Abstrakcyjny
Technologia szacowania stanu zdrowia (SOH) akumulatorów litowo-jonowych ma kluczowe znaczenie dla bezpieczeństwa i niezawodności pojazdów elektrycznych. Wraz z rozwojem technologii sztucznej inteligencji (AI) i uczenia maszynowego (ML), dziedzina zarządzania akumulatorami zaczyna wdrażać te metody w celu poprawy wydajności i stabilności. W szczególności sieci neuronowe wykazały zalety w zakresie wysokiej wydajności, niskiego zużycia energii, wysokiej niezawodności i skalowalności w symulacji i przewidywaniu SOH. Udowodniono, że model hybrydowy w połączeniu z modelami obwodów równoważnych (ECM) i głębokim uczeniem się ma potencjał w zakresie poprawy dokładności i wydajności szacowania SOH w czasie rzeczywistym. Przyszłe kierunki badań obejmują wykorzystanie większej liczby danych dostępnych na miejscu do sprawdzania cech zdrowotnych i tworzenia modeli, a także inteligentne sprawdzanie i łączenie parametrów baterii w celu dokładniejszego scharakteryzowania rzeczywistego SOH. Rozwój tych technologii w dalszym ciągu usprawni naukowe, niezawodne, stabilne i solidne zarządzanie akumulatorami pojazdów elektrycznych.
1. Krótko
1.1 Znaczenie akumulatorów litowo-jonowych w pojazdach elektrycznych i krytyczne znaczenie szacowania SOH
Baterie litowo-jonowe są kluczowe dla działania pojazdów elektrycznych, a na ich wydajność wpływają różnorodne procesy degradacyjne. Dokładne oszacowanie stanu zdrowia (SOH) akumulatorów ma kluczowe znaczenie dla zapewnienia bezpiecznej, niezawodnej i ekonomicznej eksploatacji pojazdów elektrycznych. Wraz ze wzrostem zapotrzebowania na pojazdy elektryczne monitorowanie SOH staje się coraz ważniejsze, ponieważ akumulatory litowo-jonowe zwykle spadają do 80% swojej pierwotnej pojemności przed końcem ich żywotności. Ponadto stan naładowania (SOC) jest również kluczowym parametrem, a jego zmiany mogą odzwierciedlać starzenie się i spadek pojemności akumulatora. Dokładne przewidywanie SOC jest pomocne w szacowaniu SOH, co z kolei określa pozostały czas życia baterii.
1.2 Rozwój metod estymacji SOH
Przegląd i postęp istniejących metod:Opracowano wiele metod szacowania SOH, wśród których metody oparte na SOC integrują dane w czasie rzeczywistym, takie jak prąd, napięcie i temperatura, aby uzyskać dokładniejsze przewidywanie SOH w wielu cyklach ładowania i rozładowywania, optymalizować wydajność akumulatora, zapobiegać awariom i wydłużać żywotność akumulatora . Najnowsze osiągnięcia w metodach uczenia maszynowego jeszcze bardziej udoskonaliły szacowanie SOH, a sieci neuronowe, takie jak sieci neuronowe ze sprzężeniem zwrotnym i splotowe, dobrze sprawdzają się w modelowaniu baterii, przewyższając tradycyjne metody regresji pod względem złożoności i dokładności, przy średnim odchyleniu błędu wynoszącym około 0 0,16% i błąd średniokwadratowy wynoszący 5,57 mV na poziomie ogniwa akumulatora.
1.3 Klasyfikacja i charakterystyka metod modelowania akumulatorów
Metody analizy, takie jak techniki całkowania prądu i napięcia obwodu otwartego (OCV), mogą zapewnić jasne szacunki SOH, ale mają na nie wpływ nagromadzony szum i wymagają długich okresów stania, aby zapewnić dokładność.
Podejście oparte na modelu
Model białej skrzynki:W oparciu o szczegółowe zasady elektrochemiczne symuluje zachowanie akumulatora za pomocą podstawowych parametrów z dużą dokładnością. Jednak jego wysokie wymagania obliczeniowe i uproszczone założenia dotyczące dynamiki w świecie rzeczywistym zmniejszają jego dokładność w warunkach dynamicznych, co czyni go nieodpowiednim do zastosowań w czasie rzeczywistym.
Modele szarej skrzynki (takie jak ECM):Połączenie wiedzy fizycznej i korekt empirycznych, wykorzystanie analogii obwodów do przybliżonego zachowania baterii może oszacować SOC z dużą dokładnością (zwykle w granicach błędu 3%) i jest przydatne do szacowania SOH w czasie rzeczywistym i przewidywania pozostałego okresu użytkowania (RUL), ale wiąże się to z wyzwaniami w zakresie jakości danych i wymagań obliczeniowych. Do niezawodnej symulacji można zastosować prosty model obwodu zastępczego dla akumulatorów litowo-jonowych (w tym rezystory szeregowe i maksymalnie dwa elementy RC), podczas gdy bardziej złożone moduły ECM (w tym wiele gałęzi RC lub elementy o stałej fazie CPE) mogą symulować procesy o dużej dynamice (takie jak jak eksploatacja pojazdu elektrycznego), ale rosnące zapotrzebowanie obliczeniowe spowodowało rozwój bardziej zaawansowanych metod szacowania SOH.
Model czarnej skrzynki (podejście oparte na danych):Na podstawie danych wejściowych i wyjściowych model jest konstruowany bez opierania się na wewnętrznej wiedzy na temat zasad działania. Techniki uczenia maszynowego mogą przewidzieć stan baterii na podstawie dużej ilości danych pomiarowych. Uczenie maszynowe doskonale radzi sobie z identyfikowaniem wzorców w złożonych zbiorach danych, takich jak wielokanałowe sieci neuronowe, które charakteryzują się dużą dokładnością w szacowaniu wydajności, ale opierają się na wysokiej jakości i różnorodnych danych szkoleniowych. Jednak w praktycznych zastosowaniach pojazdów wielu zmiennych wewnętrznych nie można bezpośrednio zmierzyć, a rzadkość danych i brak możliwości interpretacji sprawiają, że model jest trudny do zrozumienia i utrzymania.
1.4 Ewolucja metod modelowych i rozwój modeli hybrydowych
Ewolucja metod opartych na modelach:W ostatniej dekadzie stale rozwijały się metody oparte na modelach, w tym filtracja Kalmana (KF) i jej rozszerzenia (takie jak Rozszerzony Filtr Kalmana EKF, Bezzapachowy Filtr Kalmana UKF). Metody te charakteryzują się dużą dokładnością w szacowaniu stanu baterii, ale wymagają precyzyjnych modeli dynamicznych i są skomplikowane w implementacji.
Powstanie modeli hybrydowych:Aby stawić czoła ograniczeniom danych ze świata rzeczywistego i poprawić wydajność obliczeniową, pojawiły się modele hybrydowe, łączące metody oparte na modelach i metodach opartych na danych w celu uczenia modeli uczenia maszynowego poprzez szczegółowe symulacje. Jednocześnie w ciągu ostatnich pięciu lat poczyniono znaczne postępy w zakresie technik uczenia maszynowego, obejmujących metody probabilistyczne, metauczenie się, uczenie kontradyktoryjne, uczenie częściowo nadzorowane itp. Uczenie głębokie (podzbiór uczenia maszynowego) dobrze sprawdza się w przetwarzaniu ustrukturyzowanym i dane nieustrukturyzowane. Sieci neuronowe informacji fizycznej (PINN) łączą empiryczne modele degradacji z sieciami neuronowymi w celu poprawy szacowania SOH, zwiększając możliwości adaptacji metod w przypadku różnych typów baterii i warunków. Wraz z rozwojem branży motoryzacyjnej te postępy technologiczne mają kluczowe znaczenie dla optymalizacji wydajności akumulatorów, zapobiegania awariom i wspierania rozwoju pojazdów elektrycznych.
1.5 Przegląd kolejnych rozdziałów tego artykułu
W rozdziale 2 szczegółowo omówiono metody przeszukiwania i selekcji literatury przeglądowej, zapewniając systematyczny i kompleksowy charakter metodologii badań. W części 3 dokonano szczegółowej analizy technik szacowania stanu ładunku, badając wpływ mechanizmów degradacji akumulatorów na metody modelowania akumulatorów pojazdów elektrycznych, w tym filtrację Kalmana i jej ulepszone metody, a także integrację z modelami starzenia. Sekcja 4 skupia się na technikach szacowania SOH, porównuje metody tradycyjne z nowymi metodami i kładzie nacisk na metody mające zastosowanie do pojazdów elektrycznych. W sekcji 5 przedstawiono rolę głębokiego uczenia się w szacowaniu SOH, na przykład w sieciach pamięci długoterminowej (LSTM) i modelach hybrydowych, a także w jaki sposób splotowe sieci neuronowe (CNN) uwzględniają praktyczne czynniki w celu poprawy dokładności oceny stanu zdrowia. Na koniec w części 6 podsumowano i przedstawiono przyszłe kierunki badań nad systemami zarządzania stanem akumulatorów, które mają wspierać rozwój rynku pojazdów elektrycznych i innych zastosowań magazynowania energii.
2. Materiały i metody
2.1 Definicja pytania badawczego
W tym badaniu zaproponowano pięć kluczowych pytań, które pomogą zastosować technologię uczenia maszynowego w szacowaniu SOH akumulatorów litowo-jonowych w pojazdach elektrycznych.
Wyjaśnij główne techniki uczenia maszynowego stosowane obecnie do szacowania stanu zdrowia (SOH) akumulatorów litowo-jonowych w pojazdach elektrycznych oraz poznaj konkretne algorytmy i modele opracowane i wykorzystywane przez badaczy.
Zbadaj wpływ różnych źródeł danych (danych laboratoryjnych, pojazdów i terenowych) na dokładność i niezawodność modeli uczenia maszynowego szacowania SOH, przeanalizuj wpływ źródeł danych na wydajność modelu i określ, które dane są najbardziej korzystne dla dokładnego przewidywania SOH.
Zidentyfikować kluczowe wyzwania związane ze stosowaniem technik uczenia maszynowego w szacowaniu SOH akumulatorów litowo-jonowych, a także różnice w tych wyzwaniach w różnych warunkach środowiskowych i scenariuszach zastosowań, takie jak wahania temperatury, starzenie się i wpływ różnych trybów użytkowania na akumulator dokładność oszacowania SOH.
Porównaj metody analizy szacowania SOH, różnice między metodami tradycyjnymi i proces ich ewolucji, zbadaj, w jaki sposób metody uczenia maszynowego można zintegrować z tymi tradycyjnymi metodami, zidentyfikuj ich zalety i wady oraz potencjalne synergie.
Wybieganie w przyszłość w kierunku przyszłych kierunków badań mających na celu poprawę dokładności, adaptowalności i wydajności obliczeniowej modeli estymacji SOH opartych na uczeniu maszynowym w akumulatorach litowo-jonowych do pojazdów elektrycznych, identyfikowanie luk badawczych, wymagań technicznych i innowacyjnych metod.
2.2 Wyszukiwanie i przeglądanie literatury
Wybór bazy danych i strategia wyszukiwania: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 I 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).
Przegląd literatury i skupianie uwagi:Wyszukiwana literatura obejmuje wiele dziedzin, przy czym największy udział ma dziedzina inżynierii (730 artykułów), a następnie energetyka, informatyka i matematyka. Po skupieniu się na obszarze informatyki zidentyfikowano 209 odpowiednich dokumentów, z czego 183 opublikowano w latach 2019–2024, co wskazuje na aktualność danych. Dokumenty te obejmują artykuły konferencyjne, artykuły, recenzje i rozdziały w książkach, przy czym główną podstawę przeglądu stanowią 72 artykuły opublikowane w latach 2009–2024, ręcznie włączając odpowiednie artykuły i rozdziały książek z innych dziedzin inżynierii, aby zapewnić kompleksowe pokrycie obszarów badawczych i uchwycić innowacyjne postęp technologiczny w zakresie wykorzystania sztucznej inteligencji do doskonalenia systemów zarządzania akumulatorami.
3. Technologia szacowania stanu naładowania (SOC).
3.1 Mechanizm degradacji baterii i jego wpływ na wydajność
Baterie litowo-jonowe ulegają degradacji głównie w wyniku dwóch mechanizmów:straty w zapasach litu (LLI) i straty materiałów aktywnych (LAM). LLI jest związane z tworzeniem się warstwy styku stałego elektrolitu (SEI) na anodzie, która powstaje w wyniku reakcji bocznej pomiędzy jonami litu i elektrolitem. LAM powstaje w wyniku wewnętrznych naprężeń mechanicznych w akumulatorze, takich jak powtarzające się rozszerzanie i kurczenie materiałów elektrody podczas ładowania i rozładowywania, co prowadzi do mikropęknięć i odrywania się cząstek elektrody, zmniejszając powierzchnię czynną dostępną dla reakcji elektrochemicznych, a tym samym zmniejszając pojemność akumulatora, zwiększając opór wewnętrzny i ostatecznie wpływając na wydajność akumulatora. Te mechanizmy degradacji są przyspieszane przez takie czynniki, jak wysoki stan naładowania, wysoka temperatura i agresywne warunki cykliczne. Szczegółowe informacje i szczegóły modelowania różnych mechanizmów starzenia (termicznego, elektrochemicznego itp.) można znaleźć w odpowiedniej literaturze.
3.2. Technologia szacowania i modelowania SOC akumulatorów pojazdów elektrycznych
Podczas codziennego użytkowania pojazdów elektrycznych akumulator jest często ładowany do poziomu 20% -40% SOC, aby utrzymać akumulator w dobrym stanie, ale nieliniowa charakterystyka pojemności akumulatora i degradacja mogą powodować niedokładne odczyty SOC, wpływając na szacowanie akumulatora pełna pojemność. Na wydajność i konserwację akumulatorów litowo-jonowych wpływa również klimat, przy czym temperatura i świeżość elektrolitu (określana datami produkcji i napełniania) wpływają na wydajność i żywotność akumulatorów. Charakterystyka nowych akumulatorów elektrolitowych może się różnić w zależności od klimatu, a strategie zarządzania temperaturą mogą pomóc w rozwiązaniu problemów z wydajnością związanych z temperaturą i zwiększeniu trwałości akumulatorów.
Tradycyjny model obwodu zastępczego (ECM) jest powszechnie używany do szacowania SOC, ale wymaga częstej kalibracji. Artykuł zawiera szczegółowe wprowadzenie do równań obliczeniowych SOC opartych na ECM (w tym postaciach ciągłych i dyskretnych), obejmujących równania przestrzeni stanów, równania napięcia obwodu otwartego i zależności SOC, równania aktualizacji SOC w dziedzinie czasu dyskretnego i równania aktualizacji napięcia. Odpowiednie parametry (takie jak rezystancja, pojemność, napięcie w obwodzie otwartym itp.) są ściśle powiązane z SOC. Standardowe badania laboratoryjne (takie jak badanie charakterystyki mocy impulsu mieszanego w różnych temperaturach) są powszechnie stosowane do identyfikacji parametrów modelu akumulatora, ale niedokładność modelu i szumy pomiarowe mogą prowadzić do niewielkich błędów w estymacji SOC. Aby poprawić dokładność estymacji SOC, zastosowano różne techniki, takie jak filtrowanie Kalmana i jego rozszerzenia, obserwator oparty na PI, obserwator trybu ślizgowego itp. W celu kompensacji tych efektów, a także opracowano metody korekcji całkowej, aby poradzić sobie z niepewnością modelu początkowego i szum pomiarowy. Ponadto, chociaż elektrochemiczna spektroskopia impedancyjna (EIS) może ocenić charakterystykę akumulatora (w tym SOC i SOH), jest ona czasochłonna i niepraktyczna w zastosowaniach na dużą skalę (takich jak floty pojazdów elektrycznych), co utrudnia uchwycenie dynamiki i zmian warunki pracy akumulatorów pojazdów elektrycznych. Dlatego potrzebna jest bardziej adaptacyjna i wydajna metoda.
3.3. Udoskonalanie technologii
Filtr Kalmana i metody jego ulepszania:Filtr Kalmana (KF) i jego rozszerzenia (takie jak rozszerzony filtr Kalmana EKF, bezzapachowy filtr Kalmana UKF, objętościowy filtr Kalmana CKF) są szeroko stosowane do szacowania SOC. KF zapewnia optymalną estymację SOC poprzez minimalizację błędu średniokwadratowego, rozwiązując problemy błędu skumulowanego i początkowej niepewności SOC. Jednakże nadaje się do liniowych układów zmiennych w czasie, gdzie nieliniowa dynamika akumulatorów wymaga aproksymacji linearyzacji. Chociaż EKF rozszerza strukturę KF o obsługę modeli nieliniowych, linearyzacja może wpływać na dokładność i prowadzić do rozbieżności estymatorów. Nowe metody, takie jak UKF i CKF, wykorzystują estymację punktu sigma do szacowania statystyk transformacji nieliniowej, podczas gdy CKF wykorzystuje regułę sferycznej objętości promieniowej do obliczania wielowymiarowych całek momentów w celu poprawy dokładności nieliniowego filtrowania bayesowskiego. Jednak w przypadku tych filtrów zazwyczaj zakłada się, że charakterystyka szumu jest znana i stała, a w praktycznych zastosowaniach szum jest zmienny (np. szum niegaussowski generowany przez zakłócenia zewnętrzne). Dlatego opracowano solidne strategie filtrowania adaptacyjnego, takie jak wykorzystanie modeli mieszaniny Gaussa (GMM) do modelowania szumu niegaussowskiego w celu poprawy dokładności estymacji stanu. Odpowiednie badania wykazały zastosowania i zalety tych metod w różnych dziedzinach. Ponadto filtry rozproszone i rozproszone (takie jak rozproszony filtr Kalmana DKF, rozproszony filtr Kalmana i krzyż kowariancji DKF-CI) są wykorzystywane do optymalizacji estymacji stanu połączonych systemów na dużą skalę. Solidne i nieliniowe filtry (takie jak wytrzymały filtr Kalmana) charakteryzują się doskonałą wydajnością w radzeniu sobie ze złożonymi nieliniowościami w układach akumulatorowych (takimi jak procesy elektrochemiczne). Techniki adaptacyjne (takie jak algorytmy adaptacyjne EKF i adaptacyjne UKF) dynamicznie dostosowują parametry filtra, aby dostosować się do zmian szumu i poprawić dokładność estymacji SOC. Odpowiednie badania i przykłady potwierdziły skuteczność tych metod.
Inne metody poprawy:taka jak metoda szacowania stanu ładunku z adaptacyjną korekcją integralną (AIC-SE) zaproponowana w 2022, która opiera się na modelu ECM i poprawia dokładność estymacji SOC poprzez mechanizmy korekcji w czasie rzeczywistym (w tym rezystancji i korekta pojemności akumulatora) (błąd maksymalny ± 0,8%, błąd RMS mniejszy niż 0,3%). Wydajność obliczeniowa jest wyższa niż w przypadku UKF (AIC-SE około 5 n operacji, UKF około n ^ 2 operacji), skutecznie rozwiązując problemy związane ze starzeniem się i degradacją baterii. Wariacyjny Bayesowski filtr Kalmana maksymalnej korelacji objętości entropii (VBMCCKF) w 2023 r. łączy zaawansowane techniki filtrowania i statystyczne w celu poprawy estymacji kowariancji błędu pomiaru przy użyciu wariacyjnej metody bayesowskiej. Kryterium maksymalnej entropii korelacji jest używane do obsługi wartości odstających pomiaru szumu innego niż Gaussa, znacznie poprawiając dokładność estymacji SOC (w porównaniu z EKF, CKF i zmiennym Bayesowskim filtrem Kalmana, średni błąd bezwzględny jest zmniejszony o 77%, 68% i 49% odpowiednio) i zwiększenie niezawodności systemu zarządzania baterią.
3.4 Integracja z modelami starzenia
Model starzenia się baterii jest ściśle powiązany z szacowaniem SOC, a najnowsze badania wprowadziły innowacje w obu aspektach. Model starzenia się baterii zaproponowany w 2024 r. kompleksowo uwzględnia wpływ SOC, temperatury baterii, czasu i czasów w pełni równoważnych cykli (NFEC) na starzenie się baterii. Model składa się z dwóch części: pierwsza część koncentruje się na starzeniu związanym z SOC i temperaturą (obliczanie utraty wydajności za pomocą określonych wzorów), a druga część uwzględnia wpływ NFEC na starzenie. Model ten w innowacyjny sposób integruje starzenie się akumulatora jako podsystemu pojazdu elektrycznego z modelem akumulatora, obejmując wszystkie tryby pracy, takie jak parkowanie, jazda i ładowanie. Zapewnia dokładną symulację interakcji między różnymi podsystemami za pomocą formalnej metody makroskopowej reprezentacji energii (EMR) (narzędzie graficzne opracowane w 2000 r. do organizowania połączeń podsystemów, przedstawiające przepływ mocy i zależności przyczynowe). Badania wykazały, że zmniejszenie częstotliwości ładowania (np. zmiana z codziennego ładowania na co cztery dni) może znacznie wydłużyć czas osiągnięcia przez akumulator 80% SOH. To zintegrowane podejście zapewnia istotny postęp w optymalizacji zarządzania akumulatorami i zrozumieniu wpływu praktyk ładowania na starzenie się akumulatorów.
Nowe metody, takie jak AIC-SE i VBMCCKF, mają znaczące zalety w zakresie dokładności estymacji SOC i wydajności obliczeniowej. AIC-SE dobrze radzi sobie z wydajnością obliczeniową, podczas gdy VBMCCKF radzi sobie lepiej z dynamiczną estymacją błędów pomiarowych i zaszumionym środowiskiem. Jeśli priorytetem jest dokładność i przetwarzanie szumu, obecnie najlepszym wyborem może być połączenie wariacyjnych kryteriów bayesowskich i maksymalnej entropii korelacji; Jeśli skupimy się na wydajności obliczeniowej i zastosowaniach czasu rzeczywistego, AIC-SE będzie dobrym wyborem, wskazując, że metody modelowania ECM nadal mają zalety w tym obszarze. Dodatkowo badany w 2024 roku model starzenia się baterii kompleksowo uwzględnia wpływ wielu czynników na degradację baterii, co ma ogromne znaczenie dla optymalizacji żywotności baterii (w oparciu o praktykę ładowania). Ogólnie rzecz biorąc, zmiany te nie tylko poprawiają dokładność szacowania SOC, ale także przyczyniają się do wydłużenia żywotności baterii i zwiększenia niezawodności działania baterii.
4. Techniki oceny stanu zdrowia (SOH).
4.1 Tradycyjne metody szacowania SOH
Tradycyjna metoda szacowania SOH jest szeroko stosowana w dziedzinach akademickich i przemysłowych, głównie w oparciu o podstawowe parametry, takie jak degradacja pojemności, rezystancja wewnętrzna i żywotność cykliczna, w celu oceny SOH akumulatora (patrz Tabela 4, aby zapoznać się z odpowiednimi wzorami i znaczeniami parametrów). Metody te stanowią podstawę oceny stanu baterii i pomagają zrozumieć jej wydajność. Rozumiejąc te tradycyjne metody, będziemy mogli lepiej zrozumieć ulepszenia nowych metod estymacji w kolejnych rozdziałach. Nowe metody często wykorzystują bardziej złożoną analizę danych i techniki modelowania predykcyjnego, aby przezwyciężyć ograniczenia tradycyjnych metod. Porównanie tych dwóch rozwiązań może wyjaśnić rozwój i ewolucję technologii szacowania SOH oraz wykazać, w jaki sposób nowoczesne metody mogą poprawić dokładność i możliwości adaptacji systemów zarządzania akumulatorami.
4.2 Nowe osiągnięcia w zastępowaniu metod tradycyjnych
Nowe wskaźniki kondycji w połączeniu z uczeniem maszynowym:Aby poprawić dokładność przewidywań SOH, w badaniach wprowadzono nowe wskaźniki zdrowotne, takie jak współczynnik szybkości degradacji (DSR). Wzór na obliczenie DSR na podstawie nachylenia krzywej napięcia ładowania jest następujący:
Porównując nachylenie wielu cykli ładowania, określa się szybkość degradacji (w mV/s) akumulatora w określonym zakresie napięcia (np. [3,8-3,9 V]), co jest ściśle powiązane z pojemność baterii i może być używany jako kluczowy wskaźnik określający koniec żywotności baterii. Połączenie modeli regresji procesu Gaussa (GPR) i wielowarstwowej perceptronowej sieci neuronowej (MLPNN) może dokładniej oszacować utratę i degradację wydajności. W porównaniu z tradycyjnymi modelami, czułość i dokładność uległy znacznej poprawie, skutecznie rozwiązując problem, który sprawia, że tradycyjne modele są trudne do wczesnego wykrycia degradacji.
Ulepszenie modelu obwodu zastępczego:Wczesne metody ulepszania tradycyjnych modeli obwodów zastępczych (ECM) nadal się rozwijały, takie jak szacowanie SOH poprzez analizę pojemności ciała modelu zastępczego obwodu RC w 2015, wykorzystanie innowacyjnych algorytmów do obliczenia współczynnika tłumienia pojemności ciała, oraz łączenie go z dyskretnymi obserwatorami nieliniowymi w celu poprawy dokładności i niezawodności; W 2024 przyjęto hybrydowy model zastępczego obwodu drugiego rzędu w połączeniu z adaptacyjną szybkością aktualizacji i nieliniowym obserwatorem w celu uwzględnienia wpływu temperatury, uzyskując wysoką dokładność estymacji SOH (średni błąd bezwzględny mniejszy niż 0,5%, RMS błąd mniejszy niż 0,2%); Rozwiązanie chmurowe na rok 2023 wykorzystuje dane z długoterminowego monitorowania i dane w czasie rzeczywistym do szacowania parametrów modelu baterii poprzez dostosowanie algorytmu najmniejszych kwadratów ruchomego okna. W oparciu o model ECM uzyskano wysoką precyzję oceny SOH, co wskazuje, że udoskonalona metoda ECM w dalszym ciągu ma istotne znaczenie w estymacji SOH, zgodnie z trendem ciągłego doskonalenia metod ECM w technologii estymacji SOC.
Metoda hybrydowa:Nowa platforma integruje statystyki liniowe k-najbliższego sąsiada (LSKNN), wyszukiwanie entropii maksymalnej informacji (MIES) i kolektywną rzadką wariacyjną regresję procesu gaussowskiego (CSVGPR) do przetwarzania interpolacji danych, filtrowania szumów, wyboru cech i zarządzania niepewnością. LSKNN szacuje brakujące punkty danych i filtruje szum, MIES wybiera cechy o wysokiej korelacji z SOH, a CSVGPR przetwarza niepewność danych w celu poprawy dokładności przewidywań. Struktura ta została przetestowana przy użyciu zestawu danych baterii NASA i w porównaniu z metodami takimi jak ElasticNet, regresja wektorów nośnych (SVR), losowy las i wzmacnianie gradientu, błąd średniokwadratowy (RMSE) został zmniejszony o 77,8% (z {{3 }}.0510 w ElasticNet do 0.0113). W porównaniu z modelami procesów Gaussa z różnymi jądrami, RMSE zmniejszono o 55,5% (z 0,0254 do 0,0113), co potwierdza solidność i wysoką dokładność modelu oraz zapewnia dokładniejszą metodę szacowania SOH.
Trend rozwojowy technologii szacowania SOH przesuwa się od metod tradycyjnych na rzecz bardziej złożonych modeli odpowiednich dla pojazdów elektrycznych. Nowe metody obejmują łączenie modeli degradacji z klasycznym uczeniem maszynowym, metodami opartymi na ECM i metodami hybrydowymi. DSR to ważna innowacja, która zmniejsza zależność od pełnego cyklu ładowania (skracając czas oczekiwania o około 84%), a w połączeniu z uczeniem maszynowym poprawia dokładność szacowania strat pojemności, przezwyciężając trudności związane z wczesnym wykrywaniem degradacji w tradycyjnych modelach. Udoskonalona metoda ECM osiągnęła dobre wyniki w estymacji SOH, co jest zgodne ze znaczeniem metody ECM w estymacji SOC. Technologie hybrydowe (takie jak wspomniany nowy framework) charakteryzują się dużą dokładnością. Chociaż aplikacje czasu rzeczywistego stwarzają wyzwania, skuteczne rozwiązywanie kluczowych problemów związanych z przetwarzaniem danych stanowi znaczną poprawę w porównaniu z tradycyjnymi metodami szacowania SOH. Ogólnie rzecz biorąc, udoskonalenia te skupiają się na zastosowaniach czasu rzeczywistego i metodach opartych na danych, znacznie poprawiając niezawodność systemów zarządzania akumulatorami pojazdów elektrycznych. Metody głębokiego uczenia się, takie jak LSTM, CNN i techniki hybrydowe, stały się głównymi metodami szacowania SOH. W kolejnych rozdziałach zaprezentowane zostaną odpowiednie wyniki badań i wkład.
5. Zastosowanie głębokiego uczenia się w estymacji SOH
5.1 Modele LSTM i hybrydowe
W wielu badaniach wykorzystano ulepszone modele starzenia w połączeniu z technikami głębokiego uczenia się, aby zwiększyć dokładność szacowania SOH. Głębokie uczenie się jest niezbędne w przewidywaniu pozostałego okresu użytkowania (RUL). Na przykład, całkując model degradacji SOH i biorąc pod uwagę różne warunki pracy, takie jak prąd ładowania/rozładowania i temperatura, można zastosować określony wzór, aby:
Wśród nich I2 {c} i I2 {d} to znormalizowane prądy ładowania i rozładowania, T3 {c} i T4 {d} to znormalizowane temperatury akumulatora i otoczenia, T3 {c} i T4 {d} to czasy ładowania i rozładowania, i (d1-d4) to waga), co dokładniej symuluje degradację baterii. Model predykcyjny RUL oparty na sieci LSTM poprawia dokładność przewidywań, ale zwiększa się złożoność obliczeniowa, a aplikacje czasu rzeczywistego stają przed wyzwaniami. Sieci neuronowe mogą obsługiwać procesy baterii zmieniające się w czasie, stale uczą się dostosowywać do zmian w zachowaniu baterii i utrzymywać niezawodność modelu.
Wyodrębniając kluczowe funkcje (takie jak 6 kluczowych funkcji) w celu optymalizacji szacowania SOH, w połączeniu z algorytmami uczenia maszynowego w celu osiągnięcia wysokiej dokładności i niskiego obciążenia obliczeniowego, cechy napięciowe odgrywają znaczącą rolę w poprawie dokładności oceny stanu akumulatora. Łączenie wielu modeli głębokiego uczenia się (takich jak CNN, LSTM, GRU i ich dwukierunkowych wariantów) w strukturę hybrydową (taką jak CNN-LSTM-DNN, CNN-GRU-DNN) w celu przewidywania RUL, wykorzystując szeroką gamę funkcji w celu poprawy dokładność, zmniejszono RMSE o 90,5% w testach zbiorów danych NASA, ale siła obliczeniowa i złożoność ograniczają aplikacje czasu rzeczywistego. Metody wielomodelowe (takie jak biblioteki modeli LSTM) i zaawansowane strategie optymalizacji (takie jak integracja LSTM ze strukturą AI-BMS i implementacja na FPGA) mogą poprawić dokładność przewidywań i wydajność systemu, ale zastosowanie FPGA w komercyjnych pojazdach elektrycznych wiąże się z kosztami i wyzwania praktyczne.
Połączenie metod GRU i miękkiego wykrywania ma potencjał do długoterminowego przewidywania RUL w środowiskach laboratoryjnych, ale praktyczne zastosowania wymagają dostosowania do różnych warunków ładowania. Używając metod opartych na danych, takich jak LSTM, DNN i GRU do przetwarzania zbiorów danych NASA, GRU ma wysoką wydajność (RMSE wynoszące 0.003, MAE wynoszące 0,003, R-kwadrat błąd 0,004), a połączenie sieci GRU i LSTM skutkuje lepszą wydajnością. Metoda oparta na LSTM wyodrębnia cechy (takie jak 5 funkcji ręcznych) poprzez analizę krzywej rozładowania akumulatora i wykorzystuje algorytmy optymalizacyjne (takie jak Adam) w celu poprawy wydajności szkolenia i dokładności przewidywań. Podczas uczenia częściowych danych pojedynczej baterii błąd oszacowania SOH dla innych baterii jest niski, co jest lepsze niż w przypadku tradycyjnych modeli.
Sieć MDA-LSTM łączy wiele funkcji i informacji czasowych oraz poprawia dokładność przewidywania RUL dzięki modułom fuzji wielu funkcji i modułom podwójnej uwagi. Dobrze sprawdza się w walidacji wielu zestawów danych, zapewniając solidność i uogólnienie. Skumulowana sieć BiLSTM służy do przewidywania SOH przy użyciu danych dotyczących ładowania prądem stałym, a dwukierunkowa struktura poprawia niezawodność przewidywania, dzięki czemu nadaje się do szacowania SOH w czasie rzeczywistym podczas szybkiego ładowania. Model TCN-LSTM wykorzystuje dane syntetyczne i optymalizację Bayesa w celu dokładnej rekonstrukcji napięcia obwodu otwartego (OCV) i oszacowania stanu zdrowia (SOH) (MAE poniżej 22 mV, MAPE poniżej 2,2%). Można go rozszerzyć na różne układy chemiczne akumulatorów poprzez uczenie się transferowe, ale istnieją ograniczenia w ekstrapolacji, gdy dane są niewystarczające. Metoda głębokiej fuzji (taka jak wykorzystanie danych historycznych i wielu wskaźników stanu zdrowia) pozwala uzyskać wysoką dokładność (MAPE poniżej 2,97%) dzięki testom rozładowania przy pełnym naładowaniu, a zarówno globalne ramy oparte na georadarach, jak i model DFTN dla poszczególnych pojazdów elektrycznych osiągnęły dobre wyniki .
5.2. Zintegrowany model CNN i CNN-LSTM
Metoda CNN-WNN-WLSTM integruje sieci CNN, WNN i WLSTM. CNN wyodrębnia cechy, cechy procesów WNN i WLSTM i szacuje SOH. Optymalizator RMSprop służy do poprawy wydajności i przewyższa tradycyjne metody testowania zbiorów danych NASA, zapewniając obiecujące podejście do zarządzania stanem baterii. Model CNN-LSTM-CRF inspirowany jest przetwarzaniem języka naturalnego, przy czym warstwa CRF przechwytuje zależności zmiennych wyjściowych w celu poprawy dokładności i intuicyjności przewidywania pojemności baterii. Wymagania obliczeniowe są jednak wysokie i przekraczają możliwości procesorów pokładowych. W przyszłości potrzebne są badania, aby poprawić jego praktyczność (np. poprzez uczenie się transferowe). Model LSTNet poprawia wydajność przewidywania pojemności baterii poprzez segmentację danych, integrację komponentów ConvLSTM i AR oraz optymalizację struktury (na przykład w testach zbiorów danych NASA RMSE wyniosło 0,65%, MAE wyniosło 0. 58%, a MAPE wyniosło 0,435% przy trenowaniu na 40% danych).
Integrując ulepszone algorytmy optymalizacji CNN i ECSSA w celu przewidywania RUL półprzewodnikowych akumulatorów litowo-jonowych, CNN poprawia ekstrakcję cech i dokładność przewidywania poprzez optymalizację hiperparametrów i struktur (takich jak wykorzystanie zaawansowanych warstw splotowych, funkcji aktywacji i połączeń resztkowych), a jednocześnie ECSSA optymalizuje parametry modelu za pomocą innowacyjnych metod matematycznych (takich jak mapowanie chaotyczne okręgów, współczynnik absorpcji nieliniowej i mutacja Cauchy'ego), aby poprawić dokładność i niezawodność przewidywań RUL. Połączenie PCA i CNN w celu optymalizacji cech i redukcji wymiarowości poprawia dokładność i efektywność estymacji SOH (w porównaniu z tradycyjnymi modelami CNN i stałowymiarowymi modelami PCA-CNN, MAE wzrasta o ponad 20%, a RMSE o ponad 30%). Model estymacji SOH w czasie rzeczywistym integruje 1D-CNN i BiGRU, wykorzystuje dane BMS, aby uniknąć złożonej ekstrakcji cech i osiąga wysoką dokładność poprzez Bayesowską optymalizację hiperparametrów (np. w testowaniu zbiorów danych NASA, MAE wynosi 2,080%, RMSE wynosi 2,516%, a błąd indeksu EOL wynosi zero).
5.3. Strategie optymalizacji modeli głębokiego uczenia się
W pierwszej kolejności do identyfikacji kluczowych czynników zdrowotnych wykorzystano algorytm losowego lasu, a następnie zastosowano technikę optymalizacji roju cząstek algorytmu genetycznego (GA-PSO) w celu optymalizacji parametrów modelu regresji wektora nośnego (SVR) do szacowania stanu zdrowia (SOH). Skuteczność sprawdzono na czterech bateriach, poprawiając dokładność i szybkość zbieżności (RMSE wynoszącą 0,40%, MAPE wynoszącą 0,56%), co jest lepsze od innych pokrewnych metod. Metoda hybrydowa GWO-BRNN wykorzystuje optymalizację szarego wilka (GWO) do doboru hiperparametrów dla uregulowanych sieci neuronowych Bayesa (BRNN). Na podstawie zbioru danych NASA błąd oszacowania SOH jest mniejszy niż 1%, ale złożoność obliczeniowa jest wysoka, a praktyczne zastosowania ograniczone. Bezpośrednie wykorzystanie surowych danych pojazdów elektrycznych do oceny SOH i przewidywania RUL, poprawa dokładności poprzez wprowadzenie nowych funkcji oceny i metod korekcji interpolacji (zmniejszenie błędu względnego całkowania prądu do 0,94%), w połączeniu z metodą optymalizacji D-NSGA-II w celu dalszego zoptymalizuj estymację SOH i skróć czas obliczeń. W odpowiedzi na trudności w oszacowaniu stanu zdrowia (SOH) spowodowane niepełnym ładowaniem i rozładowywaniem akumulatorów litowo-jonowych w pojazdach elektrycznych zaproponowano pośrednią metodę szacowania (ATAGA-BP). Metoda wykorzystuje charakterystykę etapu ładowania stałym napięciem jako wskaźnik stanu i jest weryfikowana poprzez symulację z danymi NASA. Metoda ma wysoką korelację z pojemnością baterii (ponad 85%), z błędem oszacowania SOH na poziomie 3,7% i iteracyjną poprawą wydajności na poziomie 17,8%.
Głębokie uczenie poczyniło znaczne postępy w szacowaniu SOH, a wszechstronne modele uwzględniające wiele czynników zapewniają głębsze zrozumienie degradacji baterii. Sieci LSTM odgrywają ważną rolę w wychwytywaniu zależności czasowych i przewidywaniu RUL, ale ich złożoność obliczeniowa stwarza wyzwania w zastosowaniach czasu rzeczywistego. Metody ekstrakcji cech są ważne i mogą zoptymalizować oszacowanie SOH. Połączenie modeli hybrydowych i różnych architektur sieci neuronowych do przetwarzania złożoności danych akumulatorowych ma obiecujące perspektywy, ale wysokie wymagania obliczeniowe ograniczają praktyczne zastosowania. Strategie optymalizacji, takie jak GA-PSO, GWO-BRNN i D-NSGA-II poprawiły dokładność i wydajność, ale wdrażanie złożonych algorytmów jest trudne i wymaga równowagi między dokładnością a prostotą wykonania. Zaawansowana technologia AI ma kluczowe znaczenie w przypadku stosowania akumulatorów wtórnych (brak szczegółowych danych dotyczących użytkowania). W kolejnych rozdziałach dokonany zostanie przegląd aktualnego stanu badań nad zastosowaniami wtórnymi, szczególnie w obszarze ponownego użycia baterii.
6. Podsumowanie
W artykule posunięto naprzód rozwój szacowania SOH i SOC dla akumulatorów litowo-jonowych w pojazdach elektrycznych poprzez innowacyjne metody i modele, obejmujące różne technologie, od tradycyjnego uczenia maszynowego po zaawansowane modele głębokiego uczenia się, takie jak LSTM i CNN. Jednak każda metoda różni się dokładnością, złożonością i stosowalnością, co utrudnia bezpośrednie porównanie. Badania wykazały, że przetwarzanie danych i źródła mają znaczący wpływ na wydajność modelu, a rzeczywiste wdrożenie wymaga dalszej walidacji. Chociaż modele głębokiego uczenia się wykazały przewagę w przetwarzaniu złożonych danych, nadal stoją przed wyzwaniami, takimi jak wysokie wymagania dotyczące zasobów obliczeniowych i możliwość dostosowania do praktycznych scenariuszy zastosowań. Przyszłe badania powinny skupiać się na poprawie wyboru funkcji, wykrywaniu anomalii, dostosowywaniu się do różnorodnych warunków środowiskowych, optymalizacji algorytmów w celu zwiększenia wydajności obliczeniowej, uzyskiwaniu zastosowań w czasie rzeczywistym, integracji wielu źródeł danych w celu poprawy wydajności modelu szacowania SOH, przy jednoczesnym zajmowaniu się wyzwaniami w zastosowaniach baterii wtórnych , opracowywanie skutecznych rozwiązań i promowanie rozwoju systemów zarządzania akumulatorami, aby sprostać rosnącym wymaganiom w dziedzinie pojazdów elektrycznych i magazynowania energii.