Abstraktní
Technologie odhadu stavu zdraví (SOH) pro lithium-iontové baterie je zásadní pro bezpečnost a spolehlivost elektrických vozidel. S rozvojem technologií umělé inteligence (AI) a strojového učení (ML) začíná oblast správy baterií přijímat tyto metody ke zlepšení účinnosti a stability. Zejména neuronové sítě prokázaly výhody ve vysoké účinnosti, nízké spotřebě energie, vysoké robustnosti a škálovatelnosti při simulaci a predikci SOH. Bylo prokázáno, že hybridní model v kombinaci s modely ekvivalentních obvodů (ECM) a hlubokým učením má potenciál zlepšit přesnost odhadu SOH a výkon v reálném čase. Budoucí směry výzkumu zahrnují využití více dat na místě pro screening zdravotních funkcí a konstrukci modelu, stejně jako inteligentní screening a kombinaci parametrů baterie pro přesnější charakterizaci skutečného SOH. Vývoj těchto technologií dále posílí vědecké, spolehlivé, stabilní a robustní řízení baterií elektrických vozidel.
1. Krátce
1.1 Význam lithium-iontových baterií pro elektrická vozidla a kritický význam odhadu SOH
Lithium-iontové baterie jsou pro provoz elektromobilů klíčové a jejich výkon je ovlivněn různými degradačními procesy. Přesný odhad zdravotního stavu (SOH) baterií je zásadní pro zajištění bezpečného, spolehlivého a hospodárného provozu elektromobilů. S rostoucí poptávkou po elektrických vozidlech se sledování SOH stává stále důležitější, protože lithium-iontové baterie obvykle před koncem své životnosti klesnou na 80 % své původní kapacity. Kromě toho je klíčovým parametrem také State of Charge (SOC) a jeho změny mohou odrážet stárnutí a degradaci kapacity baterie. Přesná předpověď SOC je užitečná pro odhad SOH, který zase určuje zbývající životnost baterie.
1.2 Vývoj metod odhadu SOH
Přehled a vývoj stávajících metod:Bylo vyvinuto několik metod odhadu SOH, mezi nimiž metody založené na SOC integrují data v reálném čase, jako je proud, napětí a teplota, aby bylo dosaženo přesnější předpovědi SOH ve více cyklech nabíjení a vybíjení, optimalizovaly výkon baterie, předcházely poruchám a prodlužovaly životnost baterie. . Nejnovější pokroky v metodách strojového učení dále zlepšily odhad SOH a neuronové sítě, jako jsou dopředné a konvoluční neuronové sítě, fungují dobře při modelování baterií, překonávají tradiční regresní metody ve složitosti a přesnosti s průměrnou odchylkou chyby asi 0 0,16 % a střední kvadratická chyba 5,57 mV na úrovni článků baterie.
1.3 Klasifikace a charakteristika metod modelování baterií
Analytické metody, jako je integrace proudu a techniky napětí naprázdno (OCV), mohou poskytnout jasné odhady SOH, ale jsou ovlivněny nahromaděným šumem a vyžadují dlouhou dobu stání, aby byla zajištěna přesnost.
Modelový přístup
Model bílé krabice:Na základě podrobných elektrochemických principů simuluje chování baterie prostřednictvím základních parametrů s vysokou přesností. Jeho vysoké výpočetní požadavky a zjednodušené předpoklady pro dynamiku reálného světa však snižují jeho přesnost v dynamických podmínkách, takže je nevhodný pro aplikace v reálném čase.
Modely s šedými krabicemi (jako je ECM):Kombinace fyzikálních poznatků a empirických úprav pomocí analogie obvodů k přiblížení chování baterie může odhadnout SOC s vysokou přesností (obvykle v rámci 3% chyby) a je užitečná pro odhad SOH a předpověď zbývající životnosti (RUL) v reálném čase, ale čelí problémům. v kvalitě dat a výpočtových požadavcích. Pro spolehlivou simulaci lze použít jednoduchý ekvivalentní model obvodu pro lithium-iontové baterie (včetně sériových rezistorů a až dvou RC prvků), zatímco složitější ECM (včetně více RC větví nebo prvků s konstantní fází CPE) mohou simulovat vysoce dynamické procesy (např. jako provoz elektrických vozidel), ale zvyšující se výpočetní požadavky vedly k vývoji pokročilejších metod odhadu SOH.
Model černé skříňky (přístup založený na datech):Na základě vstupních a výstupních dat je model konstruován bez spoléhání se na vnitřní znalost principů fungování. Techniky strojového učení mohou předpovídat stav baterie z velkého množství naměřených dat. Strojové učení vyniká v identifikaci vzorů ve složitých souborech dat, jako jsou vícekanálové neuronové sítě, které mají vysokou přesnost v odhadu kapacity, ale spoléhají na vysoce kvalitní a různorodá trénovací data. V praktických aplikacích ve vozidlech však mnoho vnitřních proměnných nelze přímo změřit a vzácnost dat a nedostatečná interpretovatelnost ztěžuje pochopení a údržbu modelu.
1.4 Vývoj modelových metod a vývoj hybridních modelů
Vývoj metod založených na modelu:V posledním desetiletí se neustále vyvíjely metody založené na modelu, včetně Kalmanova filtrování (KF) a jeho rozšíření (jako je Extended Kalman Filter EKF, Unscented Kalman Filter UKF). Tyto metody mají vysokou přesnost v odhadu stavu baterie, ale vyžadují přesné dynamické modely a jejich implementace je složitá.
Vzestup hybridních modelů:Aby bylo možné řešit omezení reálných dat a zlepšit výpočetní efektivitu, objevily se hybridní modely, které kombinují metody založené na modelech a založené na datech k trénování modelů strojového učení prostřednictvím podrobných simulací. Techniky strojového učení zároveň v posledních pěti letech významně pokročily, včetně pravděpodobnostních metod, meta učení, učení protivníků, částečně řízeného učení atd. Hluboké učení (podmnožina strojového učení) se osvědčilo při zpracování strukturovaného a nestrukturovaná data. Fyzikální informační neuronové sítě (PINN) kombinují empirické modely degradace s neuronovými sítěmi, aby zlepšily odhad SOH a zvýšily přizpůsobivost metod za různých typů baterií a podmínek. S rozvojem automobilového průmyslu jsou tyto technologické pokroky klíčové pro optimalizaci výkonu baterií, předcházení poruchám a podporu vývoje elektrických vozidel.
1.5 Přehled následujících kapitol v tomto článku
Oddíl 2 poskytuje podrobný úvod do metod screeningu a výběru přehledové literatury, což zajišťuje systematický a komplexní charakter metodologie výzkumu. Část 3 poskytuje hloubkovou analýzu technik odhadu stavu nabití, zkoumá dopad mechanismů degradace baterií na modelovací metody pro baterie elektrických vozidel, včetně Kalmanova filtrování a jeho vylepšených metod, stejně jako integraci s modely stárnutí. Část 4 se zaměřuje na techniky odhadu SOH, srovnává tradiční metody s novými metodami a zdůrazňuje metody použitelné pro elektrická vozidla. Část 5 demonstruje roli hlubokého učení v odhadu SOH, jako jsou sítě s dlouhou krátkodobou pamětí (LSTM) a hybridní modely, a také to, jak konvoluční neuronové sítě (CNN) zvažují praktické faktory pro zlepšení přesnosti hodnocení zdraví. A konečně, oddíl 6 shrnuje a očekává budoucí směry výzkumu pro systémy řízení stavu baterie na podporu rozvoje trhu s elektrickými vozidly a dalších aplikací pro ukládání energie.
2. Materiály a metody
2.1 Definice výzkumné otázky
Tato studie navrhuje pět klíčových otázek, které vedou k aplikaci technologie strojového učení při odhadu SOH lithium-iontových baterií v elektrických vozidlech.
Objasněte hlavní techniky strojového učení, které se v současnosti používají k odhadu zdravotního stavu (SOH) lithium-iontových baterií v elektrických vozidlech, a prozkoumejte specifické algoritmy a modely vyvinuté a používané výzkumnými pracovníky.
Prozkoumejte dopad různých zdrojů dat (laboratoře, vozidla a data z terénu) na přesnost a robustnost modelů strojového učení pro odhad SOH, analyzujte, jak zdroje dat ovlivňují výkon modelu, a určete, která data jsou nejpřínosnější pro přesnou předpověď SOH.
Identifikujte klíčové výzvy aplikace technik strojového učení při odhadu SOH lithium-iontových baterií, stejně jako variace těchto problémů v různých podmínkách prostředí a aplikačních scénářích, jako jsou kolísání teploty, stárnutí a dopad různých režimů použití na přesnost odhadu SOH.
Porovnejte analytické metody odhadu SOH, rozdíly mezi tradičními metodami a jejich vývojový proces, prostudujte, jak lze metody strojového učení integrovat s těmito tradičními metodami, identifikujte jejich příslušné výhody, nevýhody a potenciální synergie.
S výhledem na budoucí směry výzkumu s cílem zlepšit přesnost, adaptabilitu a výpočetní účinnost modelů odhadu SOH založených na strojovém učení v lithium-iontových bateriích pro elektrická vozidla, identifikovat mezery ve výzkumu, technické požadavky a inovativní metody.
2.2 Literární rešerše a screening
Výběr databáze a strategie vyhledávání: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 A PUBYEAR<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).
Prohlídka a zaměření literatury:Získaná literatura pokrývá několik oborů, přičemž nejvyšší podíl má inženýrská oblast (730 článků), následovaná energetikou, informatikou a matematikou. Po zaměření na oblast informatiky bylo identifikováno 209 relevantních dokumentů, z nichž 183 bylo publikováno v letech 2019 až 2024, což naznačuje aktuálnost dat. Tyto dokumenty zahrnují konferenční příspěvky, články, recenze a kapitoly knih, se 72 články publikovanými v letech 2009 až 2024 jako hlavní recenzní základ, přičemž ručně začleňují relevantní články a kapitoly knih z jiných inženýrských oborů, aby bylo zajištěno komplexní pokrytí oblastí výzkumu a zachycení inovativních technologický pokrok ve využívání umělé inteligence ke zlepšení systémů správy baterií.
3. Technologie odhadu stavu nabití (SOC).
3.1 Mechanismus degradace baterie a jeho dopad na výkon
Lithium-iontové baterie se degradují hlavně dvěma mechanismy:ztráta zásob lithia (LLI) a ztráta aktivního materiálu (LAM). LLI souvisí s tvorbou vrstvy rozhraní pevného elektrolytu (SEI) na anodě, která vzniká vedlejší reakcí mezi ionty lithia a elektrolytem. LAM je způsobeno vnitřním mechanickým namáháním v baterii, jako je opakované roztahování a smršťování elektrodových materiálů během nabíjení a vybíjení, což vede k mikrotrhlinám a oddělování částic elektrody, zmenšování aktivní povrchové plochy dostupné pro elektrochemické reakce, čímž se snižuje kapacita baterie, zvýšení vnitřního odporu a v konečném důsledku ovlivnění výkonu baterie. Tyto degradační mechanismy jsou urychlovány faktory, jako je vysoký stav nabití, vysoká teplota a agresivní podmínky cyklování. Podrobné informace a detaily modelování různých mechanismů stárnutí (tepelného, elektrochemického atd.) lze nalézt v příslušné literatuře.
3.2. Technologie odhadu a modelování SOC pro baterie elektrických vozidel
Při každodenním používání elektrických vozidel se baterie často nabíjí na 20 % -40 % SOC, aby se zachovala její životnost, ale nelineární a degradační charakteristiky kapacity baterie mohou vést k nepřesným hodnotám SOC, což ovlivňuje odhad baterie. plnou kapacitu. Výkon a údržba lithium-iontových baterií je také ovlivněna klimatem, přičemž účinnost a životnost baterie ovlivňuje teplota a čerstvost elektrolytu (určené datem výroby a naplnění). Charakteristiky nových elektrolytových baterií se mohou v různých klimatických podmínkách lišit a strategie řízení teploty mohou pomoci řešit problémy s výkonem související s teplotou a zlepšit životnost baterie.
Tradiční model ekvivalentního obvodu (ECM) se běžně používá k odhadu SOC, ale vyžaduje častou kalibraci. Článek poskytuje podrobný úvod do rovnic výpočtu SOC založených na ECM (včetně spojitých a diskrétních forem), zahrnujících rovnice stavového prostoru, rovnice vztahu napětí naprázdno a SOC, rovnice aktualizace SOC v diskrétní časové doméně a rovnice aktualizace napětí. Relevantní parametry (jako je odpor, kapacita, napětí naprázdno atd.) úzce souvisí s SOC. Pro identifikaci parametrů modelu baterie se běžně používá standardní laboratorní testování (jako je testování charakteristik výkonu se smíšeným pulzem při různých teplotách), ale nepřesnost modelu a šum měření mohou vést k malým chybám v odhadu SOC. Aby se zlepšila přesnost odhadu SOC, byly ke kompenzaci těchto vlivů použity různé techniky, jako je Kalmanova filtrace a její rozšíření, pozorovatel na bázi PI, pozorovatel v klouzavém režimu atd., a byly také vyvinuty metody integrální korekce pro zvládnutí počáteční nejistoty modelu. a hluk měření. Kromě toho, ačkoli elektrochemická impedanční spektroskopie (EIS) může vyhodnotit charakteristiky baterie (včetně SOC a SOH), je časově náročná a nepraktická pro aplikace ve velkém měřítku (jako jsou vozové parky elektrických vozidel), takže je obtížné zachytit dynamické a měnící se provozní podmínky baterií elektrických vozidel. Proto je zapotřebí adaptivnější a účinnější metoda.
3.3. Zdokonalování technologie
Kalmanův filtr a metody jeho vylepšení:Kalmanův filtr (KF) a jeho rozšíření (jako je rozšířený Kalmanův filtr EKF, Unscented Kalman Filter UKF, Objemový Kalmanův filtr CKF) jsou široce používány pro odhad SOC. KF poskytuje optimální odhad SOC minimalizací střední kvadratické chyby, řešením problémů kumulativní chyby a počáteční nejistoty SOC. Je však vhodný pro lineární časově proměnlivé systémy, kde nelineární dynamika baterií vyžaduje aproximaci linearizace. Ačkoli EKF rozšiřuje rámec KF o zpracování nelineárních modelů, linearizace může ovlivnit přesnost a vést k divergenci odhadu. Nové metody jako UKF a CKF používají odhad sigma bodu k odhadu statistik nelineární transformace, zatímco CKF používá pravidlo sférického radiálního objemu k výpočtu vícerozměrných momentových integrálů ke zlepšení přesnosti nelineární Bayesovské filtrace. Tyto filtry však obvykle předpokládají, že charakteristiky šumu jsou známé a konstantní a v praktických aplikacích je šum proměnný (jako je negaussovský šum generovaný vnější interferencí). Proto byly vyvinuty robustní strategie adaptivního filtrování, jako je použití gaussovských směsných modelů (GMM) k modelování negaussovského šumu pro zlepšení přesnosti odhadu stavu. Relevantní studie ukázaly aplikace a výhody těchto metod v různých oblastech. Kromě toho se pro optimalizaci odhadu stavu rozsáhlých propojených systémů používají distribuované a distribuované filtry (jako je distribuovaný Kalmanův filtr DKF, distribuovaný Kalmanův filtr a kovarianční křížový DKF-CI). Robustní a nelineární filtry (jako je robustní Kalmanův filtr) mají vynikající výkon při řešení složitých nelinearit v bateriových systémech (jako jsou elektrochemické procesy). Adaptivní techniky (jako jsou adaptivní EKF a adaptivní algoritmy UKF) dynamicky upravují parametry filtru, aby se přizpůsobily změnám šumu a zlepšily přesnost odhadu SOC. Relevantní studie a příklady ověřily účinnost těchto metod.
Další způsoby vylepšení:jako je metoda Adaptive Integral Correction State of Charge Estimation (AIC-SE) navržená v 2022, která je založena na modelu ECM a zlepšuje přesnost odhadu SOC prostřednictvím korekčních mechanismů v reálném čase (včetně odporu a korekce kapacity baterie) (maximální chyba ± 0,8 %, chyba RMS menší než 0,3 %). Výpočetní účinnost je vyšší než u UKF (AIC-SE přibližně 5n operací, UKF přibližně n^2 operací), což účinně řeší problémy stárnutí a degradace baterií. Kalmanův filtr variační bayesovské maximální korelační entropie objemu (VBMCCKF) v roce 2023 kombinuje pokročilé filtrační a statistické techniky ke zlepšení odhadu kovariance chyb měření pomocí variační bayesovské metody. Kritérium maximální korelační entropie se používá ke zpracování negaussovských odlehlých hodnot měření šumu, což výrazně zlepšuje přesnost odhadu SOC (ve srovnání s EKF, CKF a variačním Bayesiánským objemovým Kalmanovým filtrem je průměrná absolutní chyba snížena o 77 %, 68 % a 49 %. ), respektive) a zvýšení robustnosti systému správy baterie.
3.4 Integrace s modely stárnutí
Model stárnutí baterie úzce souvisí s odhadem SOC a nedávný výzkum přinesl inovace v obou aspektech. Model stárnutí baterie navržený v roce 2024 komplexně zvažuje účinky SOC, teploty baterie, času a plně ekvivalentních dob cyklu (NFEC) na stárnutí baterie. Model se skládá ze dvou částí: první část se zaměřuje na SOC a stárnutí související s teplotou (výpočet ztráty kapacity pomocí specifických vzorců) a druhá část se zabývá dopadem NFEC na stárnutí. Tento model inovativně integruje stárnutí baterie jako subsystém elektrického vozidla s modelem baterie, který pokrývá všechny provozní režimy, jako je parkování, jízda a nabíjení. Dosahuje přesné simulace interakce mezi různými subsystémy prostřednictvím formální metody energetické makroskopické reprezentace (EMR) (grafický nástroj vyvinutý v roce 2000 pro organizaci subsystémových spojení, reprezentujících tok energie a kauzální vztahy). Výzkum ukázal, že snížení frekvence nabíjení (jako je změna z denního nabíjení na každé čtyři dny) může výrazně prodloužit dobu, po kterou baterie dosáhne 80 % SOH. Tento integrovaný přístup poskytuje důležitý pokrok v optimalizaci správy baterií a pochopení dopadu postupů nabíjení na stárnutí baterie.
Nové metody jako AIC-SE a VBMCCKF mají významné výhody v přesnosti odhadu SOC a výpočetní efektivitě. AIC-SE si vede dobře ve výpočetní efektivitě, zatímco VBMCCKF si vede lépe při zpracování dynamického odhadu chyb měření a hlučného prostředí. Pokud je upřednostněna přesnost a zpracování šumu, může být současnou nejlepší volbou kombinace kritérií variační bayesovské a maximální korelační entropie; Pokud se zaměříme na výpočetní efektivitu a aplikace v reálném čase, AIC-SE je dobrou volbou, což naznačuje, že metody ECM modelování mají v této oblasti stále výhody. Model stárnutí baterie studovaný v roce 2024 navíc komplexně zvažuje dopad více faktorů na degradaci baterie, což má velký význam pro optimalizaci životnosti baterie (na základě praxe nabíjení). Celkově tento vývoj nejen zlepšuje přesnost odhadu SOC, ale přispívá také k prodloužení životnosti baterie a zvýšení provozní spolehlivosti baterie.
4. Techniky hodnocení zdravotního stavu (SOH).
4.1 Tradiční metody odhadu SOH
Tradiční metoda odhadu SOH je široce používána v akademické a průmyslové oblasti, především na základě základních parametrů, jako je degradace kapacity, vnitřní odpor a životnost cyklu pro vyhodnocení SOH baterie (příslušné vzorce a významy parametrů naleznete v tabulce 4). Tyto metody poskytují základ pro hodnocení stavu baterie a pomáhají porozumět výkonu baterie. Pochopením těchto tradičních metod můžeme lépe porozumět vylepšením nových metod odhadu v následujících kapitolách. Nové metody často používají složitější analýzu dat a techniky prediktivního modelování, aby se vypořádaly s omezeními tradičních metod. Srovnání těchto dvou může objasnit vývoj a vývoj technologie odhadu SOH a ukázat, jak mohou moderní metody zlepšit přesnost a přizpůsobivost systémů správy baterií.
4.2 Nový vývoj v nahrazování tradičních metod
Nové ukazatele zdraví v kombinaci se strojovým učením:Pro zlepšení přesnosti předpovědi SOH zavedl výzkum nové zdravotní indikátory, jako je poměr degradace (DSR). Vzorec pro výpočet DSR ze sklonu křivky nabíjecího napětí je:
Porovnáním strmostí více nabíjecích cyklů se určí rychlost degradace (v mV/s) baterie v určitém rozsahu napětí (např. [3.8-3.9V]), který úzce souvisí s kapacitu baterie a lze jej použít jako klíčový indikátor pro určení konce životnosti baterie. Kombinací modelů Gaussian Process Regression (GPR) a Multi Layer Perceptron Neural Network (MLPNN) lze přesněji odhadnout ztrátu a degradaci kapacity. Ve srovnání s tradičními modely se výrazně zlepšila citlivost a přesnost, což účinně řeší problém tradičních modelů, u nichž je obtížné včasně detekovat degradaci.
Vylepšení ekvivalentního modelu obvodu:Pokračovaly ve vývoji rané metody pro zlepšení tradičních modelů ekvivalentních obvodů (ECM), jako je odhad SOH analýzou kapacity těla ekvivalentního modelu RC obvodu v 20}15 pomocí inovativních algoritmů pro výpočet faktoru zeslabení kapacitní kapacity těla, a jeho kombinaci s diskrétními nelineárními pozorovateli pro zlepšení přesnosti a spolehlivosti; V roce 2024 byl přijat model hybridního ekvivalentního obvodu druhého řádu v kombinaci s adaptivní rychlostí aktualizace a nelineárním pozorovatelem, aby se zvážil vliv teploty a dosáhlo se vysoké přesnosti v odhadu SOH (průměrná absolutní chyba menší než 0,5 %, RMS chyba menší než 0,2 %); Cloudové řešení pro rok 2023 využívá data dlouhodobého monitorování a data v reálném čase k odhadu parametrů modelu baterie úpravou algoritmu nejmenších čtverců pohyblivého okna. Na základě modelu ECM je dosaženo vysoce přesného vyhodnocení SOH, což naznačuje, že vylepšená metoda ECM má stále významný význam v odhadu SOH, což je v souladu s trendem neustálého zlepšování metod ECM v technologii odhadu SOC.
Metoda hybridního rámce:Nový rámec integruje lineární statistický k-nejbližší soused (LSKNN), vyhledávání maximální informační entropie (MIES) a kolektivní řídkou variační gaussovskou procesní regresi (CSVGPR) pro zpracování datové interpolace, filtrování šumu, výběr vlastností a správu nejistot. LSKNN odhaduje chybějící datové body a filtruje šum, MIES vybírá prvky s vysokou korelací k SOH a CSVGPR zpracovává nejistotu dat pro zlepšení přesnosti predikce. Tento rámec byl testován pomocí datové sady baterií NASA a ve srovnání s metodami, jako je ElasticNet, Support Vector Regression (SVR), Random Forest a Gradient Boosting, byla Root Mean Square Error (RMSE) snížena o 77,8 % (z {{3 }}.0510 v ElasticNet na 0.0113). Ve srovnání s gaussovskými procesními modely s různými jádry byl RMSE snížen o 55,5 % (z 0,0254 na 0,0113), což potvrzuje robustnost a vysokou přesnost rámce a poskytuje přesnější metodu pro odhad SOH.
Trend vývoje technologie odhadu SOH se posouvá od tradičních metod ke složitějším modelům vhodným pro elektromobily. Nové metody zahrnují kombinaci degradačních modelů s klasickým strojovým učením, metodami založenými na ECM a hybridními metodami. DSR je důležitou inovací, která snižuje závislost na kompletním nabíjecím cyklu (zkracuje čekací dobu přibližně o 84 %) a v kombinaci se strojovým učením zlepšuje přesnost odhadu ztráty kapacity, čímž překonává obtížnost včasné detekce degradace u tradičních modelů. Vylepšená metoda ECM dosáhla dobrých výsledků v odhadu SOH, což je v souladu s důležitostí metody ECM v odhadu SOC. Hybridní technologie (jako je výše zmíněný nový rámec) mají vysokou přesnost. Přestože aplikace v reálném čase představují výzvy, efektivní řešení klíčových problémů se zpracováním dat je významným zlepšením oproti tradičním metodám odhadu SOH. Celkově se tento vývoj zaměřuje na aplikace v reálném čase a metody založené na datech, což výrazně zlepšuje spolehlivost systémů správy baterií elektrických vozidel. Metody hlubokého učení jako LSTM, CNN a hybridní techniky se staly hlavními metodami pro odhad SOH. Následující kapitoly představí relevantní výsledky výzkumu a příspěvky.
5. Aplikace hlubokého učení v odhadu SOH
5.1 LSTM a hybridní modely
Několik studií použilo vylepšené modely stárnutí v kombinaci s technikami hlubokého učení ke zvýšení přesnosti odhadu SOH. Hluboké učení je nepostradatelné při předpovídání zbývajícího užitečného života (RUL). Například integrací modelu degradace SOH a zvážením různých provozních podmínek, jako je nabíjecí/vybíjecí proud a teplota, lze použít specifický vzorec pro:
Mezi nimi I2 {c} a I2 {d} jsou normalizované nabíjecí a vybíjecí proudy, T3 {c} a T4 {d} jsou normalizované teploty baterie a okolí, T3 {c} a T4 {d} jsou doby nabíjení a vybíjení, a (d1-d4) je hmotnost), která přesněji simuluje degradaci baterie. Predikční model RUL založený na síti LSTM zlepšuje přesnost predikce, ale zvyšuje se výpočetní složitost a aplikace v reálném čase čelí výzvám. Neuronové sítě dokážou zvládnout časově proměnlivé procesy baterie, neustále se učí přizpůsobovat se změnám v chování baterie a udržovat spolehlivost modelu.
Vyjmutím klíčových funkcí (jako je 6 klíčových funkcí) pro optimalizaci odhadu SOH v kombinaci s algoritmy strojového učení pro dosažení vysoké přesnosti a nízké výpočetní zátěže hrají napěťové funkce významnou roli při zlepšování přesnosti hodnocení stavu baterie. Kombinace několika modelů hlubokého učení (jako jsou CNN, LSTM, GRU a jejich obousměrné varianty) do hybridního rámce (jako je CNN-LSTM-DNN, CNN-GRU-DNN) k predikci RUL, s využitím široké škály funkcí ke zlepšení přesnost, snížila RMSE o 90,5 % při testování datové sady NASA, ale výpočetní síla a složitost omezují aplikace v reálném čase. Vícemodelové metody (jako jsou knihovny modelů LSTM) a pokročilé optimalizační strategie (jako je integrace LSTM do rámce AI-BMS a jeho implementace na FPGA) mohou zlepšit přesnost předpovědi a efektivitu systému, ale aplikace FPGA v komerčních elektrických vozidlech stojí za náklady. a praktické výzvy.
Kombinace metod GRU a soft sensing má potenciál pro dlouhodobou predikci RUL v laboratorním prostředí, ale praktické aplikace vyžadují přizpůsobení různým podmínkám nabíjení. Pomocí metod založených na datech, jako jsou LSTM, DNN a GRU ke zpracování datových sad NASA, má GRU vysoký výkon (RMSE 0.003, MAE 0,003, R-squared chyba 0,004) a kombinace sítí GRU a LSTM vede k lepšímu výkonu. Metoda založená na LSTM získává funkce (jako je 5 manuálních funkcí) analýzou křivky vybíjení baterie a využívá optimalizační algoritmy (jako je Adam) ke zlepšení účinnosti tréninku a přesnosti předpovědí. Při trénování dílčích dat jedné baterie je chyba odhadu SOH pro ostatní baterie nízká, což je lepší než u tradičních modelů.
Síť MDA-LSTM kombinuje různé funkce a časové informace a zlepšuje přesnost predikce RUL prostřednictvím modulů pro fúzi několika funkcí a modulů s dvojitou pozorností. Funguje dobře při ověřování více datových sad, s robustností a zobecněním. Složená síť BiLSTM se používá k predikci SOH pomocí nabíjecích dat konstantního proudu a obousměrná struktura zlepšuje spolehlivost predikce, takže je vhodná pro odhad SOH v reálném čase během rychlého nabíjení. Model TCN-LSTM využívá syntetická data a Bayesovskou optimalizaci k přesné rekonstrukci napětí naprázdno (OCV) a odhadu stavu zdraví (SOH) (MAE pod 22 mV, MAPE pod 2,2 %). Může být rozšířen na různé chemické systémy baterií prostřednictvím učení přenosu, ale existují omezení extrapolace, když jsou data nedostatečná. Metoda hluboké fúze (jako je využití historických dat a více zdravotních indikátorů) dosahuje vysoké přesnosti (MAPE pod 2,97 %) prostřednictvím testování plného vybití a jak globální rámec založený na GPR, tak model DFTN pro jednotlivá elektrická vozidla dosáhly dobrých výsledků. .
5.2. Integrovaný model CNN a CNN-LSTM
Metoda CNN-WNN-WLSTM integruje sítě CNN, WNN a WLSTM. CNN extrahuje funkce, vlastnosti procesů WNN a WLSTM a odhadne SOH. Optimalizátor RMSprop se používá ke zlepšení výkonu a překonává tradiční metody testování datové sady NASA a poskytuje slibný přístup ke správě stavu baterie. Model CNN-LSTM-CRF je inspirován zpracováním přirozeného jazyka, přičemž vrstva CRF zachycuje výstupní proměnné závislosti pro zlepšení přesnosti a intuitivnosti predikce kapacity baterie. Výpočetní nároky jsou však vysoké a přesahují možnosti palubních procesorů. V budoucnu je zapotřebí výzkum ke zlepšení jeho praktičnosti (např. prostřednictvím transferového učení). Model LSTNet zlepšuje výkon předpovědi kapacity baterie segmentováním dat, integrací komponent ConvLSTM a AR a optimalizací struktury (například při testování datové sady NASA byla RMSE 0,65 %, MAE 0). 58 % a MAPE byl 0,435 % při trénování na 40 % dat).
Integrací vylepšených optimalizačních algoritmů CNN a ECSSA pro predikci RUL polovodičových lithium-iontových baterií CNN zlepšuje extrakci funkcí a přesnost předpovědi optimalizací hyperparametrů a struktur (jako je použití pokročilých konvolučních vrstev, aktivačních funkcí a zbytkových spojení). ECSSA optimalizuje parametry modelu pomocí inovativních matematických metod (jako je kruhové chaotické mapování, nelineární koeficient absorpce a Cauchyho mutace), aby zlepšila RUL přesnost a robustnost předpovědi. Kombinace PCA a CNN pro optimalizaci funkcí a snížení rozměrů zlepšuje přesnost a efektivitu odhadu SOH (ve srovnání s tradičními modely CNN a PCA-CNN s pevnými rozměry se MAE zvyšuje o více než 20 % a RMSE se zvyšuje o více než 30 %). Model odhadu SOH v reálném čase integruje 1D-CNN a BiGRU, využívá data BMS, aby se zabránilo extrakci složitých prvků, a dosahuje vysoké přesnosti pomocí bayesovské optimalizace hyperparametrů (jako například při testování datové sady NASA je MAE 2,080 %, RMSE je 2,516 %, a chyba indexu EOL je nula).
5.3. Strategie optimalizace pro modely hlubokého učení
Nejprve byl použit náhodný lesní algoritmus k identifikaci klíčových zdravotních faktorů a poté byla použita technika genetického algoritmu částicové optimalizace roje (GA-PSO) k optimalizaci parametrů modelu podpůrné vektorové regrese (SVR) pro odhad zdravotního stavu (SOH). Účinnost byla ověřena na čtyřech bateriích, čímž se zlepšila přesnost a rychlost konvergence (RMSE 0,40 %, MAPE 0,56 %), což je lepší než ostatní související metody. Hybridní metoda GWO-BRNN využívá optimalizaci šedého vlka (GWO) k výběru hyperparametrů pro Bayesovské regularizované neuronové sítě (BRNN). Na základě datového souboru NASA je chyba odhadu SOH menší než 1 %, ale výpočetní složitost je vysoká a praktické aplikace jsou omezené. Přímé použití nezpracovaných dat elektrických vozidel k vyhodnocení SOH a předpovědi RUL, zlepšení přesnosti zavedením nových funkcí hodnocení a metod korekce interpolace (snížení relativní chyby proudové integrace na 0,94 %) v kombinaci s optimalizační metodou D-NSGA-II pro další optimalizovat odhad SOH a zkrátit dobu výpočtu. V reakci na potíže s odhadem zdravotního stavu (SOH) způsobené neúplným nabitím a vybitím lithium-iontových baterií v elektrických vozidlech je navržena metoda nepřímého odhadu (ATAGA-BP). Metoda využívá charakteristiky nabíjecího stupně s konstantním napětím jako indikátor zdraví a je ověřena pomocí simulace s daty NASA. Metoda má vysokou korelaci s kapacitou baterie (přes 85 %), s chybou odhadu SOH 3,7 % a zlepšením iterační účinnosti o 17,8 %.
Hluboké učení dosáhlo významného pokroku v odhadu SOH a komplexní modely zvažující více faktorů poskytují hlubší pochopení degradace baterie. Sítě LSTM jsou důležité pro zachycení časových závislostí a predikci RUL, ale jejich výpočetní složitost představuje výzvy pro aplikace v reálném čase. Metody extrakce rysů jsou důležité a mohou optimalizovat odhad SOH. Kombinace hybridních modelů a různých architektur neuronových sítí pro zpracování složitosti bateriových dat má slibné vyhlídky, ale vysoké výpočetní požadavky omezují praktické aplikace. Optimalizační strategie jako GA-PSO, GWO-BRNN a D-NSGA-II mají zlepšenou přesnost a efektivitu, ale implementace složitých algoritmů je obtížná a vyžaduje rovnováhu mezi přesností a jednoduchostí provedení. Pokročilá technologie umělé inteligence je zásadní pro použití sekundárních baterií (postrádají podrobné údaje o používání). Následující kapitoly poskytnou přehled o současném stavu sekundárního aplikačního výzkumu, zejména v oblasti opětovného použití baterií.
6. Shrnutí
Tento článek posouvá vývoj odhadu SOH a SOC pro lithium-iontové baterie v elektrických vozidlech prostřednictvím inovativních metod a modelů, které pokrývají různé technologie od tradičního strojového učení až po pokročilé modely hlubokého učení, jako jsou LSTM a CNN. Každá metoda má však rozdíly v přesnosti, složitosti a použitelnosti, což ztěžuje přímé srovnání. Výzkum zjistil, že zpracování dat a zdroje mají významný vliv na výkon modelu a pro skutečné nasazení je potřeba další ověření. Přestože modely hlubokého učení prokázaly výhody při zpracování složitých dat, stále čelí výzvám, jako jsou vysoké požadavky na výpočetní zdroje a adaptabilita na praktické aplikační scénáře. Budoucí výzkum by se měl zaměřit na zlepšení výběru funkcí, detekci anomálií, přizpůsobení se různým podmínkám prostředí, optimalizaci algoritmů pro zvýšení výpočetní efektivity, dosažení aplikací v reálném čase, integraci více zdrojů dat pro zlepšení výkonu modelu odhadu SOH a zároveň řešení problémů v aplikacích sekundárních baterií. , vývoj účinných řešení a podpora vývoje systémů pro správu baterií, které splňují rostoucí požadavky v oblasti elektrických vozidel a skladování energie.