Abstraktus
Sveikatos būklės (SOH) įvertinimo technologija ličio jonų akumuliatoriams yra labai svarbi elektromobilių saugai ir patikimumui. Tobulėjant dirbtinio intelekto (AI) ir mašininio mokymosi (ML) technologijoms, baterijų valdymo srityje pradedami taikyti šie metodai, siekiant pagerinti efektyvumą ir stabilumą. Ypač neuroniniai tinklai parodė pranašumus dėl didelio efektyvumo, mažo energijos suvartojimo, didelio tvirtumo ir mastelio SOH modeliavimo ir prognozavimo. Įrodyta, kad hibridinis modelis, kartu su lygiaverčiais grandinės modeliais (ECM) ir giliu mokymusi, gali pagerinti SOH įvertinimo tikslumą ir našumą realiuoju laiku. Ateities tyrimų kryptys apima daugiau vietoje gaunamų duomenų panaudojimą sveikatos ypatybių patikrinimui ir modelių kūrimui, taip pat išmanų patikrinimą ir akumuliatoriaus parametrų derinį, kad būtų galima tiksliau apibūdinti tikrąjį SOH. Šių technologijų plėtra dar labiau pagerins mokslinį, patikimą, stabilų ir patikimą elektromobilių akumuliatorių valdymą.
1. Trumpai
1.1 Ličio jonų akumuliatorių svarba elektrinėse transporto priemonėse ir kritinė SOH įvertinimo reikšmė
Ličio jonų baterijos yra itin svarbios elektromobilių eksploatavimui, o jų veikimui įtakos turi įvairūs degradacijos procesai. Siekiant užtikrinti saugų, patikimą ir ekonomišką elektromobilių eksploatavimą, labai svarbu tiksliai įvertinti akumuliatorių sveikatos būklę (SOH). Augant elektromobilių paklausai, SOH stebėjimas tampa vis svarbesnis, nes ličio jonų baterijos paprastai sumažėja iki 80 % pradinės talpos nepasibaigus jų eksploatavimo laikui. Be to, įkrovimo būsena (SOC) taip pat yra pagrindinis parametras, o jo pokyčiai gali atspindėti akumuliatoriaus senėjimą ir mažėjimą. Tikslus SOC numatymas yra naudingas SOH įvertinimui, o tai savo ruožtu lemia likusį akumuliatoriaus veikimo laiką.
1.2 SOH vertinimo metodų kūrimas
Esamų metodų apžvalga ir pažanga:Sukurti keli SOH įvertinimo metodai, tarp kurių SOC pagrįsti metodai integruoja realaus laiko duomenis, tokius kaip srovė, įtampa ir temperatūra, kad būtų galima tiksliau prognozuoti SOH keliais įkrovimo ir iškrovimo ciklais, optimizuoti akumuliatoriaus veikimą, išvengti gedimų ir pailginti akumuliatoriaus veikimo laiką. . Naujausia mašininio mokymosi metodų pažanga dar labiau pagerino SOH įvertinimą, o neuroniniai tinklai, tokie kaip grįžtamojo ryšio ir konvoliuciniai neuroniniai tinklai, gerai veikia modeliuojant bateriją, sudėtingumu ir tikslumu pralenkdami tradicinius regresijos metodus, o vidutinis paklaidos nuokrypis yra maždaug 0 .16%, o vidutinė kvadratinė paklaida yra 5,57 mV akumuliatoriaus elementų lygyje.
1.3 Baterijų modeliavimo metodų klasifikacija ir charakteristikos
Analizės metodai, tokie kaip srovės integravimas ir atviros grandinės įtampos (OCV) metodai, gali pateikti aiškius SOH įverčius, tačiau juos veikia susikaupęs triukšmas ir reikia ilgai stovėti, kad būtų užtikrintas tikslumas.
Modeliu pagrįstas požiūris
Baltos dėžutės modelis:Remiantis išsamiais elektrocheminiais principais, jis labai tiksliai imituoja akumuliatoriaus veikimą, naudodamas pagrindinius parametrus. Tačiau jo aukšti skaičiavimo reikalavimai ir supaprastintos realaus pasaulio dinamikos prielaidos sumažina jo tikslumą dinaminėmis sąlygomis, todėl jis netinkamas naudoti realiuoju laiku.
Pilkos spalvos dėžutės modeliai (pvz., ECM):Sujungus fizines įžvalgas ir empirinius koregavimus, naudojant grandinės analogiją, kad būtų galima apytiksliai įvertinti akumuliatoriaus veikimą, galima labai tiksliai įvertinti SOC (dažniausiai 3 % paklaida), ir tai yra naudinga realaus laiko SOH įvertinimui ir likusio naudingo tarnavimo (RUL) prognozavimui, tačiau susiduriama su iššūkiais. duomenų kokybės ir skaičiavimo reikalavimų. Paprastas lygiavertis ličio jonų akumuliatorių grandinės modelis (įskaitant serijinius rezistorius ir iki dviejų RC elementų) gali būti naudojamas patikimam modeliavimui, o sudėtingesni ECM (įskaitant kelias RC šakas arba pastovios fazės elementus CPE) gali imituoti labai dinamiškus procesus (pvz. kaip elektrinių transporto priemonių valdymas), tačiau didėjantis skaičiavimo poreikis paskatino pažangesnių SOH įvertinimo metodų kūrimą.
Juodosios dėžės modelis (duomenimis pagrįstas metodas):Remiantis įvesties ir išvesties duomenimis, modelis konstruojamas nesiremiant vidinėmis darbo principo žiniomis. Mašininio mokymosi metodai gali numatyti akumuliatoriaus būseną iš didelio matavimo duomenų kiekio. Mašininis mokymasis puikiai tinka identifikuojant sudėtingų duomenų rinkinių modelius, pvz., kelių kanalų neuroninius tinklus, kurie turi didelį pajėgumo įvertinimo tikslumą, tačiau remiasi aukštos kokybės ir įvairiais mokymo duomenimis. Tačiau praktiškai naudojant transporto priemones daugelio vidinių kintamųjų negalima tiesiogiai išmatuoti, o dėl duomenų retumo ir aiškinamumo trūkumo modelį sunku suprasti ir išlaikyti.
1.4 Modelių metodų raida ir hibridinių modelių kūrimas
Modeliais pagrįstų metodų raida:Per pastarąjį dešimtmetį buvo nuolat tobulinami modeliais pagrįsti metodai, įskaitant Kalmano filtravimą (KF) ir jo plėtinius (pvz., išplėstinį Kalmano filtrą EKF, bekvapį Kalmano filtrą UKF). Šie metodai turi didelį akumuliatoriaus būsenos įvertinimo tikslumą, tačiau reikalauja tikslių dinaminių modelių ir yra sudėtingi juos įgyvendinti.
Hibridinių modelių atsiradimas:Siekiant pašalinti realaus pasaulio duomenų apribojimus ir pagerinti skaičiavimo efektyvumą, atsirado mišrūs modeliai, derinant modeliais pagrįstus ir duomenimis pagrįstus metodus, kad būtų galima lavinti mašininio mokymosi modelius atliekant išsamius modeliavimus. Tuo pačiu metu per pastaruosius penkerius metus mašininio mokymosi metodai padarė didelę pažangą, įskaitant tikimybinius metodus, meta mokymąsi, mokymąsi priešpriešinį, pusiau prižiūrimą mokymąsi ir kt. Gilusis mokymasis (mašininio mokymosi pogrupis) gerai apdorojo struktūrinius ir nestruktūruoti duomenys. Fizinės informacijos neuroniniai tinklai (PINN) sujungia empirinius degradacijos modelius su neuroniniais tinklais, kad pagerintų SOH įvertinimą ir pagerintų metodų pritaikymą įvairioms baterijų rūšims ir sąlygoms. Tobulėjant automobilių pramonei, ši technologinė pažanga yra itin svarbi siekiant optimizuoti akumuliatoriaus veikimą, užkirsti kelią gedimams ir remti elektrinių transporto priemonių kūrimą.
1.5 Tolesnių šio straipsnio skyrių apžvalga
2 skyriuje išsamiai supažindinami su apžvalginės literatūros atrankos ir atrankos metodais, užtikrinant tyrimo metodologijos sistemingumą ir visapusiškumą. 3 skyriuje pateikiama nuodugni įkrovos įvertinimo metodų analizė, nagrinėjant akumuliatoriaus degradacijos mechanizmų poveikį elektromobilių akumuliatorių modeliavimo metodams, įskaitant Kalmano filtravimą ir jo patobulintus metodus, taip pat integraciją su senėjimo modeliais. 4 skyriuje dėmesys sutelkiamas į SOH įvertinimo metodus, lyginami tradiciniai metodai su naujais metodais ir pabrėžiami metodai, taikomi elektrinėms transporto priemonėms. 5 skyriuje parodytas gilaus mokymosi vaidmuo vertinant SOH, pavyzdžiui, ilgalaikės trumpalaikės atminties (LSTM) tinklai ir hibridiniai modeliai, taip pat kaip konvoliuciniai neuroniniai tinklai (CNN) atsižvelgia į praktinius veiksnius, kad pagerintų sveikatos įvertinimo tikslumą. Galiausiai 6 skirsnyje apibendrinamos ir laukiamos būsimos baterijų būklės valdymo sistemų tyrimų kryptys, padedančios plėtoti elektromobilių rinką ir kitas energijos kaupimo programas.
2. Medžiagos ir metodai
2.1 Tyrimo klausimo apibrėžimas
Šiame tyrime siūlomi penki pagrindiniai klausimai, pagal kuriuos būtų galima vadovautis mašininio mokymosi technologijos taikymu SOH vertinant ličio jonų baterijas elektrinėse transporto priemonėse.
Išsiaiškinti pagrindinius mašininio mokymosi metodus, šiuo metu naudojamus elektromobilių ličio jonų akumuliatorių sveikatos būklei (SOH) įvertinti, ir ištirti konkrečius mokslininkų sukurtus ir naudojamus algoritmus bei modelius.
Ištirkite skirtingų duomenų šaltinių (laboratorinių, transporto priemonių ir lauko duomenų) poveikį SOH įvertinimo mašininio mokymosi modelių tikslumui ir patikimumui, analizuokite, kaip duomenų šaltiniai veikia modelio veikimą, ir nustatykite, kurie duomenys yra naudingiausi norint tiksliai nuspėti SOH.
Nustatykite pagrindinius iššūkius, susijusius su mašininio mokymosi metodų taikymu apskaičiuojant ličio jonų baterijų SOH, taip pat šių iššūkių skirtumus esant skirtingoms aplinkos sąlygoms ir taikymo scenarijams, pvz., temperatūros svyravimus, senėjimą ir skirtingų naudojimo režimų poveikį SOH įvertinimo tikslumas.
Palyginkite SOH vertinimo analizės metodus, tradicinių metodų skirtumus ir jų evoliucijos procesą, ištirkite, kaip mašininio mokymosi metodus galima integruoti su šiais tradiciniais metodais, nustatyti atitinkamus jų privalumus, trūkumus ir galimas sinergijas.
Žvelgiant į ateities tyrimų kryptis, siekiant pagerinti mašininiu mokymusi pagrįstų SOH įvertinimo modelių tikslumą, pritaikomumą ir skaičiavimo efektyvumą elektromobilių ličio jonų akumuliatoriuose, nustatant tyrimų spragas, techninius reikalavimus ir novatoriškus metodus.
2.2 Literatūros paieška ir peržiūra
Duomenų bazės pasirinkimas ir paieškos strategija:Conduct a comprehensive literature search using Scopus database, determine keywords based on research questions, and use Boolean search strings (TITLE-ABS-KEY (electric AND vehicle) AND KEY (battery AND state AND of AND health) AND TITLE-ABS-KEY (lithium AND ion) AND PUBYEAR>2003 M. IR MEZELIS<2025) to retrieve papers and patents published between 2003 and 2024. A total of 882 documents and 16286 patents were obtained, nearly half of which were published between 2020 and 2024, reflecting the industrial demand and progress in this field. The search results are distributed by year, major journals, national and patent offices, showing the time trend of research, journal distribution, regional diversity, and industry development priorities (such as battery management systems, modular architecture, vehicle control systems, and low resistance materials).
Literatūros peržiūra ir fokusavimas:Gauta literatūra apima kelias disciplinas, daugiausia inžinerijos srityje (730 straipsnių), o toliau seka energetika, informatika ir matematika. Didžiausią dėmesį skiriant informatikos sričiai, nustatyti 209 aktualūs dokumentai, iš kurių 183 paskelbti 2019–2024 m., nurodant duomenų savalaikiškumą. Šie dokumentai apima konferencijų pranešimus, straipsnius, apžvalgas ir knygų skyrius, kurių pagrindinis peržiūros pagrindas yra 72 straipsniai, paskelbti 2009–2024 m., rankiniu būdu įtraukiant atitinkamus straipsnius ir knygų skyrius iš kitų inžinerijos sričių, siekiant užtikrinti visapusišką mokslinių tyrimų sričių aprėptį ir užfiksuoti naujoviškus. technologijų pažanga naudojant dirbtinį intelektą baterijų valdymo sistemoms tobulinti.
3. Įkrovimo būsenos (SOC) įvertinimo technologija
3.1 Akumuliatoriaus gedimo mechanizmas ir jo įtaka veikimui
Ličio jonų baterijos dažniausiai genda dėl dviejų mechanizmų:ličio atsargų praradimas (LLI) ir aktyviųjų medžiagų praradimas (LAM). LLI yra susijęs su kietojo elektrolito sąsajos (SEI) sluoksnio susidarymu ant anodo, kuris atsiranda dėl šoninės reakcijos tarp ličio jonų ir elektrolito. LAM sukelia vidinis mechaninis akumuliatoriaus įtempis, pvz., pakartotinis elektrodų medžiagų išsiplėtimas ir susitraukimas įkrovimo ir iškrovimo metu, dėl kurio atsiranda mikro įtrūkimų ir elektrodų dalelių atsiskyrimo, sumažinant aktyvųjį paviršiaus plotą, skirtą elektrocheminėms reakcijoms, ir taip sumažinti akumuliatoriaus talpą, didina vidinį pasipriešinimą ir galiausiai turi įtakos akumuliatoriaus veikimui. Šiuos degradacijos mechanizmus pagreitina tokie veiksniai kaip aukšta įkrovimo būsena, aukšta temperatūra ir agresyvios važiavimo dviračiu sąlygos. Išsamią informaciją ir modeliavimo detales apie įvairius senėjimo mechanizmus (terminius, elektrocheminius ir kt.) galima rasti atitinkamoje literatūroje.
3.2. SOC įvertinimo ir modeliavimo technologija elektromobilių akumuliatoriams
Kasdien naudojant elektra varomas transporto priemones, akumuliatorius dažnai įkraunamas iki 20 % -40 % SOC, kad būtų išlaikyta akumuliatoriaus būklė, tačiau dėl netiesinių ir blogėjančių akumuliatoriaus talpos charakteristikų gali būti netikslūs SOC rodmenys, o tai turi įtakos akumuliatoriaus apskaičiavimui. visu pajėgumu. Ličio jonų akumuliatorių veikimui ir techninei priežiūrai taip pat turi įtakos klimatas, o temperatūra ir elektrolitų šviežumas (nustatomas pagal gamybos ir užpildymo datas) turi įtakos akumuliatoriaus efektyvumui ir tarnavimo laikui. Naujų elektrolitų baterijų charakteristikos gali skirtis priklausomai nuo klimato sąlygų, o šilumos valdymo strategijos gali padėti išspręsti su temperatūra susijusias veikimo problemas ir pagerinti baterijos patvarumą.
Tradicinis ekvivalentinės grandinės modelis (ECM) dažniausiai naudojamas SOC įvertinti, tačiau jį reikia dažnai kalibruoti. Straipsnyje pateikiamas išsamus įvadas į SOC skaičiavimo lygtis, pagrįstas ECM (įskaitant ištisines ir diskrečiąsias formas), apimančias būsenos erdvės lygtis, atvirosios grandinės įtampos ir SOC santykių lygtis, diskretinio laiko srities SOC atnaujinimo lygtis ir įtampos atnaujinimo lygtis. Atitinkami parametrai (tokie kaip varža, talpa, atviros grandinės įtampa ir kt.) yra glaudžiai susiję su SOC. Standartiniai laboratoriniai tyrimai (pavyzdžiui, mišrios impulsų galios charakteristikų bandymas esant skirtingoms temperatūroms) dažniausiai naudojami akumuliatoriaus modelio parametrų identifikavimui, tačiau modelio netikslumas ir matavimo triukšmas gali lemti mažas SOC įvertinimo paklaidas. Siekiant pagerinti SOC įvertinimo tikslumą, šiems efektams kompensuoti buvo naudojami įvairūs metodai, tokie kaip Kalmano filtravimas ir jo plėtiniai, PI pagrįstas stebėtojas, slankiojančio režimo stebėtojas ir kt. ir matavimo triukšmas. Be to, nors elektrocheminės varžos spektroskopija (EIS) gali įvertinti akumuliatoriaus charakteristikas (įskaitant SOC ir SOH), ji užima daug laiko ir yra nepraktiška didelio masto pritaikymams (pvz., elektromobilių parkams), todėl sunku užfiksuoti dinamiką ir pokyčius. elektromobilių akumuliatorių veikimo sąlygos. Todėl reikalingas labiau prisitaikantis ir efektyvesnis metodas.
3.3. Technologijos tobulinimas
Kalmano filtras ir jo tobulinimo būdai:Kalmano filtras (KF) ir jo plėtiniai (pvz., išplėstinis Kalmano filtras EKF, bekvapis Kalmano filtras UKF, tūrinis Kalmano filtras CKF) yra plačiai naudojami SOC vertinimui. KF pateikia optimalų SOC įvertinimą, sumažindamas vidutinę kvadratinę paklaidą, išspręsdamas kumuliacinės paklaidos ir pradinės SOC neapibrėžties problemas. Tačiau jis tinka linijinėms laiko kintamumo sistemoms, kuriose dėl netiesinės baterijų dinamikos reikalingas tiesinės aproksimacijos. Nors EKF išplečia KF sistemą, kad būtų galima apdoroti netiesinius modelius, linijavimas gali turėti įtakos tikslumui ir lemti įverčio skirtumus. Nauji metodai, tokie kaip UKF ir CKF, naudoja sigma taškų įvertinimą, kad įvertintų netiesinės transformacijos statistiką, o CKF naudoja sferinio radialinio tūrio taisyklę, kad apskaičiuotų daugiamačius momentinius integralus, kad pagerintų netiesinio Bajeso filtravimo tikslumą. Tačiau šie filtrai paprastai daro prielaidą, kad triukšmo charakteristikos yra žinomos ir pastovios, o praktiškai triukšmas yra kintamas (pvz., ne Gauso triukšmas, kurį sukelia išoriniai trukdžiai). Todėl buvo sukurtos tvirtos adaptyviosios filtravimo strategijos, pvz., Gauso mišinio modelių (GMM) naudojimas ne Gauso triukšmui modeliuoti, siekiant pagerinti būsenos įvertinimo tikslumą. Atitinkami tyrimai parodė šių metodų pritaikymą ir pranašumus įvairiose srityse. Be to, paskirstyti ir paskirstyti filtrai (pvz., paskirstytasis Kalmano filtras DKF, paskirstytasis Kalmano filtras ir kovariacijos kryžminis DKF-CI) naudojami optimizuoti didelio masto tarpusavyje sujungtų sistemų būsenos įvertinimą. Tvirti ir netiesiniai filtrai (pvz., tvirtas Kalmano filtras) pasižymi puikiu našumu sprendžiant sudėtingus netiesiškumus akumuliatorių sistemose (pvz., elektrocheminius procesus). Prisitaikantys metodai (pvz., prisitaikantys EKF ir adaptyvieji UKF algoritmai) dinamiškai koreguoja filtro parametrus, kad prisitaikytų prie triukšmo pokyčių ir pagerintų SOC įvertinimo tikslumą. Atitinkami tyrimai ir pavyzdžiai patvirtino šių metodų veiksmingumą.
Kiti tobulinimo būdai:pvz., 2022 pasiūlytas Adaptive Integral Correction State of Charge Estimation (AIC-SE) metodas, pagrįstas ECM modeliu ir pagerinantis SOC įvertinimo tikslumą taikant realaus laiko korekcijos mechanizmus (įskaitant pasipriešinimą ir akumuliatoriaus talpos korekcija) (didžiausia paklaida ± 0,8%, RMS paklaida mažesnė nei 0,3%). Skaičiavimo efektyvumas yra didesnis nei UKF (AIC-SE apie 5n operacijų, UKF apie n ^ 2 operacijų), efektyviai sprendžiant akumuliatoriaus senėjimo ir blogėjimo problemas. Variacinės Bajeso maksimalios koreliacinės entropijos tūrio Kalmano filtras (VBMCCKF) 2023 m. apjungia pažangius filtravimo ir statistinius metodus, kad pagerintų matavimo paklaidos kovariacijos įvertinimą naudojant variacinį Bajeso metodą. Maksimalios koreliacinės entropijos kriterijus naudojamas ne Gauso triukšmo matavimo nuokrypiams tvarkyti, o tai žymiai pagerina SOC įvertinimo tikslumą (palyginti su EKF, CKF ir variaciniu Bajeso tūrio Kalmano filtru, vidutinė absoliuti paklaida sumažėja 77%, 68% ir 49% atitinkamai) ir padidina akumuliatoriaus valdymo sistemos tvirtumą.
3.4 Integracija su senėjimo modeliais
Akumuliatoriaus senėjimo modelis yra glaudžiai susijęs su SOC įvertinimu, o naujausi tyrimai suteikė naujovių abiem aspektais. 2024 m. pasiūlytame akumuliatoriaus senėjimo modelyje išsamiai atsižvelgiama į SOC, akumuliatoriaus temperatūros, laiko ir visiškai lygiaverčių ciklo laikų (NFEC) poveikį akumuliatoriaus senėjimui. Modelį sudaro dvi dalys: pirmoji dalis skirta su SOC ir temperatūra susijusiam senėjimui (apskaičiuojant pajėgumų praradimą pagal konkrečias formules), o antrojoje dalyje nagrinėjamas NFEC poveikis senėjimui. Šis modelis naujoviškai integruoja akumuliatoriaus senėjimą kaip elektromobilio posistemį su akumuliatoriaus modeliu, apimančiu visus veikimo režimus, tokius kaip stovėjimo, vairavimo ir įkrovimo. Tai užtikrina tikslų skirtingų posistemių sąveikos modeliavimą naudojant formalų energijos makroskopinio vaizdavimo (EMR) metodą (grafinis įrankis, sukurtas 2000 m., skirtas organizuoti posistemių ryšius, vaizduoti galios srautą ir priežastinius ryšius). Tyrimai parodė, kad sumažinus įkrovimo dažnį (pvz., keičiant kasdienį įkrovimą į kas keturias dienas) galima žymiai pailginti laiką, per kurį baterija pasiekia 80 % SOH. Šis integruotas požiūris suteikia didelę pažangą optimizuojant akumuliatoriaus valdymą ir suprantant įkrovimo praktikos poveikį akumuliatoriaus senėjimui.
Nauji metodai, tokie kaip AIC-SE ir VBMCCKF, turi didelių SOC įvertinimo tikslumo ir skaičiavimo efektyvumo pranašumų. AIC-SE puikiai atlieka skaičiavimo efektyvumą, o VBMCCKF geriau tvarko dinaminį matavimo klaidų ir triukšmingos aplinkos įvertinimą. Jei tikslumui ir triukšmo apdorojimui teikiama pirmenybė, šiuo metu geriausias pasirinkimas gali būti variacinių Bajeso ir didžiausios koreliacijos entropijos kriterijų derinimas; Jei sutelksime dėmesį į skaičiavimo efektyvumą ir realaus laiko programas, AIC-SE yra geras pasirinkimas, o tai rodo, kad ECM modeliavimo metodai vis dar turi pranašumų šioje srityje. Be to, 2024 m. ištirtame akumuliatoriaus senėjimo modelyje išsamiai atsižvelgiama į kelių veiksnių įtaką akumuliatoriaus gedimui, o tai labai svarbu optimizuojant akumuliatoriaus veikimo laiką (remiantis įkrovimo praktika). Apskritai šie pokyčiai ne tik pagerina SOC įvertinimo tikslumą, bet ir prisideda prie baterijos veikimo trukmės pailginimo ir baterijos veikimo patikimumo.
4. Sveikatos būklės (SOH) vertinimo metodai
4.1 Tradiciniai SOH vertinimo metodai
Tradicinis SOH įvertinimo metodas plačiai naudojamas akademinėse ir pramonės srityse, daugiausia pagrįstas pagrindiniais parametrais, tokiais kaip talpos sumažėjimas, vidinė varža ir ciklo trukmė, siekiant įvertinti akumuliatoriaus SOH (atitinkamas formules ir parametrų reikšmes žr. 4 lentelėje). Šie metodai yra akumuliatoriaus būklės įvertinimo pagrindas ir padeda suprasti akumuliatoriaus veikimą. Suprasdami šiuos tradicinius metodus, galime geriau suprasti naujų vertinimo metodų patobulinimus tolesniuose skyriuose. Nauji metodai dažnai naudoja sudėtingesnę duomenų analizę ir nuspėjamojo modeliavimo metodus, kad pašalintų tradicinių metodų trūkumus. Palyginus šiuos du dalykus, galima paaiškinti SOH įvertinimo technologijos raidą ir raidą bei parodyti, kaip šiuolaikiniai metodai gali pagerinti baterijų valdymo sistemų tikslumą ir pritaikomumą.
4.2 Nauji pokyčiai keičiant tradicinius metodus
Nauji sveikatos rodikliai kartu su mašininiu mokymusi:Siekiant pagerinti SOH prognozavimo tikslumą, moksliniai tyrimai pristatė naujus sveikatos rodiklius, tokius kaip skilimo koeficientas (DSR). DSR apskaičiavimo pagal įkrovimo įtampos kreivės nuolydį formulė yra tokia:
Lyginant kelių įkrovimo ciklų nuolydžius, nustatomas akumuliatoriaus gedimo greitis (mV/s) tam tikrame įtampos diapazone (pvz., [3.8-3.9V]), kuris yra glaudžiai susijęs su akumuliatoriaus talpa ir gali būti naudojamas kaip pagrindinis indikatorius nustatant baterijos veikimo laiką. Sujungus Gauso proceso regresijos (GPR) ir kelių sluoksnių perceptronų neuronų tinklo (MLPNN) modelius, galima tiksliau įvertinti pajėgumų praradimą ir pablogėjimą. Palyginti su tradiciniais modeliais, jautrumas ir tikslumas žymiai pagerėjo, efektyviai išsprendžiant tradicinių modelių problemą, kurią sunku anksti aptikti.
Lygiaverčio grandinės modelio tobulinimas:Ankstyvieji tradicinių lygiaverčių grandinių modelių (ECM) tobulinimo metodai buvo toliau tobulinami, pvz., SOH įvertinimas analizuojant ekvivalentinio RC grandinės modelio kūno talpą 2015, naudojant naujoviškus algoritmus kūno talpos slopinimo koeficientui apskaičiuoti, ir derinant jį su atskirais netiesiniais stebėtojais, siekiant pagerinti tikslumą ir patikimumą; 2024 buvo pritaikytas antros eilės hibridinis ekvivalentinės grandinės modelis kartu su adaptyviu atnaujinimo dažniu ir netiesiniu stebėtoju, kad būtų atsižvelgta į temperatūros įtaką, todėl buvo pasiektas didelis SOH įvertinimo tikslumas (vidutinė absoliuti paklaida mažesnė nei 0,5 %, RMS paklaida mažesnė nei 0,2 %; 2023 m. debesies sprendimas naudoja ilgalaikio stebėjimo duomenis ir realaus laiko duomenis, kad būtų galima įvertinti akumuliatoriaus modelio parametrus, koreguojant judančio lango mažiausių kvadratų algoritmą. Remiantis ECM modeliu, pasiekiamas didelio tikslumo SOH įvertinimas, o tai rodo, kad patobulintas ECM metodas vis dar turi didelę reikšmę SOH vertinime, atitinkantis nuolatinio ECM metodų tobulinimo tendenciją SOC vertinimo technologijoje.
Hibridinio pagrindo metodas:Naujoji sistema integruoja tiesinę statistinę k-artimiausią kaimyną (LSKNN), maksimalios informacijos entropijos paiešką (MIES) ir kolektyvinę retų variacijų Gauso proceso regresiją (CSVGPR), skirtą duomenų interpoliacijai, triukšmo filtravimui, funkcijų pasirinkimui ir neapibrėžtumo valdymui. LSKNN įvertina trūkstamus duomenų taškus ir filtruoja triukšmą, MIES atrenka funkcijas, turinčias didelę koreliaciją su SOH, o CSVGPR apdoroja duomenų neapibrėžtumą, kad pagerintų numatymo tikslumą. Ši sistema buvo išbandyta naudojant NASA baterijos duomenų rinkinį ir, palyginti su tokiais metodais kaip „ElasticNet“, „Service Vector Regression“ (SVR), „Random Forest“ ir „Gradient Boosting“, šaknies vidurkio kvadrato klaida (RMSE) sumažėjo 77,8 % (nuo {{3). }}.0510 ElasticNet į 0.0113). Palyginti su Gauso proceso modeliais su skirtingais branduoliais, RMSE sumažėjo 55, 5% (nuo 0, 0254 iki 0, 0113), patvirtinant sistemos tvirtumą ir didelį tikslumą bei suteikiant tikslesnį SOH įvertinimo metodą.
SOH vertinimo technologijos plėtros tendencija pereina nuo tradicinių metodų prie sudėtingesnių modelių, tinkamų elektrinėms transporto priemonėms. Nauji metodai apima degradacijos modelių derinimą su klasikiniu mašininiu mokymusi, ECM pagrįstais metodais ir hibridiniais metodais. DSR yra svarbi naujovė, kuri sumažina priklausomybę nuo viso įkrovimo ciklo (sumažina laukimo laiką maždaug 84%) ir, kartu su mašininiu mokymusi, pagerina pajėgumų praradimo įvertinimo tikslumą, įveikiant ankstyvo gedimo aptikimo tradiciniuose modeliuose sunkumus. Patobulintas ECM metodas pasiekė gerų SOH įvertinimo rezultatų, o tai atitinka ECM metodo svarbą SOC vertinime. Hibridinės technologijos (pvz., anksčiau minėta nauja sistema) pasižymi dideliu tikslumu. Nors realaus laiko programos kelia iššūkių, efektyvus pagrindinių duomenų apdorojimo problemų sprendimas yra reikšmingas patobulinimas, palyginti su tradiciniais SOH įvertinimo metodais. Apskritai šie pokyčiai sutelkti į realaus laiko taikomąsias programas ir duomenimis pagrįstus metodus, žymiai pagerinančius elektromobilių akumuliatorių valdymo sistemų patikimumą. Giluminio mokymosi metodai, tokie kaip LSTM, CNN ir hibridiniai metodai, tapo pagrindiniais SOH vertinimo metodais. Tolesniuose skyriuose bus pateikti atitinkami tyrimų rezultatai ir indėlis.
5. Giluminio mokymosi taikymas SOH vertinime
5.1 LSTM ir hibridiniai modeliai
Daugelyje tyrimų buvo naudojami patobulinti senėjimo modeliai kartu su gilaus mokymosi metodais, siekiant pagerinti SOH įvertinimo tikslumą. Gilus mokymasis yra būtinas norint numatyti likusį naudingą tarnavimo laiką (RUL). Pavyzdžiui, integruojant SOH degradacijos modelį ir atsižvelgiant į įvairias veikimo sąlygas, pvz., įkrovimo / iškrovimo srovę ir temperatūrą, speciali formulė gali būti naudojama:
Tarp jų I2 {c} ir I2 {d} yra normalizuotos įkrovimo ir iškrovos srovės, T3 {c} ir T4 {d} yra normalizuotos akumuliatoriaus ir aplinkos temperatūros, T3 {c} ir T4 {d} yra įkrovimo ir iškrovimo laikai, ir (d1-d4) yra svoris), kuris tiksliau imituoja akumuliatoriaus nusidėvėjimą. RUL prognozavimo modelis, pagrįstas LSTM tinklu, pagerina numatymo tikslumą, tačiau didėja skaičiavimo sudėtingumas, o realaus laiko programos susiduria su iššūkiais. Neuroniniai tinklai gali valdyti laikui bėgant kintančius akumuliatoriaus procesus, nuolat mokytis prisitaikyti prie akumuliatoriaus veikimo pokyčių ir išlaikyti modelio patikimumą.
Išskiriant pagrindines funkcijas (pvz., 6 pagrindines funkcijas), kad būtų galima optimizuoti SOH įvertinimą, kartu su mašininio mokymosi algoritmais, kad būtų pasiektas didelis tikslumas ir maža skaičiavimo apkrova, įtampos ypatybės atlieka svarbų vaidmenį gerinant akumuliatoriaus būsenos įvertinimo tikslumą. Kelių giluminio mokymosi modelių (tokių kaip CNN, LSTM, GRU ir jų dvikrypčiai variantai) sujungimas į hibridinę sistemą (pvz., CNN-LSTM-DNN, CNN-GRU-DNN), kad būtų galima prognozuoti RUL, naudojant daugybę funkcijų tobulinti. tikslumas sumažino RMSE 90,5 % NASA duomenų rinkinio testavimo metu, tačiau skaičiavimo stiprumas ir sudėtingumas riboja programas realiuoju laiku. Kelių modelių metodai (pvz., LSTM modelių bibliotekos) ir pažangios optimizavimo strategijos (pvz., LSTM integravimas į AI-BMS sistemą ir įdiegimas naudojant FPGA) gali pagerinti prognozavimo tikslumą ir sistemos efektyvumą, tačiau FPGA taikymas komercinėse elektrinėse transporto priemonėse kainuoja brangiai. ir praktiškumo iššūkiai.
GRU ir minkštųjų jutimo metodų derinys turi ilgalaikio RUL prognozavimo potencialą laboratorijos aplinkoje, tačiau praktiniam pritaikymui reikia prisitaikyti prie skirtingų įkrovimo sąlygų. NASA duomenų rinkiniams apdoroti naudojant duomenimis pagrįstus metodus, tokius kaip LSTM, DNN ir GRU, GRU pasižymi dideliu našumu (RMSE 0.003, MAE 0,003, R kvadratas klaida 0,004), o sujungus GRU ir LSTM tinklus gaunamas geresnis našumas. LSTM pagrįstas metodas išskiria funkcijas (pvz., 5 rankines funkcijas), analizuodamas akumuliatoriaus įkrovos iškrovos kreivę, ir naudoja optimizavimo algoritmus (pvz., Adam), kad pagerintų treniruočių efektyvumą ir prognozavimo tikslumą. Mokant dalinius vienos baterijos duomenis, kitų baterijų SOH įvertinimo paklaida yra maža, o tai yra geriau nei tradicinių modelių.
MDA-LSTM tinklas sujungia kelias funkcijas ir laikiną informaciją ir pagerina RUL numatymo tikslumą per kelis funkcijų sujungimo modulius ir dvigubo dėmesio modulius. Jis gerai veikia atliekant kelių duomenų rinkinių patvirtinimą, pasižymintis tvirtumu ir apibendrinimu. Sukrautas BiLSTM tinklas naudojamas SOH prognozuoti naudojant pastovios srovės įkrovimo duomenis, o dvikryptė struktūra pagerina numatymo patikimumą, todėl jis tinkamas SOH vertinimui realiuoju laiku greitojo įkrovimo metu. TCN-LSTM modelis naudoja sintetinius duomenis ir Bajeso optimizavimą, kad būtų galima tiksliai atkurti atviros grandinės įtampą (OCV) ir įvertinti sveikatos būklę (SOH) (MAE mažesnis nei 22 mV, MAPE mažesnis nei 2,2 %). Jis gali būti išplėstas į skirtingas akumuliatorių chemines sistemas, mokantis perdavimo, tačiau yra ekstrapoliacijos apribojimų, kai duomenų nepakanka. Taikant giliosios sintezės metodą (pvz., naudojant istorinius duomenis ir kelis sveikatos rodiklius) pasiekiamas didelis tikslumas (MAPE mažesnis nei 2,97 %) atliekant viso įkrovimo iškrovos bandymus, o tiek pasaulinė sistema, pagrįsta GPR, tiek atskirų elektromobilių DFTN modelis, pasiekė gerų rezultatų. .
5.2. CNN ir CNN-LSTM integruotas modelis
CNN-WNN-WLSTM metodas integruoja CNN, WNN ir WLSTM tinklus. CNN išskiria funkcijas, WNN ir WLSTM proceso ypatybes ir įvertina SOH. RMSprop optimizatorius naudojamas našumui pagerinti ir pranoksta tradicinius NASA duomenų rinkinio testavimo metodus, o tai suteikia daug žadantį akumuliatoriaus sveikatos valdymo metodą. CNN-LSTM-CRF modelis įkvėptas natūralios kalbos apdorojimo, o CRF sluoksnis fiksuoja išvesties kintamąsias priklausomybes, kad pagerintų akumuliatoriaus talpos prognozavimo tikslumą ir intuityvumą. Tačiau skaičiavimo reikalavimai yra dideli ir viršija integruotų procesorių galimybes. Ateityje reikia atlikti mokslinius tyrimus, kad būtų pagerintas jų praktiškumas (pavyzdžiui, perkeliant mokymąsi). LSTNet modelis pagerina akumuliatoriaus talpos prognozavimo našumą segmentuodamas duomenis, integruodamas ConvLSTM ir AR komponentus ir optimizuodamas struktūrą (pavyzdžiui, NASA duomenų rinkinio testavimo metu RMSE buvo 0,65 %, MAE buvo 0. 58 %, o MAPE buvo 0,435 %, kai buvo mokoma pagal 40 % duomenų).
Integruodama patobulintus CNN ir ECSSA optimizavimo algoritmus, skirtus numatyti kietojo kūno ličio jonų baterijų RUL, CNN pagerina funkcijų ištraukimą ir numatymo tikslumą optimizuodama hiperparametrus ir struktūras (pvz., naudodama pažangius konvoliucinius sluoksnius, aktyvinimo funkcijas ir liekamąsias jungtis). ECSSA optimizuoja modelio parametrus taikydamas naujoviškus matematinius metodus (pvz., apskritimo chaotišką atvaizdavimą, netiesinį Absorbcijos koeficientas ir Cauchy mutacija), kad pagerintų RUL numatymo tikslumą ir tvirtumą. PCA ir CNN derinimas funkcijų optimizavimui ir matmenų mažinimui pagerina SOH įvertinimo tikslumą ir efektyvumą (palyginti su tradiciniais CNN ir fiksuotų matmenų PCA-CNN modeliais, MAE padidėja daugiau nei 20%, o RMSE padidėja daugiau nei 30%). Realaus laiko SOH įvertinimo modelis integruoja 1D-CNN ir BiGRU, naudojant BMS duomenis, kad būtų išvengta sudėtingų funkcijų išskyrimo, ir pasiekiamas didelis tikslumas per Bajeso hiperparametrų optimizavimą (pvz., NASA duomenų rinkinio testavimo metu MAE yra 2,080%, RMSE yra 2,516%. o EOL indekso paklaida lygi nuliui).
5.3. Giluminio mokymosi modelių optimizavimo strategijos
Pirma, atsitiktinis miško algoritmas buvo naudojamas pagrindiniams sveikatos veiksniams nustatyti, o tada buvo panaudota genetinio algoritmo dalelių spiečių optimizavimo (GA-PSO) technika, skirta optimizuoti paramos vektoriaus regresijos (SVR) modelio parametrus sveikatos būklei (SOH) įvertinti. Efektyvumas buvo patikrintas naudojant keturias baterijas, pagerinant tikslumą ir konvergencijos greitį (RMSE 0.40%, MAPE 0.56%), o tai pranašesnis už kitus susijusius metodus. GWO-BRNN hibridinis metodas naudoja pilkojo vilko optimizavimą (GWO), kad atrinktų Bajeso įreguliuotų neuroninių tinklų (BRNN) hiperparametrus. Remiantis NASA duomenų rinkiniu, SOH įvertinimo paklaida yra mažesnė nei 1%, tačiau skaičiavimo sudėtingumas yra didelis, o praktinis pritaikymas ribotas. Tiesiogiai naudojant neapdorotus elektromobilių duomenis vertinant SOH ir prognozuojant RUL, didinant tikslumą, įdiegiant naujas vertinimo funkcijas ir interpoliacijos korekcijos metodus (sumažinant santykinę srovės integravimo paklaidą iki 0,94%), kartu su D-NSGA-II optimizavimo metodu, kad būtų toliau. optimizuoti SOH įvertinimą ir sutrumpinti skaičiavimo laiką. Atsižvelgiant į sveikatos būklės (SOH) įvertinimo sunkumus, kylančius dėl nepilno ličio jonų akumuliatorių įkrovimo ir iškrovimo elektromobiliuose, siūlomas netiesioginio įvertinimo metodas (ATAGA-BP). Metodas naudoja nuolatinės įtampos įkrovimo stadijos charakteristikas kaip sveikatos rodiklį ir yra patvirtintas modeliuojant NASA duomenimis. Metodas turi didelę koreliaciją su akumuliatoriaus talpa (daugiau nei 85 %), o SOH įvertinimo paklaida yra 3,7 %, o pasikartojantis efektyvumo pagerėjimas yra 17,8 %.
Išsamus mokymasis padarė didelę pažangą vertinant SOH, o išsamūs modeliai, kuriuose atsižvelgiama į kelis veiksnius, leidžia geriau suprasti akumuliatoriaus gedimą. LSTM tinklai yra svarbūs fiksuojant laikinas priklausomybes ir numatant RUL, tačiau jų skaičiavimo sudėtingumas kelia iššūkių realaus laiko programoms. Funkcijų išgavimo metodai yra svarbūs ir gali optimizuoti SOH įvertinimą. Hibridinių modelių ir skirtingų neuroninių tinklų architektūrų derinys, skirtas apdoroti akumuliatoriaus duomenų sudėtingumą, turi daug žadančių perspektyvų, tačiau dideli skaičiavimo reikalavimai riboja praktinį pritaikymą. Optimizavimo strategijos, tokios kaip GA-PSO, GWO-BRNN ir D-NSGA-II, pagerino tikslumą ir efektyvumą, tačiau sudėtingų algoritmų įgyvendinimas yra sudėtingas ir reikalauja pusiausvyros tarp tikslumo ir vykdymo paprastumo. Pažangi AI technologija yra labai svarbi antrinių baterijų naudojimui (trūksta išsamių naudojimo duomenų). Tolesniuose skyriuose bus apžvelgta dabartinė antrinio taikymo tyrimų būklė, ypač baterijų pakartotinio naudojimo srityje.
6. Santrauka
Šiame straipsnyje skatinamas SOH ir SOC įvertinimas elektromobilių ličio jonų akumuliatoriams taikant naujoviškus metodus ir modelius, apimančius įvairias technologijas nuo tradicinio mašininio mokymosi iki pažangių giluminio mokymosi modelių, tokių kaip LSTM ir CNN. Tačiau kiekvienas metodas skiriasi tikslumu, sudėtingumu ir pritaikomumu, todėl sunku atlikti tiesioginį palyginimą. Tyrimai parodė, kad duomenų apdorojimas ir šaltiniai turi didelę įtaką modelio veikimui, todėl norint realiai įdiegti, reikia tolesnio patvirtinimo. Nors gilaus mokymosi modeliai parodė pranašumų apdorojant sudėtingus duomenis, jie vis dar susiduria su tokiais iššūkiais kaip dideli skaičiavimo išteklių reikalavimai ir pritaikymas praktiniams taikymo scenarijams. Būsimi tyrimai turėtų būti skirti funkcijų pasirinkimo, anomalijų aptikimo, prisitaikymo prie įvairių aplinkos sąlygų gerinimui, algoritmų optimizavimui, siekiant padidinti skaičiavimo efektyvumą, realiojo laiko taikomąsias programas, kelių duomenų šaltinių integravimą siekiant pagerinti SOH įvertinimo modelio veikimą, taip pat sprendžiant antrinių baterijų programų problemas. , kuriant efektyvius sprendimus ir skatinant baterijų valdymo sistemų kūrimą, siekiant patenkinti augančius poreikius elektromobilių ir energijos kaupimo srityse.