一种基于数字孪生状态图谱与虚实偏差残差学习的动力电池SOX联合预测及事件触发在线校准方法

本发明属于动力电池状态估计与云端智能运维，具体涉及一种基于数字孪生状态图谱与虚实偏差残差学习的动力电池sox联合预测及事件触发在线校准方法。

背景技术：

1、目前，现有动力电池状态估计技术主要包括机理模型方法和数据驱动方法，其中机理模型方法对固定参数的依赖较强，难以适应老化与工况变化导致的模型漂移；数据驱动方法则由于缺乏物理约束，存在外推稳定性不足的问题。近期一些基于数字孪生技术的动力电池状态估计方案虽能在一定程度上克服这些问题，但仍存在以下不足：1）数字孪生体更多用于数据展示或离线分析，缺少可在线更新的状态预测闭环；2）机理模型和数据模型并行存在时，缺少统一的融合准则和状态一致性约束；3）云端历史数据无法有效转换为目标车辆的个性化模型参数。另一方面，现有技术对动力电池包含soc、soh、soe、sop、rul等的多种状态进行估计时，普遍忽略了不同状态间的强耦合与物理一致性，即便是采用了数字孪生技术的方案同样无法避免这种处理割裂的缺陷，例如：在线校准多局限于soc或容量单一参数，缺少对ocv、内阻、热参数、老化参数和融合权重的联合校准；以及缺少面向soc、soh、soe、sop和rul的统一sox联合预测框架。

技术实现思路

1、有鉴于此，针对本领域中所存在的技术问题，本发明提供了一种基于数字孪生状态图谱与虚实偏差残差学习的动力电池sox联合预测及事件触发在线校准方法，具体包括以下步骤：

2、步骤1、获取目标动力电池在实车运行过程中的多源数据特征参数，并从中提取用于反映电池一致性劣化和局部异常的单体一致性指标；

3、步骤2、将待估计的全部电池状态构建为节点集合，并结合节点间的耦合边集合以及节点属性集合建立目标电池的数字孪生状态图谱；

4、步骤3、利用获取的多源数据并基于电池机理模型对电池的各项状态进行先验预测；

5、步骤4、将先验预测结果与各状态参数的真实观测值进行比较，形成虚实偏差向量；

6、步骤5、建立数据驱动残差学习模型，以虚实偏差向量、特征参数序列以及节点属性序列作为输入，各项状态的先验预测残差补偿值作为输出，用于对各项状态估计值进行修正；

7、步骤6、基于步骤3和步骤5的结果输出各项状态的后验预测值，并利用设定的多状态协同约束以及事件触发方式对后验预测值进行校准，最终输出精确的sox联合预测结果。

8、进一步地，步骤1中具体获取以下多源数据特征参数：

9、

10、其中，为采样时间、为电流、为总电压、为温度、为车速、为累计里程、为bms上报的soc、为单体电压向量、为温度采样点向量，为故障状态，下标k表示离散时刻；

11、其中单体电压向量具体表示为：

12、

13、温度采样点向量具体表示为：

14、

15、单体一致性指标包括：

16、电压一致性指标为：

17、

18、温度一致性指标为：

19、

20、上述单体一致性指标具体作为soh、sop、sos和rul预测的输入；

21、将以上数据按照时间窗口组织为序列形式的输入：

22、

23、其中，l为时间窗口长度。

24、进一步地，特征参数中还包含以下用于描述车辆运行过程中的瞬态变化特性的动态变化指标特征：

25、①电流变化率为：

26、

27、②电压变化率为：

28、

29、③温度变化率：

30、。

31、进一步地，步骤2中建立的数字孪生状态图谱具体形式如下：

32、

33、其中，表示节点集合；表示节点之间的耦合边集合；表示节点属性集合；

34、节点集合具体包括：

35、

36、其中，下标分别代表soc、soh、soe、sop、rul、热状态、内阻、容量、ocv曲线及安全风险状态；

37、耦合边集合用于描述状态之间的物理关系，其中核心耦合边包括：

38、

39、表示容量参数会影响soc递推过程；

40、

41、表示内阻状态会影响功率能力；

42、

43、表示温度会影响内阻状态；

44、

45、表示健康状态决定剩余寿命预测基础；

46、

47、表示能量状态与荷电状态相关。

48、进一步地，步骤3中数字孪生体执行先验预测的过程依次包括：

49、①soc先验预测：

50、

51、其中，为后一时刻soc先验预测值，为当前soc，为数字孪生体预测的当前容量参数，为库仑效率，为采样时间间隔；

52、②极化电压先验预测：

53、预先建立以下等效电路模型：

54、

55、其中，为健康状态，为欧姆内阻，为综合极化电压；

56、基于等效电路模型递推极化电压：

57、

58、

59、

60、③热状态先验预测：

61、

62、其中，为等效发热电阻，为热容，为热阻，为环境温度；

63、④soh先验预测：

64、

65、其中，，和分别代表容量衰减和内阻增长，具体表示为：

66、

67、

68、其中，为剩余容量，为标称容量，为当前欧姆内阻；

69、⑤soe先验预测：

70、

71、其中，z为soc，、分别对应其最大、最小值；

72、⑥sop先验预测：

73、放电功率边界：

74、

75、充电功率边界：

76、

77、其中，上标lim和chg分别代表放电和充电，和分别为总电压的最大值和最小值，为等效内阻；为由当前温度决定的放电温度限制电流；为由当前soc决定的放电soc限制电流；为由当前温度决定的充电温度限制电流；为由当前soc决定的充电soc限制电流。

78、进一步地，步骤4中得到的虚实偏差向量具体包括：

79、①电压虚实偏差：

80、

81、②温度虚实偏差：

82、

83、③soc观测偏差：

84、

85、④一致性偏差：

86、

87、其中，为单体电压极差，为温度极差，和为权重系数；

88、以及综合虚实偏差向量为：

89、。

90、进一步地，步骤5中建立残差学习模型具体形式如下：

91、

92、其中，为时间窗口内的虚实偏差序列，为特征参数序列，为数字孪生状态图谱中的节点属性序列，为时间窗口长度，为数据驱动残差学习模型；

93、模型具体采用时序神经网络、图神经网络、transformer算法中的任意一种或几种的组合，训练好的模型能够输出以下sox状态残差补偿向量：

94、

95、向量中的各元素分别对应soc、soh、soe、sop和rul的补偿量。

96、进一步地，残差学习模型具体采用时序编码器与状态图谱传播相结合的形式，其中时序编码器输出为：

97、

98、状态图谱传播为：

99、

100、其中，为与节点相邻的节点集合，为节点间注意力权重，为第层传播权重，为非线性激活函数；

101、节点间注意力权重为：

102、

103、其中，为注意力参数，为带泄露的修正线性单元函数，[∣∣]表示特征拼接；

104、输出的残差补偿为：

105、

106、经残差补偿后的后验预测值为：

107、

108、上标，p和a分别代表先验和后验；

109、其中：

110、

111、。

112、进一步地，步骤6中设定的多状态协同约束具体包括：

113、①soc约束：

114、

115、②soh约束：

116、

117、并约束长期趋势：

118、

119、其中，为允许的健康状态短时估计波动范围；

120、③soe与soc一致性约束：

121、由soc推导能量状态：

122、

123、若：

124、

125、其中，为允许的能量状态短时估计波动范围；

126、则修正为：

127、

128、④sop安全边界约束：

129、

130、其中，为电压边界功率，为温度边界功率，为老化边界功率。

131、⑤rul与soh一致性约束：

132、若寿命终止阈值为，则rul应满足：

133、

134、其中，为近期soh衰减速率。

135、最终协同校正后的sox为：

136、。

137、进一步地，步骤6中的事件触发校准具体包括：

138、①静置恢复事件触发的ocv校准：

139、当满足：

140、

141、

142、

143、其中，下标rest代表静置恢复，下标e、s分别代表结束和开始；

144、且电压恢复斜率满足：

145、

146、则触发ocv校准，为恢复斜率阈值

147、静置末端近似ocv为：

148、

149、其中，下标te代表精准末端时刻；

150、ocv曲线局部更新：

151、

152、其中：

153、

154、其中，为静置末端sox协同校正soc；为ocv曲线局部更新核函数的带宽系数，用于表征单次静置校准对ocv曲线产生修正作用的soc范围。

155、②稳态能量吞吐事件触发的容量校准：

156、当车辆经历稳定充电或稳定放电片段，且soc跨度满足：

157、

158、其中，为soc变化最小值；

159、电流波动满足：

160、

161、则触发容量观测，为电流波动阈值；

162、片段电量吞吐为：

163、

164、容量观测值为：

165、

166、其中，上标seg代表片段，和分别为片段结束和开始时的soc值；

167、数字孪生体的剩余容量更新为：

168、

169、其中，上标old和new分别代表更新前后，不是固定值，具体由片段质量确定：

170、

171、其中，为soc变化参考值，为温度变化阈值；

172、③电流阶跃事件触发的内阻校准：

173、当检测到电流阶跃：

174、

175、其中，为电流变化阈值；

176、且阶跃前后短窗口内温度变化较小：

177、

178、其中，w为短窗口长度，为单独变化阈值；

179、则触发欧姆内阻校准；

180、电压瞬态变化为：

181、

182、电流瞬态变化为：

183、

184、欧姆内阻观测为：

185、

186、更新为：

187、

188、其中：

189、

190、为内阻更新增益，不是固定值，具体由电流阶跃事件的质量确定：

191、

192、其中，为电流阶跃幅值参考值，为温度漂移影响系数，为电压波动参考阈值。即：电流阶跃幅值越大、阶跃前后温漂越小、阶跃窗口内电压测量波动（噪声）越小，则该次内阻观测的可信度越高，更新增益越大；反之则减小增益以抑制噪声引入的估计抖动。

193、④温度响应事件触发的热参数校准：

194、当存在明显温升或冷却过程时，触发热参数校准。

195、定义热模型预测误差：

196、

197、以热阻和热容为待更新参数：

198、

199、参数更新目标为：

200、

201、采用梯度方式得到：

202、。

203、其中，为热参数梯度更新的步长（学习率）。优选实施方式中，不是固定值，具体由温度响应片段的预测残差统计特性确定：

204、

205、其中，为基础步长，为该温度响应片段内温度预测误差的标准差，为温度预测误差波动参考阈值。

206、上述本发明所提供的方法，针对待估计的soc、soh、soe、sop、rul、容量、内阻、热参数、ocv曲线、老化参数及安全风险状态参数，通过状态节点、参数节点、观测节点和风险节点之间的图谱关联关系，建立了不同sox状态之间的物理耦合、约束传递和误差传播关系，能够实现多状态联合预测与一致性约束。在此基础上，依次通过机理先验预测、虚实偏差残差学习以及图谱协同校正的融合处理过程，使基于机理模型和基于数据驱动的sox估计方法能够有机结合，并充分发挥其各自的优势，从而大幅提升全生命周期状态估计精度与可靠性。