欢迎光临HAWKER英国霍克蓄电池(中国)营销总部
服务热线:15313702523

首页 > 霍克蓄电池-官网

一种基于物理信息神经网络的五层数字孪生框架,用于5G用户装备的预测性电池管理:联合无线接入网感知的退化建模与自主节能

摘要

5G新空口(NR)的部署引入了毫米波通信、大规模多输入多输出(MIMO)和载波聚合技术,这显著增加了用户装备(UE)调制解调器的功耗,并加速了锂离子电池的衰减。现有的电池管理系统(BMS)在优化充放电循环时,并未考虑无线接入网(RAN)的流量模式;而无线接入网在配置非连续接收(DRX)和带宽部分(BWP)参数时,也无法获知电池的健康状态(SoH)。本文提出了DT-5GBat,这是一个五层数字孪生框架,通过将物理信息神经网络(PINN)与5G网络模拟器相结合,实现了预测性的跨层电池管理,从而填补了这一空白。第一层提供锂离子电池的降阶单颗粒模型(SPM)。第二层将实时BMS传感器数据与无线接入网(RAN)指标(RSRP、CQI、RRC状态、DRX占空比)进行融合。第三层采用PINN-LSTM架构来预测健康状态(SoH)轨迹和剩余使用寿命(RUL)。第四层级解决了一个权衡能耗、延迟和电池老化的多性向优化问题。第五层级通过UE中间件或O-RAN RIC在闭环控制回路中执行优化策略。该方案通过NS-3/5G-LENA与Rakhmatov非线性电池模型的联合模拟进行了验证,模拟使用了NASA Ames、牛津和CALCE数据集,并辅以合成的5G读档轨迹。DT-5GBat将UE自主性提升了21.3%,并在500个等效循环中将容量衰减降低了19.8%,其剩余使用寿命预测的平均绝对百分比误差为3.42%,计算开销低于UE总能耗预算的1.8%。
关键词:
5G NR; 电池管理系统; 数字孪生; 物理信息神经网络; 剩余使用寿命预测; 能效; NS-3模拟

 

1. 简介

第五代(5G)新空口(NR)网络的普及带来了前所未有的数据传输速率和超低延迟能力,但同时也给用户装备(UE)的储能系统带来了巨大压力。现代5G调制解调器凭借其复杂的波束赋形、载波聚合和动态频谱共享机制,需要锂离子电池提供爆发式且高幅值的电流[1]。传统的电池管理系统(BMS)被设计为独立于无线接入网(RAN)运行,依赖静态等效电路模型或简单的查找表来估计荷电状态和健康状态[2]。这些方法将负载电流视为外生的、不可预测的干扰,因此未能考虑到网络协议配置(如非连续接收(DRX)周期和带宽部分(BWP)自适应)会直接塑造小区所经历的当前剖面[3这种脱节导致了次优的能量管理策略,要么为了电池寿命牺牲用户体验,要么通过激进的放电模式加速容量衰减。
数据驱动预测技术的最新进展已证明,深度学习架构(尤其是长短期记忆(LSTM)网络)在利用历史传感器数据预测剩余使用寿命(RUL)方面具有显著成效[4,5]。然而,这些纯数据驱动的模型往往缺乏物理可解释性,并且在未见过的运行条件下可能会产生违反基本电化学约束的预测。物理信息神经网络(PINNs)已成为解决这一局限性的一个有前景的方案,它将单颗粒模型(SPM)或伪二维(P2D)模型等控制微分方程直接嵌入到训练损失函数中,以强制执行物理一致性[6,7,8虽然PINN已被应用于电池状态估计,但其与实时网络遥测数据的整合以实现跨层优化仍处于很大程度上未被探索的状态。
数字孪生(DT)的概念为物理资产与其虚拟对应物的同步提供了架构蓝图,实现了实时监控、模拟和控制[9]。在电池系统领域,已提出用于热管理和故障诊断的数字孪生框架[10]。同样,在无线领域,已开发出用于无线接入网(RAN)优化和资源调度的网络数字孪生[11,12]。然而,这两条研究路线一直在平行发展,目前尚无现有框架能在统一的数字孪生中同时对电池电化学和5G协议动态进行建模。
我们提出了DT-5GBat,这是一个新型的五层物理信息数字孪生框架,旨在弥补这一关键差距。其核心创新在于降阶电化学电池模型与实时5G无线接入网遥测流之间的双向耦合。与以往将读档配置文件视为外生输入或在不考虑长期退化的情况下优化能耗的研究不同[13],我们的方法将基于物理的建模与深度学习显式融合,以预测动态网络条件下的健康状态轨迹。该框架随后构建了一个多目标优化问题,通过非支配排序遗传算法(NSGA-II)[14]求解,以配置最佳的无线接入网(RAN)参数,如DRX占空比和BWP大小,从而平衡瞬时能耗与长期电池寿命。这使电池管理从被动的循环优化转向主动的、感知健康状态的策略执行。
这项工作的主要贡献有三个方面。首先,我们引入了一种多模态数据融合机制,用实时无线接入网(RAN)指标(包括参考信号接收功率(RSRP)、信道质量指示(CQI)和DRX占空比)取代了静态读档假设,以构建用于电池健康预测的丰富状态向量。其次,我们开发了一种结合LSTM架构的混合物理信息神经网络,其训练损失函数将数据驱动的误差与强制遵循SPM控制方程的正则化项相结合。第三,我们建立了一个闭环控制接口,将优化后的策略转化为5G协议栈的可执行修改,从而实现自主的、具备健康感知能力的网络运行。
本文余下部分安排如下:第2节综述了电池寿命预测、5G节能机制以及数字孪生架构的相关工作。第3节详细介绍了所提出的DT-5GBat框架,包括五层架构、物理信息驱动的预测引擎以及多性向优化公式。第四节描述了实验设置,包括联合模拟环境和数据集生成方法。第5节展示了实验结果,比较了所提方法与基准方法在预测准确性和电池寿命延长方面的表现。第6节讨论了研究意义、局限性以及未来的研究方向。第七节总结了论文。

2. 相关工作

与DT-5GBat相关的研究领域涵盖了三个不同但又相互关联的领域:电池预测与健康管理、节能5G无线接入网运营,以及网络物理系统的数字孪生架构。每个领域都已产生成熟的方法论,但它们的整合仍是一个开放性挑战,而我们的框架正是直接针对这一挑战。

2.1. 电池寿命预测与物理信息建模

电池状态估计传统上依赖于等效电路模型(ECM)和卡尔曼滤波变体,这些方法计算效率高,但在动态负载条件下准确性有限[2]。这些模型通过电阻-电容网络来模拟电池的电学行为,但无法捕捉决定长期容量衰减的内部电化学现象,如锂扩散和固体电解质界面层生长。为了克服这一局限性,人们开发了基于物理的模型,如单颗粒模型(SPM)和伪二维(P2D)模型,这些模型通过求解描述电池内离子传输和反应动力学的偏微分方程来模拟电池行为[7,8虽然这些模型提供了高保真度,但其计算成本使得它们无法在资源受限的嵌入式系统上进行实时部署。
物理信息神经网络(PINNs)的出现为准确性和可处理性之间提供了一个极具吸引力的折中方案。PINNs将控制微分方程直接嵌入神经网络的损失函数中,从而在无需显式数值求解器的情况下强制执行物理一致性 [6]。在电池应用中,PINNs已被用于从电压和电流测量值中估计荷电状态和健康状态,证明了在稀疏数据环境下具有更好的泛化能力 [15然而,这些方法通常假设读档电流是一个已知的外部输入,而这一假设在5G用户装备中并不成立,因为电流特征与网络协议动态本质上是耦合的。

2.2. 节能型5G无线接入网运营

5G网络中的能耗已成为一个关键问题,这主要是由基站的密集部署和用户设备调制解调器的复杂性所驱动。第三代合作伙伴计划(3GPP)已标准化了多种节能机制,包括允许用户设备在空闲期间定期进入睡眠状态的不连续接收(DRX),以及动态调整活动带宽以匹配流量需求的带宽部分(BWP)自适应[3这些机制通常基于服务质量要求和流量模式进行配置,而没有明确考虑它们对电池健康状况的影响。
最近的研究探索了同时考虑能耗和延迟约束的跨层优化框架。例如,强化学习智能体已被训练为根据信道条件和应用需求调整DRX周期[16]。类似地,网络数字孪生被提出用于在部署前虚拟环境中模拟和优化RAN配置[11,12]. 这些方法侧重于瞬时节能,却忽略了电池的长期退化,而这种退化是放电电流的大小和时间模式共同作用的结果。
除了宽带无线接入网(RAN)的运行,针对大规模机器类通信(mMTC)的节能通信已得到广泛研究,因为大规模物联网设备群体面临着严格的能源限制。特别是,一些研究利用不连续接收(DRX)机制和流量感知睡眠调度,在保持可靠性和延迟要求的同时,最大限度地降低设备能耗[17]。这些方法通常将电池视为无约束的能量储备,并在假设的流量模型下优化瞬时能量使用。相比之下,DT-5GBat将长期电化学降解纳入无线接入网配置决策中,实现了现有mMTC节能研究所不具备的寿命感知运行。

2.3. 信息物理系统的数字孪生架构

数字孪生范式在制造业、航空航天和能源系统中已获得广泛应用,作为一种将物理资产与其虚拟表示同步以实现实时监控、模拟和控制的手段[9]。在电池领域,数字孪生已被开发用于热管理、故障诊断和状态估计,通常将基于物理的模型与数据驱动的修正相结合[10]。在无线领域,网络数字孪生已被用于无线接入网优化、流量预测和切片编排,利用机器学习模拟各种配置下的网络行为[11,18].
尽管取得了这些进展,现有的数字孪生框架仍将电池和网络视为信息流向单向的独立实体。电池数字孪生接收负载电流作为输入,却无法影响产生该电流的网络配置。反之,网络数字孪生在优化能耗时,并未对其决策所带来的电化学后果进行建模。这种分离代表了一个根本性的鸿沟,而我们提出的DT-5GBat框架正是旨在弥补这一缺陷。

2.4. 与现有方法的比较

DT-5GBat的核心创新在于其在统一的数字孪生架构中实现了电池电化学与5G协议动态之间的双向耦合。与以往将负载电流视为电池模型外生输入[2,15]或在不考虑电池长期退化的情况下优化网络能耗的工作不同[16], 我们的框架建立了一个闭环反馈机制,其中预测的电池健康状况直接指导无线接入网(RAN)的配置策略。此外,将物理信息神经网络与包括RSRP、CQI和DRX占空比在内的多模态RAN遥测数据相结合,能够在传统电池管理系统(BMS)输入无法捕捉的动态网络条件下,实现准确的健康状态预测。这种跨层同步代表了从被动电池管理向主动、健康感知网络运行的范式转变。

3. 一种用于电池与5G网络跨层协同管理的物理信息数字孪生框架

所提出的DT-5GBat框架采用五层架构,将原始传感器数据和网络遥测数据转化为5G协议栈的可执行控制策略。我们首先介绍整体系统架构,然后详细阐述各层的技术实现,重点说明控制电池电化学与网络动态之间双向耦合的数学公式。
如图1所示,该框架在5G NR生态系统中运行,与用户装备硬件、协议栈和无线接入网进行交互。数字孪生模块取代了传统的孤立BMS估算和静态调制解调器配置逻辑,建立了一个闭环控制回路,能够根据预测的电池健康状况持续调整网络参数。
Futureinternet 18 00636 g001
图1。DT-5GBat系统架构在5G NR生态系统中的应用。箭头表示电池和RAN遥测数据流向数字孪生模块,以及优化后的DRX/BWP策略反馈至协议栈;从策略执行器到数据融合单元的返回箭头闭合了控制回路,使网络参数能够根据预测的电池健康状态进行调整。

3.1. 第一层:多模态数据采集与融合

第一层负责收集并同步来自电池管理系统和5G调制解调器的异构数据流。在电池端,我们以10 Hz的采样率获取终端电压V_term (t)、负载电流I_load (t)和电芯温度T_cell (t)。从5G调制解调器中,我们提取实时无线接入网遥测数据,包括参考信号接收功率(RSRP)、信道质量指示(CQI)、无线资源控制(RRC)状态S_RRC ∈ {0, 1}(其中0表示空闲,1表示连接)、DRX占空比δ_DRX ∈ [0, 1],以及以资源块为单位的活动带宽部分大小B_BWP。这些网络指标以1 Hz的频率采样,这与5G NR中信道状态信息的典型报告间隔相一致。
该层级的关键创新在于构建了一个融合状态向量,该向量显式地耦合了电池和网络动态。我们在时间步定义融合输入向量k作为: