面向电动公交电池的智能信息物理框架:融合DQN智慧充电与LSTM数字孪生的预测性热管理

《Smart Cities》:An Intelligent Cyber–Physical Framework for Electric Bus Batteries: Combining DQN Smart Charging with LSTM Digital Twins

【字体: 大 中 小 】 时间:2026年10月24日 来源:Smart Cities 6.6

编辑推荐:

  电动公交车的运行可靠性在很大程度上取决于电池包的热稳定性与寿命。在城市公共交通中,以再生制动期间剧烈电流冲击和长时间恒流充电阶段为特征的高动态驾驶循环,会诱发显著的局部热应力。传统电池管理系统(battery management system, BMS)往往

  
电动公交车的运行可靠性在很大程度上取决于电池包的热稳定性与寿命。在城市公共交通中,以再生制动期间剧烈电流冲击和长时间恒流充电阶段为特征的高动态驾驶循环,会诱发显著的局部热应力。传统电池管理系统(battery management system, BMS)往往难以在能量回收与电池单体矩阵的物理约束之间实现动态平衡,进而导致加速老化与潜在安全风险。该文提出一种集成的信息物理框架,将智能控制与先进预测性监测及预测性热管理相结合。控制层的核心是深度Q网络(deep Q-network, DQN)代理,用于实时智慧充电和动态再生制动电流限制(智能降额,smart derating)。该控制闭环与在边缘层运行、基于长短期记忆网络(long short-term memory, LSTM)的数字孪生(digital twin, DT)紧密集成,以映射复杂的电-热动态并跟踪电池健康状态(state of health, SOH)。为确保透明性和主动热控制,研究实施非线性模型预测控制(nonlinear model predictive control, NMPC)策略,利用SHapley加性解释(SHapley Additive exPlanations, SHAP)映射核心产热并针对内部热滞后进行动态调整。预测性NMPC-xAI闭环将单体温度维持在紧凑的最佳包络内,防止迟滞性欠冷却并降低峰值温度波动。
研究背景方面,城市公共交通电气化依赖锂离子电池的性能、可靠性和寿命,但公交工况具有频繁启停、急加速/急制动、再生制动高倍率充电电流、乘客载荷波动及长时间恒流充电等特点,易造成电池包内局部热应力、热失控风险和不均衡老化。传统BMS多采用规则控制或比例-积分-微分(proportional–integral–derivative, PID)控制,通常在静态温度阈值被突破后才执行保守降额,难以同时优化能量回收、电化学稳定性和热安全;电化学伪二维模型或等效电路模型在商业车队全工况下计算复杂且难以保持精度。现有LSTM数字孪生多为离线诊断或虚拟传感平台,缺乏将边缘LSTM状态输出直接馈入DQN控制代理的闭环信息物理架构;传统冷却系统依赖表面温度传感器,忽视核心-表面热滞后;SHAP等可解释人工智能(explainable AI, xAI)多用于离线解释,未用于实时控制律生成。针对上述问题,研究人员提出融合LSTM数字孪生、DQN智能充电/智能降额和NMPC-xAI预测性热管理的闭环框架,旨在在动态公交遥测条件下兼顾再生能量回收与电化学安全。研究结论表明,该框架可实现高精度电压跟踪、故障检测、短期剩余使用寿命(remaining useful life, RUL)预测、再生制动与充电电流尖峰抑制,以及主动冷却预调节,从而提升电池安全性、寿命和运行能效。

关键技术方法概括(不超过250字):研究以10辆串联生产12 m重型城市公交为样本队列来源,车辆配置240 kWh、864个单体、36个模块、690 V电池系统;遥测数据下采样至1 Hz,采用10个运营日数据并按70%/15%/15%划分。LSTM数字孪生采用5-20-10-1拓扑、60样本回看窗口、自适应矩估计优化、批大小256和早停;DQN采用四输入、两层隐藏层(60/30神经元)和九输出,经验回放与ε-greedy训练;冷却映射采用1-20-1人工神经网络(artificial neural network, ANN)和贝叶斯正则化;SHAP分析基于300棵随机森林与TreeExplainer;并以NMPC、消融配置和云边延迟评估验证框架。

研究结果方面,4.1车辆规格:通过10辆12 m重型公交及其240 kWh、864单体、36模块、690 V液冷-乙二醇加主动冷却系统配置,建立实验平台;工厂基线在平均温度超过25 °C后启动冷却。4.2实验数据:利用真实电压、速度、电流和温度遥测,单日约1.9×105个连续样本,计算产热率Qgen并统一至1 Hz,得出数据可支撑时序建模。5 LSTM模型开发与验证:以电压、电流、温度、车速和Qgen为输入预测端电压,独立测试集均方根误差(root mean square error, RMSE)=0.0084 V、决定系数R2=99.35%;以μ+2.5σ动态阈值进行残差故障检测,Lilliefors检验D=0.015、子样本平均p=0.22,并通过传感器漂移、连接退化和内部短路注入验证,得出数字孪生可准确跟踪并检测异常。6 RUL预测:基于16天SOH序列递归自回归外推至80%寿命终止阈值,给出1596天基线宏观趋势;30天滚动短期预测RMSE=0.42%、平均绝对误差(mean absolute error, MAE)=0.31%,得出短期预测精度高、长期结果应作为指示性趋势。7 DQN代理控制操作:7.1预测性热应力中,定义移动窗口热应力指数Istress,N=500、Qmax=3500 W、vmax=70 km/h,充电时指数接近1,30 km/h且Qgen=1500 W时约0.18,作为降额与冷却控制基础。7.2 DQN奖励函数采用非线性边界强制奖励,α=0.015、β=3.2、100 A阈值,0至?100 A为优化区,超过?100 A进入惩罚区;状态含SOH、SOC、Tamb和Istress,动作为40–120 A九档;冬季阈值降至50 A、夏季β增至5.5,得出代理可内化热与电化学安全约束。7.3 DQN控制策略验证显示,制动时若Istress<0.33可允许高倍率能量回收;充电基线467 A使热应力指数达1.0并于104.35 min关闭,DQN降至100 A使指数约0.08,再升至220 A仍低于0.33,得出其可兼顾能量回收与热安全。8预测性冷却系统:8.1电池冷却控制中,PID基线热滞后最大约35 min,Qgen=1500 W对应ΔT=1.42 °C/min,说明反应式冷却存在滞后。8.2主动冷却ANN模型以Qgen预测冷却器占空比,R2=0.982。8.3 SHAP分析基于300棵随机森林和TreeExplainer,高Qgen对应约+46的SHAP值,低Qgen对应负值至?30/?33,得出模型可解释冷却需求。8.4冷却系统预测控制以NMPC将Tcore维持在25–30 °C并最小化压缩机能耗和平滑控制,利用Qgen(τ+t)和热滞后;与PID相比消除0%死区、稳定约50%负荷并抑制振荡,热滞后基线约3.3 min、尖峰时扩展至17/25 min,温度轨迹更平滑,得出预冷可降低滞后和波动。8.5消融分析比较全框架、反应式NMPC替代、刚性降额替代和工厂基线,得出全框架热稳定性与能效最佳。9边缘计算与数据延迟:云延迟约50–150 ms,边缘推理<3.5 ms,CAN 100 Hz;权重共享载荷3.2 MB、带宽降低97.3%,得出边缘部署具备可行性。10结论部分翻译:该文开发并验证了一种新型闭环智能信息物理框架,用于电动公交电池包的先进能量管理与健康保持;集中式车队遥测基础设施被用作评估验证测试平台。通过将控制层DQN强化学习代理与诊断层高保真LSTM数字孪生紧密集成,框架解决了最大再生能量回收与电化学安全之间的经典冲突。基于10辆公交车的经验遥测剖面测试,框架在动态城市公共交通 schedule 下表现出工程韧性和运行稳定性。结论包括:虚拟传感基线中,序列LSTM成功捕捉非线性电-热松弛和极化瞬态,并提供连续稳健的单体间不均衡估计和多步RUL预测;预测性智能降额中,非线性边界强制DQN奖励函数设置严厉惩罚阈值,迫使策略网络在?120 A至?40 A之间执行快速预测性限流,减轻高倍率再生电流尖峰;主动热管理中,利用前瞻性热应力指数,NMPC框架预先调节主动暖通空调冷却器功率,针对电池单体矩阵实际内部能量状态,消除闭环热振荡、维持温度分布于紧凑安全热指数内并抑制高频执行器抖动。总之,该信息物理架构为现代电动出行平台提供了高响应、可扩展的闭环控制系统;未来研究将面向边缘计算部署、硬件在环和整车级测试,并在极端环境条件下动态优化DQN奖励函数权重与主动电池热管理边界。

讨论部分总结:讨论指出,传统PID控制仅依赖延迟到达的表面温度信号,导致持续振荡、欠冷却和高频执行器磨损;xAI-NMPC通过内部产热和热滞后预测实现预冷,能够削平温度峰值、稳定压缩机负荷并减少机械疲劳。消融结果说明LSTM孪生、DQN奖励塑形和预测性NMPC之间存在协同必要性;边缘-云架构评估表明,将LSTM与DQN部署至车载边缘可规避云延迟,而云端通过权重共享维持车队级预测与可扩展性。研究结论部分翻译如上,强调该框架在动态公交工况下兼顾再生能量回收、热安全和寿命保持,并计划通过硬件在环与整车测试进一步验证极端季节工况下的闭环控制。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号