基于物理的数字孪生框架：用于电动汽车电池健康预测、储能生命周期管理及逆向物流优化

《Journal of Energy Storage》：Physics-based Digital Twin framework for electric vehicle battery health prediction and energy storage lifecycle management with reverse logistics optimization

　　

摘要准确的健康状态（SOH）预测是管理电动汽车锂离子电池在交通运输和二次利用固定式储能中全生命周期的核心，然而纯粹的数据驱动预测器在不同化学成分和运行历史之间泛化能力较差。本文提出了一种区块链赋能数字孪生（BcDT），这是一个概念验证框架，其预测核心是一个 Doyle–Fuller–Newman (DFN) 约束神经网络，该网络将电化学知识作为结构化正则化项嵌入，使网络趋向于物理一致的行为，而无需求解完整的电化学偏微分方程。该数字孪生在五个公共数据集的 224 个电池上进行了验证，涵盖四种化学成分（NMC、NCA、LFP、LCO），平均绝对百分比误差为 1.82%，并在统计学上优于七个基准模型（Wilcoxon ??<0.001, Cohen's ??>0.8）；L2 正则化和随机物理基准模型证实，这种增益源于正确的电化学约束，而非通用的正则化。一种具有校准 95% 置信区间的感知不确定性分级方案，将使用电池的分类错误减少了 34 个百分点。一项将数字孪生与 Hyperledger Fabric 电池护照及多目标混合整数线性规划逆向物流模型耦合的概念验证模拟，实现了 30.2% 的物流成本降低，92% 的材料回收，以及超出单项技术总和 8 个百分点的协同溢价。这些集成结果基于模拟而非现场验证，作为证据表明，将物理信息 SOH 预测与受监管的数据共享相结合，可以为储能生命周期管理创造非加性价值。该框架与欧盟电池法规（2023/1542）数字电池护照保持一致，该护照将于 2027 年 2 月生效。

引言全球电动汽车（EV）市场经历了指数级增长，2023 年年度销量超过 1400 万辆，预测显示到 2030 年将超过 4000 万辆 [1]。这种电气化产生了相应的退役锂离子电池浪潮：到 2030 年将有超过 1200 万吨需要处理，其中含有关键原材料，其开采伴随着巨大的环境和经济成本 [2], [3]。欧盟电池法规（EU 2023/1542）[4] 规定自 2027 年 2 月起强制实行数字电池护照，这产生了将预测性健康监测与透明生命周期跟踪相结合的集成框架的迫切需求 [5]。图 1 说明了推动这项工作的预测市场增长和法规时间线。

三个技术家族为该挑战提供了互补的能力。物理信息神经网络（PINNs）将电化学控制方程作为软约束嵌入，提高了跨化学成分的 SOH 预测泛化能力 [6], [7], [8]。区块链为多利益相关方提供了不可篡改的账本以进行可追溯性和基于智能合约的合规性 [9]。混合整数线性规划（MILP）在法规约束下优化逆向物流网络。然而，这些技术主要在孤立的情况下被研究，留下了一个关键空白：没有现有的框架将实时健康智能与生命周期治理和运营优化相结合——这种结合，正如本文所示，可以产生非加性的效益。

为了尽早展示方法论，我们在第 3 节的详细处理之前对其进行了总结。提出的区块链赋能数字孪生（BcDT）是一个由三个顺序依赖的模块组成的单一集成框架：(i) 一个 DFN 约束的数字孪生，通过将 Doyle–Fuller–Newman 残差作为结构化正则化项嵌入数据驱动的主干网络，以校准的不确定性预测每个电池的 SOH；(ii) 一个 Hyperledger Fabric 数字电池护照，对预测进行时间戳标记和密码学记录，以便下游利益相关方可以信任它们；以及 (iii) 一个多目标 MILP 逆向物流优化器，消耗受信任的、区分化学成分的等级分布，以在二次利用和回收之间路由退役电池。数字孪生是预测核心；区块链是信任层；优化器是决策层。在方法论上，数字孪生在公共实验室数据集上验证，护照和物流层在受控模拟中评估。因此，本研究是一个概念验证：它不是一个完整的工业实时部署，系统级（集成）结果应被视为在合理条件下可行性的证据，而不是对任何特定安装的性能保证。第 4 节和局限性讨论（第 6.7 节）精确说明了这一范围。

当前的 EV 电池生命周期生态系统存在 BcDT 框架通过其三模块架构解决的四项局限性：
(i)没有个别健康智能：退役决策依赖于固定的 80% SOH 阈值，导致可用于二次利用能量存储的电池过早回收 [10]。→ 模块 1（数字孪生）。
(ii)可追溯性和信任差距：缺乏防篡改的生命周期记录阻碍了对电池护照法规的合规性，并削弱了二次利用买家的信心 [11]。→ 模块 2（区块链）。
(iii)供应链脱节：正向和逆向物流独立运行，造成信息不对称 [12]。→ 模块 3（优化）。
(iv)没有集成证据：目前尚不清楚结合这些技术是否会产生超出其个别贡献总和的效益。→ 四种场景比较。

这四项局限性促使了以下研究问题：RQ1（主要）：DFN 约束的数字孪生能否提供准确的、跨化学成分的 SOH 预测，以通知最佳的退役决策？RQ2：区块链智能合约能否自动化电池护照合规性并提供可信的数据基础设施？RQ3：在欧盟法规约束下，最佳的逆向物流网络配置是什么？RQ4：耦合这些技术是否会产生超出其个别贡献总和的效益？

主要贡献是：
(1)电池 SOH 最全面的 DFN 约束验证：一个将 Doyle–Fuller–Newman 电化学约束作为结构化正则化项嵌入的 DFN 约束数字孪生，在来自五个公共数据集和四种化学成分（NMC、NCA、LFP、LCO）的 224 个电池中实现了 1.82% 的 MAPE——这是电池 SOH 文献中报道的最广泛的跨化学成分、跨数据集验证，并进行了全面的显著性测试（Wilcoxon ??<0.001, Cohen's ??>0.8）。与 L2 正则化和随机物理基准的比较证实，改进是特定于正确的电化学约束的。
(2)用于储能的不确定性感知退役分级：一种具有校准 95% 置信区间（可靠性：95.8%）的基于 SOH 的分类方案，将使用电池作为废物误分类的情况减少了 34 个百分点，使每年有 112,400 块额外电池被路由至二次利用电网级储能。
(3)电池生命周期治理的首个耦合架构：将实时 DFN 约束预测与区块链安全的电池护照管理（Hyperledger Fabric, 520 TPS）和 MILP 优化的逆向物流集成，直接符合欧盟电池法规 2027 要求。
(4)受控模拟中集成协同效应的量化：受控的四种场景比较表明，成本降低溢价超出单项技术贡献总和 8 个百分点——基于模拟的证据表明，将 SOH 预测与受监管的数据共享相结合，可以为储能生命周期管理创造非加性价值，敏感性分析确定了协同效应持续或消失的条件。

章节片段用于电池健康监测的数字孪生数字孪生技术在电池领域已显著发展。数字孪生作为实时监测的虚拟副本的基础概念由 Tao 等人 [13] 正式提出。早期的电池管理系统依赖于预测能力有限的等效电路模型 [14]。云连接数字孪生现在将多物理模型与实时传感器数据集成，以增强状态估计 [15], [16], [17]。用于 SOH 和 RUL 预测的机器学习方法 提出的 BcDT 框架

区块链赋能数字孪生（BcDT）框架由三个互连模块组成，跨越四个架构层运行，如图 2 所示。核心设计原则是每个模块解决电池生命周期优化管理的不同障碍，并且每个模块的输出作为下一个模块的必要输入：模块 1（数字孪生）生成模块 2（区块链）进行时间戳标记、认证并使其可用的 SOH 预测和不确定性估计。

材料与方法本研究遵循设计科学研究（DSR）方法论 [52], [53]，步骤如下：(1) 问题识别（第 1 节）；(2) 解决方案目标（研究问题）；(3) 设计与开发（第 3 节）；(4) 通过概念验证实施进行演示；以及 (5) 通过受控模拟进行评估（第 5 节）。

可重复性声明。本文所有结果所需的代码、数据拆分、模型配置和基准测试脚本均可用。

结果结果遵循模块依赖链呈现：在陈述验证策略（第 5.1 节）后，第 5.2 节验证了数字孪生的 SOH 预测准确性（模块 1），第 5.3 节报告了区块链性能（模块 2），第 5.4 节展示了供应链优化结果（模块 3），第 5.5 节量化了它们集成产生的协同效应。

对储能生命周期管理的启示本研究的核心发现是，物理信息 SOH 预测，当与受监管的数据共享和优化物流相结合时，为电池储能生命周期管理产生了超出单项技术贡献总和的复合效益。这种“协同溢价”的产生是因为准确的 SOH 预测（模块 1）使电池在二次利用储能和回收途径之间的更好分配成为可能——这些决策因区块链而可信。

结论本文提出了一种用于 EV 电池 SOH 预测的 DFN 约束数字孪生框架，并证明了当嵌入到与区块链治理和逆向物流优化集成的系统中时，其对储能生命周期管理的价值。我们在发现中明确区分了两个层次的证据。

数据验证的发现（真实电池数据）。DFN 约束数字孪生在已报道的最广泛的跨化学成分、跨数据集验证中实现了 1.82% 的 MAPE。

代码可用性所有代码、配置文件和可重复性材料均可在同行评审期间通过匿名仓库获得：https://anonymous.4open.science/r/BcDT-framework。该仓库包含以下为独立验证而组织的工件：
(i)preprocessing/：所有五个数据集的数据加载和清理脚本，特征提取流水线，SOH 标签计算，异常值去除和标准化（仅使用训练集缩放器拟合）。
(ii)splits/：确切的电池到折的分配。

写作过程中生成式人工智能及人工智能辅助技术声明AI 工具仅用于校对和 LaTeX 格式设置。所有研究方法论、分析和结论均为作者原创工作。

资金本研究未获得外部资金。

利益冲突声明作者声明他们没有任何已知的竞争性财务利益或个人关系可能会影响本文报告的工作。

致谢作者感谢 NASA 预后卓越中心、马里兰大学 CALCE 电池研究小组和国际能源署公开提供他们的数据集。作者还感谢朱拜勒和延布皇家委员会的延布工业学院提供机构支持。计算实验使用 PyTorch 2.x、Hyperledger Fabric 2.x 和 Gurobi 11.x（学术许可证）进行。

曼苏尔·阿尔穆瓦拉德
沙特阿拉伯延布，朱拜勒和延布皇家委员会，延布工业学院，管理科学系，45130