Περίληψη
Η τεχνολογία εκτίμησης κατάστασης υγείας (SOH) για μπαταρίες ιόντων λιθίου είναι ζωτικής σημασίας για την ασφάλεια και την αξιοπιστία των ηλεκτρικών οχημάτων. Με την ανάπτυξη τεχνολογιών τεχνητής νοημοσύνης (AI) και μηχανικής μάθησης (ML), ο τομέας της διαχείρισης μπαταριών αρχίζει να υιοθετεί αυτές τις μεθόδους για τη βελτίωση της αποτελεσματικότητας και της σταθερότητας. Ειδικά, τα νευρωνικά δίκτυα έχουν δείξει πλεονεκτήματα σε υψηλή απόδοση, χαμηλή κατανάλωση ενέργειας, υψηλή ευρωστία και επεκτασιμότητα στην προσομοίωση και την πρόβλεψη SOH. Το υβριδικό μοντέλο, σε συνδυασμό με μοντέλα ισοδύναμων κυκλωμάτων (ECM) και βαθιάς μάθησης, έχει αποδειχθεί ότι έχει δυνατότητες βελτίωσης της ακρίβειας και της απόδοσης σε πραγματικό χρόνο της εκτίμησης SOH. Οι μελλοντικές κατευθύνσεις έρευνας περιλαμβάνουν τη χρήση περισσότερων επιτόπιων δεδομένων για έλεγχο χαρακτηριστικών υγείας και κατασκευή μοντέλων, καθώς και έξυπνο έλεγχο και συνδυασμό παραμέτρων μπαταρίας για τον ακριβέστερο χαρακτηρισμό της πραγματικής SOH. Η ανάπτυξη αυτών των τεχνολογιών θα ενισχύσει περαιτέρω την επιστημονική, αξιόπιστη, σταθερή και στιβαρή διαχείριση των μπαταριών ηλεκτρικών οχημάτων.
1. Εν συντομία
1.1 Η σημασία των μπαταριών ιόντων λιθίου για ηλεκτρικά οχήματα και η κρίσιμη σημασία της εκτίμησης SOH
Οι μπαταρίες ιόντων λιθίου είναι ζωτικής σημασίας για τη λειτουργία των ηλεκτρικών οχημάτων και η απόδοσή τους επηρεάζεται από διάφορες διαδικασίες υποβάθμισης. Η ακριβής εκτίμηση της κατάστασης υγείας (SOH) των μπαταριών είναι ζωτικής σημασίας για τη διασφάλιση της ασφαλούς, αξιόπιστης και οικονομικής λειτουργίας των ηλεκτρικών οχημάτων. Καθώς η ζήτηση για ηλεκτρικά οχήματα αυξάνεται, η παρακολούθηση SOH γίνεται όλο και πιο σημαντική, καθώς οι μπαταρίες ιόντων λιθίου συνήθως πέφτουν στο 80% της αρχικής χωρητικότητάς τους πριν από το τέλος της διάρκειας ζωής τους. Επιπλέον, η κατάσταση φόρτισης (SOC) είναι επίσης μια βασική παράμετρος και οι αλλαγές της μπορεί να αντικατοπτρίζουν τη γήρανση και την υποβάθμιση της χωρητικότητας της μπαταρίας. Η ακριβής πρόβλεψη SOC είναι χρήσιμη για την εκτίμηση SOH, η οποία με τη σειρά της καθορίζει την υπολειπόμενη διάρκεια ζωής της μπαταρίας.
1.2 Ανάπτυξη μεθόδων εκτίμησης SOH
Επισκόπηση και πρόοδος των υφιστάμενων μεθόδων:Έχουν αναπτυχθεί πολλαπλές μέθοδοι εκτίμησης SOH, μεταξύ των οποίων μέθοδοι βασισμένες στο SOC ενσωματώνουν δεδομένα σε πραγματικό χρόνο, όπως ρεύμα, τάση και θερμοκρασία για την επίτευξη ακριβέστερης πρόβλεψης SOH σε πολλαπλούς κύκλους φόρτισης και εκφόρτισης, τη βελτιστοποίηση της απόδοσης της μπαταρίας, την πρόληψη βλαβών και την επέκταση της διάρκειας ζωής της μπαταρίας . Οι πιο πρόσφατες εξελίξεις στις μεθόδους μηχανικής μάθησης έχουν βελτιώσει περαιτέρω την εκτίμηση SOH και τα νευρωνικά δίκτυα όπως τα τροφοδοτικά και συνελικτικά νευρωνικά δίκτυα έχουν καλή απόδοση στη μοντελοποίηση μπαταριών, ξεπερνώντας τις παραδοσιακές μεθόδους παλινδρόμησης σε πολυπλοκότητα και ακρίβεια, με μέση απόκλιση σφάλματος περίπου 0 0,16% και ένα ριζικό μέσο τετραγωνικό σφάλμα 5,57 mV στο επίπεδο της μπαταρίας.
1.3 Ταξινόμηση και χαρακτηριστικά των μεθόδων μοντελοποίησης μπαταριών
Οι μέθοδοι ανάλυσης, όπως οι τεχνικές ολοκλήρωσης ρεύματος και τάσης ανοιχτού κυκλώματος (OCV) μπορούν να παρέχουν σαφείς εκτιμήσεις SOH, αλλά επηρεάζονται από τον συσσωρευμένο θόρυβο και απαιτούν μεγάλες περιόδους παραμονής για να εξασφαλιστεί η ακρίβεια.
Προσέγγιση βάσει μοντέλου
Μοντέλο λευκού κουτιού:Βασισμένο σε λεπτομερείς ηλεκτροχημικές αρχές, προσομοιώνει τη συμπεριφορά της μπαταρίας μέσω βασικών παραμέτρων με υψηλή ακρίβεια. Ωστόσο, οι υψηλές υπολογιστικές του απαιτήσεις και οι απλοποιημένες υποθέσεις για τη δυναμική του πραγματικού κόσμου μειώνουν την ακρίβειά του υπό δυναμικές συνθήκες, καθιστώντας το ακατάλληλο για εφαρμογές σε πραγματικό χρόνο.
Μοντέλα γκρι κουτιού (όπως ECM):Ο συνδυασμός φυσικών πληροφοριών και εμπειρικών προσαρμογών, χρησιμοποιώντας αναλογία κυκλώματος για την προσέγγιση της συμπεριφοράς της μπαταρίας, μπορεί να εκτιμήσει το SOC με υψηλή ακρίβεια (συνήθως εντός σφάλματος 3%) και είναι χρήσιμο για την εκτίμηση SOH σε πραγματικό χρόνο και την πρόβλεψη της υπολειπόμενης ωφέλιμης ζωής (RUL), αλλά αντιμετωπίζει προκλήσεις στην ποιότητα των δεδομένων και στις υπολογιστικές απαιτήσεις. Ένα απλό μοντέλο ισοδύναμου κυκλώματος για μπαταρίες ιόντων λιθίου (συμπεριλαμβανομένων αντιστάσεων σειράς και έως δύο στοιχεία RC) μπορεί να χρησιμοποιηθεί για αξιόπιστη προσομοίωση, ενώ πιο πολύπλοκα ECM (συμπεριλαμβανομένων πολλαπλών διακλαδώσεων RC ή στοιχείων σταθερής φάσης CPE) μπορούν να προσομοιώσουν εξαιρετικά δυναμικές διεργασίες (π. ως λειτουργία ηλεκτρικού οχήματος), αλλά η αυξανόμενη υπολογιστική ζήτηση έχει οδηγήσει στην ανάπτυξη πιο προηγμένων μεθόδων εκτίμησης SOH.
Μοντέλο μαύρου κουτιού (προσέγγιση βάσει δεδομένων):Με βάση τα δεδομένα εισόδου και εξόδου, το μοντέλο κατασκευάζεται χωρίς να βασίζεται σε εσωτερικές γνώσεις αρχής λειτουργίας. Οι τεχνικές μηχανικής εκμάθησης μπορούν να προβλέψουν την κατάσταση της μπαταρίας από μεγάλο όγκο δεδομένων μέτρησης. Η μηχανική μάθηση υπερέχει στον εντοπισμό προτύπων σε πολύπλοκα σύνολα δεδομένων, όπως πολυκαναλικά νευρωνικά δίκτυα που έχουν υψηλή ακρίβεια στην εκτίμηση χωρητικότητας, αλλά βασίζονται σε υψηλής ποιότητας και ποικίλα δεδομένα εκπαίδευσης. Ωστόσο, σε πρακτικές εφαρμογές οχημάτων, πολλές εσωτερικές μεταβλητές δεν μπορούν να μετρηθούν άμεσα, και η σπανιότητα των δεδομένων και η έλλειψη ερμηνείας καθιστούν το μοντέλο δύσκολο να κατανοηθεί και να διατηρηθεί.
1.4 Εξέλιξη μεθόδων μοντέλων και ανάπτυξη υβριδικών μοντέλων
Η εξέλιξη των μεθόδων που βασίζονται σε μοντέλα:Την τελευταία δεκαετία, οι μέθοδοι που βασίζονται σε μοντέλα έχουν αναπτυχθεί συνεχώς, συμπεριλαμβανομένου του φίλτρου Kalman (KF) και των επεκτάσεών του (όπως Extended Kalman Filter EKF, Unscented Kalman Filter UKF). Αυτές οι μέθοδοι έχουν υψηλή ακρίβεια στην εκτίμηση της κατάστασης της μπαταρίας, αλλά απαιτούν ακριβή δυναμικά μοντέλα και είναι πολύπλοκες στην εφαρμογή τους.
Η άνοδος των υβριδικών μοντέλων:Προκειμένου να αντιμετωπιστούν οι περιορισμοί των δεδομένων του πραγματικού κόσμου και να βελτιωθεί η υπολογιστική απόδοση, έχουν προκύψει υβριδικά μοντέλα, τα οποία συνδυάζουν μεθόδους βασισμένες σε μοντέλα και βασισμένες σε δεδομένα για την εκπαίδευση μοντέλων μηχανικής μάθησης μέσω λεπτομερών προσομοιώσεων. Ταυτόχρονα, οι τεχνικές μηχανικής μάθησης έχουν σημειώσει σημαντική πρόοδο τα τελευταία πέντε χρόνια, συμπεριλαμβανομένων των πιθανολογικών μεθόδων, της μετα-μάθησης, της αντίθετης μάθησης, της ημιεποπτευόμενης μάθησης κ.λπ. Η βαθιά μάθηση (ένα υποσύνολο της μηχανικής μάθησης) έχει καλή απόδοση στην επεξεργασία δομημένη και δομημένη και μη δομημένα δεδομένα. Τα νευρωνικά δίκτυα φυσικής πληροφόρησης (PINN) συνδυάζουν εμπειρικά μοντέλα υποβάθμισης με νευρωνικά δίκτυα για τη βελτίωση της εκτίμησης SOH, ενισχύοντας την προσαρμοστικότητα των μεθόδων υπό διαφορετικούς τύπους και συνθήκες μπαταριών. Με την ανάπτυξη της αυτοκινητοβιομηχανίας, αυτές οι τεχνολογικές εξελίξεις είναι ζωτικής σημασίας για τη βελτιστοποίηση της απόδοσης της μπαταρίας, την πρόληψη αστοχιών και την υποστήριξη της ανάπτυξης ηλεκτρικών οχημάτων.
1.5 Επισκόπηση των επόμενων κεφαλαίων αυτού του άρθρου
Η Ενότητα 2 παρέχει μια λεπτομερή εισαγωγή στις μεθόδους διαλογής και επιλογής βιβλιογραφίας ανασκόπησης, διασφαλίζοντας τη συστηματική και ολοκληρωμένη φύση της μεθοδολογίας της έρευνας. Η Ενότητα 3 παρέχει μια εις βάθος ανάλυση των τεχνικών εκτίμησης κατάστασης φόρτισης, διερευνώντας την επίδραση των μηχανισμών υποβάθμισης των μπαταριών στις μεθόδους μοντελοποίησης για μπαταρίες ηλεκτρικών οχημάτων, συμπεριλαμβανομένου του φιλτραρίσματος Kalman και των βελτιωμένων μεθόδων του, καθώς και της ενσωμάτωσης με μοντέλα γήρανσης. Η ενότητα 4 εστιάζει στις τεχνικές εκτίμησης SOH, συγκρίνει τις παραδοσιακές μεθόδους με νέες μεθόδους και δίνει έμφαση στις μεθόδους που ισχύουν για ηλεκτρικά οχήματα. Η ενότητα 5 καταδεικνύει το ρόλο της βαθιάς μάθησης στην εκτίμηση SOH, όπως τα δίκτυα μακράς βραχυπρόθεσμης μνήμης (LSTM) και τα υβριδικά μοντέλα, καθώς και πώς τα συνελικτικά νευρωνικά δίκτυα (CNN) εξετάζουν πρακτικούς παράγοντες για τη βελτίωση της ακρίβειας της αξιολόγησης της υγείας. Τέλος, η Ενότητα 6 συνοψίζει και προσβλέπει σε μελλοντικές κατευθύνσεις έρευνας για συστήματα διαχείρισης υγείας μπαταριών για την υποστήριξη της ανάπτυξης της αγοράς ηλεκτρικών οχημάτων και άλλων εφαρμογών αποθήκευσης ενέργειας.
2. Υλικά και Μέθοδοι
2.1 Ορισμός Ερευνητικού Ερωτήματος
Αυτή η μελέτη προτείνει πέντε βασικά ερωτήματα για να καθοδηγήσει την εφαρμογή της τεχνολογίας μηχανικής εκμάθησης στην εκτίμηση SOH των μπαταριών ιόντων λιθίου σε ηλεκτρικά οχήματα.
Αποσαφηνίστε τις κύριες τεχνικές μηχανικής εκμάθησης που χρησιμοποιούνται επί του παρόντος για την εκτίμηση της κατάστασης της υγείας (SOH) των μπαταριών ιόντων λιθίου σε ηλεκτρικά οχήματα και εξερευνήστε τους συγκεκριμένους αλγόριθμους και μοντέλα που αναπτύχθηκαν και χρησιμοποιούνται από ερευνητές.
Εξερευνήστε την επίδραση διαφορετικών πηγών δεδομένων (δεδομένα εργαστηρίου, οχήματος και πεδίου) στην ακρίβεια και την ευρωστία των μοντέλων μηχανικής εκμάθησης εκτίμησης SOH, αναλύστε πώς οι πηγές δεδομένων επηρεάζουν την απόδοση του μοντέλου και προσδιορίστε ποια δεδομένα είναι πιο ωφέλιμα για ακριβή πρόβλεψη SOH.
Προσδιορίστε τις βασικές προκλήσεις της εφαρμογής τεχνικών μηχανικής εκμάθησης στην εκτίμηση SOH των μπαταριών ιόντων λιθίου, καθώς και τις παραλλαγές αυτών των προκλήσεων σε διαφορετικές περιβαλλοντικές συνθήκες και σενάρια εφαρμογής, όπως οι διακυμάνσεις της θερμοκρασίας, η γήρανση και ο αντίκτυπος των διαφορετικών τρόπων χρήσης στο ακρίβεια της εκτίμησης SOH.
Συγκρίνετε τις μεθόδους ανάλυσης της εκτίμησης SOH, τις διαφορές μεταξύ των παραδοσιακών μεθόδων και τη διαδικασία εξέλιξής τους, μελετήστε πώς οι μέθοδοι μηχανικής μάθησης μπορούν να ενσωματωθούν με αυτές τις παραδοσιακές μεθόδους, εντοπίστε τα αντίστοιχα πλεονεκτήματα, μειονεκτήματα και πιθανές συνέργειές τους.
Προσβλέποντας σε μελλοντικές κατευθύνσεις έρευνας για τη βελτίωση της ακρίβειας, της προσαρμοστικότητας και της υπολογιστικής απόδοσης των μοντέλων εκτίμησης SOH που βασίζονται στη μηχανική μάθηση σε μπαταρίες ιόντων λιθίου για ηλεκτρικά οχήματα, εντοπίζοντας ερευνητικά κενά, τεχνικές απαιτήσεις και καινοτόμες μεθόδους.
2.2 Αναζήτηση και προβολή βιβλιογραφίας
Επιλογή βάσης δεδομένων και στρατηγική αναζήτησης: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 ΚΑΙ 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).
Προβολή και εστίαση λογοτεχνίας:Η ανακτηθείσα βιβλιογραφία καλύπτει πολλαπλούς κλάδους, με το πεδίο της μηχανικής να έχει το υψηλότερο ποσοστό (730 άρθρα), ακολουθούμενο από την ενέργεια, την επιστήμη των υπολογιστών και τα μαθηματικά. Μετά την εστίαση στον τομέα της επιστήμης των υπολογιστών, εντοπίστηκαν 209 σχετικά έγγραφα, εκ των οποίων τα 183 δημοσιεύθηκαν μεταξύ 2019 και 2024, υποδεικνύοντας την επικαιρότητα των δεδομένων. Αυτά τα έγγραφα περιλαμβάνουν εργασίες συνεδρίων, άρθρα, κριτικές και κεφάλαια βιβλίων, με 72 άρθρα που δημοσιεύτηκαν μεταξύ 2009 και 2024 ως κύρια βάση ανασκόπησης, ενώ ενσωματώνουν χειροκίνητα σχετικές εργασίες και κεφάλαια βιβλίων από άλλα πεδία μηχανικής για να εξασφαλίσουν ολοκληρωμένη κάλυψη των ερευνητικών περιοχών και να αποτυπώσουν καινοτόμες τεχνολογικές εξελίξεις στη χρήση τεχνητής νοημοσύνης για τη βελτίωση των συστημάτων διαχείρισης μπαταριών.
3. Τεχνολογία εκτίμησης κατάστασης φόρτισης (SOC).
3.1 Μηχανισμός υποβάθμισης της μπαταρίας και ο αντίκτυπός του στην απόδοση
Οι μπαταρίες ιόντων λιθίου υποβαθμίζονται κυρίως μέσω δύο μηχανισμών:απώλεια αποθέματος λιθίου (LLI) και απώλεια ενεργού υλικού (LAM). Το LLI σχετίζεται με το σχηματισμό του στρώματος διεπαφής στερεού ηλεκτρολύτη (SEI) στην άνοδο, το οποίο προέρχεται από την πλευρική αντίδραση μεταξύ των ιόντων λιθίου και του ηλεκτρολύτη. Το LAM προκαλείται από εσωτερική μηχανική καταπόνηση στην μπαταρία, όπως επαναλαμβανόμενη διαστολή και συστολή των υλικών του ηλεκτροδίου κατά τη φόρτιση και την εκφόρτιση, που οδηγεί σε μικρορωγμές και αποκόλληση σωματιδίων ηλεκτροδίων, μειώνοντας την ενεργή επιφάνεια που είναι διαθέσιμη για ηλεκτροχημικές αντιδράσεις, μειώνοντας έτσι τη χωρητικότητα της μπαταρίας. αυξάνοντας την εσωτερική αντίσταση και τελικά επηρεάζοντας την απόδοση της μπαταρίας. Αυτοί οι μηχανισμοί υποβάθμισης επιταχύνονται από παράγοντες όπως η υψηλή κατάσταση φόρτισης, η υψηλή θερμοκρασία και οι επιθετικές συνθήκες ποδηλασίας. Λεπτομερείς πληροφορίες και λεπτομέρειες μοντελοποίησης διαφόρων μηχανισμών γήρανσης (θερμικοί, ηλεκτροχημικοί κ.λπ.) βρίσκονται στη σχετική βιβλιογραφία.
3.2. Τεχνολογία εκτίμησης και μοντελοποίησης SOC για μπαταρίες ηλεκτρικών οχημάτων
Κατά την καθημερινή χρήση ηλεκτρικών οχημάτων, η μπαταρία φορτίζεται συχνά με 20% -40% SOC για τη διατήρηση της υγείας της μπαταρίας, αλλά τα μη γραμμικά χαρακτηριστικά και τα χαρακτηριστικά υποβάθμισης της χωρητικότητας της μπαταρίας μπορεί να οδηγήσουν σε ανακριβείς ενδείξεις SOC, επηρεάζοντας την εκτίμηση της μπαταρίας πλήρης χωρητικότητα. Η απόδοση και η συντήρηση των μπαταριών ιόντων λιθίου επηρεάζονται επίσης από το κλίμα, με τη θερμοκρασία και τη φρεσκάδα των ηλεκτρολυτών (που καθορίζονται από τις ημερομηνίες παραγωγής και πλήρωσης) να επηρεάζουν την απόδοση και τη διάρκεια ζωής των μπαταριών. Τα χαρακτηριστικά των νέων μπαταριών ηλεκτρολυτών μπορεί να διαφέρουν σε διαφορετικά κλίματα και οι στρατηγικές διαχείρισης θερμότητας μπορούν να βοηθήσουν στην αντιμετώπιση προβλημάτων απόδοσης που σχετίζονται με τη θερμοκρασία και στη βελτίωση της ανθεκτικότητας της μπαταρίας.
Το παραδοσιακό μοντέλο ισοδύναμου κυκλώματος (ECM) χρησιμοποιείται συνήθως για την εκτίμηση του SOC, αλλά απαιτεί συχνή βαθμονόμηση. Το άρθρο παρέχει μια λεπτομερή εισαγωγή στις εξισώσεις υπολογισμού SOC που βασίζονται στο ECM (συμπεριλαμβανομένων συνεχών και διακριτών μορφών), που περιλαμβάνουν εξισώσεις χώρου κατάστασης, εξισώσεις τάσης ανοιχτού κυκλώματος και σχέσης SOC, εξισώσεις ενημέρωσης SOC τομέα διακριτού χρόνου και εξισώσεις ενημέρωσης τάσης. Οι σχετικές παράμετροι (όπως αντίσταση, χωρητικότητα, τάση ανοιχτού κυκλώματος κ.λπ.) σχετίζονται στενά με το SOC. Η τυπική εργαστηριακή δοκιμή (όπως η δοκιμή χαρακτηριστικών μικτής ισχύος παλμού σε διαφορετικές θερμοκρασίες) χρησιμοποιείται συνήθως για την αναγνώριση παραμέτρων του μοντέλου μπαταρίας, αλλά η ανακρίβεια του μοντέλου και ο θόρυβος μέτρησης μπορεί να οδηγήσουν σε μικρά σφάλματα στην εκτίμηση SOC. Για να βελτιωθεί η ακρίβεια της εκτίμησης SOC, έχουν χρησιμοποιηθεί διάφορες τεχνικές όπως το φιλτράρισμα Kalman και οι επεκτάσεις του, ο παρατηρητής βάσει PI, ο παρατηρητής λειτουργίας ολίσθησης κ.λπ. για την αντιστάθμιση αυτών των επιπτώσεων και έχουν επίσης αναπτυχθεί μέθοδοι ολοκληρωμένης διόρθωσης για τον χειρισμό της αρχικής αβεβαιότητας του μοντέλου και θόρυβος μέτρησης. Επιπλέον, αν και η φασματοσκοπία ηλεκτροχημικής σύνθετης αντίστασης (EIS) μπορεί να αξιολογήσει τα χαρακτηριστικά της μπαταρίας (συμπεριλαμβανομένων των SOC και SOH), είναι χρονοβόρα και μη πρακτική για εφαρμογές μεγάλης κλίμακας (όπως στόλους ηλεκτρικών οχημάτων), καθιστώντας δύσκολη την αποτύπωση της δυναμικής και μεταβαλλόμενης συνθήκες λειτουργίας μπαταριών ηλεκτρικών οχημάτων. Ως εκ τούτου, απαιτείται μια πιο προσαρμοστική και αποτελεσματική μέθοδος.
3.3. Βελτίωση της Τεχνολογίας
Φίλτρο Kalman και μέθοδοι βελτίωσής του:Το φίλτρο Kalman (KF) και οι επεκτάσεις του (όπως Extended Kalman Filter EKF, Unscented Kalman Filter UKF, Volume Kalman Filter CKF) χρησιμοποιούνται ευρέως για την εκτίμηση SOC. Το KF παρέχει τη βέλτιστη εκτίμηση SOC ελαχιστοποιώντας το μέσο τετραγωνικό σφάλμα, επιλύοντας τα προβλήματα του σωρευτικού σφάλματος και της αρχικής αβεβαιότητας SOC. Ωστόσο, είναι κατάλληλο για γραμμικά συστήματα μεταβλητής χρόνου όπου η μη γραμμική δυναμική των μπαταριών απαιτεί προσέγγιση γραμμικοποίησης. Αν και το EKF επεκτείνει το πλαίσιο KF για να χειριστεί μη γραμμικά μοντέλα, η γραμμικοποίηση μπορεί να επηρεάσει την ακρίβεια και να οδηγήσει σε απόκλιση των εκτιμητών. Νέες μέθοδοι όπως το UKF και το CKF χρησιμοποιούν εκτίμηση σημείων σίγμα για την εκτίμηση στατιστικών μη γραμμικών μετασχηματισμών, ενώ το CKF χρησιμοποιεί τον κανόνα σφαιρικού ακτινικού όγκου για να υπολογίσει ολοκληρώματα πολυμεταβλητών ροπών για να βελτιώσει την ακρίβεια του μη γραμμικού φιλτραρίσματος Bayes. Ωστόσο, αυτά τα φίλτρα τυπικά υποθέτουν ότι τα χαρακτηριστικά θορύβου είναι γνωστά και σταθερά, και σε πρακτικές εφαρμογές, ο θόρυβος είναι μεταβλητός (όπως ο μη Gaussian θόρυβος που δημιουργείται από εξωτερικές παρεμβολές). Ως εκ τούτου, έχουν αναπτυχθεί ισχυρές στρατηγικές προσαρμοστικού φιλτραρίσματος, όπως η χρήση μοντέλων μειγμάτων Gauss (GMM) για τη μοντελοποίηση του μη Gaussian θορύβου για τη βελτίωση της ακρίβειας εκτίμησης κατάστασης. Σχετικές μελέτες έχουν δείξει τις εφαρμογές και τα πλεονεκτήματα αυτών των μεθόδων σε διάφορους τομείς. Επιπλέον, τα κατανεμημένα και κατανεμημένα φίλτρα (όπως το κατανεμημένο φίλτρο Kalman DKF, το κατανεμημένο φίλτρο Kalman και ο σταυρός συνδιακύμανσης DKF-CI) χρησιμοποιούνται για τη βελτιστοποίηση της εκτίμησης κατάστασης διασυνδεδεμένων συστημάτων μεγάλης κλίμακας. Τα στιβαρά και μη γραμμικά φίλτρα (όπως το στιβαρό φίλτρο Kalman) έχουν ανώτερη απόδοση στην αντιμετώπιση πολύπλοκων μη γραμμικοτήτων σε συστήματα μπαταριών (όπως ηλεκτροχημικές διεργασίες). Οι προσαρμοστικές τεχνικές (όπως προσαρμοστικοί αλγόριθμοι EKF και προσαρμοστικοί UKF) προσαρμόζουν δυναμικά τις παραμέτρους του φίλτρου για να προσαρμόζονται στις αλλαγές θορύβου και να βελτιώνουν την ακρίβεια εκτίμησης SOC. Σχετικές μελέτες και παραδείγματα έχουν επαληθεύσει την αποτελεσματικότητα αυτών των μεθόδων.
Άλλες μέθοδοι βελτίωσης:όπως η μέθοδος Adaptive Integral Correction State of Charge Estimation (AIC-SE) που προτείνεται στο 2022, η οποία βασίζεται στο μοντέλο ECM και βελτιώνει την ακρίβεια της εκτίμησης SOC μέσω μηχανισμών διόρθωσης σε πραγματικό χρόνο (συμπεριλαμβανομένης της αντίστασης και διόρθωση χωρητικότητας μπαταρίας) (μέγιστο σφάλμα ± 0,8%, σφάλμα RMS μικρότερο από 0,3%). Η υπολογιστική απόδοση είναι υψηλότερη από το UKF (AIC-SE περίπου 5n λειτουργίες, UKF περίπου n ^ 2 λειτουργίες), αντιμετωπίζοντας αποτελεσματικά τις προκλήσεις της γήρανσης και της υποβάθμισης της μπαταρίας. Το Φίλτρο Kalman Μέγιστης Συσχέτισης Εντροπίας Μεταβλητής Bayesian (VBMCCKF) το 2023 συνδυάζει προηγμένες τεχνικές φιλτραρίσματος και στατιστικών για τη βελτίωση της εκτίμησης συνδιακύμανσης σφαλμάτων μέτρησης χρησιμοποιώντας τη μέθοδο Μεταβλητής Bayesian. Το κριτήριο μέγιστης εντροπίας συσχέτισης χρησιμοποιείται για τον χειρισμό ακραίων τιμών μέτρησης θορύβου μη Gauss, βελτιώνοντας σημαντικά την ακρίβεια εκτίμησης SOC (σε σύγκριση με το EKF, CKF και το Φίλτρο Variational Bayesian Volume Kalman, το μέσο απόλυτο σφάλμα μειώνεται κατά 77%, 68% και 49% , αντίστοιχα), και ενισχύοντας την ευρωστία του συστήματος διαχείρισης μπαταριών.
3.4 Ενσωμάτωση με μοντέλα γήρανσης
Το μοντέλο γήρανσης της μπαταρίας σχετίζεται στενά με την εκτίμηση SOC και η πρόσφατη έρευνα έχει καινοτομήσει και στις δύο πλευρές. Το μοντέλο γήρανσης της μπαταρίας που προτάθηκε το 2024 εξετάζει διεξοδικά τις επιπτώσεις του SOC, της θερμοκρασίας της μπαταρίας, του χρόνου και των πλήρως ισοδύναμων χρόνων κύκλου (NFEC) στη γήρανση της μπαταρίας. Το μοντέλο αποτελείται από δύο μέρη: το πρώτο μέρος εστιάζει στη γήρανση που σχετίζεται με το SOC και τη θερμοκρασία (υπολογισμός της απώλειας χωρητικότητας μέσω συγκεκριμένων τύπων) και το δεύτερο μέρος εξετάζει τον αντίκτυπο των NFEC στη γήρανση. Αυτό το μοντέλο ενσωματώνει καινοτόμα τη γήρανση της μπαταρίας ως υποσύστημα ηλεκτρικού οχήματος με το μοντέλο μπαταρίας, καλύπτοντας όλους τους τρόπους λειτουργίας, όπως στάθμευση, οδήγηση και φόρτιση. Επιτυγχάνει ακριβή προσομοίωση αλληλεπίδρασης μεταξύ διαφορετικών υποσυστημάτων μέσω της επίσημης μεθόδου ενεργειακής μακροσκοπικής αναπαράστασης (EMR) (ένα γραφικό εργαλείο που αναπτύχθηκε το 2000 για την οργάνωση των συνδέσεων υποσυστήματος, την αναπαράσταση της ροής ισχύος και των αιτιακών σχέσεων). Έρευνες έχουν δείξει ότι η μείωση της συχνότητας φόρτισης (όπως η αλλαγή από την καθημερινή φόρτιση σε κάθε τέσσερις ημέρες) μπορεί να παρατείνει σημαντικά το χρόνο για να φτάσει η μπαταρία στο 80% SOH. Αυτή η ολοκληρωμένη προσέγγιση παρέχει σημαντική πρόοδο στη βελτιστοποίηση της διαχείρισης της μπαταρίας και στην κατανόηση του αντίκτυπου των πρακτικών φόρτισης στη γήρανση της μπαταρίας.
Νέες μέθοδοι όπως η AIC-SE και η VBMCCKF έχουν σημαντικά πλεονεκτήματα στην ακρίβεια εκτίμησης SOC και στην υπολογιστική απόδοση. Το AIC-SE έχει καλές επιδόσεις στην υπολογιστική απόδοση, ενώ το VBMCCKF έχει καλύτερες επιδόσεις στον χειρισμό της δυναμικής εκτίμησης των σφαλμάτων μέτρησης και των θορυβωδών περιβαλλόντων. Εάν δοθεί προτεραιότητα στην ακρίβεια και στην επεξεργασία του θορύβου, ο συνδυασμός κριτηρίων μεταβλητής Bayesian και μέγιστης εντροπίας συσχέτισης μπορεί να είναι η καλύτερη επιλογή. Εάν εστιάσουμε στην υπολογιστική απόδοση και τις εφαρμογές σε πραγματικό χρόνο, το AIC-SE είναι μια καλή επιλογή, υποδεικνύοντας ότι οι μέθοδοι μοντελοποίησης ECM εξακολουθούν να έχουν πλεονεκτήματα σε αυτόν τον τομέα. Επιπλέον, το μοντέλο γήρανσης της μπαταρίας που μελετήθηκε το 2024 εξετάζει διεξοδικά τον αντίκτυπο πολλαπλών παραγόντων στην υποβάθμιση της μπαταρίας, κάτι που είναι πολύ σημαντικό για τη βελτιστοποίηση της διάρκειας ζωής της μπαταρίας (με βάση την πρακτική φόρτισης). Συνολικά, αυτές οι εξελίξεις όχι μόνο βελτιώνουν την ακρίβεια της εκτίμησης SOC, αλλά συμβάλλουν επίσης στην παράταση της διάρκειας ζωής της μπαταρίας και στη βελτίωση της λειτουργικής αξιοπιστίας της μπαταρίας.
4. Τεχνικές αξιολόγησης της κατάστασης της υγείας (SOH).
4.1 Παραδοσιακές μέθοδοι εκτίμησης SOH
Η παραδοσιακή μέθοδος εκτίμησης SOH χρησιμοποιείται ευρέως σε ακαδημαϊκά και βιομηχανικά πεδία, βασισμένη κυρίως σε βασικές παραμέτρους όπως η υποβάθμιση της χωρητικότητας, η εσωτερική αντίσταση και η διάρκεια ζωής του κύκλου για την αξιολόγηση του SOH της μπαταρίας (βλ. Πίνακα 4 για σχετικούς τύπους και έννοιες παραμέτρων). Αυτές οι μέθοδοι παρέχουν τη βάση για την αξιολόγηση της υγείας της μπαταρίας και βοηθούν στην κατανόηση της απόδοσης της μπαταρίας. Κατανοώντας αυτές τις παραδοσιακές μεθόδους, μπορούμε να κατανοήσουμε καλύτερα τις βελτιώσεις των νέων μεθόδων εκτίμησης στα επόμενα κεφάλαια. Οι νέες μέθοδοι χρησιμοποιούν συχνά πιο σύνθετες τεχνικές ανάλυσης δεδομένων και προγνωστικών μοντέλων για την αντιμετώπιση των περιορισμών των παραδοσιακών μεθόδων. Η σύγκριση των δύο μπορεί να αποσαφηνίσει την ανάπτυξη και την εξέλιξη της τεχνολογίας εκτίμησης SOH και να δείξει πώς οι σύγχρονες μέθοδοι μπορούν να βελτιώσουν την ακρίβεια και την προσαρμοστικότητα των συστημάτων διαχείρισης μπαταριών.
4.2 Νέες εξελίξεις στην αντικατάσταση των παραδοσιακών μεθόδων
Νέοι δείκτες υγείας σε συνδυασμό με μηχανική μάθηση:Για να βελτιωθεί η ακρίβεια της πρόβλεψης SOH, η έρευνα έχει εισαγάγει νέους δείκτες υγείας, όπως το ποσοστό υποβάθμισης (DSR). Ο τύπος για τον υπολογισμό του DSR από την κλίση της καμπύλης τάσης φόρτισης είναι:
Συγκρίνοντας τις κλίσεις πολλαπλών κύκλων φόρτισης, προσδιορίζεται ο ρυθμός υποβάθμισης (σε mV/s) της μπαταρίας μέσα σε ένα συγκεκριμένο εύρος τάσης (όπως [3.8-3.9V]), το οποίο σχετίζεται στενά με το χωρητικότητα της μπαταρίας και μπορεί να χρησιμοποιηθεί ως βασικός δείκτης για τον προσδιορισμό του τέλους της διάρκειας ζωής της μπαταρίας. Ο συνδυασμός μοντέλων Παλινδρόμησης Διεργασίας Gauss (GPR) και Νευρωνικού Δικτύου Πολυστρωματικού Perceptron (MLPNN) μπορεί να εκτιμήσει με μεγαλύτερη ακρίβεια την απώλεια χωρητικότητας και την υποβάθμιση. Σε σύγκριση με τα παραδοσιακά μοντέλα, η ευαισθησία και η ακρίβεια βελτιώνονται σημαντικά, επιλύοντας αποτελεσματικά το πρόβλημα των παραδοσιακών μοντέλων που είναι δύσκολο να εντοπιστούν έγκαιρα η υποβάθμιση.
Βελτίωση μοντέλου ισοδύναμου κυκλώματος:Οι πρώιμες μέθοδοι για τη βελτίωση των παραδοσιακών μοντέλων ισοδύναμων κυκλωμάτων (ECM) συνέχισαν να αναπτύσσονται, όπως η εκτίμηση του SOH με την ανάλυση της χωρητικότητας του σώματος του ισοδύναμου μοντέλου κυκλώματος RC στο 2015, χρησιμοποιώντας καινοτόμους αλγόριθμους για τον υπολογισμό του συντελεστή εξασθένησης της χωρητικότητας σώματος. και ο συνδυασμός του με διακριτούς μη γραμμικούς παρατηρητές για τη βελτίωση της ακρίβειας και της αξιοπιστίας. Στο 2024, ένα μοντέλο υβριδικού ισοδύναμου κυκλώματος δεύτερης τάξης σε συνδυασμό με προσαρμοστικό ρυθμό ενημέρωσης και μη γραμμικό παρατηρητή υιοθετήθηκε για να ληφθεί υπόψη η επίδραση της θερμοκρασίας, επιτυγχάνοντας υψηλή ακρίβεια στην εκτίμηση SOH (μέσο απόλυτο σφάλμα μικρότερο από 0,5%, RMS σφάλμα μικρότερο από 0,2%). Η λύση cloud για το 2023 χρησιμοποιεί δεδομένα μακροπρόθεσμης παρακολούθησης και δεδομένα σε πραγματικό χρόνο για την εκτίμηση των παραμέτρων του μοντέλου της μπαταρίας προσαρμόζοντας τον αλγόριθμο των ελαχίστων τετραγώνων του κινούμενου παραθύρου. Με βάση το μοντέλο ECM, επιτυγχάνεται αξιολόγηση SOH υψηλής ακρίβειας, υποδεικνύοντας ότι η βελτιωμένη μέθοδος ECM εξακολουθεί να έχει σημαντική σημασία στην εκτίμηση SOH, σύμφωνα με την τάση συνεχούς βελτίωσης των μεθόδων ECM στην τεχνολογία εκτίμησης SOC.
Μέθοδος υβριδικού πλαισίου:Το νέο πλαίσιο ενσωματώνει Linear Statistical k-Nearest Neighbor (LSKNN), Maximum Information Entropy Search (MIES) και Collective Sparse Variational Gaussian Process Regression (CSVGPR) για την επεξεργασία παρεμβολής δεδομένων, φιλτράρισμα θορύβου, επιλογή χαρακτηριστικών και διαχείριση αβεβαιότητας. Το LSKNN εκτιμά τα σημεία δεδομένων που λείπουν και φιλτράρει το θόρυβο, το MIES επιλέγει χαρακτηριστικά με υψηλή συσχέτιση με το SOH και το CSVGPR επεξεργάζεται την αβεβαιότητα δεδομένων για να βελτιώσει την ακρίβεια πρόβλεψης. Αυτό το πλαίσιο δοκιμάστηκε χρησιμοποιώντας το σύνολο δεδομένων μπαταρίας της NASA και σε σύγκριση με μεθόδους όπως ElasticNet, Support Vector Regression (SVR), Random Forest και Gradient Boosting, το Root Mean Square Error (RMSE) μειώθηκε κατά 77,8% (από {{3 }}.0510 στο ElasticNet έως 0.0113). Σε σύγκριση με μοντέλα διεργασιών Gauss με διαφορετικούς πυρήνες, το RMSE μειώθηκε κατά 55,5% (από 0,0254 σε 0,0113), επιβεβαιώνοντας την ευρωστία και την υψηλή ακρίβεια του πλαισίου και παρέχοντας μια πιο ακριβή μέθοδο για την εκτίμηση SOH.
Η τάση ανάπτυξης της τεχνολογίας εκτίμησης SOH μετατοπίζεται από τις παραδοσιακές μεθόδους σε πιο σύνθετα μοντέλα κατάλληλα για ηλεκτρικά οχήματα. Οι νέες μέθοδοι περιλαμβάνουν συνδυασμό μοντέλων υποβάθμισης με κλασική μηχανική μάθηση, μεθόδους που βασίζονται στο ECM και υβριδικές μεθόδους. Το DSR είναι μια σημαντική καινοτομία που μειώνει την εξάρτηση από έναν πλήρη κύκλο φόρτισης (μειώνοντας τον χρόνο αναμονής κατά περίπου 84%) και, όταν συνδυάζεται με μηχανική εκμάθηση, βελτιώνει την ακρίβεια της εκτίμησης απώλειας χωρητικότητας, ξεπερνώντας τη δυσκολία του έγκαιρου εντοπισμού υποβάθμισης στα παραδοσιακά μοντέλα. Η βελτιωμένη μέθοδος ECM έχει επιτύχει καλά αποτελέσματα στην εκτίμηση SOH, κάτι που συνάδει με τη σημασία της μεθόδου ECM στην εκτίμηση SOC. Οι υβριδικές τεχνολογίες (όπως το νέο πλαίσιο που αναφέρθηκε παραπάνω) έχουν υψηλή ακρίβεια. Αν και οι εφαρμογές σε πραγματικό χρόνο θέτουν προκλήσεις, η αποτελεσματική επίλυση βασικών προβλημάτων επεξεργασίας δεδομένων αποτελεί σημαντική βελτίωση σε σχέση με τις παραδοσιακές μεθόδους εκτίμησης SOH. Συνολικά, αυτές οι εξελίξεις επικεντρώνονται σε εφαρμογές σε πραγματικό χρόνο και σε μεθόδους που βασίζονται σε δεδομένα, βελτιώνοντας σημαντικά την αξιοπιστία των συστημάτων διαχείρισης μπαταριών ηλεκτρικών οχημάτων. Οι μέθοδοι βαθιάς μάθησης όπως το LSTM, τα CNN και οι υβριδικές τεχνικές έχουν γίνει οι κύριες μέθοδοι για την εκτίμηση SOH. Τα επόμενα κεφάλαια θα παρουσιάσουν σχετικά ερευνητικά αποτελέσματα και συνεισφορές.
5. Εφαρμογή Deep Learning στην Εκτίμηση SOH
5.1 LSTM και υβριδικά μοντέλα
Πολλαπλές μελέτες έχουν χρησιμοποιήσει βελτιωμένα μοντέλα γήρανσης σε συνδυασμό με τεχνικές βαθιάς μάθησης για να βελτιώσουν την ακρίβεια της εκτίμησης SOH. Η βαθιά μάθηση είναι απαραίτητη για την πρόβλεψη της εναπομένουσας χρήσιμης ζωής (RUL). Για παράδειγμα, ενσωματώνοντας το μοντέλο υποβάθμισης SOH και λαμβάνοντας υπόψη διάφορες συνθήκες λειτουργίας, όπως ρεύμα φόρτισης/εκφόρτισης και θερμοκρασία, μπορεί να χρησιμοποιηθεί ένας συγκεκριμένος τύπος για:
Μεταξύ αυτών, τα I2 {c} και I2 {d} είναι κανονικοποιημένα ρεύματα φόρτισης και εκφόρτισης, T3 {c} και T4 {d} είναι κανονικοποιημένες θερμοκρασίες μπαταρίας και περιβάλλοντος, T3 {c} και T4 {d} είναι χρόνοι φόρτισης και εκφόρτισης, και (d1-d4) είναι ένα βάρος), το οποίο προσομοιώνει με μεγαλύτερη ακρίβεια την υποβάθμιση της μπαταρίας. Το μοντέλο πρόβλεψης RUL που βασίζεται στο δίκτυο LSTM βελτιώνει την ακρίβεια πρόβλεψης, αλλά η υπολογιστική πολυπλοκότητα αυξάνεται και οι εφαρμογές σε πραγματικό χρόνο αντιμετωπίζουν προκλήσεις. Τα νευρωνικά δίκτυα μπορούν να χειρίζονται χρονικά μεταβαλλόμενες διαδικασίες μπαταρίας, να μαθαίνουν συνεχώς να προσαρμόζονται στις αλλαγές στη συμπεριφορά της μπαταρίας και να διατηρούν την αξιοπιστία του μοντέλου.
Εξάγοντας βασικά χαρακτηριστικά (όπως 6 βασικά χαρακτηριστικά) για τη βελτιστοποίηση της εκτίμησης SOH, σε συνδυασμό με αλγόριθμους μηχανικής μάθησης για την επίτευξη υψηλής ακρίβειας και χαμηλού υπολογιστικού φορτίου, τα χαρακτηριστικά τάσης διαδραματίζουν σημαντικό ρόλο στη βελτίωση της ακρίβειας της αξιολόγησης της κατάστασης της μπαταρίας. Συνδυάζοντας πολλαπλά μοντέλα βαθιάς μάθησης (όπως CNN, LSTM, GRU και τις αμφίδρομες παραλλαγές τους) σε ένα υβριδικό πλαίσιο (όπως CNN-LSTM-DNN, CNN-GRU-DNN) για την πρόβλεψη του RUL, χρησιμοποιώντας ένα ευρύ φάσμα χαρακτηριστικών για βελτίωση ακρίβεια, μείωσε το RMSE κατά 90,5% στις δοκιμές δεδομένων της NASA, αλλά η υπολογιστική ισχύς και η πολυπλοκότητα περιορίζουν τις εφαρμογές σε πραγματικό χρόνο. Οι μέθοδοι πολλαπλών μοντέλων (όπως βιβλιοθήκες μοντέλων LSTM) και οι προηγμένες στρατηγικές βελτιστοποίησης (όπως η ενσωμάτωση του LSTM στο πλαίσιο AI-BMS και η εφαρμογή του στο FPGA) μπορούν να βελτιώσουν την ακρίβεια πρόβλεψης και την αποτελεσματικότητα του συστήματος, αλλά η εφαρμογή του FPGA σε επαγγελματικά ηλεκτρικά οχήματα έχει κόστος και προκλήσεις πρακτικότητας.
Ο συνδυασμός μεθόδων GRU και μαλακής ανίχνευσης έχει τη δυνατότητα για μακροπρόθεσμη πρόβλεψη RUL σε εργαστηριακά περιβάλλοντα, αλλά οι πρακτικές εφαρμογές απαιτούν προσαρμογή σε διαφορετικές συνθήκες φόρτισης. Χρησιμοποιώντας μεθόδους που βασίζονται σε δεδομένα όπως LSTM, DNN και GRU για την επεξεργασία συνόλων δεδομένων της NASA, η GRU έχει ισχυρή απόδοση (RMSE 0.003, MAE 0,003, R-squared. σφάλμα 0,004) και ο συνδυασμός δικτύων GRU και LSTM οδηγεί σε καλύτερη απόδοση. Η μέθοδος που βασίζεται στο LSTM εξάγει χαρακτηριστικά (όπως 5 μη αυτόματες λειτουργίες) αναλύοντας την καμπύλη εκφόρτισης φόρτισης της μπαταρίας και χρησιμοποιεί αλγόριθμους βελτιστοποίησης (όπως ο Adam) για τη βελτίωση της αποτελεσματικότητας της προπόνησης και της ακρίβειας πρόβλεψης. Με την εκπαίδευση μερικών δεδομένων μιας μπαταρίας, το σφάλμα εκτίμησης SOH για άλλες μπαταρίες είναι χαμηλό, κάτι που είναι καλύτερο από τα παραδοσιακά μοντέλα.
Το δίκτυο MDA-LSTM συνδυάζει πολλαπλές δυνατότητες και χρονικές πληροφορίες και βελτιώνει την ακρίβεια της πρόβλεψης RUL μέσω πολλαπλών λειτουργικών μονάδων σύντηξης και μονάδων διπλής προσοχής. Έχει καλή απόδοση στην επικύρωση πολλαπλών δεδομένων, με στιβαρότητα και γενίκευση. Το στοιβαγμένο δίκτυο BiLSTM χρησιμοποιείται για την πρόβλεψη SOH χρησιμοποιώντας δεδομένα φόρτισης σταθερού ρεύματος και η αμφίδρομη δομή βελτιώνει την αξιοπιστία πρόβλεψης, καθιστώντας το κατάλληλο για εκτίμηση SOH σε πραγματικό χρόνο κατά τη γρήγορη φόρτιση. Το μοντέλο TCN-LSTM χρησιμοποιεί συνθετικά δεδομένα και βελτιστοποίηση Bayesian για την ακριβή ανακατασκευή της τάσης ανοιχτού κυκλώματος (OCV) και την εκτίμηση της κατάστασης υγείας (SOH) (MAE κάτω από 22mV, MAPE κάτω από 2,2%). Μπορεί να επεκταθεί σε διαφορετικά χημικά συστήματα μπαταρίας μέσω της εκμάθησης μεταφοράς, αλλά υπάρχουν περιορισμοί παρέκτασης όταν τα δεδομένα είναι ανεπαρκή. Η μέθοδος βαθιάς σύντηξης (όπως η χρήση ιστορικών δεδομένων και πολλαπλών δεικτών υγείας) επιτυγχάνει υψηλή ακρίβεια (MAPE κάτω από 2,97%) μέσω δοκιμών πλήρους εκφόρτισης και τόσο το παγκόσμιο πλαίσιο που βασίζεται στο GPR όσο και το μοντέλο DFTN για μεμονωμένα ηλεκτρικά οχήματα έχουν επιτύχει καλά αποτελέσματα .
5.2. Ολοκληρωμένο μοντέλο CNN και CNN-LSTM
Η μέθοδος CNN-WNN-WLSTM ενσωματώνει δίκτυα CNN, WNN και WLSTM. Το CNN εξάγει χαρακτηριστικά, χαρακτηριστικά διεργασίας WNN και WLSTM και εκτιμά το SOH. Ο βελτιστοποιητής RMSprop χρησιμοποιείται για τη βελτίωση της απόδοσης και υπερέχει των παραδοσιακών μεθόδων στη δοκιμή δεδομένων της NASA, παρέχοντας μια πολλά υποσχόμενη προσέγγιση για τη διαχείριση της υγείας της μπαταρίας. Το μοντέλο CNN-LSTM-CRF είναι εμπνευσμένο από την επεξεργασία φυσικής γλώσσας, με το επίπεδο CRF να καταγράφει εξαρτήσεις μεταβλητών εξόδου για να βελτιώσει την ακρίβεια και τη διαισθητική πρόβλεψη χωρητικότητας της μπαταρίας. Ωστόσο, οι υπολογιστικές απαιτήσεις είναι υψηλές και υπερβαίνουν τις δυνατότητες των ενσωματωμένων επεξεργαστών. Στο μέλλον, απαιτείται έρευνα για τη βελτίωση της πρακτικότητάς της (όπως μέσω της μεταφοράς μάθησης). Το μοντέλο LSTNet βελτιώνει την απόδοση πρόβλεψης χωρητικότητας μπαταρίας τμηματοποιώντας δεδομένα, ενσωματώνοντας στοιχεία ConvLSTM και AR και βελτιστοποιώντας τη δομή (για παράδειγμα, στη δοκιμή δεδομένων της NASA, το RMSE ήταν 0,65%, το MAE ήταν 0. 58% και το MAPE ήταν 0.435% όταν εκπαιδεύτηκε σε 40% δεδομένα).
Με την ενσωμάτωση βελτιωμένων αλγορίθμων βελτιστοποίησης CNN και ECSSA για την πρόβλεψη του RUL των μπαταριών ιόντων λιθίου στερεάς κατάστασης, το CNN βελτιώνει την ακρίβεια εξαγωγής και πρόβλεψης χαρακτηριστικών βελτιστοποιώντας υπερπαραμέτρους και δομές (όπως η χρήση προηγμένων συνελικτικών στρωμάτων, συναρτήσεων ενεργοποίησης και υπολειπόμενων συνδέσεων), ενώ Η ECSSA βελτιστοποιεί τις παραμέτρους του μοντέλου μέσω καινοτόμων μαθηματικών μεθόδων (όπως το Circle Χαοτική χαρτογράφηση, μη γραμμικός συντελεστής απορρόφησης και μετάλλαξη Cauchy) για τη βελτίωση της ακρίβειας και της ευρωστίας πρόβλεψης RUL. Ο συνδυασμός PCA και CNN για βελτιστοποίηση χαρακτηριστικών και μείωση διαστάσεων βελτιώνει την ακρίβεια και την αποτελεσματικότητα της εκτίμησης SOH (σε σύγκριση με τα παραδοσιακά μοντέλα CNN και PCA-CNN σταθερών διαστάσεων, το MAE αυξάνεται περισσότερο από 20% και το RMSE αυξάνεται περισσότερο από 30%). Το μοντέλο εκτίμησης SOH σε πραγματικό χρόνο ενσωματώνει 1D-CNN και BiGRU, χρησιμοποιώντας δεδομένα BMS για την αποφυγή εξαγωγής σύνθετων χαρακτηριστικών και επιτυγχάνοντας υψηλή ακρίβεια μέσω Bayesian βελτιστοποίησης υπερπαραμέτρων (όπως στη δοκιμή δεδομένων της NASA, το MAE είναι 2,080%, το RMSE είναι 2,516%, και το σφάλμα ευρετηρίου EOL είναι μηδέν).
5.3. Στρατηγικές βελτιστοποίησης για μοντέλα βαθιάς μάθησης
Αρχικά, χρησιμοποιήθηκε ο αλγόριθμος τυχαίων δασών για τον προσδιορισμό των βασικών παραγόντων υγείας και, στη συνέχεια, χρησιμοποιήθηκε η τεχνική γενετικού αλγόριθμου βελτιστοποίησης σμήνος σωματιδίων (GA-PSO) για τη βελτιστοποίηση των παραμέτρων του μοντέλου παλινδρόμησης διανύσματος υποστήριξης (SVR) για την εκτίμηση της κατάστασης υγείας (SOH). Η αποτελεσματικότητα επαληθεύτηκε σε τέσσερις μπαταρίες, βελτιώνοντας την ακρίβεια και την ταχύτητα σύγκλισης (RMSE 0,40%, MAPE 0,56%), η οποία είναι ανώτερη από άλλες σχετικές μεθόδους. Η υβριδική μέθοδος GWO-BRNN χρησιμοποιεί τη βελτιστοποίηση του γκρίζου λύκου (GWO) για την επιλογή υπερπαραμέτρων για τα κανονικοποιημένα νευρωνικά δίκτυα Bayes (BRNN). Με βάση το σύνολο δεδομένων της NASA, το σφάλμα εκτίμησης SOH είναι μικρότερο από 1%, αλλά η υπολογιστική πολυπλοκότητα είναι υψηλή και οι πρακτικές εφαρμογές περιορισμένες. Άμεση χρήση των ακατέργαστων δεδομένων των ηλεκτρικών οχημάτων για την αξιολόγηση του SOH και την πρόβλεψη του RUL, βελτιώνοντας την ακρίβεια με την εισαγωγή νέων χαρακτηριστικών αξιολόγησης και μεθόδων διόρθωσης παρεμβολής (μειώνοντας το σχετικό σφάλμα της τρέχουσας ολοκλήρωσης σε 0,94%), σε συνδυασμό με τη μέθοδο βελτιστοποίησης D-NSGA-II για περαιτέρω βελτιστοποίηση της εκτίμησης SOH και μείωση του χρόνου υπολογισμού. Ως απάντηση στη δυσκολία εκτίμησης της κατάστασης υγείας (SOH) που προκαλείται από την ατελή φόρτιση και εκφόρτιση των μπαταριών ιόντων λιθίου στα ηλεκτρικά οχήματα, προτείνεται μια μέθοδος έμμεσης εκτίμησης (ATAGA-BP). Η μέθοδος χρησιμοποιεί τα χαρακτηριστικά του σταδίου φόρτισης σταθερής τάσης ως δείκτη υγείας και επικυρώνεται μέσω προσομοίωσης με δεδομένα της NASA. Η μέθοδος έχει υψηλή συσχέτιση με τη χωρητικότητα της μπαταρίας (πάνω από 85%), με σφάλμα εκτίμησης SOH 3,7% και επαναληπτική βελτίωση της απόδοσης 17,8%.
Η βαθιά εκμάθηση έχει σημειώσει σημαντική πρόοδο στην εκτίμηση SOH και τα ολοκληρωμένα μοντέλα που λαμβάνουν υπόψη πολλούς παράγοντες παρέχουν μια βαθύτερη κατανόηση της υποβάθμισης της μπαταρίας. Τα δίκτυα LSTM είναι σημαντικά για την καταγραφή των χρονικών εξαρτήσεων και την πρόβλεψη του RUL, αλλά η υπολογιστική πολυπλοκότητά τους θέτει προκλήσεις για εφαρμογές σε πραγματικό χρόνο. Οι μέθοδοι εξαγωγής χαρακτηριστικών είναι σημαντικές και μπορούν να βελτιστοποιήσουν την εκτίμηση SOH. Ο συνδυασμός υβριδικών μοντέλων και διαφορετικών αρχιτεκτονικών νευρωνικών δικτύων για την επεξεργασία της πολυπλοκότητας των δεδομένων της μπαταρίας έχει πολλά υποσχόμενες προοπτικές, αλλά οι υψηλές υπολογιστικές απαιτήσεις περιορίζουν τις πρακτικές εφαρμογές. Οι στρατηγικές βελτιστοποίησης όπως τα GA-PSO, GWO-BRNN και D-NSGA-II έχουν βελτιωμένη ακρίβεια και αποτελεσματικότητα, αλλά η εφαρμογή πολύπλοκων αλγορίθμων είναι δύσκολη και απαιτεί ισορροπία μεταξύ ακρίβειας και απλότητας εκτέλεσης. Η προηγμένη τεχνολογία AI είναι ζωτικής σημασίας για την εφαρμογή δευτερευουσών μπαταριών (χωρίς λεπτομερή δεδομένα χρήσης). Τα επόμενα κεφάλαια θα παρέχουν μια επισκόπηση της τρέχουσας κατάστασης της δευτερογενούς έρευνας εφαρμογών, ιδιαίτερα στον τομέα της επαναχρησιμοποίησης μπαταριών.
6. Περίληψη
Αυτό το άρθρο προωθεί την ανάπτυξη εκτίμησης SOH και SOC για μπαταρίες ιόντων λιθίου σε ηλεκτρικά οχήματα μέσω καινοτόμων μεθόδων και μοντέλων, καλύπτοντας διάφορες τεχνολογίες από την παραδοσιακή μηχανική μάθηση έως τα προηγμένα μοντέλα βαθιάς εκμάθησης, όπως το LSTM και το CNN. Ωστόσο, κάθε μέθοδος έχει διαφορές στην ακρίβεια, την πολυπλοκότητα και την εφαρμογή, γεγονός που καθιστά δύσκολη την άμεση σύγκριση. Η έρευνα διαπίστωσε ότι η επεξεργασία δεδομένων και οι πηγές έχουν σημαντικό αντίκτυπο στην απόδοση του μοντέλου και απαιτείται περαιτέρω επικύρωση για την πραγματική ανάπτυξη. Αν και τα μοντέλα βαθιάς μάθησης έχουν δείξει πλεονεκτήματα στην επεξεργασία πολύπλοκων δεδομένων, εξακολουθούν να αντιμετωπίζουν προκλήσεις όπως υψηλές απαιτήσεις υπολογιστικών πόρων και προσαρμοστικότητα σε σενάρια πρακτικών εφαρμογών. Η μελλοντική έρευνα θα πρέπει να επικεντρωθεί στη βελτίωση της επιλογής χαρακτηριστικών, στην ανίχνευση ανωμαλιών, στην προσαρμογή σε διαφορετικές περιβαλλοντικές συνθήκες, στη βελτιστοποίηση αλγορίθμων για τη βελτίωση της υπολογιστικής απόδοσης, στην επίτευξη εφαρμογών σε πραγματικό χρόνο, στην ενσωμάτωση πολλαπλών πηγών δεδομένων για τη βελτίωση της απόδοσης του μοντέλου εκτίμησης SOH, ενώ επίσης αντιμετωπίζει προκλήσεις σε δευτερεύουσες εφαρμογές μπαταρίας , την ανάπτυξη αποτελεσματικών λύσεων και την προώθηση της ανάπτυξης συστημάτων διαχείρισης μπαταριών για την κάλυψη των αυξανόμενων απαιτήσεων στους τομείς των ηλεκτρικών οχημάτων και αποθήκευσης ενέργειας.