面向电动汽车充电环境电池状态评估与预测性维护的电池健康状态指数驱动数字孪生框架

《Scientific Reports》：A battery health state index-driven digital twin framework for battery condition assessment and predictive maintenance in electric vehicle charging environments

　　

摘要

电动汽车（EV）的日益普及加剧了对智能电池监控和预测性维护解决方案的需求，这些方案需确保电池的可靠性、安全性和运行效率。尽管电池健康状态（SOH）估计已受到广泛的研究关注，但现有方法主要集中在退化评估上，而在充电行为特征集成和面向维护的决策支持方面提供的支持有限。为解决这一局限性，本研究提出了一种由电池健康状态指数（BHSI）驱动的数字孪生框架，用于电池状态评估及风险感知下的维护优先级排序。利用从 Arbin 电池测试系统获得的实验室电池循环数据来估计电池健康状况，并开发归一化的 BHSI 表示方法。随后，通过将电池健康、能耗和充电功率特征集成到一个统一的评估指标中，制定了数字孪生评分（DTS）。采用随机森林和极端梯度提升（XGBoost）模型来估计归一化的电池健康状态指数（BHSI），并评估所提出框架的机器学习组件。实验结果表明，随机森林模型性能卓越，决定系数（R2）为 0.998，平均绝对误差（MAE）为 1.079，均方根误差（RMSE）为 1.310，优于 XGBoost。随后将预测的 BHSI 值与充电行为特征集成，以计算所提出的数字孪生评分（DTS）。相关性分析揭示了 BHSI 与 DTS 之间存在强烈的负相关关系（r?=???0.788），证明了所提出评分在表征电池健康和运行特性方面的有效性。特征重要性分析进一步表明，电池容量和能源相关变量是 BHSI 预测的主要贡献因素。所开发的框架成功地将充电会话分类为低、中和高风险类别，从而实现维护优先级排序和运营决策支持。总体而言，所提出的 BHSI–DTS 数字孪生框架为电动汽车充电环境下的电池状态评估和智能维护支持提供了一种可解释且有效的解决方案。