[论文解读] Digital Twin for Real-time Li-ion Battery State of Health Estimation with Partially Discharged Cycling Data

Yan Qin, Anushiya Arunan+1 more|arXiv (Cornell University)|Dec 9, 2022

Advanced Battery Technologies Research被引用 7

一句话总结

本文提出一种数字孪生框架，利用部分放电循环数据实现实时锂离子电池健康状态（SOH）估计，通过能量差异感知同步、时间注意力深度学习模型以及基于相似性的数据重构实现。该方法在大多数采样时刻的实时SOH估计误差低于1%，实现了无需完整放电循环的精确健康监测。

ABSTRACT

To meet the fairly high safety and reliability requirements in practice, the state of health (SOH) estimation of Lithium-ion batteries (LIBs), which has a close relationship with the degradation performance, has been extensively studied with the widespread applications of various electronics. The conventional SOH estimation approaches with digital twin are end-of-cycle estimation that require the completion of a full charge/discharge cycle to observe the maximum available capacity. However, under dynamic operating conditions with partially discharged data, it is impossible to sense accurate real-time SOH estimation for LIBs. To bridge this research gap, we put forward a digital twin framework to gain the capability of sensing the battery's SOH on the fly, updating the physical battery model. The proposed digital twin solution consists of three core components to enable real-time SOH estimation without requiring a complete discharge. First, to handle the variable training cycling data, the energy discrepancy-aware cycling synchronization is proposed to align cycling data with guaranteeing the same data structure. Second, to explore the temporal importance of different training sampling times, a time-attention SOH estimation model is developed with data encoding to capture the degradation behavior over cycles, excluding adverse influences of unimportant samples. Finally, for online implementation, a similarity analysis-based data reconstruction has been put forward to provide real-time SOH estimation without requiring a full discharge cycle. Through a series of results conducted on a widely used benchmark, the proposed method yields the real-time SOH estimation with errors less than 1% for most sampling times in ongoing cycles.

研究动机与目标

• 解决传统数字孪生方法在准确估计SOH时需要完整充放电循环的局限性。
• 实现在完整循环数据不可用的进行中部分放电循环中的实时SOH估计。
• 开发一种数据驱动的数字孪生框架，整合物理退化行为与机器学习，以提升准确性和适应性。
• 克服现实电池运行中因循环模式变化导致的时间对齐与数据不一致性的挑战。

提出的方法

• 通过保留时间相关性、空间形状和能量差异，能量差异感知同步方法实现跨周期部分放电循环数据的对齐，确保数据结构的一致性。
• 时间注意力SOH估计模型对序列电池数据进行编码，根据采样时刻与退化相关性的动态重要性分配权重。
• 通过相似性分析实现数据重构，能够识别并利用参考数据中最具相似性的历史电池轨迹，实现实时SOH估计。
• 该框架将离线训练的模型与在线推理相结合，实现实时健康状态更新，无需等待循环完成。
• 数字孪生框架融合物理电池退化模型与机器学习，实现对新测量数据的动态适应。
• 提出迁移学习用于未来模型更新，以应对历史数据与新数据之间的分布偏移。

实验结果

研究问题

• RQ1 数字孪生框架能否仅使用部分放电循环数据实现实时、准确的电池SOH估计？
• RQ2 如何在保留退化相关特征的前提下，对长度可变且不完整的循环数据进行同步？
• RQ3 在电池退化过程中，不同采样时刻的时间重要性如何？如何有效建模？
• RQ4 基于相似性的数据重构能否在无需完整放电循环的情况下实现实时SOH估计的可靠性？
• RQ5 与现有基于部分数据的SOH估计技术相比，所提方法在准确性和稳定性方面表现如何？

主要发现

• 所提方法在进行中循环的大多数采样时刻实现了低于1%的实时SOH估计误差。
• 能量差异感知同步确保了不同放电深度下循环数据在时间与空间上的一致对齐。
• 时间注意力模型通过为关键采样区间分配更高权重，有效捕捉退化趋势，提升了估计的鲁棒性。
• 该方法优于现有方法，包括文献[36]中的部分数据SOH方法，提供动态的、逐周期的估计，而非静态值。
• 循环末期估计结果在所有七个测试电池细胞中表现优异，报告了最低的RMSE和最高的R²值。
• 从第51个采样间隔开始，估计结果变得稳定且准确，与数据相似性增加及退化特征更显著相关。