面向智能化管理的数字孪生电池构建方法

杨世春 李强伟 周思达 张正杰 马源 陈飞

(北京航空航天大学 交通科学与工程学院, 北京 100083)

发展新能源汽车是中国从汽车大国迈向汽车强国的必经之路。 在“十四五”规划建议中,新能源汽车已被列入十大战略性新兴产业之一。 中国的新能源汽车产销量已连续7 年位居全球首位;国务院印发的《新能源汽车产业发展规划(2021—2035 年)》中指出,到2025 年,中国新能源汽车新车销售量达到汽车新车销售总量的20%左右。 动力电池是新能源汽车能源动力系统的核心,其性能影响了整车安全性、寿命、经济性。然而,动力电池在全气候环境下的使用性能、寿命和安全性随时间动态演变,产生了单体性能不一致诱发的系统容量快速衰减、短板电池或内部缺陷诱发的电池热失控等问题[1-2]。

动力电池管理技术通过对电池的使用性能进行评估、合理的规划电池充放电过程等,改善动力电池寿命和安全性[3]。 传统动力电池管理方法受限于车载硬件单元的有限计算/存储能力,只能实现简单的性能监管、状态估算等功能,准确度差、可靠性低[4]。 随着数字孪生、虚拟现实、云端管控等数字化管理技术的发展,为动力电池管理技术发展提供了新契机和新思路[5-6]。 数字孪生是一种全新的建模思想和方法,基于通信、仿真、数据分析等前沿技术,通过构建物理实体的逼真仿真模型及数字化实时状态映射,实现对物理实体全生命周期的管理决策和进化学习[7-9]。 数字孪生在卫星、海洋、林业、交通等领域已开展了大量探索式研究和示范应用[10-12];在中国“十四五”规划中的新能源汽车重点专项等也阐述了数字孪生在汽车、动力电池行业的应用。 发展数字孪生技术、构建数字孪生电池为提升电池管理能力带来了新的解决方案,已逐步成为行业发展趋势之一,宁德时代、比亚迪、国轩高科等电池企业均已开展前瞻性技术研究[13-14]。 但目前对于动力电池的数字孪生仍缺乏系统的建模理论、评价方法、应用范围等。 本文围绕动力电池精细化管理技术发展趋势,针对数字孪生动力电池构建需求,系统性阐述动力电池数字孪生模型的构建理论,探索了其在电池设计、全生命周期管理、梯次利用等场景下的应用可能性。 希望通过本文对电池数字孪生模型的详细介绍和解释,为电池行业发展提供思路和理论支撑。

1 动力电池数字孪生模型概念

模型是对物理实体的数学描述,可以实现物理实体的属性、特征、功能的复现和重构。 模型始终是动力电池管理研究的重点,现有动力电池模型主要分为等效电路模型、电化学模型和数据驱动模型[15]。 3 类模型均可实现对电池静动态特性的模拟或时空尺度上的性能仿真,但这3 类模型均缺乏对实体电池的差异化适配和全生命周期演化,如电化学模型对初值和参数具有极大的依赖性;等效电路模型不仅依赖于大量标定实验,也无法满足全生命周期的参数自适应,精度较差;数据驱动模型对训练集具有极大的依赖性,对于超出训练集的场景泛化性能有限[16-17]。

数字孪生模型吸取上述建模的优势和缺点,通过刻画电池内部的反应过程或映射关系,对物理实体的实际运行环境、工况等进行抽象或提取,使模型在符合实际场景的环境下进行虚拟仿真,使模型无限逼近物理实体并与实体“同时空”演化,从而实现对实体电池的数字化仿真、监控、预测、优化等。 如图1 所示,数字孪生模型具有以下3 大特征:

图1 数字孪生电池三大特征Fig.1 Three main features of digital twin cell

1) 全生命周期建模。 数字孪生电池的核心思想是伴随着物理实体共同演化,从而在数字空间内构建出与物理实体相映射的电池模型。 该模型需要反映出电池内部的各类微观参数和宏观性能在全生命周期内的演化趋势、规律等信息,并且具备对未来演化趋势的预测和分析。 例如以电化学模型为基础的数字孪生电池,应时刻保持与物理实体相一致的循环次数、状态、环境等,从而预测电池在该状态下的剩余寿命、安全状态,如在现有建模思路与框架下,假定负极电位达到0 V 后发生析锂反应,从而在充电结束时可分析该次充电条件下的电池内部析锂量,并可用于反向推断充电策略和充电边界等。 全生命周期建模思想是保证电池全寿命管理的基础。

2) 对物理实体的逼近。 数字孪生电池具备在全生命周期向物理实体逼近的功能,这一功能体现在实体电池在运行过程中应实时上传并反馈电池的各类信息,而后在云计算平台中对信息进行整合、归类、深入挖掘,解构电池信息与模型之间的映射关系,从而通过提取和辨识实体电池的信息来更新数字孪生电池。 这使得数字孪生模型并不完全依赖初始条件,可以先对电池应用并在云计算平台内部署数字孪生模型,而后随着电池的使用过程再对数字孪生电池进行优化和更新,有益于解决目前电池研发速度快和性能测试周期长之间的矛盾。

3) 全场景模拟和仿真。 数字孪生电池在数字空间内运行,因此其可以模拟物理实体的各类场景、工况等,并对物理实体的性能进行仿真和分析。 例如,通过分析实体电池的使用工况和环境可以分析其是否存在过充、过放等可能,随后可以在云计算平台内通过数字孪生电池进行虚拟仿真,分析极端工况等对电池内部造成的损伤及危害严重性,分析其安全边界演化等。 此外,数字孪生电池也可以模拟实体电池在高原、高寒、高温等环境下的仿真性能,对新能源汽车长途、跨省运行时管理策略的适配和更新提供依据。

2 数字孪生电池的发展和需求

传统车载电池管理系统以车载嵌入式系统硬件平台为核心,通过基础的逻辑功能和简单算法,能够实现较为全面的动力电池管理要求,涵盖数据监测、均衡、通信、故障诊断、充放电控制等。 车规级的嵌入式系统存储空间有限(小于1 GB,通常为MB 量级)、计算速度慢(主频约为500 MB/s),全生命周期数据无法存储,高精度算法、精度复杂模型等无法部署,导致现有的车端电池管理系统内部模型和算法依赖于出厂标定,无法实现全生命周期自适应演化。 同时,基于电池机理或全生命周期数据的动力电池寿命预测算法与热失控预警算法也依赖于高精度的电池模型,因此车载电池管理系统无法支撑寿命、安全管理系统开发。由于存在算力和存储的限制,车载电池管理系统已无法支持更精细和全生命周期的电池管理;随着新能源汽车的大量普及,批量化的产品仍存在小概率偶发的失效问题,统计数据表明新能源汽车的起火概率达到了万分之二,如何预测预警热失控等小概率事件是电池管理亟待解决的难题[18];此外,动力电池制造缺陷等导致电池加速老化、寿命异常衰退甚至存在容量跳水等现象,也是目前车载电池管理系统难以解决的问题之一[19-20]。

数字孪生为上述问题提供了新的解决方案,结合车云融合的云端动力电池管控平台,在平台中部署数字孪生模型及自适应算法,通过车端上传的全生命周期数据,可实现数字孪生模型的全生命周期演化与逼近物理实体,同时也为实现模型实时运行、单车单控策略设计提供了实现契机。数字孪生建模的核心是在全生命周期向物理实体逼近并随着物理实体共同演化。 由于动力电池本身电化学反应原理的复杂性、车载工况的时变迟滞性等,数字孪生模型的构建难度较高,主要存在以下问题和需求:

1) 动力电池内部电化学反应机理复杂,如图2所示,除充放电时在正负极发生的粒子迁移过程外,还存在多种副反应,包括负极表面锂的析出、固体电解质膜的生长/破裂、电解液分解产气、隔膜老化收缩等,导致动力电池性能存在微观模糊性、演化复杂性、实际多变性。 准确描述动力电池内部各类老化反应、建立电池副反应的量化方程使精细化电池模型构建存在难题,需要进一步探索动力电池等效机理模型或数据驱动模型,揭示数字孪生构建的基础理论。

图2 动力电池内部复杂副反应过程Fig.2 Complex side reaction processes within power cell

2) 动力电池的微观参数和宏观性能直接映射关系模糊,如固态电解质隔膜厚度、析锂层厚度等影响电池寿命和内阻等,其量化映射关系不明晰;电池的微观参数在全生命周期的演化过程中存在随机性、与使用工况成相关性,因此揭示其在全生命周期的演化过程、构建“宏观-微观”耦合参数辨识优化算法存在难题,需要解决全生命周期下模型自学习优化机制等,揭示数字孪生构建的全生命周期演化理论。

3)数字孪生模型可以解决电池全生命周期的性能精准预测难题,但数字孪生模型难以直接应用到电池管理过程中,仍需要结合逻辑、控制算法等,对电池在特定工况、特定场景下的性能及演化趋势进行分析。 需要与电池的控制策略相结合,构建动力电池全生命周期动态安全/健康边界、性能评估、长时安全预警等算法,揭示数字孪生的场景化应用理论。

3 数字孪生电池构建理论

通常情况下,数字孪生电池与物理实体之间是相互映射的,因此数字孪生电池主要包括物理实体、数字模型及其之间的数据和交互关系等。物理实体层在电池装机后既已确定,是数字孪生研究的主要对象,而数据和交互关系则依托于云计算、云服务等技术实现[21]。 本文重点围绕数字孪生电池的模型构建方法,探究其构建准则和关键组件。

3.1 数字孪生模型构建准则

数字孪生模型通过多维度、多尺度、多物理场建模方法,全方位动态模拟电池在实际环境、工况条件下的性能演化过程。 现有动力电池种类较多(磷酸铁锂电池、三元锂电池、钴酸锂电池、固态电池等)、尺寸差异大(方形电池、软包电池、圆柱形电池等)、应用场景多(商用车、乘用车、重型车辆、船用电池等),数字孪生模型应具备较高的普适性和面向用户的特异性,这对数字孪生模型的构建提出了较高要求,需要一系列建模准则对模型进行规范。 如图3 所示,基于用户使用场景、便捷性、通用性等考虑,数字孪生模型应满足以下6 项构建基本准则。

图3 数字孪生模型构建6 项基本准则Fig.3 Six basic guidelines for digital twin model construction

1) 精准与可信。 对物理实体的精准化描述是数字孪生模型应用的基础。 精准化有多层次的含义,首先,数字孪生模型不仅应准确描述电池的静动态特性,还应准确描述出其随时间变化而产生的参数异变、演化等性能,在时间尺度上具有精准性;其次,数字孪生模型效仿电池的成组方式,采用材料-单体-模组-系统-整车层级的建模方法,在每一尺度上的建模方法、特征等可能存在差异,但均应满足高精度、高可靠的要求,从根本上减少模型误差的传递和积累,在空间尺度上也具有精准性。 此外,数字孪生模型在云平台上运行时还应具有高可信的计算环境,除了要保障计算本身的准确性,还应对计算产生的数据、资源等进行保护。

2) 接口标准化。 由于电池种类的复杂性,数字孪生模型通常需要快速、准确的适配各类电池,因此需要对电池的接口进行标准化,从而提高适配速度和准确度,为不同领域、不同行业的使用人员提供便捷的使用方式。 需要标准化的接口主要包括:模型定义、参数输入、特征曲线输入、数据接口、通讯协议、求解方式、输出内容、曲线和其他需要封装的内容等。 此外,除接口标准化之外,对于接口的形式、格式、内容等也需要相应的定义,使其容易获取、解析、读取,并在不同电池间相互兼容,以满足通用性和差异性的要求。

3) 易部署性。 数字孪生模型需要部署在云计算平台中才可以运行,因此数字孪生模型应该对不同种类的云平台具备部署能力,这主要涵盖2 方面的内容,强兼容性和轻量化。 强兼容性是指数字孪生模型应采用标准、规范的建模软件或语言实现,同时这一软件或语言应能在大部分云计算平台中部署,例如常用的多物理场仿真软件Comsol、科学计算软件MATLAB 或基础语言Python、C + +等。 轻量化是指数字孪生模型在满足主要功能的基础上,在几何描述、求解方法、计算复杂度、逻辑处理等方面归约或者简化,从而减少模型的复杂度,提高在云计算平台的运行速度、减少计算和存储开销,提高云计算平台的用户接入数量。

4) 强学习性。 在全生命周期内向物理实体无限逼近和学习是数字孪生模型的本质特征之一,其功能实现要求数字孪生模型具备可学习性,这是指模型应能够随物理实体或者系统自发的进行更新、演化,并在全生命周期内进行主动的持续的性能优化。 可学习性的实现要依赖于模型内部的自学习、自修正算法,通过获取的原始测试数据、实际运行数据、模型仿真数据等,通过智能优化算法或数据驱动算法等使模型的参数动态更新,以满足模型的准确性、智能性。

5) 开放性与可扩展性。 随着电池管理功能性不断拓展、管理复杂度不断提升,数字孪生模型的功能也应该随之更新,这要求数字孪生模型具有开放性和扩展性,在部署后仍具备扩展的能力。数字孪生模型的开放性可以表现为模型的增广或融合,如对动力电池机理的深入研究可能探寻到更多影响电池寿命、安全等性能的因素,在对新发现的因素进行建模描述后,应可以有机地与孪生模型进行整合,通过模型融合、合并、关联、协同等方式,使模型重新成为一个整体。 可扩展性则要求模型应在不同的应用场景、工况条件下可以灵活的更改自身结构、参数配置等条件,从而快速满足用户需求和场景匹配等。

6) 易用性。 数字孪生模型的使用者可能来自不同领域、不同专业,因此其对动力电池领域的专业知识理解不深入、专业性不强,所以数字孪生模型的使用应具备易用性,包括可视化的前端界面和可交互的用户界面等。 前端界面应具有直观可视的形式,包括电池所处的环境信息、历史运行工况、电池状态、历史故障信息等,由于各类信息的重复性高、交叉性强,因此前端界面应具备强大的数据分析、统计能力,并从多要素、多维度、多尺度、多物理场等形式展现电池信息。 用户界面则是指数字孪生模型为用户提供的一个动态可配置的交互界面,在该界面中,用户应可以用图形化或流程化描述对模型的内置逻辑、组件等进行配置,并且可以修改、兼容不同的接口信息等,从而使用户在数字孪生模型内部庞大的模型系统和参数空间内了解应配置、修改的信息。

3.2 数字孪生模型关键组件

在分析了数字孪生模型构建的6 项准则后,还应具体的分析数字孪生电池所应涵盖的基本内容,形成其构建理论。 数字孪生模型仍属于模型驱动方法,因此经典的建模理论仍适用于数字孪生模型的构建;此外,由于数字孪生模型具有全生命周期性、自学习性和场景应用性,因此,还需要采用特殊的多维度、多尺度、多物理场耦合建模方法,从而实现对动力电池的复杂系统进行全方位的抽象和建模[22]。 因此,对于数字孪生模型的构建,应包含以下5 个步骤:基本模型构建,模型融合,模型矫正,模型验证,模型管理,各步骤关系如图4 所示。 基本模型将为数字孪生电池提供基础,通过各类建模方式,实现从材料、单体层级到模组、系统层级的模型构建和组装,随后采用模型融合方法,将不同层级的模型通过数据交互、参数传递、仿真对接等方式进行融合,保障系统是有机的整体,各子模型之间参数可以互联互通并且一致;模型矫正是在基本模型构建完成后,采用智能学习的算法对模型的参数、结果等进行优化和更新,这也将伴随着实体对象的工作而一并演化;模型的验证和管理是在数字孪生模型基础之前对其性能进行测试和优化,由于云计算平台中可能会运行多个模型,模型之间的交叉、冲突等需要合理的方法进行评价和管理。 上述5 个步骤是数字孪生模型构建的基本方法,除此之外还可额外的扩展出模型扩展、模型迭代等其他步骤。

图4 数字孪生模型五大步骤Fig.4 Five steps of digital twin model

1) 基本模型构建。 基本模型描述了动力电池的工作原理和使用特性,是数字孪生电池的基石。 根据6 项基本规则,对基本模型的构建应采用多层级、多尺度、多物理场耦合的方式进行建模。 在层级上,应满足从材料到单体、模组、系统等多个层级的建模方法,对于材料层级,可选用分子动力学等建模方法描述原子、分子尺度的性能差异对电池最终性能的影响,而对于单体、模组、系统等层级而言,可以依据材料尺度的仿真结果结合实际的电池成组方式、电气连接方式、热管理系统等进行全系统的数字化建模;在尺度上,应采用微观-宏观相耦合的建模方法,通过分析微观层级的电池特性演化,分析宏观性能的衰退、劣化规律等;在多物理场耦合方面,基本模型应涵盖电化学、热、力、流体、应力等各类物理场,描述电池内部的电化学反应基本原理、老化原理、传质传热机理、机械应力、膨胀力、热管理冷媒流动机理等各类基本原理。 在理想情况下,数字孪生电池应涵盖上述的多层级、多尺度、多物理场耦合,但是从实际建模和应用角度出发,可以适度的根据需求进行降维或简化。

2) 模型融合。 动力电池机理复杂、层级众多,采用基本原理构建的电池基本模型需要进一步的交叉和融合,使数字孪生电池从简单模型堆砌变为系统级的复杂模型。 模型的融合需要涵盖以下方面。 首先,模型的参数应该互联互通,如使用分子动力学仿真的电池材料参数应传递至单体层级,基于单体模型仿真的电、热等参数传递至模组或系统层级,而系统层级的工况、环境等也将反应单体电池工况的细微差别。 对于参数的传递应包括尺寸、场参数、经验参数、物性参数等。 其次,模型融合还应包括物理场的融合和交叉,这体现在不同物理场之间的参数传递和相互作用影响,例如电池的生热需依赖于电池内部的电化学反应和副反应过程,而电池的散热过程还依赖于热管理系统的热对流、热交换等过程。

3) 模型矫正。 模型矫正是数字孪生电池的最核心机制之一,通过模型矫正可以实现电池模型的自学习和自优化,从而实现模型全生命周期的更新和迭代。 模型矫正部分应该包含3 个方面。 ①应详细分析模型内的参数敏感度,探究微观/宏观参数与电池性能之间的相关性,如电极厚度、固/液相比例等对电极膨胀等影响较大,而对析锂层等影响较弱。 通过敏感度分析可以对参数的重要程度进行划分,提取关键参数和所需要的参数精度。 ②应构建参数与性能之间的相互表征关系,目前车端上传的云端数据比较有限,一般包括电压、电流、温度等,因此需要建立参数与可获取的电池信息的方程或关系,从而为参数的解析和辨识提供基础。 ③应建立基于智能学习的参数解析和算法,通过集群式数据统计分析和并行加速计算等方法,从电池组的群体特征出发研究参数的提取和辨识,并反馈至个体中优化电池的参数,提高电池参数辨识的特异性和普适性。

4) 模型验证。 模型验证是保障数字孪生模型高效、可靠的有力证明。 模型的验证主要包括3 方面:软件验证、实体验证和线下测试验证。 软件验证是指通过电池软件仿真形成闭环,通过多个模型之间的相互校正或基于历史数据的软件模型校正等,采用大量的仿真工况、场景等探究模型的精度和输出,分析数字孪生电池在各类场景、工况下的性能。 实体验证通过模型仿真的结果与实际获取的信息进行对比,不仅可以验证数字孪生模型的准确度,更可以为模型的矫正提供依据,以模型误差为反馈矫正电池的参数、公式等。 线下测试验证则是通过在电池装机后同步开展的一些电池工况、循环测试实验等,为数字模型提供精确、可靠的数据依据,可以有效提高模型的准确度,并为模型的自学习、参数自校正提供有效参考。

5) 模型管理。 模型管理是在模型的构建、融合和自学习基础上,在云平台上进一步对模型进行分类存储和智能化管理、调度。 由于数字孪生模型功能复杂、架构庞大,因此对于每一项功能单独调度模型极易造成计算和存储资源的浪费,因此需要采用智能化的方法对模型进行管理、调度和维护。 对于单模型运行的云计算平台而言,在模型调用时可以将计算信息、结果等分类存储,在其他服务和功能调用时首先查找已有数据结果,从而减少模型调用次数和计算开销,提高功能的调度速率。 而对于多模型并行计算的云计算平台而言,则可以通过竞争机制对模型进行归类和优选,对于用户的调度首先提供历史最优的模型,而后在后台空闲时采用指定案例、服务需求等对多模型进行调用、计算,并根据计算分析结果确定当前最优解的模型,在下一次调度时采用该模型为用户提供服务。 这将有助于模型在各类场景、工况下的应用并指导后续模型的构建。

基本模型构建,模型融合,模型矫正,模型验证,模型管理是数字孪生模型构建的关键步骤,但是在实际的应用过程中,受限于产品开发速度、需求、目标、场景等,可以依据企业自身的特点进行组合和选择,特别是基本模型构建方法众多,可针对所应用的场景进行适应的模型选择,优选模型复杂度、存储量、计算开销较为均衡的模型组件。

4 动力电池数字孪生实践

针对新能源汽车动力电池精细化设计、全生命周期精准管理的实际应用需求,本文基于数字孪生模型构建理论,在模型构建、性能仿真和预测等方面进行了探索和研究,如图5 所示。

图5 以电化学模型为基础的数字孪生电池Fig.5 Digital twin cell based on electrochemical model

在数字孪生模型构建方面,以车用电池系统为研究对象,按材料-单体-模组-系统4 个层级建立与物理实体相映射的电池模型,在材料层级包括正负极材料及缺陷构造、电解液浓度及离子浓度分布、隔膜孔隙率缩小或破坏、SEI 膜增厚或分解等子模型;在单体层级包括电池正负极离子扩散、电势产生、电化学-热产生等子模型;在模组层级,耦合电池产热传热机理,包括散热系统及其他电附属元件、均衡管理系统等;在系统层级,包括电池系统内的箱体结构设计、线束布置、焊接情况、铜排布置等。 通过将材料-单体-模组-系统的不同类型、不同尺度、不同物理场的模型进行耦合和加权、参数传递、物理场融合,实现了从材料到系统层级的模型深度融合。

在电池性能和预测方面,数字孪生模型通过实体电池上传的电压、电流、温度、故障数、车速、位置等信息,在对实体电池组状态、参数等进行迭代优化后,实现电池膨胀/铜排老化等几何构型更新、电池内部微观参数的更新(包括电池正负极材料的膨胀、电解液分解、气体析出、隔膜损伤或收缩、孔隙率下降、正负极材料固相损失、SEI 膜增厚或分解、电极的扩散诱导应力、负极表面锂的析出和电解液内活性锂离子的损失、集流体腐蚀等)、宏观性能的衰退(包括内阻增长、可用容量损失、电池充电边界下降、可用容量区间缩短、极化电压加剧等)、全生命周期性能模拟(包括剩余寿命、最大可用容量、电池组安全性、可靠性衰退图谱等)。

此外,在基于数字孪生模型的管理方面,通过数字孪生模型在全生命周期的性能演化和模拟仿真,可以分析得到与电池使用工况呈强相关的电池内部参数的劣化特性,通过与神经网络算法相结合,采用模型+ 数据融合驱动的方法建立电池管理算法,从而实现电池系统的高安全动态充电边界管控、基于负极无析锂控制的充电策略设计、基于电池极端工况下失效边界预判的长时热失控预警等功能,为传统动力电池管理提供扩展性功能,有助于提高电池全生命周期全气候全工况的健康和安全管理能力。

5 数字孪生电池技术难点与挑战

数字孪生电池为新能源汽车能源系统智能化管控提供了新思路和方向,但目前阶段,构建完整的数字孪生电池还存在技术难点与挑战,主要包括电池精细化建模、全生命周期跨平台跨尺度建模等方面。

1) 电池建模还需更精细化、更系统化。 目前动力电池建模主要包括分子动力学模型、等效电路模型、电化学机理模型、数据驱动模型等。 分子动力学模型依赖于对电池微观性机理的研究,从材料角度预测电池的扩散系数、离子电导率等参数,虽然具备不依赖于电池实体进行建模,但计算量大、模拟能力有限。 等效电路模型是目前车端电池管理较为常用的模型之一,仅通过电阻、电容等元件模拟电池静、动态充放电特性,无法反应电池微观结构的变化和全生命周期的衰退。 电化学机理模型是从电池化学反应原理出发等效的模型,主要包括单粒子模型、伪二维模型、异构模型等多种形式,通过模拟锂离子在正负极之间的迁移及副反应的发生,可以预测全生命周期的性能衰退规律,但受限于模型的假设条件、有限的测量参数,电化学模型的实用性还不强。 数据驱动模型是近年来电池建模的热点方向之一,通过不可解释的复杂神经网络模拟电池输入与输出间的映射关系,建模方式简单,但依赖于特征选取、训练集等。 综上,目前动力电池建模理论还不完善,缺乏具有普适性的、能够切实反应真实条件下微观变化及宏观特效演化的模型,未来可基于电化学模型与数据驱动模型进一步研究探索,通过融合驱动建模方法等提升电池建模能力与理论水平。

2) 电池跨平台、跨领域建模难度大。 现有动力电池建模方法依赖于有限元建模软件或科学计算软件平台,为实现从生产制造到车载动力到梯级利用到拆解回收的全链条建模与仿真,需要各平台间具备互融互通性并可实现跨平台、跨领域的建模仿真。 目前,动力电池领域的常用建模软件 如 COMSOL Multiphysics、 ANSYS FLUENT、MATLAB 等,均已完成或已具备跨平台仿真的功能,但受限于模型接口复杂、各平台建模语言存在差异,跨平台的建模难度仍较大。 此外,由于动力电池系统不仅包含电芯建模,也包括连接件、汇流排、热管理系统、均衡系统、热防护系统等各方面组件,组件建模并融合的难度也较大,为系统性的仿真设计带来了挑战。 需要对电池系统内各组件的特性等进行独立建模仿真,形成模块化仿真组件和平台,才能够提升数字孪生电池的建模速度和质量,并提高组件可复用性、实用性等。

6 数字孪生电池应用与展望

信息技术的发展也为数字孪生带来了新思路和新需求。 随着新能源汽车向电动化、智能化、网联化方向变革,基于数字孪生模型的动力电池管理与云计算、人工智能、虚拟现实等技术深度融合,对动力电池的设计、管理等产生了深远影响,诞生了基于数字孪生电池的新服务和新理念。

1) 基于模型的电池设计理念。 传统动力电池的设计方法大多依靠经验选择,通过研发人员对材料的理解和实验经验,对电池正负极材料的配比、关键物性等进行选择和控制,导致了电池在设计完成前的性能属于未知状态,必须要依靠组装好的成品电池进行实验标定测试。 基于模型的设计理念通过在电池组装前建立电池的等效模型,通过给出正负极材料、正负极厚度、离子浓度、活性颗粒尺寸、固相/液相比例等关键特征、物性参数等,通过电化学原理或数据驱动方法对电池组装后的性能进行预测,从而形成设计-仿真的闭环过程,减少设计阶段的测试和验证时间,提高电池开发效率、减少成本。 数字孪生电池与基于模型的电池设计理念相吻合,数字孪生电池不仅能通过电池的材料参数预测组装后的静动态特性,更可以预测其全生命周期的性能,从而为更好的电池设计和优化提供了强有力的支撑。

2) 基于模型的模型测试、验证方法。 目前动力电池的测试和验证几乎完全依赖于线下检测设备,如电池的容量、内阻、老化实验等要依赖于充放电测试仪、电化学阻抗谱测试等依赖于电化学工作站,设备依赖性强、测试费用高;针对动力电池管理的关键算法和模型的验证,也均为采用标准化的流程测试,如电池荷电状态、健康状态、功率状态等,测试周期长、测试范围窄、测试精度有限。 基于数字孪生电池的测试和验证方法为研究电池性能、算法性能等提供了新的解决方案,如基于电化学原理建立的数字孪生电池,可以在仿真过程中实时获取电池的电化学阻抗信息,并且随着电池全生命周期的老化过程而观测到电池阻抗谱的演化过程;将数字孪生电池封装为黑盒模型后,可与电池管理的算法、模型等形成软件在环测试或全场景虚拟测试,通过数字孪生电池模拟在高原、高寒、高温等全气候全工况场景和过充、过放、过温等滥用场景,实现对动力电池管理算法和模型的大范围、高精度测试,同时由于仿真软件的计算能力强、仿真加速方法多,基于数字孪生模型的测试周期也大大缩短。

3) New IT 技术与数字孪生深度融合。 云计算、车联网、大数据、人工智能等New IT 技术快速发展,与数字孪生相结合已成为发展趋势。 数字孪生电池需要可供部署和运行的大规模计算平台,并与车端的实体电池建立良好的沟通反馈渠道,云计算和车联网将打通数字孪生电池与实体电池间的屏障,使得数字孪生电池具备在全生命周期逼近实体并随实体共同演化的可能性。 大数据和人工智能算法为数字孪生赋予了新的建模方法和自学习思路,对于传统的电化学模型或者等效电路模型而言,在模型建立后其性能便已经固定,与实体电池的相关性低,难以模拟不同用户、不同电池的差异性。 大数据和人工智能算法可以为模型的参数提供自学习方法,通过上传的云端数据等分析电池在全寿命内的性能差异、参数匹配等,进而数字孪生在全生命周期的演化提供了New IT 的解决方案。

4) 智能应用/服务新需求。 数字孪生电池为动力电池管理提供了的新思路,其全生命周期演化的优势将极大地丰富电池管理内容和策略,例如动力电池微观层级的性能演化分析(SEI 膜增长、充电析锂预测、电解液分解、电极膨胀、电池产气等),电池宏观层析的性能预测(充放电边界、快充策略、一致性均衡管理策略、热仿真分析和热薄弱环节管理)及长时安全预警、剩余寿命预测、综合性能评价、残值评估等功能,如图6 所示。 数字孪生电池可以为深入的分析电池性能提供依据和参考,基于数字孪生电池的智能化电池管理功能和服务也将推动行业技术进步、快速健康发展。

图6 数字孪生与智能化电池管理应用Fig.6 Digital twin and intelligent battery management applications

7 结 论

随着新能源汽车技术的快速发展与普及,电池寿命、安全性已成为制约新能源汽车性能提升的关键。 电池管理技术是保障电池健康、安全使用的核心,合理管控电池可实现延寿、性能充分释放、安全预警等功能。 但目前车端电池管理系统在算力、存储等方面仍存在瓶颈,导致大量电池管控理论、方法、模型等不能应用到车端电池管理中。 数字孪生技术的发展为电池管理提供了新契机,通过建立端-云融合式的智能化电池管理方法,将传统电池管控拓展至超算力、大存储的云平台中,通过数字孪生模型将各类电池建模方法、管控方法等有机融合,从而实现精准、健康的电池管理。

本文围绕目前数字孪生电池的发展需求和技术挑战,针对智能化管理需求下的数字孪生电池构建方法开展了研究:

1) 从系统建模与管控需求等方面分析了数字孪生电池建模的基本准则,系统性阐述多维度、多尺度、多物理场融合的数字孪生电池的构建准则,基于用户使用场景、便捷性、通用性等考虑,数字孪生模型应具备精准可信、标准化、易部署、易用、可扩展、强学习等基本特性。

2) 围绕数字孪生在全生命周期性、自学习性和场景应用性的需求,其建模方法可分解为基本模型构建、模型融合、模型矫正、模型验证、模型管理5 个步骤,并针对所应用的场景进行在模型复杂度、存储量、计算开销等方面进行优选。

3) 结合团队前期研究,分析了某电池数字孪生的实践案例,按材料-单体-模组-系统4 个层级建立与物理实体相映射的电池模型,并分析了现有电池建模方法的不足与挑战。

随着数字能源、智慧能源需求的发展,数字孪生电池在生产设计、全生命周期管理等场景均具备应用能力,通过指导电芯设计、测试、残值评估、智能管控等,拓展现有电池管理方法与平台,为电池管理技术发展提供思路与参考。