期修正短时算子（例如1s）输出的解。

13、进一步，所述深度算子网络包括一个分支网络（branch network）和一个主干网络（trunk network）；

14、所述分支网络的输入包括当前时刻的锂离子浓度空间分布、电势空间分布、温度空间分布、电流及电化学参数；所述电化学参数包括扩散系数、反应速率系数、活性材料体积分数、最大锂浓度、电解液体积分数、锂离子迁移数、电解液中的初始锂浓度、固体电导率、电解液电导率、材料密度、比热容或热导率；

15、所述主干网络的输入为位置坐标；

16、所述深度算子网络的输出为下一时刻锂离子浓度状态、温度状态或电势状态的空间分布。

17、进一步，数据集的生成，具体包括：采用拉丁超立方体采样（lhs）方法在一预设范围内对多组电化学参数进行采样，并在局部灵敏度分析的基础上调整采样密度；针对每一组采样参数，求解不同工况下的固相浓度扩散方程、液相浓度扩散方程、电荷守恒方程或热力学方程，生成包含锂离子浓度、电势或温度等多个物理量时空演变过程的数值解作为数据集。

18、进一步，深度算子网络的训练采用以下至少一种训练策略：

19、1）输出信号增强：对输入和输出之间单位时间步长内的变化量进行缩放以增强扩散信号；

20、2）电流特征重构：将施加电流重构为包含充电、放电和弛豫状态信息的特征向量；

21、3）采用基于逆时间衰减的动态学习率调整机制；

22、4）使用均方误差（mse）计算损失函数，并引入基于浓度变化幅度的权重机制；

23、4）固相扩散的边界加权：在固相扩散模型训练中，对电极颗粒边界处的误差赋予更高的权重。

24、进一步，训练基于深度算子网络的数字孪生模型，实现数字孪生与实测数据的无缝融合与自适应更新，具体包括：

25、（1）融合架构：物理侧：基于深度算子网络的数字孪生模型以电流、温度、参数、初始状态等为驱动，生成预测值，包括电压-时间序列或温度场等；实验数据侧：可以测量的数据；根据测量数据和预测数据之间的残差，对数字孪生模型进行更新。

26、（2）更新策略：冻结深度算子网络的主干网络，仅微调深度算子网络分支网络最后几层，对模型结合实验数据进行重新训练，使得残差最小，学习缺失物理，弥补孪生模型和实际电池的差距。

27、进一步，所述的离散时间递归框架是基于深度算子网络的数字孪生模型的递归框架和状态观测器（如卡尔曼滤波观测器、滑模观测器等）相结合进行时序递推，具体包括：将基于深度算子网络的动力学特性表述成状态空间，包括：

28、状态方程，包括浓度状态、电势状态或温度状态的单位时间步长下的状态演化（时刻：k-1到k）等；

29、控制或输入，包括电流或参数；

30、观测方程，包括电压或温度（k时刻的可测量值）等；

31、结合状态观测器（如卡尔曼滤波观测器、滑模观测器等），实时对数字孪生模型的输出进行修正。即使是在初始状态不正确、电流和电压测量数据存在噪声、电化学参数存在一定误差的情况下，仍然能够快速修正回来。

32、进一步，在基于深度算子网络的孪生模型上叠加老化模型，对未来工况进行模拟，从而预测未来容量衰退轨迹或剩余使用寿命；在上述预测的基础上，结合多目标优化（充电时长+寿命损伤等）快速给出当前电池最优的充电策略，同时可以根据预测的状态量，确定电池未来运行的安全边界，实现主动管理；所述老化模型包括固体电解质界面（sei）生长或锂沉积等。

33、方案2：一种基于数字孪生模型的锂离子电池状态监测系统，包括：

34、一个或多个预先训练好的深度算子网络；

35、一个数据接收模块，用于从电池管理系统（bms）或外部设备获取电池的实时或历史运行数据，所述运行数据至少包括电压和电流；

36、一个处理器，配置为执行以下操作：

37、（1）调用深度算子网络，输入运行数据和已辨识的电化学参数，实时或离线模拟电池内部的锂离子浓度场、电势场或温度场演变；

38、（2）根据模拟的多物理场，估算至少一种电池内部状态。

39、电池内部状态包括荷电状态（soc）、过电位或电极颗粒内的锂离子浓度分布、电势或温度。荷电状态（soc）是基于数字孪生模型实时模拟的电极本体锂离子浓度进行估算的。

40、（3）执行全生命周期退化诊断，该诊断包括：

41、从数据接收模块获取电池运行中的（满充）电压曲线数据；

42、部署数字孪生模型，并采用一种优化算法（如灰狼优化算法（gwo）），通过将数字孪生模型输出的电压与（满充）电压曲线数据进行比对，离线辨识一组与电池老化状态相关的关键电化学参数；

43、基于辨识出的关键电化学参数，诊断电池的健康状态（soh）及/或老化模式，所述老化模式包括锂库存损失（lli）、负极活性材料损失（lamne）和正极活性材料损失（lampe）。

44、本发明的有益效果在于：

45、（1）高精度与物理一致性：本发明通过将描述锂离子电池内部动力学的控制方程（包括固相浓度扩散方程、液相浓度扩散方程、电荷守恒方程或热力学方程）的学习任务嵌入到深度算子网络（deeponet）模型中，本模型能够生成物理上一致的内部状态场，并基于第一性原理的假设，将训练好的深度算子网络组装成描述完整电池行为的数字孪生模型，实现了对电池内部和外部特性模拟的平均绝对百分比误差（mape）和电压模拟的均方根误差（rmse）小。

46、（2）高计算效率：经过一次性离线训[i]练后，基于深度算子网络开发的电池动力学数字孪生模型的推理速度极快，相比于传统的pde数值求解器，计算成本显著降低，使其能够部署在资源受限的bms硬件上，进行实时状态监测。

47、（3）强大的泛化能力：本发明将建模任务定义为状态间的演化算子，而非特定工况曲线到输出的映射，因此模型对未见过的动态工况和不同的老化状态具有很强的泛化能力。

48、（4）实用性与易部署性：退化诊断过程仅需使用易于获取的恒流充电电压数据，无需复杂和耗时的实验测试。模型可灵活部署在云-端协同架构中，实现对电池全生命周期的精准管理。

49、（5）深度的洞察能力：实现了对传统“黑盒”电池内部微观状态的透明化监测，如过电位监测可作为电池性能加速衰减的有效预警指标，为电池的优化控制和安全性保障提供了前所未有的数据支持。soh和化模式的诊断误差，以及soc估算最大误差小满足工程应用要求。

50、（6）实现数字孪生和实际运行数据的无缝融合：利用“数据—模型差异（残差）”驱动孪生模型自适应，持续缩小“模型–现实”鸿沟。

51、（7）基于孪生模型的时序递推：利用孪生模型作为“观测器”，在时序上根据观察电压实时修正模型预测状态。

52、（8）融合老化模型的预测与优化：在孪生模型上叠加老化模式，实现未来状态预测（rul/容量轨迹）与充电策略优化（安全/寿命/时长的权衡）。

53、综上，本发明通过将复杂的电池电化学模型转化为算子学习任务，成功构建了一个计算高效、物理一致且泛化能力强的数字孪生体。通过与参数辨识算法结合，该模型能够实现对电池全生命周期的高精度退化诊断；通过部署于bms，能够实现对过电位、锂离子浓度和soc等关键内部状态的精确、实时监控。还能通过耦合老化模型预测未来电池衰退情况，为电池管理提供决策支持。本发明为解决复杂物理系统的建模与监控问题提供了新的范式，在推动锂离子电池向更安全、更长寿、更高效的方向发展方面具有巨大的应用潜力。

54、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。