《Energy》：A novel aggregation modeling method for lithium-ion batteries based on artificial intelligence and digital twin
编辑推荐：
准确预测锂离子电池放电终止（End-of-Discharge, EoD）对于优化电池运行、确保关键任务的安全性与可靠性至关重要。然而，电池包中各单体电池的老化轨迹呈现强烈的时空异质性，且实际运行条件下往往难以获取全生命周期放电数据，导致传统模型难以实现准确的泛
准确预测锂离子电池放电终止（End-of-Discharge, EoD）对于优化电池运行、确保关键任务的安全性与可靠性至关重要。然而，电池包中各单体电池的老化轨迹呈现强烈的时空异质性，且实际运行条件下往往难以获取全生命周期放电数据，导致传统模型难以实现准确的泛化预测。针对上述问题，本文引入人工智能数字孪生（Artificial Intelligence Digital Twin, AI-DT）概念，提出了一种基于人工智能的锂离子电池包聚合建模方法，用于预测电压放电轨迹并获取EoD点。首先，采用本文提出的基于插值方法的动态时间扭曲算法（Dynamic Time Warping Algorithm Based on Interpolation Method, IDTW）从电池放电轨迹中提取时间序列特征。随后，利用本文提出的Transformer-Length（Transformer-L）算法训练放电轨迹预测（Discharge Trajectory Prediction, DTP）模型，该模型从部分放电数据推断老化特征以预测完整电压轨迹。考虑到电池包中各单体电池老化存在显著时空差异，进一步构建了基于滑动窗口的漂移检测方法（Sliding Window based Drift Detection Method, SW-DDM）和低秩自适应（Low-Rank Adaptation, LoRA）算法以优化DTP模型的仿真输出，最终实现高精度的EoD预测。实验结果表明，所提出的建模方法具有强泛化能力：仅凭单个电池的部分放电数据，即可实现对该类型电池包中同类型电池全生命周期的高精度、高可迁移性放电轨迹预测，从而实现准确的EoD估计，为提升电池可靠性提供有力支撑。
本文针对锂离子电池包在时空维度面临的老化差异及数据采集受限问题，基于人工智能数字孪生（AI-DT）框架，提出了一种新型动态聚合建模方法，用于预测放电轨迹并获取放电终止（EoD）点。该研究具有明确的工程背景与现实需求：随着可再生能源产业及绿色低碳技术的发展，锂离子电池因具有高能量密度、低自放电率和长循环寿命等优势，已在电动汽车、便携式电子设备、无人机、储能系统及卫星等诸多领域发挥不可替代的作用。在这些应用场景中，EoD定义为电池达到实际使用极限的时间点，准确预测EoD有助于实现电池的最优利用并确保关键任务的可靠性，例如电动汽车的剩余里程估计。不同于仅依赖历史使用数据估计荷电状态（State of Charge, SoC）和健康状态（State of Health, SoH），也不同于以秒级时间尺度预测峰值功率输入点的功率状态（State of Power, SoP），EoD预测需要从当前时刻到电池达到实际极限的长时预测，时间尺度为分钟或小时级别，这使其在方法层面面临独特挑战。
从时空维度分析，电池老化的复杂性加剧了EoD预测的困难。在时间维度上，持续的充放电循环导致电池内阻增加和总活性电荷量下降，性能老化引起放电轨迹变化；在空间维度上，由于使用方式和环境条件的差异，即使是同类型电池也可能呈现不同程度的老化。在缺乏充足监测数据的条件下，准确评估电池的时空差异十分困难。此外，实际应用中硬件成本和部署条件限制了高频全生命周期数据的采集，进一步加剧了电池EoD预测的难度。针对这一问题，研究人员引入人工智能数字孪生（AI-DT）概念，构建了面向锂离子电池包的AI-DT系统，涵盖其结构、运行机制，并聚焦于EoD预测。AI-DT通过人工智能方法在数字空间构建与物理电池一致的数字电池模型，该数字电池通过与物理电池的双向闭环交互实现自主更新，达成物理空间与数字空间在全生命周期内的全要素状态同步，进而通过仿真、分析与自主决策为物理电池提供决策优化和闭环控制。
本文的核心贡献集中于数字电池模型的建模部分，提出了一种具有时空泛化能力的基于人工智能的电池包聚合建模方法。在数据层面，通过同步化处理保留电压曲线中的关键能量和形态特征；在模型层面，利用人工智能方法基于部分放电数据预测放电轨迹，仅需观测少量电流和电压信号即可准确推断完整放电过程并获取EoD。所构建模型在运行期间与物理模型实时交互，动态监测模型性能并自适应更新，以实现对同类型电池包中不同单体电池及不同老化阶段的高精度预测，确保电池最大化利用和关键任务的安全运行。
该研究的主要技术创新包括三个方面：其一，提出循环数据同步方法，即一种面向循环数据的时间一致性数据处理技术，通过确保不同放电循环之间的时序对齐，有效解决变长度循环数据带来的建模干扰，显著提升基于人工智能的电池预测模型的输入质量与预测精度；其二，构建了基于人工智能的放电轨迹预测（DTP）模型，该模型具备四项核心能力：依托任意长度的小窗口电流电压观测输入实现完整电压放电曲线的同步预测、高效建模长时间序列并适应电池放电过程的长程依赖性、兼容恒负载与变负载条件、具有较强的工程适用性；其三，提出了融合漂移检测与动态微调机制的聚合建模方法，具备跨时空的模型学习与复用能力，该方法利用单体电池的部分历史数据训练基础模型，并在运行期间通过性能监测和选择性微调持续修正模型输出，使模型能够泛化至电池包中任意同类型电池，并在不同老化阶段保持稳定的预测性能，从而在有限数据条件下实现对电池包内多元老化状态电池的准确EoD预测，大幅降低对大规模数据采集的依赖。
在技术方法层面，研究人员为开展该研究所采用的关键技术路径如下。样本队列来源于公开数据集及自行采集的电池实验数据，涵盖不同老化阶段的锂离子电池充放电循环数据。核心技术方法包括：基于插值方法的动态时间扭曲算法（IDTW），用于实现变长度放电循环数据的时间一致性对齐与特征提取；Transformer-Length（Transformer-L）算法，作为DTP模型的核心架构，用于处理长时间序列并捕获电池放电过程的长程依赖关系，实现从部分放电数据到完整电压轨迹的端到端预测；基于滑动窗口的漂移检测方法（SW-DDM），用于在线监测模型输出与物理系统实际行为之间的偏差，识别数据分布漂移；低秩自适应（LoRA）算法，用于在检测到漂移后对基础模型进行高效选择性微调，实现模型参数的轻量级自适应更新，保障模型在异构老化条件下的持续精度。上述方法共同构成了"离线建模—在线推理—漂移检测—动态微调"的闭环运行机制。
研究结果部分，本文围绕三个核心实验展开验证。在"放电轨迹预测模型的性能评估"中，研究人员将所提出的DTP模型与长短期记忆网络（Long Short-Term Memory, LSTM）、卷积神经网络（Convolutional Neural Network, CNN）等代表性序列建模方法进行系统对比，实验表明DTP模型在放电轨迹预测任务上具有更优的精度和稳定性，能够有效处理长时间序列并适应电池放电过程的长程依赖性特征，验证了Transformer-L架构在电池建模中的适用性优势。在"IDTW对齐策略与输入序列长度的消融实验"中，研究人员评估了IDTW时间同步策略对模型性能的影响，结果表明该策略有效消除了变长度循环数据带来的时序错位干扰，显著提升了输入质量和预测精度；同时，输入序列长度的实验分析揭示了模型在不同观测窗口下的性能变化规律，为实际应用中的传感器配置提供了参考。在"在线推理阶段的漂移检测与模型微调验证"中，研究人员验证了SW-DDM漂移检测机制对模型性能退化的及时识别能力，以及LoRA动态微调策略对维持模型长期预测精度的有效性，实验结果表明该机制能够使模型适应电池包中不同个体的异构老化及运行过程中的状态演变，保持稳定的EoD预测性能。
在讨论部分，研究人员进一步阐述了AI-DT框架的核心优势与工程价值。所提出的聚合建模方法并非简单的模型堆叠或数据拼接，而是指跨时空的模型学习与复用机制。该方法通过基础模型的时空泛化学习与运行时的选择性微调相结合，解决了传统模型在训练后固定、缺乏与实际系统实时交互和动态更新机制的问题。数字孪生作为多尺度多学科仿真模型，能够模拟真实物理实体在实际系统中的运动，充当物理空间与数字空间之间的桥梁。相较于现有主要面向特定工况和单体电池老化状态进行训练优化的数字孪生研究，本文方法显著提升了模型对电池包内多单体异构老化和复杂工况差异的适应能力。研究人员指出，该方法仅凭单体电池的部分放电数据即可实现对整个电池包的高精度预测，大幅降低了对全生命周期完整监测数据的需求，为电池管理系统（Battery Management System, BMS）的轻量化部署和实际工程应用提供了可行路径。同时，研究人员也客观分析了当前方法的局限性：模型的初始训练仍需要一定质量的历史数据支撑，对于极端老化或异常工况的覆盖尚不充分，未来工作可进一步探索多物理场耦合建模与边缘计算架构的深度融合。
研究结论部分原文翻译如下：本文针对锂离子电池包在时空维度面临的老化差异及有限数据采集问题，基于AI-DT框架提出了一种新型动态聚合建模方法，用于预测放电轨迹并获取EoD点。首先，介绍了基于AI-DT的锂离子电池聚合建模框架和运行机制，该机制实现了全要素状态同步。所提出的建模方法具有强泛化能力，仅利用单个电池的部分放电数据即可实现对该类型电池包中同类型电池全生命周期的高精度、高可迁移性放电轨迹预测，从而达成准确的EoD估计，为提升电池可靠性提供有力支撑。
