云边计算潜力释放导致云边协同的出现。这种分层体系使人工智能模型能够部署在智能物理环境中。本文提出双数字孪生——在两级通信可用性条件下的数字孪生的新级别,用于电动车电池实时监测和控制。为实现双数字孪生概念,我们 formulizae了一个在线自适应模型规约问题,考虑到产业应用的时间敏感属性和基础设施限制所带来的时间尺度差异。为了最小化模型规约误差和电池系统控制代价,我们提出了一种在线自适应电池缩减秩模型框架,它由门控复现单元神经网络组成,用于根据物联网传感器测量构建电池内部状态,并采用增量学习技术来支持数据流的模型规约更新。此外,我们使用李雅普诺夫稳定定理设计物理信息更新来提高神经网络与物理电池行为的同步性。我们采用含电解液和热动力学的锂离子电池和单粒子数字孪体模型进行模拟,验证了该框架的有效性。
为了使ROM适应新数据而不忘记其现有知识,ROM神经网络的更新算法基于Lyapunov稳定性分析。这种更新方法可以增强ROM预测的收敛性,以跟踪真实系统状态并稳定估计误差。
数字孪生的目标是在尽可能准确地模拟物理系统的同时提供实时、交互和数据驱动的能力。它们擅长捕捉现实世界的变化和不确定性,并用于实时监控、优化和决策支持。我们采用了双重数字孪生的方法,在没有强大计算和通信能力的情况下构建了一个简单但足够准确的孪生模型。这个简单的孪生模型与部署在云端的双重和复杂的孪生模型保持同步。双重数字孪生的概念承认了在同一框架中可以存在不同精度级别的建模方法。双重数字孪生的关键思想是充分利用高保真度孪生模型和ROM的优势,高保真度模型提供系统行为的详细洞察,而ROM提供快速的模拟和控制能力。
文献综述部分讨论了在电池资产管理中发展的机器学习方法、数字孪生模型的研究以及在线自适应模型简化方法。基于这些工作,我们指出了所提出的双重数字孪生框架的重要性。
先前的工作开发了用于电池操作管理的机器学习方法。有文献提出一种使用阻抗谱数据准确预测锂离子电池剩余寿命的机器学习模型。也有一种基于机器学习的无人机电池管理系统,用于预测电荷状态和估计健康状态。也有讨论了基于云的机器学习框架在电动汽车电池管理系统中的潜力。
然而,在大多数这些工作中,数据集是“静态”的或固定的,而不是根据非线性动态系统的运行条件频繁更新的。因此,训练的神经网络也是固定的,收敛算法仅针对特定的数据分布以增加训练速度。在这项工作中,探索了增量学习框架,使神经网络模型根据实际系统运行进行调整。
以下工作研究了电池数字孪生模型。Merkle等人提出了汽车电池系统的数字孪生架构。Reniers等人提出了一个详细的网格电池系统模拟,以及电力电子变换器,以分析大规模锂离子电池的效率和退化。Sancarlos等人讨论了汽车行业电池管理系统面临的挑战,并提出了混合孪生模型的开发。
然而,大多数现有的数字孪生依赖于强大的计算和通信能力。但是,当电动汽车处于行驶状态时,对计算和通信可用性的假设可能不再成立。如果我们可以为电池管理系统在行驶模式下提供一个轻量级且更灵活的数字孪生模型,将在监控和控制方面带来巨大的好处。为此,我们开发了一种双重数字孪生框架,其中一个部分是高保真度的数字孪生模型,另一个部分是适应实时变化的ROM。
在该框架中,高保真度的数字孪生模型基于复杂的物理和数学模型,能够精确地模拟电池系统的行为。这个模型可以在离线环境中进行训练和优化,以提供准确的预测和洞察。
另一方面,ROM是一个简化的模型,它可以在实时环境中快速运行,用于监控、控制和优化决策。ROM的更新算法基于Lyapunov稳定性分析,它能够根据实际系统的运行数据进行在线自适应调整,并保持与高保真度模型的同步。
通过将高保真度模型和ROM结合起来,双重数字孪生框架能够提供精确的预测和详细的洞察力,同时具有快速的响应和实时性能。这种框架在电池资产管理中具有广泛的应用潜力,可以用于优化电池充放电策略、预测电池寿命和健康状态、提高能源利用效率等。
总而言之,双重数字孪生框架结合了高保真度模型和ROM的优点,能够在电池管理系统中提供准确性和实时性。这种框架的开发为电池资产管理提供了一种新的方法,可以更好地理解和控制电池系统的行为。