Abstrakts
Veselības stāvokļa (SOH) novērtēšanas tehnoloģija litija jonu akumulatoriem ir ļoti svarīga elektrisko transportlīdzekļu drošībai un uzticamībai. Attīstoties mākslīgā intelekta (AI) un mašīnmācīšanās (ML) tehnoloģijām, akumulatoru pārvaldības jomā šīs metodes tiek izmantotas, lai uzlabotu efektivitāti un stabilitāti. Jo īpaši neironu tīkli ir parādījuši priekšrocības augstā efektivitātē, zemā enerģijas patēriņā, augstā robustumā un mērogojamībā SOH simulācijā un prognozēšanā. Ir pierādīts, ka hibrīdmodelis apvienojumā ar līdzvērtīgiem ķēdes modeļiem (ECM) un dziļu mācīšanos spēj uzlabot SOH novērtējuma precizitāti un reāllaika veiktspēju. Nākotnes izpētes virzieni ietver vairāk uz vietas esošo datu izmantošanu veselības pazīmju pārbaudei un modeļu konstruēšanai, kā arī viedo skrīningu un akumulatora parametru kombināciju, lai precīzāk raksturotu faktisko SOH. Šo tehnoloģiju attīstība turpinās uzlabot elektrisko transportlīdzekļu akumulatoru zinātnisku, uzticamu, stabilu un stabilu pārvaldību.
1. Īsumā
1.1. Litija jonu akumulatoru nozīme elektriskajos transportlīdzekļos un SOH novērtējuma kritiskā nozīme
Litija jonu akumulatoriem ir izšķiroša nozīme elektrisko transportlīdzekļu darbībā, un to darbību ietekmē dažādi noārdīšanās procesi. Precīza akumulatoru veselības stāvokļa (SOH) novērtēšana ir ļoti svarīga, lai nodrošinātu drošu, uzticamu un ekonomisku elektrisko transportlīdzekļu darbību. Pieaugot pieprasījumam pēc elektriskajiem transportlīdzekļiem, SOH uzraudzība kļūst arvien svarīgāka, jo litija jonu akumulatori parasti samazinās līdz 80% no sākotnējās jaudas pirms to kalpošanas laika beigām. Turklāt uzlādes stāvoklis (SOC) ir arī galvenais parametrs, un tā izmaiņas var atspoguļot akumulatora novecošanos un akumulatora jaudas samazināšanos. Precīza SOC prognozēšana ir noderīga SOH novērtējumam, kas savukārt nosaka atlikušo akumulatora darbības laiku.
1.2. SOH novērtēšanas metožu izstrāde
Esošo metožu pārskats un progress:Ir izstrādātas vairākas SOH novērtēšanas metodes, starp kurām SOC balstītās metodes integrē reāllaika datus, piemēram, strāvu, spriegumu un temperatūru, lai panāktu precīzāku SOH prognozēšanu vairākos uzlādes un izlādes ciklos, optimizētu akumulatora veiktspēju, novērstu bojājumus un pagarinātu akumulatora darbības laiku. . Jaunākie mašīnmācīšanās metožu sasniegumi ir vēl vairāk uzlabojuši SOH aprēķinus, un neironu tīkli, piemēram, uz priekšu un konvolūcijas neironu tīkli, labi darbojas akumulatora modelēšanā, sarežģītības un precizitātes ziņā pārspējot tradicionālās regresijas metodes ar vidējo kļūdu novirzi aptuveni 0 0,16% un vidējā kvadrātiskā kļūda 5,57 mV akumulatora elementa līmenī.
1.3. Akumulatoru modelēšanas metožu klasifikācija un raksturojums
Analīzes metodes, piemēram, strāvas integrācijas un atvērtās ķēdes sprieguma (OCV) metodes, var nodrošināt skaidrus SOH aprēķinus, taču tās ietekmē uzkrātais troksnis, un, lai nodrošinātu precizitāti, ir nepieciešams ilgs stāvēšanas periods.
Uz modeli balstīta pieeja
Baltas kastes modelis:Pamatojoties uz detalizētiem elektroķīmiskiem principiem, tas ar augstu precizitāti simulē akumulatora darbību, izmantojot pamatparametrus. Tomēr tā augstās skaitļošanas prasības un vienkāršotie pieņēmumi par reālās pasaules dinamiku samazina tā precizitāti dinamiskos apstākļos, padarot to nepiemērotu reāllaika lietojumprogrammām.
Pelēko kastīšu modeļi (piemēram, ECM):Apvienojot fiziskus ieskatus un empīriskus pielāgojumus, izmantojot ķēdes analoģiju, lai aptuvenu akumulatora darbību, var novērtēt SOC ar augstu precizitāti (parasti 3% kļūdas robežās), un tas ir noderīgi reāllaika SOH aplēsei un atlikušā lietderīgās lietošanas laika (RUL) prognozēšanai, taču saskaras ar problēmām. datu kvalitātes un skaitļošanas prasībās. Uzticamai simulācijai var izmantot vienkāršu līdzvērtīgu ķēdes modeli litija jonu akumulatoriem (tostarp sērijveida rezistori un līdz diviem RC elementiem), savukārt sarežģītāki ECM (tostarp vairāki RC atzari vai konstantas fāzes elementi CPE) var simulēt ļoti dinamiskus procesus (piemēram, kā elektriskā transportlīdzekļa darbība), taču pieaugošais skaitļošanas pieprasījums ir veicinājis progresīvāku SOH aprēķinu metožu izstrādi.
Melnās kastes modelis (uz datiem balstīta pieeja):Pamatojoties uz ievades un izvades datiem, modelis tiek konstruēts, nepaļaujoties uz iekšējām darba principu zināšanām. Mašīnmācīšanās metodes var paredzēt akumulatora stāvokli, pamatojoties uz lielu mērījumu datu apjomu. Mašīnmācība ir izcila, lai identificētu modeļus sarežģītās datu kopās, piemēram, daudzkanālu neironu tīklos, kuriem ir augsta precizitāte jaudas novērtēšanā, bet kuri paļaujas uz augstas kvalitātes un daudzveidīgiem apmācības datiem. Tomēr praktiskos transportlīdzekļu lietojumos daudzus iekšējos mainīgos nevar tieši izmērīt, un datu retums un interpretējamības trūkums apgrūtina modeļa izpratni un uzturēšanu.
1.4. Modeļu metožu attīstība un hibrīdu modeļu izstrāde
Uz modeļiem balstītu metožu attīstība:Pēdējo desmit gadu laikā ir nepārtraukti attīstījušās uz modeļiem balstītas metodes, tostarp Kalmana filtrēšana (KF) un tā paplašinājumi (piemēram, paplašinātais Kalman filtrs EKF, bez smaržas Kalman filtrs UKF). Šīm metodēm ir augsta precizitāte akumulatora stāvokļa novērtēšanā, taču ir nepieciešami precīzi dinamiski modeļi, un to ieviešana ir sarežģīta.
Hibrīdu modeļu pieaugums:Lai novērstu reālās pasaules datu ierobežojumus un uzlabotu skaitļošanas efektivitāti, ir parādījušies hibrīdie modeļi, kas apvieno uz modeļiem balstītas un uz datiem balstītas metodes, lai apmācītu mašīnmācības modeļus, izmantojot detalizētas simulācijas. Tajā pašā laikā mašīnmācīšanās paņēmieni pēdējos piecos gados ir guvuši ievērojamu progresu, tostarp varbūtības metodes, metamācīšanās, pretrunīgā mācīšanās, daļēji uzraudzīta mācīšanās utt. Padziļinātā mācīšanās (mašīnmācīšanās apakškopa) ir sniegusi labus rezultātus, apstrādājot strukturētus un nestrukturēti dati. Fiziskās informācijas neironu tīkli (PINN) apvieno empīriskos degradācijas modeļus ar neironu tīkliem, lai uzlabotu SOH aprēķinus, uzlabojot metožu pielāgošanās spēju dažādiem akumulatoru veidiem un apstākļiem. Attīstoties automobiļu rūpniecībai, šie tehnoloģiskie sasniegumi ir ļoti svarīgi, lai optimizētu akumulatoru darbību, novērstu kļūmes un atbalstītu elektrisko transportlīdzekļu attīstību.
1.5. Pārskats par turpmākajām šī raksta nodaļām
2. sadaļā sniegts detalizēts ievads recenziju literatūras skrīninga un atlases metodēm, nodrošinot pētījuma metodoloģijas sistemātisku un visaptverošu raksturu. 3. sadaļā ir sniegta padziļināta uzlādes novērtēšanas metožu analīze, pētot akumulatoru degradācijas mehānismu ietekmi uz elektrisko transportlīdzekļu akumulatoru modelēšanas metodēm, tostarp Kalmana filtrēšanu un tās uzlabotajām metodēm, kā arī integrāciju ar novecošanas modeļiem. 4. sadaļa ir vērsta uz SOH novērtēšanas metodēm, salīdzina tradicionālās metodes ar jaunajām metodēm un uzsver metodes, kas piemērojamas elektriskajiem transportlīdzekļiem. 5. sadaļa parāda dziļās mācīšanās lomu SOH novērtēšanā, piemēram, ilgtermiņa īstermiņa atmiņas (LSTM) tīklus un hibrīdos modeļus, kā arī to, kā konvolucionālie neironu tīkli (CNN) ņem vērā praktiskos faktorus, lai uzlabotu veselības novērtējuma precizitāti. Visbeidzot, 6. sadaļā ir apkopoti un sagaidāmi turpmākie pētniecības virzieni akumulatoru veselības pārvaldības sistēmām, lai atbalstītu elektrisko transportlīdzekļu tirgus un citu enerģijas uzglabāšanas lietojumprogrammu attīstību.
2. Materiāli un metodes
2.1. Pētījuma jautājuma definīcija
Šajā pētījumā ir ierosināti pieci galvenie jautājumi, lai vadītu mašīnmācīšanās tehnoloģiju SOH novērtēšanā litija jonu akumulatoriem elektriskajos transportlīdzekļos.
Noskaidrojiet galvenās mašīnmācīšanās metodes, ko pašlaik izmanto litija jonu akumulatoru veselības stāvokļa (SOH) novērtēšanai elektriskajos transportlīdzekļos, un izpētiet konkrētus pētnieku izstrādātos un izmantotos algoritmus un modeļus.
Izpētiet dažādu datu avotu (laboratoriju, transportlīdzekļu un lauka datu) ietekmi uz SOH aplēses mašīnmācīšanās modeļu precizitāti un robustumu, analizējiet, kā datu avoti ietekmē modeļa veiktspēju, un nosakiet, kuri dati ir visizdevīgākie precīzai SOH prognozēšanai.
Nosakiet galvenās problēmas, kas saistītas ar mašīnmācīšanās metožu pielietošanu litija jonu akumulatoru SOH novērtēšanā, kā arī šo izaicinājumu variācijas dažādos vides apstākļos un pielietojuma scenārijos, piemēram, temperatūras svārstības, novecošana un dažādu lietošanas veidu ietekme uz SOH novērtējuma precizitāte.
Salīdziniet SOH novērtēšanas analīzes metodes, atšķirības starp tradicionālajām metodēm un to evolūcijas procesu, izpētiet, kā mašīnmācības metodes var integrēt ar šīm tradicionālajām metodēm, identificējiet to attiecīgās priekšrocības, trūkumus un iespējamās sinerģijas.
Raugoties uz nākotnes pētniecības virzieniem, lai uzlabotu uz mašīnmācīšanos balstītu SOH aprēķinu modeļu precizitāti, pielāgošanās spēju un skaitļošanas efektivitāti litija jonu akumulatoros elektriskajiem transportlīdzekļiem, identificējot izpētes nepilnības, tehniskās prasības un novatoriskas metodes.
2.2. Literatūras meklēšana un skrīnings
Datu bāzes izvēle un meklēšanas stratēģija: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. GADĀ UN PUBEDS<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).
Literatūras pārbaude un fokusēšana:Iegūtā literatūra aptver vairākas disciplīnas jomas, un inženierzinātņu jomai ir vislielākais īpatsvars (730 raksti), kam seko enerģētika, datorzinātne un matemātika. Pievēršoties datorzinātņu jomai, tika identificēti 209 attiecīgie dokumenti, no kuriem 183 publicēti laikā no 2019. līdz 2024. gadam, norādot uz datu savlaicīgumu. Šajos dokumentos ietilpst konferenču raksti, raksti, apskati un grāmatu nodaļas, un 72 raksti, kas publicēti laikā no 2009. līdz 2024. gadam, ir galvenais pārskata pamats, vienlaikus manuāli iekļaujot attiecīgos rakstus un grāmatu nodaļas no citām inženierzinātņu jomām, lai nodrošinātu visaptverošu pētniecības jomu pārklājumu un aptvertu novatoriskus rakstus. tehnoloģiskie sasniegumi mākslīgā intelekta izmantošanā, lai uzlabotu akumulatoru pārvaldības sistēmas.
3. Uzlādes stāvokļa (SOC) novērtēšanas tehnoloģija
3.1. Akumulatora degradācijas mehānisms un tā ietekme uz veiktspēju
Litija jonu baterijas galvenokārt noārdās, izmantojot divus mehānismus:litija krājumu zudums (LLI) un aktīvā materiāla zudums (LAM). LLI ir saistīta ar cietā elektrolīta saskarnes (SEI) slāņa veidošanos uz anoda, kas rodas sānu reakcijā starp litija joniem un elektrolītu. LAM izraisa iekšējā mehāniskā spriedze akumulatorā, piemēram, atkārtota elektrodu materiālu izplešanās un saraušanās uzlādes un izlādes laikā, kas izraisa mikroplaisas un elektrodu daļiņu atdalīšanu, samazinot elektroķīmiskām reakcijām pieejamo aktīvās virsmas laukumu, tādējādi samazinot akumulatora kapacitāti, palielina iekšējo pretestību un galu galā ietekmē akumulatora veiktspēju. Šos noārdīšanās mehānismus paātrina tādi faktori kā augsts uzlādes stāvoklis, augsta temperatūra un agresīvi riteņbraukšanas apstākļi. Sīkāka informācija un modelēšanas detaļas par dažādiem novecošanas mehānismiem (termiskiem, elektroķīmiskiem utt.) ir atrodamas attiecīgajā literatūrā.
3.2. SOC novērtēšanas un modelēšanas tehnoloģija elektrisko transportlīdzekļu akumulatoriem
Ikdienā lietojot elektriskos transportlīdzekļus, akumulators bieži tiek uzlādēts ar 20% -40% SOC, lai saglabātu akumulatora stāvokli, taču akumulatora jaudas nelineārie un degradācijas raksturlielumi var izraisīt neprecīzus SOC rādījumus, kas ietekmē akumulatora aprēķinu. pilna jauda. Litija jonu akumulatoru veiktspēju un apkopi ietekmē arī klimats, jo temperatūra un elektrolītu svaigums (ko nosaka ražošanas un uzpildīšanas datumi) ietekmē akumulatora efektivitāti un kalpošanas laiku. Jaunu elektrolīta akumulatoru raksturlielumi var atšķirties dažādos klimatiskajos apstākļos, un termiskās pārvaldības stratēģijas var palīdzēt risināt ar temperatūru saistītas veiktspējas problēmas un uzlabot akumulatora izturību.
Tradicionālo ekvivalento ķēdes modeli (ECM) parasti izmanto, lai novērtētu SOC, taču tam ir nepieciešama bieža kalibrēšana. Rakstā ir sniegts detalizēts ievads SOC aprēķinu vienādojumos, kuru pamatā ir ECM (tostarp nepārtrauktas un diskrētas formas), ietverot stāvokļa telpas vienādojumus, atvērtās ķēdes sprieguma un SOC attiecību vienādojumus, diskrēta laika domēna SOC atjaunināšanas vienādojumus un sprieguma atjaunināšanas vienādojumus. Attiecīgie parametri (piemēram, pretestība, kapacitāte, atvērtās ķēdes spriegums utt.) ir cieši saistīti ar SOC. Standarta laboratorijas testēšana (piemēram, jaukta impulsa jaudas raksturlielumu pārbaude dažādās temperatūrās) parasti tiek izmantota akumulatora modeļa parametru identificēšanai, taču modeļa neprecizitāte un mērījumu troksnis var radīt nelielas kļūdas SOC novērtējumā. Lai uzlabotu SOC novērtējuma precizitāti, šo efektu kompensēšanai ir izmantotas dažādas metodes, piemēram, Kalmana filtrēšana un tās paplašinājumi, PI bāzes novērotājs, slīdošā režīma novērotājs utt., un ir izstrādātas arī integrālās korekcijas metodes, lai apstrādātu sākotnējo modeļa nenoteiktību. un mērījumu troksnis. Turklāt, lai gan elektroķīmiskās pretestības spektroskopija (EIS) var novērtēt akumulatoru raksturlielumus (tostarp SOC un SOH), tā ir laikietilpīga un nepraktiska liela mēroga lietojumiem (piemēram, elektrisko transportlīdzekļu parkiem), tāpēc ir grūti uztvert dinamisko un mainīgo. elektrisko transportlīdzekļu akumulatoru darbības apstākļi. Tāpēc ir nepieciešama adaptīvāka un efektīvāka metode.
3.3. Tehnoloģiju uzlabošana
Kalmana filtrs un tā uzlabošanas metodes:Kalmana filtrs (KF) un tā paplašinājumi (piemēram, paplašinātais Kalman filtrs EKF, bez smaržas Kalman filtrs UKF, tilpuma Kalman filtrs CKF) tiek plaši izmantoti SOC aprēķiniem. KF nodrošina optimālu SOC novērtējumu, samazinot vidējo kvadrātisko kļūdu, atrisinot kumulatīvās kļūdas un sākotnējās SOC nenoteiktības problēmas. Tomēr tas ir piemērots lineārām laikā mainīgām sistēmām, kur akumulatoru nelineārajai dinamikai nepieciešama linearizācijas tuvināšana. Lai gan EKF paplašina KF ietvaru, lai apstrādātu nelineārus modeļus, linearizācija var ietekmēt precizitāti un izraisīt novērtējuma novirzi. Jaunās metodēs, piemēram, UKF un CKF, tiek izmantots sigma punkta novērtējums, lai novērtētu nelineāro transformāciju statistiku, savukārt CKF izmanto sfēriskā radiālā tilpuma noteikumu, lai aprēķinātu daudzfaktoru momenta integrāļus, lai uzlabotu nelineārās Bajesa filtrēšanas precizitāti. Tomēr šie filtri parasti pieņem, ka trokšņa raksturlielumi ir zināmi un nemainīgi, un praktiskos lietojumos troksnis ir mainīgs (piemēram, troksnis, kas nav Gausa troksnis, ko rada ārējie traucējumi). Tāpēc ir izstrādātas spēcīgas adaptīvās filtrēšanas stratēģijas, piemēram, izmantojot Gausa maisījumu modeļus (GMM), lai modelētu troksni, kas nav Gausa, lai uzlabotu stāvokļa novērtējuma precizitāti. Attiecīgi pētījumi ir parādījuši šo metožu pielietojumu un priekšrocības dažādās jomās. Turklāt, lai optimizētu liela mēroga savstarpēji savienotu sistēmu stāvokļa novērtēšanu, tiek izmantoti sadalītie un sadalītie filtri (piemēram, sadalītais Kalmana filtrs DKF, sadalītais Kalmana filtrs un kovariācijas krustojums DKF-CI). Robustajiem un nelineārajiem filtriem (piemēram, izturīgajam Kalmana filtram) ir izcila veiktspēja, risinot sarežģītu nelinearitāti akumulatoru sistēmās (piemēram, elektroķīmiskos procesos). Adaptīvās metodes (piemēram, adaptīvie EKF un adaptīvie UKF algoritmi) dinamiski pielāgo filtra parametrus, lai pielāgotos trokšņu izmaiņām un uzlabotu SOC novērtējuma precizitāti. Attiecīgi pētījumi un piemēri ir apstiprinājuši šo metožu efektivitāti.
Citas uzlabošanas metodes:piemēram, adaptīvās integrālās korekcijas uzlādes stāvokļa novērtēšanas (AIC-SE) metode, kas ierosināta 2022, kas ir balstīta uz ECM modeli un uzlabo SOC novērtējuma precizitāti, izmantojot reāllaika korekcijas mehānismus (tostarp pretestības un akumulatora jaudas korekcija) (maksimālā kļūda ± 0,8%, RMS kļūda mazāka par 0,3%). Aprēķinu efektivitāte ir augstāka nekā UKF (AIC-SE aptuveni 5n operācijas, UKF aptuveni n ^ 2 darbības), efektīvi risinot problēmas, kas saistītas ar akumulatoru novecošanos un degradāciju. Variācijas Bajesa maksimālās korelācijas entropijas tilpuma Kalmana filtrs (VBMCCKF) 2023. gadā apvieno uzlabotas filtrēšanas un statistikas metodes, lai uzlabotu mērījumu kļūdu kovariācijas aplēses, izmantojot variācijas Beijesa metodi. Maksimālās korelācijas entropijas kritērijs tiek izmantots, lai apstrādātu ar Gausa trokšņa mērījumu novirzēm, ievērojami uzlabojot SOC novērtējuma precizitāti (salīdzinot ar EKF, CKF un variācijas Bajesa tilpuma Kalmana filtru, vidējā absolūtā kļūda ir samazināta par 77%, 68% un 49% attiecīgi) un uzlabojot akumulatora pārvaldības sistēmas robustumu.
3.4. Integrācija ar novecošanas modeļiem
Akumulatora novecošanas modelis ir cieši saistīts ar SOC novērtējumu, un jaunākie pētījumi ir radījuši jauninājumus abos aspektos. 2024. gadā piedāvātajā akumulatora novecošanas modelī ir vispusīgi ņemta vērā SOC, akumulatora temperatūras, laika un pilnībā līdzvērtīga cikla laika (NFEC) ietekme uz akumulatora novecošanos. Modelis sastāv no divām daļām: pirmā daļa ir vērsta uz SOC un temperatūru saistītu novecošanu (aprēķinot jaudas zudumu, izmantojot īpašas formulas), un otrajā daļā ir aplūkota NFEC ietekme uz novecošanos. Šis modelis inovatīvi integrē akumulatora novecošanu kā elektriskā transportlīdzekļa apakšsistēmu ar akumulatora modeli, aptverot visus darbības režīmus, piemēram, novietošanu stāvvietā, braukšanu un uzlādi. Tas nodrošina precīzu mijiedarbības simulāciju starp dažādām apakšsistēmām, izmantojot formālo enerģijas makroskopiskā attēlojuma (EMR) metodi (2000. gadā izstrādāts grafisks rīks apakšsistēmu savienojumu organizēšanai, jaudas plūsmas un cēloņsakarību attēlošanai). Pētījumi liecina, ka uzlādes biežuma samazināšana (piemēram, ikdienas uzlādes maiņa uz ik pēc četrām dienām) var ievērojami pagarināt laiku, līdz akumulators sasniedz 80% SOH. Šī integrētā pieeja nodrošina nozīmīgu progresu akumulatora pārvaldības optimizēšanā un izpratnē par uzlādes prakses ietekmi uz akumulatora novecošanos.
Jaunām metodēm, piemēram, AIC-SE un VBMCCKF, ir ievērojamas priekšrocības SOC novērtējuma precizitātē un skaitļošanas efektivitātē. AIC-SE labi darbojas skaitļošanas efektivitātes ziņā, savukārt VBMCCKF darbojas labāk, apstrādājot mērījumu kļūdu un trokšņainas vides dinamisko novērtēšanu. Ja precizitātei un trokšņu apstrādei tiek dota prioritāte, variācijas Bajesa un maksimālās korelācijas entropijas kritēriju apvienošana var būt pašreizējā labākā izvēle; Ja mēs koncentrējamies uz skaitļošanas efektivitāti un reāllaika lietojumprogrammām, AIC-SE ir laba izvēle, norādot, ka ECM modelēšanas metodēm joprojām ir priekšrocības šajā jomā. Turklāt 2024. gadā pētītajā akumulatora novecošanas modelī ir vispusīgi ņemta vērā vairāku faktoru ietekme uz akumulatora noārdīšanos, kam ir liela nozīme akumulatora darbības laika optimizēšanā (pamatojoties uz uzlādes praksi). Kopumā šīs izmaiņas ne tikai uzlabo SOC novērtējuma precizitāti, bet arī palīdz pagarināt akumulatora darbības laiku un uzlabot akumulatora darbības uzticamību.
4. Veselības stāvokļa (SOH) novērtēšanas metodes
4.1. Tradicionālās SOH novērtēšanas metodes
Tradicionālā SOH novērtēšanas metode tiek plaši izmantota akadēmiskajā un rūpnieciskajā jomā, galvenokārt balstoties uz tādiem pamatparametriem kā jaudas samazināšanās, iekšējā pretestība un cikla kalpošanas laiks, lai novērtētu akumulatora SOH (attiecīgās formulas un parametru nozīmes skatiet 4. tabulā). Šīs metodes nodrošina pamatu akumulatora stāvokļa novērtējumam un palīdz izprast akumulatora veiktspēju. Izprotot šīs tradicionālās metodes, mēs varam labāk izprast jauno novērtēšanas metožu uzlabojumus nākamajās nodaļās. Jaunās metodes bieži izmanto sarežģītākas datu analīzes un prognozēšanas modelēšanas metodes, lai novērstu tradicionālo metožu ierobežojumus. Salīdzinot abus, var noskaidrot SOH novērtēšanas tehnoloģijas attīstību un attīstību un parādīt, kā modernas metodes var uzlabot akumulatoru pārvaldības sistēmu precizitāti un pielāgošanās spēju.
4.2. Jauni sasniegumi tradicionālo metožu aizstāšanā
Jauni veselības rādītāji apvienojumā ar mašīnmācību:Lai uzlabotu SOH prognozēšanas precizitāti, pētījumi ir ieviesuši jaunus veselības rādītājus, piemēram, noārdīšanās ātruma koeficientu (DSR). Formula DSR aprēķināšanai no uzlādes sprieguma līknes slīpuma ir:
Salīdzinot vairāku uzlādes ciklu slīpumus, tiek noteikts akumulatora noārdīšanās ātrums (mV/s) noteiktā sprieguma diapazonā (piemēram, [3.8-3.9V]), kas ir cieši saistīts ar akumulatora ietilpību, un to var izmantot kā galveno indikatoru, lai noteiktu akumulatora darbības laika beigas. Apvienojot Gausa procesa regresijas (GPR) un daudzslāņu perceptronu neironu tīkla (MLPNN) modeļus, var precīzāk novērtēt jaudas zudumu un degradāciju. Salīdzinot ar tradicionālajiem modeļiem, jutīgums un precizitāte ir ievērojami uzlabota, efektīvi atrisinot tradicionālo modeļu problēmu, kuru agrīnā stadijā ir grūti noteikt degradāciju.
Līdzvērtīga ķēdes modeļa uzlabošana:Agrīnās metodes tradicionālo ekvivalento shēmu modeļu (ECM) uzlabošanai turpināja attīstīties, piemēram, SOH novērtēšana, analizējot līdzvērtīgā RC ķēdes modeļa ķermeņa kapacitāti 2015, izmantojot novatoriskus algoritmus, lai aprēķinātu ķermeņa kapacitātes vājinājuma koeficientu. un apvienojot to ar diskrētiem nelineāriem novērotājiem, lai uzlabotu precizitāti un uzticamību; 2024. gadā tika pieņemts otrās kārtas hibrīda ekvivalenta shēmas modelis, kas apvienots ar adaptīvo atjaunināšanas ātrumu un nelineāro novērotāju, lai ņemtu vērā temperatūras ietekmi, panākot augstu SOH novērtējuma precizitāti (vidējā absolūtā kļūda mazāka par 0,5%, RMS kļūda mazāka par 0,2%); Mākoņa risinājums 2023. gadam izmanto ilgtermiņa uzraudzības datus un reāllaika datus, lai novērtētu akumulatora modeļa parametrus, pielāgojot kustīgā loga mazāko kvadrātu algoritmu. Pamatojoties uz ECM modeli, tiek panākts augstas precizitātes SOH novērtējums, kas norāda, ka uzlabotajai ECM metodei joprojām ir būtiska nozīme SOH novērtēšanā, kas atbilst tendencei nepārtraukti uzlabot ECM metodes SOC novērtēšanas tehnoloģijā.
Hibrīda ietvara metode:Jaunajā ietvarā ir integrēta lineārā statistika k-tuvākais kaimiņš (LSKNN), maksimālās informācijas entropijas meklēšana (MIES) un kolektīvā reto variāciju Gausa procesa regresija (CSVGPR), lai apstrādātu datu interpolāciju, trokšņu filtrēšanu, funkciju atlasi un nenoteiktības pārvaldību. LSKNN novērtē trūkstošos datu punktus un filtrē troksni, MIES atlasa funkcijas ar augstu korelāciju ar SOH, un CSVGPR apstrādā datu nenoteiktību, lai uzlabotu prognozēšanas precizitāti. Šī sistēma tika pārbaudīta, izmantojot NASA akumulatoru datu kopu, un, salīdzinot ar tādām metodēm kā ElasticNet, atbalsta vektora regresija (SVR), Random Forest un Gradient Boosting, Root Mean Square Error (RMSE) tika samazināta par 77,8% (no {{3). }}.0510 pakalpojumā ElasticNet uz 0.0113). Salīdzinot ar Gausa procesa modeļiem ar dažādiem kodoliem, RMSE tika samazināts par 55, 5% (no 0, 0254 līdz 0, 0113), apstiprinot struktūras robustumu un augsto precizitāti un nodrošinot precīzāku metodi SOH novērtēšanai.
SOH aprēķinu tehnoloģijas attīstības tendence pāriet no tradicionālajām metodēm uz sarežģītākiem modeļiem, kas piemēroti elektriskajiem transportlīdzekļiem. Jaunās metodes ietver degradācijas modeļu apvienošanu ar klasisko mašīnmācību, uz ECM balstītām metodēm un hibrīdmetodēm. DSR ir svarīgs jauninājums, kas samazina paļaušanos uz pilnu uzlādes ciklu (samazina gaidīšanas laiku par aptuveni 84%) un, apvienojumā ar mašīnmācīšanos, uzlabo jaudas zuduma aplēses precizitāti, pārvarot agrīnas degradācijas noteikšanas grūtības tradicionālajos modeļos. Uzlabotā ECM metode ir sasniegusi labus rezultātus SOH novērtēšanā, kas atbilst ECM metodes nozīmei SOC novērtēšanā. Hibrīdtehnoloģijām (piemēram, iepriekš minētajam jaunajam ietvaram) ir augsta precizitāte. Lai gan reāllaika lietojumprogrammas rada problēmas, efektīva galveno datu apstrādes problēmu risināšana ir būtisks uzlabojums salīdzinājumā ar tradicionālajām SOH novērtēšanas metodēm. Kopumā šie sasniegumi ir vērsti uz reāllaika lietojumprogrammām un uz datiem balstītām metodēm, ievērojami uzlabojot elektrisko transportlīdzekļu akumulatoru pārvaldības sistēmu uzticamību. Padziļinātas mācīšanās metodes, piemēram, LSTM, CNN un hibrīda metodes, ir kļuvušas par galvenajām SOH novērtēšanas metodēm. Nākamajās nodaļās tiks prezentēti attiecīgie pētījumu rezultāti un ieguldījums.
5. Deep Learning pielietojums SOH novērtēšanā
5.1 LSTM un hibrīdie modeļi
Vairākos pētījumos ir izmantoti uzlaboti novecošanas modeļi apvienojumā ar dziļas mācīšanās metodēm, lai uzlabotu SOH novērtējuma precizitāti. Padziļināta mācīšanās ir neaizstājama, lai prognozētu atlikušo lietderīgo mūžu (RUL). Piemēram, integrējot SOH degradācijas modeli un ņemot vērā dažādus darbības apstākļus, piemēram, uzlādes/izlādes strāvu un temperatūru, īpašu formulu var izmantot, lai:
Tostarp I2 {c} un I2 {d} ir normalizētas uzlādes un izlādes strāvas, T3 {c} un T4 {d} ir normalizētas akumulatora un apkārtējās vides temperatūras, T3 {c} un T4 {d} ir uzlādes un izlādes laiki, un (d1-d4) ir svars), kas precīzāk simulē akumulatora noārdīšanos. RUL prognozēšanas modelis, kas balstīts uz LSTM tīklu, uzlabo prognozēšanas precizitāti, taču palielinās skaitļošanas sarežģītība, un reāllaika lietojumprogrammas saskaras ar problēmām. Neironu tīkli var apstrādāt laikā mainīgus akumulatora procesus, nepārtraukti iemācīties pielāgoties izmaiņām akumulatora darbībā un uzturēt modeļa uzticamību.
Izvelkot galvenās funkcijas (piemēram, 6 galvenās funkcijas), lai optimizētu SOH aprēķinus, apvienojumā ar mašīnmācīšanās algoritmiem, lai panāktu augstu precizitāti un zemu skaitļošanas slodzi, sprieguma funkcijām ir nozīmīga loma akumulatora stāvokļa novērtējuma precizitātes uzlabošanā. Vairāku dziļās mācīšanās modeļu (piemēram, CNN, LSTM, GRU un to divvirzienu variantu) apvienošana hibrīdā sistēmā (piemēram, CNN-LSTM-DNN, CNN-GRU-DNN), lai prognozētu RUL, izmantojot plašu funkciju klāstu, lai uzlabotu precizitāte, NASA datu kopas testēšanā samazināja RMSE par 90,5%, bet skaitļošanas stiprums un sarežģītība ierobežo reāllaika lietojumprogrammas. Vairāku modeļu metodes (piemēram, LSTM modeļu bibliotēkas) un uzlabotas optimizācijas stratēģijas (piemēram, LSTM integrēšana AI-BMS sistēmā un ieviešana FPGA) var uzlabot prognozēšanas precizitāti un sistēmas efektivitāti, bet FPGA izmantošana komerciālajos elektriskajos transportlīdzekļos ir saistīta ar izmaksām. un praktiskuma izaicinājumi.
GRU un mīkstās sensoru metožu kombinācijai ir potenciāls ilgtermiņa RUL prognozēšanai laboratorijas vidē, taču praktiskajam lietojumam ir jāpielāgojas dažādiem uzlādes apstākļiem. Izmantojot uz datiem balstītas metodes, piemēram, LSTM, DNN un GRU, lai apstrādātu NASA datu kopas, GRU nodrošina labu veiktspēju (RMSE — 0.003, MAE — 0,003, R kvadrāts). kļūda 0,004), un GRU un LSTM tīklu apvienošana nodrošina labāku veiktspēju. LSTM balstītā metode ekstrahē funkcijas (piemēram, 5 manuālas funkcijas), analizējot akumulatora uzlādes izlādes līkni, un izmanto optimizācijas algoritmus (piemēram, Adam), lai uzlabotu apmācības efektivitāti un prognozēšanas precizitāti. Apmācot viena akumulatora daļējos datus, citu akumulatoru SOH novērtējuma kļūda ir zema, kas ir labāka nekā tradicionālajiem modeļiem.
MDA-LSTM tīkls apvieno vairākas funkcijas un laika informāciju un uzlabo RUL prognozēšanas precizitāti, izmantojot vairākus funkciju saplūšanas moduļus un dubultās uzmanības moduļus. Tas labi darbojas vairāku datu kopu validācijā ar noturību un vispārināšanu. Stacked BiLSTM tīkls tiek izmantots, lai prognozētu SOH, izmantojot nemainīgas strāvas uzlādes datus, un divvirzienu struktūra uzlabo prognozēšanas uzticamību, padarot to piemērotu reāllaika SOH novērtēšanai ātrās uzlādes laikā. TCN-LSTM modelī tiek izmantoti sintētiskie dati un Bajesa optimizācija, lai precīzi rekonstruētu atvērtās ķēdes spriegumu (OCV) un novērtētu veselības stāvokli (SOH) (MAE zem 22mV, MAPE zem 2,2%). To var attiecināt uz dažādām akumulatoru ķīmiskajām sistēmām, izmantojot pārsūtīšanas mācīšanos, taču, ja dati nav pietiekami, pastāv ekstrapolācijas ierobežojumi. Dziļās kodolsintēzes metode (piemēram, izmantojot vēsturiskos datus un vairākus veselības rādītājus) nodrošina augstu precizitāti (MAPE zem 2,97%), veicot pilnas uzlādes izlādes testus, un gan globālā sistēma, kas balstīta uz GPR, gan DFTN modelis atsevišķiem elektriskajiem transportlīdzekļiem, ir sasniegusi labus rezultātus. .
5.2. CNN un CNN-LSTM integrētais modelis
CNN-WNN-WLSTM metode integrē CNN, WNN un WLSTM tīklus. CNN iegūst funkcijas, WNN un WLSTM procesa funkcijas un novērtē SOH. RMSprop optimizētājs tiek izmantots, lai uzlabotu veiktspēju un pārspēj tradicionālās metodes NASA datu kopas testēšanā, nodrošinot daudzsološu pieeju akumulatora veselības pārvaldībai. CNN-LSTM-CRF modelis ir iedvesmots no dabiskās valodas apstrādes, un CRF slānis tver izvades mainīgās atkarības, lai uzlabotu akumulatora jaudas prognozēšanas precizitāti un intuitivitāti. Tomēr skaitļošanas prasības ir augstas un pārsniedz iebūvēto procesoru iespējas. Nākotnē ir nepieciešami pētījumi, lai uzlabotu tā praktiskumu (piemēram, ar pārneses apmācību). LSTNet modelis uzlabo akumulatora jaudas prognozēšanas veiktspēju, segmentējot datus, integrējot ConvLSTM un AR komponentus un optimizējot struktūru (piemēram, NASA datu kopas testēšanā RMSE bija 0,65%, MAE bija 0). 58%, un MAPE bija 0,435%, ja apmācīts uz 40% datu).
Integrējot uzlabotus CNN un ECSSA optimizācijas algoritmus, lai prognozētu cietvielu litija jonu akumulatoru RUL, CNN uzlabo funkciju ieguvi un prognozēšanas precizitāti, optimizējot hiperparametrus un struktūras (piemēram, izmantojot uzlabotus konvolūcijas slāņus, aktivizācijas funkcijas un atlikušos savienojumus), vienlaikus ECSSA optimizē modeļa parametrus, izmantojot novatoriskas matemātiskās metodes (piemēram, Circle Chaotic Mapping, Nonlinear Absorbcijas koeficients un Cauchy mutācija), lai uzlabotu RUL prognozēšanas precizitāti un robustumu. PCA un CNN apvienošana funkciju optimizācijai un izmēru samazināšanai uzlabo SOH novērtējuma precizitāti un efektivitāti (salīdzinot ar tradicionālajiem CNN un fiksēto izmēru PCA-CNN modeļiem, MAE palielinās par vairāk nekā 20%, bet RMSE palielinās par vairāk nekā 30%). Reāllaika SOH aprēķinu modelis integrē 1D-CNN un BiGRU, izmantojot BMS datus, lai izvairītos no sarežģītu funkciju ieguves, un panākot augstu precizitāti, izmantojot Baijesa hiperparametru optimizāciju (piemēram, NASA datu kopas testēšanā MAE ir 2,080%, RMSE ir 2,516%. un EOL indeksa kļūda ir nulle).
5.3. Optimizācijas stratēģijas dziļās mācīšanās modeļiem
Pirmkārt, izlases meža algoritms tika izmantots, lai identificētu galvenos veselības faktorus, un pēc tam tika izmantota ģenētiskā algoritma daļiņu spieta optimizācijas (GA-PSO) tehnika, lai optimizētu atbalsta vektora regresijas (SVR) modeļa parametrus veselības stāvokļa (SOH) novērtēšanai. Efektivitāte tika pārbaudīta ar četrām baterijām, uzlabojot precizitāti un konverģences ātrumu (RMSE — 0,40%, MAPE — 0,56%), kas ir pārāks par citām saistītām metodēm. GWO-BRNN hibrīdmetode izmanto pelēkā vilka optimizāciju (GWO), lai atlasītu hiperparametrus Bayesian regularized neironu tīkliem (BRNN). Pamatojoties uz NASA datu kopu, SOH novērtējuma kļūda ir mazāka par 1%, bet skaitļošanas sarežģītība ir augsta un praktiskie pielietojumi ir ierobežoti. Tieši izmantojot elektrisko transportlīdzekļu neapstrādātos datus, lai novērtētu SOH un prognozētu RUL, uzlabojot precizitāti, ieviešot jaunas novērtēšanas funkcijas un interpolācijas korekcijas metodes (samazinot strāvas integrācijas relatīvo kļūdu līdz 0,94%), apvienojumā ar optimizācijas metodi D-NSGA-II, lai turpinātu. optimizēt SOH aprēķinus un samazināt aprēķina laiku. Reaģējot uz grūtībām novērtēt veselības stāvokli (SOH), ko izraisa nepilnīga litija jonu akumulatoru uzlāde un izlāde elektriskajos transportlīdzekļos, tiek piedāvāta netiešās novērtēšanas metode (ATAGA-BP). Metode izmanto pastāvīgā sprieguma uzlādes stadijas raksturlielumus kā veselības indikatoru un tiek apstiprināta, simulējot ar NASA datiem. Metodei ir augsta korelācija ar akumulatora ietilpību (vairāk nekā 85%), ar SOH novērtējuma kļūdu 3,7% un iteratīvo efektivitātes uzlabojumu par 17,8%.
Padziļināta mācīšanās ir panākusi ievērojamu progresu SOH novērtēšanā, un visaptveroši modeļi, kuros ņemti vērā vairāki faktori, nodrošina dziļāku izpratni par akumulatora noārdīšanos. LSTM tīkli ir svarīgi, lai uztvertu laika atkarības un prognozētu RUL, taču to skaitļošanas sarežģītība rada problēmas reāllaika lietojumprogrammām. Iezīmju iegūšanas metodes ir svarīgas un var optimizēt SOH aprēķinus. Hibrīdu modeļu un dažādu neironu tīklu arhitektūru kombinācijai akumulatora datu sarežģītības apstrādei ir daudzsološas perspektīvas, taču augstās skaitļošanas prasības ierobežo praktisku pielietojumu. Tādas optimizācijas stratēģijas kā GA-PSO, GWO-BRNN un D-NSGA-II ir uzlabojušas precizitāti un efektivitāti, taču sarežģītu algoritmu ieviešana ir sarežģīta un prasa līdzsvaru starp precizitāti un izpildes vienkāršību. Uzlabotai AI tehnoloģijai ir izšķiroša nozīme sekundāro akumulatoru lietošanā (trūkst detalizētu lietošanas datu). Nākamajās nodaļās tiks sniegts pārskats par pašreizējo sekundāro lietojumu pētījumu stāvokli, jo īpaši akumulatoru atkārtotas izmantošanas jomā.
6. Kopsavilkums
Šis raksts veicina SOH un SOC aprēķinu izstrādi litija jonu akumulatoriem elektriskajos transportlīdzekļos, izmantojot novatoriskas metodes un modeļus, aptverot dažādas tehnoloģijas, sākot no tradicionālās mašīnmācīšanās līdz uzlabotiem dziļās mācīšanās modeļiem, piemēram, LSTM un CNN. Tomēr katrai metodei ir atšķirības precizitātē, sarežģītībā un piemērojamībā, kas apgrūtina tiešu salīdzināšanu. Pētījumi atklāja, ka datu apstrāde un avoti būtiski ietekmē modeļa veiktspēju, un faktiskai izvietošanai ir nepieciešama turpmāka apstiprināšana. Lai gan dziļās mācīšanās modeļi ir parādījuši priekšrocības sarežģītu datu apstrādē, tie joprojām saskaras ar tādām problēmām kā augstas skaitļošanas resursu prasības un spēja pielāgoties praktiskiem pielietojuma scenārijiem. Turpmākajos pētījumos būtu jākoncentrējas uz funkciju atlases uzlabošanu, anomāliju noteikšanu, pielāgošanos dažādiem vides apstākļiem, algoritmu optimizēšanu, lai uzlabotu skaitļošanas efektivitāti, reāllaika lietojumprogrammu iegūšanu, vairāku datu avotu integrēšanu, lai uzlabotu SOH aplēses modeļa veiktspēju, vienlaikus risinot arī problēmas sekundārajās akumulatoru lietojumprogrammās. , izstrādājot efektīvus risinājumus un veicinot akumulatoru pārvaldības sistēmu izstrādi, lai apmierinātu pieaugošās prasības elektrisko transportlīdzekļu un enerģijas uzglabāšanas jomā.