面向智能化管理的數字孿生電池構建方法

楊世春 李強偉 周思達 張正杰 馬源 陳飛

(北京航空航天大學 交通科學與工程學院, 北京 100083)

發展新能源汽車是中國從汽車大國邁向汽車強國的必經之路。 在“十四五”規劃建議中,新能源汽車已被列入十大戰略性新興產業之一。 中國的新能源汽車產銷量已連續7 年位居全球首位;國務院印發的《新能源汽車產業發展規劃(2021—2035 年)》中指出,到2025 年,中國新能源汽車新車銷售量達到汽車新車銷售總量的20%左右。 動力電池是新能源汽車能源動力系統的核心,其性能影響了整車安全性、壽命、經濟性。然而,動力電池在全氣候環境下的使用性能、壽命和安全性隨時間動態演變,產生了單體性能不一致誘發的系統容量快速衰減、短板電池或內部缺陷誘發的電池熱失控等問題[1-2]。

動力電池管理技術通過對電池的使用性能進行評估、合理的規劃電池充放電過程等,改善動力電池壽命和安全性[3]。 傳統動力電池管理方法受限于車載硬件單元的有限計算/存儲能力,只能實現簡單的性能監管、狀態估算等功能,準確度差、可靠性低[4]。 隨著數字孿生、虛擬現實、云端管控等數字化管理技術的發展,為動力電池管理技術發展提供了新契機和新思路[5-6]。 數字孿生是一種全新的建模思想和方法,基于通信、仿真、數據分析等前沿技術,通過構建物理實體的逼真仿真模型及數字化實時狀態映射,實現對物理實體全生命周期的管理決策和進化學習[7-9]。 數字孿生在衛星、海洋、林業、交通等領域已開展了大量探索式研究和示范應用[10-12];在中國“十四五”規劃中的新能源汽車重點專項等也闡述了數字孿生在汽車、動力電池行業的應用。 發展數字孿生技術、構建數字孿生電池為提升電池管理能力帶來了新的解決方案,已逐步成為行業發展趨勢之一,寧德時代、比亞迪、國軒高科等電池企業均已開展前瞻性技術研究[13-14]。 但目前對于動力電池的數字孿生仍缺乏系統的建模理論、評價方法、應用范圍等。 本文圍繞動力電池精細化管理技術發展趨勢,針對數字孿生動力電池構建需求,系統性闡述動力電池數字孿生模型的構建理論,探索了其在電池設計、全生命周期管理、梯次利用等場景下的應用可能性。 希望通過本文對電池數字孿生模型的詳細介紹和解釋,為電池行業發展提供思路和理論支撐。

1 動力電池數字孿生模型概念

模型是對物理實體的數學描述,可以實現物理實體的屬性、特征、功能的復現和重構。 模型始終是動力電池管理研究的重點,現有動力電池模型主要分為等效電路模型、電化學模型和數據驅動模型[15]。 3 類模型均可實現對電池靜動態特性的模擬或時空尺度上的性能仿真,但這3 類模型均缺乏對實體電池的差異化適配和全生命周期演化,如電化學模型對初值和參數具有極大的依賴性;等效電路模型不僅依賴于大量標定實驗,也無法滿足全生命周期的參數自適應,精度較差;數據驅動模型對訓練集具有極大的依賴性,對于超出訓練集的場景泛化性能有限[16-17]。

數字孿生模型吸取上述建模的優勢和缺點,通過刻畫電池內部的反應過程或映射關系,對物理實體的實際運行環境、工況等進行抽象或提取,使模型在符合實際場景的環境下進行虛擬仿真,使模型無限逼近物理實體并與實體“同時空”演化,從而實現對實體電池的數字化仿真、監控、預測、優化等。 如圖1 所示,數字孿生模型具有以下3 大特征:

圖1 數字孿生電池三大特征Fig.1 Three main features of digital twin cell

1) 全生命周期建模。 數字孿生電池的核心思想是伴隨著物理實體共同演化,從而在數字空間內構建出與物理實體相映射的電池模型。 該模型需要反映出電池內部的各類微觀參數和宏觀性能在全生命周期內的演化趨勢、規律等信息,并且具備對未來演化趨勢的預測和分析。 例如以電化學模型為基礎的數字孿生電池,應時刻保持與物理實體相一致的循環次數、狀態、環境等,從而預測電池在該狀態下的剩余壽命、安全狀態,如在現有建模思路與框架下,假定負極電位達到0 V 后發生析鋰反應,從而在充電結束時可分析該次充電條件下的電池內部析鋰量,并可用于反向推斷充電策略和充電邊界等。 全生命周期建模思想是保證電池全壽命管理的基礎。

2) 對物理實體的逼近。 數字孿生電池具備在全生命周期向物理實體逼近的功能,這一功能體現在實體電池在運行過程中應實時上傳并反饋電池的各類信息,而后在云計算平臺中對信息進行整合、歸類、深入挖掘,解構電池信息與模型之間的映射關系,從而通過提取和辨識實體電池的信息來更新數字孿生電池。 這使得數字孿生模型并不完全依賴初始條件,可以先對電池應用并在云計算平臺內部署數字孿生模型,而后隨著電池的使用過程再對數字孿生電池進行優化和更新,有益于解決目前電池研發速度快和性能測試周期長之間的矛盾。

3) 全場景模擬和仿真。 數字孿生電池在數字空間內運行,因此其可以模擬物理實體的各類場景、工況等,并對物理實體的性能進行仿真和分析。 例如,通過分析實體電池的使用工況和環境可以分析其是否存在過充、過放等可能,隨后可以在云計算平臺內通過數字孿生電池進行虛擬仿真,分析極端工況等對電池內部造成的損傷及危害嚴重性,分析其安全邊界演化等。 此外,數字孿生電池也可以模擬實體電池在高原、高寒、高溫等環境下的仿真性能,對新能源汽車長途、跨省運行時管理策略的適配和更新提供依據。

2 數字孿生電池的發展和需求

傳統車載電池管理系統以車載嵌入式系統硬件平臺為核心,通過基礎的邏輯功能和簡單算法,能夠實現較為全面的動力電池管理要求,涵蓋數據監測、均衡、通信、故障診斷、充放電控制等。 車規級的嵌入式系統存儲空間有限(小于1 GB,通常為MB 量級)、計算速度慢(主頻約為500 MB/s),全生命周期數據無法存儲,高精度算法、精度復雜模型等無法部署,導致現有的車端電池管理系統內部模型和算法依賴于出廠標定,無法實現全生命周期自適應演化。 同時,基于電池機理或全生命周期數據的動力電池壽命預測算法與熱失控預警算法也依賴于高精度的電池模型,因此車載電池管理系統無法支撐壽命、安全管理系統開發。由于存在算力和存儲的限制,車載電池管理系統已無法支持更精細和全生命周期的電池管理;隨著新能源汽車的大量普及,批量化的產品仍存在小概率偶發的失效問題,統計數據表明新能源汽車的起火概率達到了萬分之二,如何預測預警熱失控等小概率事件是電池管理亟待解決的難題[18];此外,動力電池制造缺陷等導致電池加速老化、壽命異常衰退甚至存在容量跳水等現象,也是目前車載電池管理系統難以解決的問題之一[19-20]。

數字孿生為上述問題提供了新的解決方案,結合車云融合的云端動力電池管控平臺,在平臺中部署數字孿生模型及自適應算法,通過車端上傳的全生命周期數據,可實現數字孿生模型的全生命周期演化與逼近物理實體,同時也為實現模型實時運行、單車單控策略設計提供了實現契機。數字孿生建模的核心是在全生命周期向物理實體逼近并隨著物理實體共同演化。 由于動力電池本身電化學反應原理的復雜性、車載工況的時變遲滯性等,數字孿生模型的構建難度較高,主要存在以下問題和需求:

1) 動力電池內部電化學反應機理復雜,如圖2所示,除充放電時在正負極發生的粒子遷移過程外,還存在多種副反應,包括負極表面鋰的析出、固體電解質膜的生長/破裂、電解液分解產氣、隔膜老化收縮等,導致動力電池性能存在微觀模糊性、演化復雜性、實際多變性。 準確描述動力電池內部各類老化反應、建立電池副反應的量化方程使精細化電池模型構建存在難題,需要進一步探索動力電池等效機理模型或數據驅動模型,揭示數字孿生構建的基礎理論。

圖2 動力電池內部復雜副反應過程Fig.2 Complex side reaction processes within power cell

2) 動力電池的微觀參數和宏觀性能直接映射關系模糊,如固態電解質隔膜厚度、析鋰層厚度等影響電池壽命和內阻等,其量化映射關系不明晰;電池的微觀參數在全生命周期的演化過程中存在隨機性、與使用工況成相關性,因此揭示其在全生命周期的演化過程、構建“宏觀-微觀”耦合參數辨識優化算法存在難題,需要解決全生命周期下模型自學習優化機制等,揭示數字孿生構建的全生命周期演化理論。

3)數字孿生模型可以解決電池全生命周期的性能精準預測難題,但數字孿生模型難以直接應用到電池管理過程中,仍需要結合邏輯、控制算法等,對電池在特定工況、特定場景下的性能及演化趨勢進行分析。 需要與電池的控制策略相結合,構建動力電池全生命周期動態安全/健康邊界、性能評估、長時安全預警等算法,揭示數字孿生的場景化應用理論。

3 數字孿生電池構建理論

通常情況下,數字孿生電池與物理實體之間是相互映射的,因此數字孿生電池主要包括物理實體、數字模型及其之間的數據和交互關系等。物理實體層在電池裝機后既已確定,是數字孿生研究的主要對象,而數據和交互關系則依托于云計算、云服務等技術實現[21]。 本文重點圍繞數字孿生電池的模型構建方法,探究其構建準則和關鍵組件。

3.1 數字孿生模型構建準則

數字孿生模型通過多維度、多尺度、多物理場建模方法,全方位動態模擬電池在實際環境、工況條件下的性能演化過程。 現有動力電池種類較多(磷酸鐵鋰電池、三元鋰電池、鈷酸鋰電池、固態電池等)、尺寸差異大(方形電池、軟包電池、圓柱形電池等)、應用場景多(商用車、乘用車、重型車輛、船用電池等),數字孿生模型應具備較高的普適性和面向用戶的特異性,這對數字孿生模型的構建提出了較高要求,需要一系列建模準則對模型進行規范。 如圖3 所示,基于用戶使用場景、便捷性、通用性等考慮,數字孿生模型應滿足以下6 項構建基本準則。

圖3 數字孿生模型構建6 項基本準則Fig.3 Six basic guidelines for digital twin model construction

1) 精準與可信。 對物理實體的精準化描述是數字孿生模型應用的基礎。 精準化有多層次的含義,首先,數字孿生模型不僅應準確描述電池的靜動態特性,還應準確描述出其隨時間變化而產生的參數異變、演化等性能,在時間尺度上具有精準性;其次,數字孿生模型效仿電池的成組方式,采用材料-單體-模組-系統-整車層級的建模方法,在每一尺度上的建模方法、特征等可能存在差異,但均應滿足高精度、高可靠的要求,從根本上減少模型誤差的傳遞和積累,在空間尺度上也具有精準性。 此外,數字孿生模型在云平臺上運行時還應具有高可信的計算環境,除了要保障計算本身的準確性,還應對計算產生的數據、資源等進行保護。

2) 接口標準化。 由于電池種類的復雜性,數字孿生模型通常需要快速、準確的適配各類電池,因此需要對電池的接口進行標準化,從而提高適配速度和準確度,為不同領域、不同行業的使用人員提供便捷的使用方式。 需要標準化的接口主要包括:模型定義、參數輸入、特征曲線輸入、數據接口、通訊協議、求解方式、輸出內容、曲線和其他需要封裝的內容等。 此外,除接口標準化之外,對于接口的形式、格式、內容等也需要相應的定義,使其容易獲取、解析、讀取,并在不同電池間相互兼容,以滿足通用性和差異性的要求。

3) 易部署性。 數字孿生模型需要部署在云計算平臺中才可以運行,因此數字孿生模型應該對不同種類的云平臺具備部署能力,這主要涵蓋2 方面的內容,強兼容性和輕量化。 強兼容性是指數字孿生模型應采用標準、規范的建模軟件或語言實現,同時這一軟件或語言應能在大部分云計算平臺中部署,例如常用的多物理場仿真軟件Comsol、科學計算軟件MATLAB 或基礎語言Python、C + +等。 輕量化是指數字孿生模型在滿足主要功能的基礎上,在幾何描述、求解方法、計算復雜度、邏輯處理等方面歸約或者簡化,從而減少模型的復雜度,提高在云計算平臺的運行速度、減少計算和存儲開銷,提高云計算平臺的用戶接入數量。

4) 強學習性。 在全生命周期內向物理實體無限逼近和學習是數字孿生模型的本質特征之一,其功能實現要求數字孿生模型具備可學習性,這是指模型應能夠隨物理實體或者系統自發的進行更新、演化,并在全生命周期內進行主動的持續的性能優化。 可學習性的實現要依賴于模型內部的自學習、自修正算法,通過獲取的原始測試數據、實際運行數據、模型仿真數據等,通過智能優化算法或數據驅動算法等使模型的參數動態更新,以滿足模型的準確性、智能性。

5) 開放性與可擴展性。 隨著電池管理功能性不斷拓展、管理復雜度不斷提升,數字孿生模型的功能也應該隨之更新,這要求數字孿生模型具有開放性和擴展性,在部署后仍具備擴展的能力。數字孿生模型的開放性可以表現為模型的增廣或融合,如對動力電池機理的深入研究可能探尋到更多影響電池壽命、安全等性能的因素,在對新發現的因素進行建模描述后,應可以有機地與孿生模型進行整合,通過模型融合、合并、關聯、協同等方式,使模型重新成為一個整體。 可擴展性則要求模型應在不同的應用場景、工況條件下可以靈活的更改自身結構、參數配置等條件,從而快速滿足用戶需求和場景匹配等。

6) 易用性。 數字孿生模型的使用者可能來自不同領域、不同專業,因此其對動力電池領域的專業知識理解不深入、專業性不強,所以數字孿生模型的使用應具備易用性,包括可視化的前端界面和可交互的用戶界面等。 前端界面應具有直觀可視的形式,包括電池所處的環境信息、歷史運行工況、電池狀態、歷史故障信息等,由于各類信息的重復性高、交叉性強,因此前端界面應具備強大的數據分析、統計能力,并從多要素、多維度、多尺度、多物理場等形式展現電池信息。 用戶界面則是指數字孿生模型為用戶提供的一個動態可配置的交互界面,在該界面中,用戶應可以用圖形化或流程化描述對模型的內置邏輯、組件等進行配置,并且可以修改、兼容不同的接口信息等,從而使用戶在數字孿生模型內部龐大的模型系統和參數空間內了解應配置、修改的信息。

3.2 數字孿生模型關鍵組件

在分析了數字孿生模型構建的6 項準則后,還應具體的分析數字孿生電池所應涵蓋的基本內容,形成其構建理論。 數字孿生模型仍屬于模型驅動方法,因此經典的建模理論仍適用于數字孿生模型的構建;此外,由于數字孿生模型具有全生命周期性、自學習性和場景應用性,因此,還需要采用特殊的多維度、多尺度、多物理場耦合建模方法,從而實現對動力電池的復雜系統進行全方位的抽象和建模[22]。 因此,對于數字孿生模型的構建,應包含以下5 個步驟:基本模型構建,模型融合,模型矯正,模型驗證,模型管理,各步驟關系如圖4 所示。 基本模型將為數字孿生電池提供基礎,通過各類建模方式,實現從材料、單體層級到模組、系統層級的模型構建和組裝,隨后采用模型融合方法,將不同層級的模型通過數據交互、參數傳遞、仿真對接等方式進行融合,保障系統是有機的整體,各子模型之間參數可以互聯互通并且一致;模型矯正是在基本模型構建完成后,采用智能學習的算法對模型的參數、結果等進行優化和更新,這也將伴隨著實體對象的工作而一并演化;模型的驗證和管理是在數字孿生模型基礎之前對其性能進行測試和優化,由于云計算平臺中可能會運行多個模型,模型之間的交叉、沖突等需要合理的方法進行評價和管理。 上述5 個步驟是數字孿生模型構建的基本方法,除此之外還可額外的擴展出模型擴展、模型迭代等其他步驟。

圖4 數字孿生模型五大步驟Fig.4 Five steps of digital twin model

1) 基本模型構建。 基本模型描述了動力電池的工作原理和使用特性,是數字孿生電池的基石。 根據6 項基本規則,對基本模型的構建應采用多層級、多尺度、多物理場耦合的方式進行建模。 在層級上,應滿足從材料到單體、模組、系統等多個層級的建模方法,對于材料層級,可選用分子動力學等建模方法描述原子、分子尺度的性能差異對電池最終性能的影響,而對于單體、模組、系統等層級而言,可以依據材料尺度的仿真結果結合實際的電池成組方式、電氣連接方式、熱管理系統等進行全系統的數字化建模;在尺度上,應采用微觀-宏觀相耦合的建模方法,通過分析微觀層級的電池特性演化,分析宏觀性能的衰退、劣化規律等;在多物理場耦合方面,基本模型應涵蓋電化學、熱、力、流體、應力等各類物理場,描述電池內部的電化學反應基本原理、老化原理、傳質傳熱機理、機械應力、膨脹力、熱管理冷媒流動機理等各類基本原理。 在理想情況下,數字孿生電池應涵蓋上述的多層級、多尺度、多物理場耦合,但是從實際建模和應用角度出發,可以適度的根據需求進行降維或簡化。

2) 模型融合。 動力電池機理復雜、層級眾多,采用基本原理構建的電池基本模型需要進一步的交叉和融合,使數字孿生電池從簡單模型堆砌變為系統級的復雜模型。 模型的融合需要涵蓋以下方面。 首先,模型的參數應該互聯互通,如使用分子動力學仿真的電池材料參數應傳遞至單體層級,基于單體模型仿真的電、熱等參數傳遞至模組或系統層級,而系統層級的工況、環境等也將反應單體電池工況的細微差別。 對于參數的傳遞應包括尺寸、場參數、經驗參數、物性參數等。 其次,模型融合還應包括物理場的融合和交叉,這體現在不同物理場之間的參數傳遞和相互作用影響,例如電池的生熱需依賴于電池內部的電化學反應和副反應過程,而電池的散熱過程還依賴于熱管理系統的熱對流、熱交換等過程。

3) 模型矯正。 模型矯正是數字孿生電池的最核心機制之一,通過模型矯正可以實現電池模型的自學習和自優化,從而實現模型全生命周期的更新和迭代。 模型矯正部分應該包含3 個方面。 ①應詳細分析模型內的參數敏感度,探究微觀/宏觀參數與電池性能之間的相關性,如電極厚度、固/液相比例等對電極膨脹等影響較大,而對析鋰層等影響較弱。 通過敏感度分析可以對參數的重要程度進行劃分,提取關鍵參數和所需要的參數精度。 ②應構建參數與性能之間的相互表征關系,目前車端上傳的云端數據比較有限,一般包括電壓、電流、溫度等,因此需要建立參數與可獲取的電池信息的方程或關系,從而為參數的解析和辨識提供基礎。 ③應建立基于智能學習的參數解析和算法,通過集群式數據統計分析和并行加速計算等方法,從電池組的群體特征出發研究參數的提取和辨識,并反饋至個體中優化電池的參數,提高電池參數辨識的特異性和普適性。

4) 模型驗證。 模型驗證是保障數字孿生模型高效、可靠的有力證明。 模型的驗證主要包括3 方面:軟件驗證、實體驗證和線下測試驗證。 軟件驗證是指通過電池軟件仿真形成閉環,通過多個模型之間的相互校正或基于歷史數據的軟件模型校正等,采用大量的仿真工況、場景等探究模型的精度和輸出,分析數字孿生電池在各類場景、工況下的性能。 實體驗證通過模型仿真的結果與實際獲取的信息進行對比,不僅可以驗證數字孿生模型的準確度,更可以為模型的矯正提供依據,以模型誤差為反饋矯正電池的參數、公式等。 線下測試驗證則是通過在電池裝機后同步開展的一些電池工況、循環測試實驗等,為數字模型提供精確、可靠的數據依據,可以有效提高模型的準確度,并為模型的自學習、參數自校正提供有效參考。

5) 模型管理。 模型管理是在模型的構建、融合和自學習基礎上,在云平臺上進一步對模型進行分類存儲和智能化管理、調度。 由于數字孿生模型功能復雜、架構龐大,因此對于每一項功能單獨調度模型極易造成計算和存儲資源的浪費,因此需要采用智能化的方法對模型進行管理、調度和維護。 對于單模型運行的云計算平臺而言,在模型調用時可以將計算信息、結果等分類存儲,在其他服務和功能調用時首先查找已有數據結果,從而減少模型調用次數和計算開銷,提高功能的調度速率。 而對于多模型并行計算的云計算平臺而言,則可以通過競爭機制對模型進行歸類和優選,對于用戶的調度首先提供歷史最優的模型,而后在后臺空閑時采用指定案例、服務需求等對多模型進行調用、計算,并根據計算分析結果確定當前最優解的模型,在下一次調度時采用該模型為用戶提供服務。 這將有助于模型在各類場景、工況下的應用并指導后續模型的構建。

基本模型構建,模型融合,模型矯正,模型驗證,模型管理是數字孿生模型構建的關鍵步驟,但是在實際的應用過程中,受限于產品開發速度、需求、目標、場景等,可以依據企業自身的特點進行組合和選擇,特別是基本模型構建方法眾多,可針對所應用的場景進行適應的模型選擇,優選模型復雜度、存儲量、計算開銷較為均衡的模型組件。

4 動力電池數字孿生實踐

針對新能源汽車動力電池精細化設計、全生命周期精準管理的實際應用需求,本文基于數字孿生模型構建理論,在模型構建、性能仿真和預測等方面進行了探索和研究,如圖5 所示。

圖5 以電化學模型為基礎的數字孿生電池Fig.5 Digital twin cell based on electrochemical model

在數字孿生模型構建方面,以車用電池系統為研究對象,按材料-單體-模組-系統4 個層級建立與物理實體相映射的電池模型,在材料層級包括正負極材料及缺陷構造、電解液濃度及離子濃度分布、隔膜孔隙率縮小或破壞、SEI 膜增厚或分解等子模型;在單體層級包括電池正負極離子擴散、電勢產生、電化學-熱產生等子模型;在模組層級,耦合電池產熱傳熱機理,包括散熱系統及其他電附屬元件、均衡管理系統等;在系統層級,包括電池系統內的箱體結構設計、線束布置、焊接情況、銅排布置等。 通過將材料-單體-模組-系統的不同類型、不同尺度、不同物理場的模型進行耦合和加權、參數傳遞、物理場融合,實現了從材料到系統層級的模型深度融合。

在電池性能和預測方面,數字孿生模型通過實體電池上傳的電壓、電流、溫度、故障數、車速、位置等信息,在對實體電池組狀態、參數等進行迭代優化后,實現電池膨脹/銅排老化等幾何構型更新、電池內部微觀參數的更新(包括電池正負極材料的膨脹、電解液分解、氣體析出、隔膜損傷或收縮、孔隙率下降、正負極材料固相損失、SEI 膜增厚或分解、電極的擴散誘導應力、負極表面鋰的析出和電解液內活性鋰離子的損失、集流體腐蝕等)、宏觀性能的衰退(包括內阻增長、可用容量損失、電池充電邊界下降、可用容量區間縮短、極化電壓加劇等)、全生命周期性能模擬(包括剩余壽命、最大可用容量、電池組安全性、可靠性衰退圖譜等)。

此外,在基于數字孿生模型的管理方面,通過數字孿生模型在全生命周期的性能演化和模擬仿真,可以分析得到與電池使用工況呈強相關的電池內部參數的劣化特性,通過與神經網絡算法相結合,采用模型+ 數據融合驅動的方法建立電池管理算法,從而實現電池系統的高安全動態充電邊界管控、基于負極無析鋰控制的充電策略設計、基于電池極端工況下失效邊界預判的長時熱失控預警等功能,為傳統動力電池管理提供擴展性功能,有助于提高電池全生命周期全氣候全工況的健康和安全管理能力。

5 數字孿生電池技術難點與挑戰

數字孿生電池為新能源汽車能源系統智能化管控提供了新思路和方向,但目前階段,構建完整的數字孿生電池還存在技術難點與挑戰,主要包括電池精細化建模、全生命周期跨平臺跨尺度建模等方面。

1) 電池建模還需更精細化、更系統化。 目前動力電池建模主要包括分子動力學模型、等效電路模型、電化學機理模型、數據驅動模型等。 分子動力學模型依賴于對電池微觀性機理的研究,從材料角度預測電池的擴散系數、離子電導率等參數,雖然具備不依賴于電池實體進行建模,但計算量大、模擬能力有限。 等效電路模型是目前車端電池管理較為常用的模型之一,僅通過電阻、電容等元件模擬電池靜、動態充放電特性,無法反應電池微觀結構的變化和全生命周期的衰退。 電化學機理模型是從電池化學反應原理出發等效的模型,主要包括單粒子模型、偽二維模型、異構模型等多種形式,通過模擬鋰離子在正負極之間的遷移及副反應的發生,可以預測全生命周期的性能衰退規律,但受限于模型的假設條件、有限的測量參數,電化學模型的實用性還不強。 數據驅動模型是近年來電池建模的熱點方向之一,通過不可解釋的復雜神經網絡模擬電池輸入與輸出間的映射關系,建模方式簡單,但依賴于特征選取、訓練集等。 綜上,目前動力電池建模理論還不完善,缺乏具有普適性的、能夠切實反應真實條件下微觀變化及宏觀特效演化的模型,未來可基于電化學模型與數據驅動模型進一步研究探索,通過融合驅動建模方法等提升電池建模能力與理論水平。

2) 電池跨平臺、跨領域建模難度大。 現有動力電池建模方法依賴于有限元建模軟件或科學計算軟件平臺,為實現從生產制造到車載動力到梯級利用到拆解回收的全鏈條建模與仿真,需要各平臺間具備互融互通性并可實現跨平臺、跨領域的建模仿真。 目前,動力電池領域的常用建模軟件 如 COMSOL Multiphysics、 ANSYS FLUENT、MATLAB 等,均已完成或已具備跨平臺仿真的功能,但受限于模型接口復雜、各平臺建模語言存在差異,跨平臺的建模難度仍較大。 此外,由于動力電池系統不僅包含電芯建模,也包括連接件、匯流排、熱管理系統、均衡系統、熱防護系統等各方面組件,組件建模并融合的難度也較大,為系統性的仿真設計帶來了挑戰。 需要對電池系統內各組件的特性等進行獨立建模仿真,形成模塊化仿真組件和平臺,才能夠提升數字孿生電池的建模速度和質量,并提高組件可復用性、實用性等。

6 數字孿生電池應用與展望

信息技術的發展也為數字孿生帶來了新思路和新需求。 隨著新能源汽車向電動化、智能化、網聯化方向變革,基于數字孿生模型的動力電池管理與云計算、人工智能、虛擬現實等技術深度融合,對動力電池的設計、管理等產生了深遠影響,誕生了基于數字孿生電池的新服務和新理念。

1) 基于模型的電池設計理念。 傳統動力電池的設計方法大多依靠經驗選擇,通過研發人員對材料的理解和實驗經驗,對電池正負極材料的配比、關鍵物性等進行選擇和控制,導致了電池在設計完成前的性能屬于未知狀態,必須要依靠組裝好的成品電池進行實驗標定測試。 基于模型的設計理念通過在電池組裝前建立電池的等效模型,通過給出正負極材料、正負極厚度、離子濃度、活性顆粒尺寸、固相/液相比例等關鍵特征、物性參數等,通過電化學原理或數據驅動方法對電池組裝后的性能進行預測,從而形成設計-仿真的閉環過程,減少設計階段的測試和驗證時間,提高電池開發效率、減少成本。 數字孿生電池與基于模型的電池設計理念相吻合,數字孿生電池不僅能通過電池的材料參數預測組裝后的靜動態特性,更可以預測其全生命周期的性能,從而為更好的電池設計和優化提供了強有力的支撐。

2) 基于模型的模型測試、驗證方法。 目前動力電池的測試和驗證幾乎完全依賴于線下檢測設備,如電池的容量、內阻、老化實驗等要依賴于充放電測試儀、電化學阻抗譜測試等依賴于電化學工作站,設備依賴性強、測試費用高;針對動力電池管理的關鍵算法和模型的驗證,也均為采用標準化的流程測試,如電池荷電狀態、健康狀態、功率狀態等,測試周期長、測試范圍窄、測試精度有限。 基于數字孿生電池的測試和驗證方法為研究電池性能、算法性能等提供了新的解決方案,如基于電化學原理建立的數字孿生電池,可以在仿真過程中實時獲取電池的電化學阻抗信息,并且隨著電池全生命周期的老化過程而觀測到電池阻抗譜的演化過程;將數字孿生電池封裝為黑盒模型后,可與電池管理的算法、模型等形成軟件在環測試或全場景虛擬測試,通過數字孿生電池模擬在高原、高寒、高溫等全氣候全工況場景和過充、過放、過溫等濫用場景,實現對動力電池管理算法和模型的大范圍、高精度測試,同時由于仿真軟件的計算能力強、仿真加速方法多,基于數字孿生模型的測試周期也大大縮短。

3) New IT 技術與數字孿生深度融合。 云計算、車聯網、大數據、人工智能等New IT 技術快速發展,與數字孿生相結合已成為發展趨勢。 數字孿生電池需要可供部署和運行的大規模計算平臺,并與車端的實體電池建立良好的溝通反饋渠道,云計算和車聯網將打通數字孿生電池與實體電池間的屏障,使得數字孿生電池具備在全生命周期逼近實體并隨實體共同演化的可能性。 大數據和人工智能算法為數字孿生賦予了新的建模方法和自學習思路,對于傳統的電化學模型或者等效電路模型而言,在模型建立后其性能便已經固定,與實體電池的相關性低,難以模擬不同用戶、不同電池的差異性。 大數據和人工智能算法可以為模型的參數提供自學習方法,通過上傳的云端數據等分析電池在全壽命內的性能差異、參數匹配等,進而數字孿生在全生命周期的演化提供了New IT 的解決方案。

4) 智能應用/服務新需求。 數字孿生電池為動力電池管理提供了的新思路,其全生命周期演化的優勢將極大地豐富電池管理內容和策略,例如動力電池微觀層級的性能演化分析(SEI 膜增長、充電析鋰預測、電解液分解、電極膨脹、電池產氣等),電池宏觀層析的性能預測(充放電邊界、快充策略、一致性均衡管理策略、熱仿真分析和熱薄弱環節管理)及長時安全預警、剩余壽命預測、綜合性能評價、殘值評估等功能,如圖6 所示。 數字孿生電池可以為深入的分析電池性能提供依據和參考,基于數字孿生電池的智能化電池管理功能和服務也將推動行業技術進步、快速健康發展。

圖6 數字孿生與智能化電池管理應用Fig.6 Digital twin and intelligent battery management applications

7 結 論

隨著新能源汽車技術的快速發展與普及,電池壽命、安全性已成為制約新能源汽車性能提升的關鍵。 電池管理技術是保障電池健康、安全使用的核心,合理管控電池可實現延壽、性能充分釋放、安全預警等功能。 但目前車端電池管理系統在算力、存儲等方面仍存在瓶頸,導致大量電池管控理論、方法、模型等不能應用到車端電池管理中。 數字孿生技術的發展為電池管理提供了新契機,通過建立端-云融合式的智能化電池管理方法,將傳統電池管控拓展至超算力、大存儲的云平臺中,通過數字孿生模型將各類電池建模方法、管控方法等有機融合,從而實現精準、健康的電池管理。

本文圍繞目前數字孿生電池的發展需求和技術挑戰,針對智能化管理需求下的數字孿生電池構建方法開展了研究:

1) 從系統建模與管控需求等方面分析了數字孿生電池建模的基本準則,系統性闡述多維度、多尺度、多物理場融合的數字孿生電池的構建準則,基于用戶使用場景、便捷性、通用性等考慮,數字孿生模型應具備精準可信、標準化、易部署、易用、可擴展、強學習等基本特性。

2) 圍繞數字孿生在全生命周期性、自學習性和場景應用性的需求,其建模方法可分解為基本模型構建、模型融合、模型矯正、模型驗證、模型管理5 個步驟,并針對所應用的場景進行在模型復雜度、存儲量、計算開銷等方面進行優選。

3) 結合團隊前期研究,分析了某電池數字孿生的實踐案例,按材料-單體-模組-系統4 個層級建立與物理實體相映射的電池模型,并分析了現有電池建模方法的不足與挑戰。

隨著數字能源、智慧能源需求的發展,數字孿生電池在生產設計、全生命周期管理等場景均具備應用能力,通過指導電芯設計、測試、殘值評估、智能管控等,拓展現有電池管理方法與平臺,為電池管理技術發展提供思路與參考。