(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111425070.8 (22)申请日 2021.11.26 (71)申请人 北京交通大 学 地址 100044 北京市海淀区上园村 3号 申请人 中车株洲电力机车有限公司 (72)发明人 赵博　刘世杰　周兴振　胡润文　 孙丙香　许良忠　龚敏明　张弛　 (74)专利代理 机构 北京卫平智业专利代理事务 所(普通合伙) 11392 代理人 闫萍 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 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 (57)摘要 本发明涉及本发明所述的一种基于数字孪 生的车载锂离子电池建模及故障诊断方法， 基于 运行中车辆实时传输的数据、 无线通信、 神经网 络算法以及梯度下 降优化算法对车载锂离子电 池进行建模， 最终得到可以精确分析电池运行状 态、 预测电池全生命周期健康状态以及未来性能 的孪生模型， 通过孪生模型判断电池 是否发生异 常并向运行中车辆实时反馈信息， 对电池本体采 取进一步的行动或干预。 通过本申请提供的方法 将车载电池本体与孪生的电池模型在电池全生 命周期中都建立起了动态联系； 可以实时精确监 测和分析车载锂离 子电池运行状态。 权利要求书2页 说明书5页 附图1页 CN 114329760 A 2022.04.12 CN 114329760 A 1.一种基于数字孪生的车载锂离子电池建模及故障诊断方法， 其特征在于， 包括如下 步骤： S1、 在数字化平台上存储表征车载锂离子电池运行状态的数据并作为历史数据输入神 经网络， 以端电压的计算值Ubat_ref和端电压测量值Ubat误差在允许的范围内为目标， 训练得 到初始锂离 子电池模型； S2、 通过车载电池管理系统和无线通信技术将采集到的运行中车辆锂离子电池数据实 时传输到数字化平台， 作为实时数据集， 考虑温度、 荷电状态和老化的因素， 采用实时数据 集更新神经网络输入层， 对初始锂离子电池模型参数进行强化训练， 得到更新后的锂离子 电池模型参数； S3、 利用步骤S2中得到的更新后的锂离子电池模型参数计算电池端电压， 得到电池端 电压计算值， 以电池端电压测量值和电池端电压计算值的累计误差最小为 目标函数， 通过 梯度下降优化 算法更新权 重因子； S4、 根据步骤S2采集的实时车辆锂离子电池数据和步骤S3得到的权重因子不断对孪生 出的车载锂离子电池模型进行循环更新， 最终得到能够精确分析电池运行状态、 预测电池 全生命周期健康状态以及未来 性能的孪生模型， 达 到最大限度地闭环优化； S5、 根据步骤S2采集的实时车辆锂离子电池数据经过孪生模型输出的端电压正常值和 车载锂离子电池端电压测量值进 行对比， 判断车载锂离子电池是否发生异常 并向运行中车 辆实时反馈信息， 对车 载锂离子电池本体采取进一 步的行动或干预。 2.如权利要求1所述的基于数字孪生的车载锂离子电池建模及故障诊断方法， 其特征 在于， 步骤S1的具体步骤为： S11、 根据存储的车载锂离子电池在各工况下充放电的历史数据， 筛选出一组无异常数 据集； S12、 根据Thevenin模型和基尔霍夫定律Ubat＝Uocv‑IbatR0‑Up， dUp/dt＝Ibat/Cp‑Up/CpRp确 定端电压测量 值和各参数之间的关系； 其中， Ubat为端电压测量值， Uocv为开路电压， Up为极化电压， Ibat为充电电流或放电电流， 放电电流为正， 充电电流为负， R0为欧姆内阻， Rp为极化内阻， Cp为极化电容； S13、 将S11筛选出的无异常数据集输入神经网络[Uocv， R0， Rp， Cp]＝f(Ubat， Ibat， T， SOC， SOH)进行训练， 其中， f(Ubat， Ibat， T， SOC， SOH)表示数据集训练网络； S14、 根据神经网络训练得到的Uocv、 R0、 Rp、 Cp计算得到端电压的计算值Ubat_ref， 再将端电 压计算值Ubat_ref与端电压测量值Ubat进行对比， 观察误差大小是否在允许的范围内， 如果在 范围内， 得到初始锂离 子电池模型。 3.如权利要求1所述的基于数字孪生的车载锂离子电池建模及故障诊断方法， 其特征 在于， 步骤S2的具体步骤为： S21、 在车辆的行驶过程中， 利用无线通信技术将车载电池管理系统采集到的运行中车 辆锂离子电池数据实时传输 到数字化平台； S22、 考虑温度、 荷电状态和老化因素对锂离子电池的影响， 利用实时传输的Ubat， Ibat， T， SOC， SOH作为神经网络[Uocv(i)， R0(i)， Rp(i)， Cp(i)]＝w1(i)f(Ubat(i))+w2(i)f(Ibat(i))+ w3(i)f(T(i))+w4(i)f(SOC(i))+w5(i)f(SOH(i))输入层的数据集， 在数字化平台上训练更 新初始锂离子电池模型参数， 得到更新后的锂离子电池模型参数， 其中， Uocv(i)表示第i个权　利　要　求　书 1/2 页 2 CN 114329760 A 2数据点训练得到的开路电压， R0(i)表示第i个数据点训练得到的欧姆内阻， Rp(i)表示第i个 数据点训练得到的极化内阻， Cp(i)表示第i个数据点训练得到的极化电容， w1(i)、 w2(i)、 w3 (i)、 w4(i)和w5(i)表示权重因子， f(Ubat(i))表示端电压训练网络， f(Ibat(i))表示电流训练 网络、 f(T(i))表示温度训练网络、 f(SOC(i))表示荷电状态训练网络、 f(SOH(i))表示健康 状态训练网络， i ＝1,2,…,n， n为截取的数据集 点数。 4.如权利要求1所述的基于数字孪生的车载锂离子电池建模及故障诊断方法， 其特征 在于， 步骤S3的具体步骤为： S31、 根据更新后的锂离子电池模型参数计算电池端电压： Ubat_ref(i)＝Uocv(i)‑I(i)R0 (i)‑f(Rp(i),Cp(i))， 其中， f(Rp(i),Cp(i))表示极化电压函数； S32、 根据步骤S31计算的Ubat_ref(i)与实际锂离子电池测量的Ubat(i)， 以 为优化目标， 选取合适的步长， 在负梯度方向上采用梯度下降法更 新神经网络的权 重因子w1(i+1)， w2(i+1)， w3(i+1)， w4(i+1)， w5(i+1)。 5.如权利要求1所述的基于数字孪生的车载锂离子电池建模及故障诊断方法， 其特征 在于， 步骤S4的具体步骤为： 利用步骤S3更新得到的权重因子代入下一 次训练并修正车载锂离子电池模型参数， 直 到车载锂离子电池模型计算 的端电压Ubat_ref在任一工况下均能够精确模拟电池实际端电 压Ubat， 得到能够精确分析电池运行状态、 预测电池全生命周期健康状态以及未来性能的孪 生模型。 6.如权利要求1所述的基于数字孪生的车载锂离子电池建模及故障诊断方法， 其特征 在于， 步骤5具体包括： 将实时车辆锂离子电池数据输入孪生模型， 得到车载锂离子电池端电压正常值， 将端 电压正常值和车载锂离子电池端电压测量值进行对比， 如果出现ΔUbat＝Ubat‑Ubat_nor， |Δ Ubat|>|ΔUbat_ref|， 说明电池在运行过程中出现故障， 数字化平台对电动汽车下发故障提 示， 防止出现安全性问题， 其中， Ubat为端电压测量值， Ubat_nor为孪生模型输出的的端电压的 正常值， ΔUbat_ref为端电压 差值的安全阈值。 7.如权利要求1所述的基于数字孪生的车载锂离子电池建模及故障诊断方法， 其特征 在于， 所述锂离 子电池包括锰酸锂动力电池、 磷酸铁锂动力电池和三元 材料动力电池。权　利　要　求　书 2/2 页 3 CN 114329760 A 3