Abstract
Tehnologia de estimare a stării de sănătate (SOH) pentru bateriile litiu-ion este crucială pentru siguranța și fiabilitatea vehiculelor electrice. Odată cu dezvoltarea tehnologiilor de inteligență artificială (AI) și de învățare automată (ML), domeniul managementului bateriilor începe să adopte aceste metode pentru a îmbunătăți eficiența și stabilitatea. În special, rețelele neuronale au arătat avantaje în ceea ce privește eficiența ridicată, consumul redus de energie, robustețe ridicată și scalabilitate în simularea și predicția SOH. Modelul hibrid, combinat cu modele de circuite echivalente (ECM) și învățare profundă, s-a dovedit a avea potențialul de a îmbunătăți acuratețea și performanța în timp real a estimării SOH. Direcțiile viitoare de cercetare includ utilizarea mai multor date la fața locului pentru screening-ul caracteristicilor de sănătate și construcția modelului, precum și screening-ul inteligent și combinarea parametrilor bateriei pentru a caracteriza mai precis SOH real. Dezvoltarea acestor tehnologii va îmbunătăți și mai mult managementul științific, fiabil, stabil și robust al bateriilor de vehicule electrice.
1. Pe scurt
1.1 Importanța bateriilor litiu-ion pentru vehiculele electrice și semnificația critică a estimării SOH
Bateriile litiu-ion sunt cruciale pentru funcționarea vehiculelor electrice, iar performanța acestora este afectată de diferite procese de degradare. Estimarea cu precizie a stării de sănătate (SOH) a bateriilor este crucială pentru a asigura funcționarea sigură, fiabilă și economică a vehiculelor electrice. Pe măsură ce cererea de vehicule electrice crește, monitorizarea SOH devine din ce în ce mai importantă, deoarece bateriile cu litiu-ion scad de obicei la 80% din capacitatea lor inițială înainte de sfârșitul duratei de viață. În plus, starea de încărcare (SOC) este, de asemenea, un parametru cheie, iar modificările acestuia pot reflecta îmbătrânirea și degradarea capacității bateriei. Predicția SOC precisă este utilă pentru estimarea SOH, care, la rândul său, determină durata de viață rămasă a bateriei.
1.2 Dezvoltarea metodelor de estimare a SOH
Prezentare generală și progresul metodelor existente:Au fost dezvoltate mai multe metode de estimare a SOH, printre care metodele bazate pe SOC integrează date în timp real, cum ar fi curentul, tensiunea și temperatura, pentru a obține o predicție mai precisă a SOH în mai multe cicluri de încărcare și descărcare, pentru a optimiza performanța bateriei, a preveni defecțiunile și a prelungi durata de viață a bateriei. . Cele mai recente progrese în metodele de învățare automată au îmbunătățit și mai mult estimarea SOH, iar rețelele neuronale, cum ar fi rețelele neuronale feedforward și convoluționale, au performanțe bune în modelarea bateriilor, depășind metodele tradiționale de regresie în complexitate și acuratețe, cu o abatere medie a erorii de aproximativ 0 .16% și o eroare pătratică medie de 5,57 mV la nivelul celulei bateriei.
1.3 Clasificarea și caracteristicile metodelor de modelare a bateriilor
Metodele de analiză precum integrarea curentului și tehnicile de tensiune în circuit deschis (OCV) pot oferi estimări clare SOH, dar sunt afectate de zgomotul acumulat și necesită perioade lungi de staționare pentru a asigura acuratețea.
Abordare bazată pe model
Model cutie alba:Bazat pe principii electrochimice detaliate, simulează comportamentul bateriei prin parametrii de bază cu precizie ridicată. Cu toate acestea, cerințele sale de calcul ridicate și ipotezele simplificate pentru dinamica din lumea reală îi reduc precizia în condiții dinamice, făcându-l nepotrivit pentru aplicații în timp real.
Modele cu case gri (cum ar fi ECM):Combinarea perspectivelor fizice și a ajustărilor empirice, folosind analogia circuitului pentru a aproxima comportamentul bateriei, poate estima SOC cu o precizie ridicată (de obicei cu o eroare de 3%) și sunt utile pentru estimarea SOH în timp real și predicția duratei de viață utilă rămasă (RUL), dar se confruntă cu provocări. în calitatea datelor și cerințele de calcul. Un model de circuit echivalent simplu pentru bateriile litiu-ion (inclusiv rezistențe în serie și până la două elemente RC) poate fi utilizat pentru o simulare fiabilă, în timp ce ECM-urile mai complexe (inclusiv mai multe ramuri RC sau elemente cu fază constantă CPE) pot simula procese foarte dinamice (cum ar fi ca funcționarea vehiculelor electrice), dar cererea de calcul în creștere a determinat dezvoltarea unor metode mai avansate de estimare a SOH.
Model cutie neagră (abordare bazată pe date):Pe baza datelor de intrare și de ieșire, modelul este construit fără a se baza pe cunoștințele interne ale principiului de funcționare. Tehnicile de învățare automată pot prezice starea bateriei dintr-o cantitate mare de date de măsurare. Învățarea automată excelează la identificarea tiparelor în seturi de date complexe, cum ar fi rețelele neuronale cu mai multe canale, care au o precizie ridicată în estimarea capacității, dar se bazează pe date de antrenament de înaltă calitate și diverse. Cu toate acestea, în aplicațiile practice ale vehiculelor, multe variabile interne nu pot fi măsurate în mod direct, iar raritatea datelor și lipsa de interpretabilitate fac modelul dificil de înțeles și de întreținut.
1.4 Evoluția metodelor modelului și dezvoltarea modelelor hibride
Evoluția metodelor bazate pe model:În ultimul deceniu, metodele bazate pe model s-au dezvoltat continuu, inclusiv filtrarea Kalman (KF) și extensiile sale (cum ar fi Extended Kalman Filter EKF, Unscented Kalman Filter UKF). Aceste metode au o precizie ridicată în estimarea stării bateriei, dar necesită modele dinamice precise și sunt complexe de implementat.
Creșterea modelelor hibride:Pentru a aborda limitările datelor din lumea reală și pentru a îmbunătăți eficiența computațională, au apărut modele hibride, care combină metode bazate pe model și bazate pe date pentru a antrena modele de învățare automată prin simulări detaliate. În același timp, tehnicile de învățare automată au înregistrat progrese semnificative în ultimii cinci ani, inclusiv metode probabilistice, metaînvățare, învățare contradictorie, învățare semi-supervizată etc. Învățarea profundă (un subset al învățării automate) a avut rezultate bune în procesarea structurată și date nestructurate. Rețelele neuronale de informații fizice (PINN) combină modelele de degradare empirice cu rețelele neuronale pentru a îmbunătăți estimarea SOH, îmbunătățind adaptabilitatea metodelor în diferite tipuri și condiții de baterie. Odată cu dezvoltarea industriei auto, aceste progrese tehnologice sunt cruciale pentru optimizarea performanței bateriei, prevenirea defecțiunilor și sprijinirea dezvoltării vehiculelor electrice.
1.5 Prezentare generală a capitolelor ulterioare din acest articol
Secțiunea 2 oferă o introducere detaliată a metodelor de screening și selectare a literaturii de revizuire, asigurând natura sistematică și cuprinzătoare a metodologiei de cercetare. Secțiunea 3 oferă o analiză aprofundată a tehnicilor de estimare a stării de încărcare, explorând impactul mecanismelor de degradare a bateriei asupra metodelor de modelare pentru bateriile de vehicule electrice, inclusiv filtrarea Kalman și metodele sale îmbunătățite, precum și integrarea cu modelele vechi. Secțiunea 4 se concentrează pe tehnicile de estimare a SOH, compară metodele tradiționale cu metode noi și pune accent pe metodele aplicabile vehiculelor electrice. Secțiunea 5 demonstrează rolul învățării profunde în estimarea SOH, cum ar fi rețelele de memorie pe termen lung (LSTM) și modelele hibride, precum și modul în care rețelele neuronale convoluționale (CNN) iau în considerare factorii practici pentru a îmbunătăți acuratețea evaluării sănătății. În cele din urmă, Secțiunea 6 rezumă și așteaptă cu nerăbdare direcțiile viitoare de cercetare pentru sistemele de management al sănătății bateriilor pentru a sprijini dezvoltarea pieței vehiculelor electrice și a altor aplicații de stocare a energiei.
2. Materiale și Metode
2.1 Definiția întrebării de cercetare
Acest studiu propune cinci întrebări cheie pentru a ghida aplicarea tehnologiei de învățare automată în estimarea SOH a bateriilor litiu-ion din vehiculele electrice.
Clarificați principalele tehnici de învățare automată utilizate în prezent pentru estimarea stării de sănătate (SOH) a bateriilor litiu-ion din vehiculele electrice și explorați algoritmii și modelele specifice dezvoltate și utilizate de cercetători.
Explorați impactul diferitelor surse de date (date de laborator, vehicul și de teren) asupra acurateței și robusteței modelelor de învățare automată de estimare a SOH, analizați modul în care sursele de date afectează performanța modelului și determinați care date sunt cele mai benefice pentru predicția SOH precisă.
Identificați provocările cheie ale aplicării tehnicilor de învățare automată în estimarea SOH a bateriilor litiu-ion, precum și variațiile acestor provocări în diferite condiții de mediu și scenarii de aplicare, cum ar fi fluctuațiile de temperatură, îmbătrânirea și impactul diferitelor moduri de utilizare asupra acuratețea estimării SOH.
Comparați metodele de analiză a estimării SOH, diferențele dintre metodele tradiționale și procesul lor de evoluție, studiați modul în care metodele de învățare automată pot fi integrate cu aceste metode tradiționale, identificați avantajele, dezavantajele și potențialele sinergii ale acestora.
Privind în viitor direcțiile de cercetare viitoare pentru a îmbunătăți acuratețea, adaptabilitatea și eficiența computațională a modelelor de estimare SOH bazate pe învățarea automată în bateriile litiu-ion pentru vehicule electrice, identificând lacunele de cercetare, cerințele tehnice și metodele inovatoare.
2.2 Căutare și examinare a literaturii
Selecția bazei de date și strategia de căutare: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 SI 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).
Proiecția și focalizarea literaturii:Literatura preluată acoperă mai multe domenii disciplinare, domeniul ingineriei având cea mai mare proporție (730 de articole), urmat de energie, informatică și matematică. După concentrarea pe domeniul informaticii, au fost identificate 209 documente relevante, dintre care 183 au fost publicate între 2019 și 2024, indicând actualitatea datelor. Aceste documente includ lucrări de conferință, articole, recenzii și capitole de carte, cu 72 de articole publicate între 2009 și 2024 ca bază principală de revizuire, în timp ce încorporează manual lucrări relevante și capitole de carte din alte domenii de inginerie pentru a asigura o acoperire cuprinzătoare a domeniilor de cercetare și a captura inovatoare. progrese tehnologice în utilizarea inteligenței artificiale pentru îmbunătățirea sistemelor de gestionare a bateriilor.
3. Tehnologia de estimare a stării de încărcare (SOC).
3.1 Mecanismul de degradare a bateriei și impactul acestuia asupra performanței
Bateriile litiu-ion se degradează în principal prin două mecanisme:pierdere de stoc de litiu (LLI) și pierdere de material activ (LAM). LLI este legat de formarea stratului de interfață cu electrolit solid (SEI) pe anod, care provine din reacția secundară dintre ionii de litiu și electrolit. LAM este cauzat de stresul mecanic intern al bateriei, cum ar fi expansiunea și contracția repetată a materialelor electrozilor în timpul încărcării și descărcării, ceea ce duce la microfisuri și detașarea particulelor de electrod, reducând suprafața activă disponibilă pentru reacțiile electrochimice, reducând astfel capacitatea bateriei, creșterea rezistenței interne și, în cele din urmă, afectarea performanței bateriei. Aceste mecanisme de degradare sunt accelerate de factori precum starea de încărcare ridicată, temperatură ridicată și condiții de ciclu agresive. Informații detaliate și detalii de modelare ale diferitelor mecanisme de îmbătrânire (termic, electrochimic etc.) pot fi găsite în literatura relevantă.
3.2. Tehnologia de estimare și modelare SOC pentru bateriile de vehicule electrice
În utilizarea zilnică a vehiculelor electrice, bateria este adesea încărcată la 20% -40% SOC pentru a menține starea de sănătate a bateriei, dar caracteristicile neliniare și de degradare ale capacității bateriei pot duce la citiri SOC inexacte, afectând estimarea bateriei. capacitate maximă. Performanța și întreținerea bateriilor litiu-ion sunt, de asemenea, afectate de climă, temperatura și prospețimea electroliților (determinate de datele de producție și de umplere) afectând eficiența și durata de viață a bateriei. Caracteristicile bateriilor cu electroliți noi pot varia în condiții climatice diferite, iar strategiile de management termic pot ajuta la rezolvarea problemelor de performanță legate de temperatură și la îmbunătățirea durabilității bateriei.
Modelul tradițional de circuit echivalent (ECM) este utilizat în mod obișnuit pentru a estima SOC, dar necesită o calibrare frecventă. Articolul oferă o introducere detaliată a ecuațiilor de calcul SOC bazate pe ECM (inclusiv forme continue și discrete), care implică ecuații de spațiu de stare, ecuații de tensiune în circuit deschis și relație SOC, ecuații de actualizare a SOC în domeniul timp discret și ecuații de actualizare a tensiunii. Parametrii relevanți (cum ar fi rezistența, capacitatea, tensiunea în circuit deschis etc.) sunt strâns legați de SOC. Testarea standard de laborator (cum ar fi testarea caracteristicilor de putere a impulsurilor mixte la diferite temperaturi) este folosită în mod obișnuit pentru identificarea parametrilor modelului bateriei, dar inexactitatea modelului și zgomotul de măsurare pot duce la mici erori în estimarea SOC. Pentru a îmbunătăți acuratețea estimării SOC, au fost utilizate diferite tehnici, cum ar fi filtrarea Kalman și extensiile sale, observatorul bazat pe PI, observatorul cu modul de alunecare etc., pentru a compensa aceste efecte și au fost dezvoltate și metode de corecție integrală pentru a gestiona incertitudinea modelului inițial. și zgomotul de măsurare. În plus, deși spectroscopia de impedanță electrochimică (EIS) poate evalua caracteristicile bateriei (inclusiv SOC și SOH), este consumatoare de timp și nepractică pentru aplicații la scară largă (cum ar fi flotele de vehicule electrice), ceea ce face dificilă surprinderea dinamicii și în schimbare. condițiile de funcționare a bateriilor vehiculelor electrice. Prin urmare, este nevoie de o metodă mai adaptabilă și mai eficientă.
3.3. Îmbunătățirea tehnologiei
Filtrul Kalman și metodele sale de îmbunătățire:Filtrul Kalman (KF) și extensiile sale (cum ar fi filtrul Kalman extins EKF, filtru Kalman neodorit UKF, filtru Kalman de volum CKF) sunt utilizate pe scară largă pentru estimarea SOC. KF oferă estimarea optimă a SOC prin minimizarea erorii pătratice medii, rezolvând problemele de eroare cumulativă și incertitudinea SOC inițială. Cu toate acestea, este potrivit pentru sisteme liniare care variază în timp în care dinamica neliniară a bateriilor necesită o aproximare a liniarizării. Deși EKF extinde cadrul KF pentru a gestiona modele neliniare, liniarizarea poate afecta acuratețea și poate duce la divergența estimatorilor. Noile metode precum UKF și CKF folosesc estimarea punctului sigma pentru a estima statisticile de transformare neliniară, în timp ce CKF utilizează regula volumului radial sferic pentru a calcula integralele de moment multivariate pentru a îmbunătăți acuratețea filtrării neliniare Bayesian. Cu toate acestea, aceste filtre presupun, de obicei, că caracteristicile zgomotului sunt cunoscute și constante, iar în aplicațiile practice, zgomotul este variabil (cum ar fi zgomotul non Gaussian generat de interferențe externe). Prin urmare, au fost dezvoltate strategii robuste de filtrare adaptivă, cum ar fi utilizarea modelelor de amestec Gaussian (GMM) pentru a modela zgomotul non Gaussian pentru a îmbunătăți acuratețea estimării stării. Studiile relevante au arătat aplicațiile și avantajele acestor metode în diferite domenii. În plus, filtrele distribuite și distribuite (cum ar fi filtrul Kalman distribuit DKF, filtrul Kalman distribuit și crucea de covarianță DKF-CI) sunt utilizate pentru a optimiza estimarea stării sistemelor interconectate la scară largă. Filtrele robuste și neliniare (cum ar fi filtrul Kalman robust) au performanțe superioare în tratarea neliniarităților complexe în sistemele de baterii (cum ar fi procesele electrochimice). Tehnicile adaptive (cum ar fi EKF adaptiv și algoritmii adaptivi UKF) ajustează dinamic parametrii filtrului pentru a se adapta la schimbările de zgomot și pentru a îmbunătăți acuratețea estimării SOC. Studiile și exemplele relevante au verificat eficacitatea acestor metode.
Alte metode de îmbunătățire:cum ar fi metoda Adaptive Integral Correction State of Charge Estimation (AIC-SE) propusă în 2022, care se bazează pe modelul ECM și îmbunătățește acuratețea estimării SOC prin mecanisme de corecție în timp real (inclusiv rezistența și corecția capacității bateriei) (eroare maximă ± 0,8%, eroare RMS mai mică de 0,3%). Eficiența de calcul este mai mare decât UKF (AIC-SE aproximativ 5n operațiuni, UKF aproximativ n ^ 2 operațiuni), abordând eficient provocările îmbătrânirii și degradării bateriilor. Filtrul Variational Bayesian Maximum Corelation Entropie Volume Kalman (VBMCCKF) în 2023 combină tehnici avansate de filtrare și statistice pentru a îmbunătăți estimarea covarianței erorii de măsurare folosind metoda Bayesiană Variațională. Criteriul de Entropie de corelație maximă este utilizat pentru a gestiona valorile aberante ale măsurătorilor de zgomot non-Gauss, îmbunătățind semnificativ acuratețea estimării SOC (comparativ cu EKF, CKF și filtrul Kalman cu volum Bayesian variațional, eroarea medie absolută este redusă cu 77%, 68% și 49% , respectiv) și sporirea robusteței sistemului de management al bateriei.
3.4 Integrarea cu modelele de îmbătrânire
Modelul de îmbătrânire a bateriei este strâns legat de estimarea SOC, iar cercetările recente au inovat în ambele aspecte. Modelul de îmbătrânire a bateriei propus în 2024 ia în considerare în mod cuprinzător efectele SOC, temperatura bateriei, timpul și timpii de ciclu complet echivalenti (NFEC) asupra îmbătrânirii bateriei. Modelul constă din două părți: prima parte se concentrează pe SOC și îmbătrânirea legată de temperatură (calcularea pierderii de capacitate prin formule specifice), iar a doua parte ia în considerare impactul NFEC asupra îmbătrânirii. Acest model integrează în mod inovator îmbătrânirea bateriei ca subsistem de vehicul electric cu modelul de baterie, acoperind toate modurile de operare, cum ar fi parcare, conducere și încărcare. Realizează o simulare precisă a interacțiunii între diferite subsisteme prin metoda formală de reprezentare macroscopică a energiei (EMR) (un instrument grafic dezvoltat în 2000 pentru organizarea conexiunilor subsistemului, reprezentarea fluxului de putere și relațiile cauzale). Cercetările au arătat că reducerea frecvenței de încărcare (cum ar fi trecerea de la încărcarea zilnică la fiecare patru zile) poate prelungi semnificativ timpul pentru ca bateria să ajungă la 80% SOH. Această abordare integrată oferă progrese importante în optimizarea gestionării bateriei și înțelegerea impactului practicilor de încărcare asupra îmbătrânirii bateriei.
Noile metode precum AIC-SE și VBMCCKF au avantaje semnificative în precizia estimării SOC și eficiența de calcul. AIC-SE are rezultate bune în ceea ce privește eficiența de calcul, în timp ce VBMCCKF are rezultate mai bune în gestionarea estimării dinamice a erorilor de măsurare și a mediilor zgomotoase. Dacă se acordă prioritate acurateței și procesării zgomotului, combinarea criteriilor bayesiene variaționale și a entropiei de corelație maximă poate fi cea mai bună alegere în prezent; Dacă ne concentrăm pe eficiența computațională și pe aplicațiile în timp real, AIC-SE este o alegere bună, ceea ce indică faptul că metodele de modelare ECM au încă avantaje în acest domeniu. În plus, modelul de îmbătrânire a bateriei studiat în 2024 ia în considerare în mod cuprinzător impactul mai multor factori asupra degradării bateriei, ceea ce este de mare importanță pentru optimizarea duratei de viață a bateriei (pe baza practicii de încărcare). În general, aceste evoluții nu numai că îmbunătățesc acuratețea estimării SOC, dar contribuie și la extinderea duratei de viață a bateriei și la îmbunătățirea fiabilității operaționale a bateriei.
4. Tehnici de evaluare a stării de sănătate (SOH).
4.1 Metode tradiționale de estimare a SOH
Metoda tradițională de estimare a SOH este utilizată pe scară largă în domeniile academice și industriale, în principal pe baza parametrilor de bază, cum ar fi degradarea capacității, rezistența internă și durata de viață a ciclului pentru a evalua SOH a bateriei (a se vedea tabelul 4 pentru formulele relevante și semnificațiile parametrilor). Aceste metode oferă o bază pentru evaluarea stării bateriei și ajută la înțelegerea performanței bateriei. Înțelegând aceste metode tradiționale, putem înțelege mai bine îmbunătățirile noilor metode de estimare în capitolele următoare. Noile metode folosesc adesea analize de date mai complexe și tehnici de modelare predictivă pentru a aborda limitările metodelor tradiționale. Compararea celor două poate clarifica dezvoltarea și evoluția tehnologiei de estimare a SOH și poate demonstra modul în care metodele moderne pot îmbunătăți acuratețea și adaptabilitatea sistemelor de gestionare a bateriilor.
4.2 Noi evoluții în înlocuirea metodelor tradiționale
Noi indicatori de sănătate combinați cu învățarea automată:Pentru a îmbunătăți acuratețea predicției SOH, cercetările au introdus noi indicatori de sănătate, cum ar fi rata de degradare (DSR). Formula pentru calcularea DSR din panta curbei tensiunii de încărcare este:
Prin compararea pantelor mai multor cicluri de încărcare, se determină rata de degradare (în mV/s) a bateriei într-un anumit interval de tensiune (cum ar fi [3.8-3.9V]), care este strâns legată de capacitatea bateriei și poate fi folosit ca indicator cheie pentru a determina sfârșitul duratei de viață a bateriei. Combinarea modelelor de regresie a procesului gaussian (GPR) și de rețea neuronală perceptron multistrat (MLPNN) poate estima mai precis pierderea și degradarea capacității. În comparație cu modelele tradiționale, sensibilitatea și acuratețea sunt îmbunătățite semnificativ, rezolvând eficient problema modelelor tradiționale fiind dificil de detectat degradarea din timp.
Îmbunătățirea modelului de circuit echivalent:Metodele timpurii pentru îmbunătățirea modelelor de circuite echivalente tradiționale (ECM) au continuat să se dezvolte, cum ar fi estimarea SOH prin analiza capacității corpului modelului de circuit RC echivalent din 2015, folosind algoritmi inovatori pentru a calcula factorul de atenuare a capacității corpului, și combinarea acestuia cu observatori neliniari discreti pentru a îmbunătăți acuratețea și fiabilitatea; În 2024, a fost adoptat un model de circuit echivalent hibrid de ordinul doi, combinat cu rata de actualizare adaptivă și observator neliniar, pentru a lua în considerare influența temperaturii, obținând o precizie ridicată în estimarea SOH (eroare absolută medie mai mică de 0,5%, RMS eroare mai mică de 0,2%); Soluția cloud pentru 2023 utilizează date de monitorizare pe termen lung și date în timp real pentru a estima parametrii modelului bateriei, ajustând algoritmul celor mai mici pătrate din fereastra în mișcare. Pe baza modelului ECM, se realizează evaluarea SOH de înaltă precizie, indicând faptul că metoda ECM îmbunătățită are încă o importanță semnificativă în estimarea SOH, în concordanță cu tendința de îmbunătățire continuă a metodelor ECM în tehnologia de estimare SOC.
Metoda cadru hibridă:Noul cadru integrează Linear Statistical k-Nearest Neighbor (LSKNN), Maximum Information Entropy Search (MIES) și Collective Sparse Variational Gaussian Process Regression (CSVGPR) pentru procesarea interpolării datelor, filtrarea zgomotului, selecția caracteristicilor și gestionarea incertitudinii. LSKNN estimează punctele de date lipsă și filtrează zgomotul, MIES selectează caracteristici cu o corelație ridicată cu SOH, iar CSVGPR procesează incertitudinea datelor pentru a îmbunătăți acuratețea predicției. Acest cadru a fost testat folosind setul de date al bateriei NASA și, în comparație cu metode precum ElasticNet, Support Vector Regression (SVR), Random Forest și Gradient Boosting, Root Mean Square Error (RMSE) a fost redusă cu 77,8% (de la {{3 }}.0510 în ElasticNet la 0.0113). În comparație cu modelele de proces gaussiene cu nuclee diferite, RMSE a fost redus cu 55,5% (de la 0,0254 la 0,0113), confirmând robustețea și acuratețea ridicată a cadrului și oferind o metodă mai precisă pentru estimarea SOH.
Tendința de dezvoltare a tehnologiei de estimare a SOH trece de la metodele tradiționale la modele mai complexe, potrivite pentru vehiculele electrice. Noile metode includ combinarea modelelor de degradare cu învățarea automată clasică, metode bazate pe ECM și metode hibride. DSR este o inovație importantă care reduce dependența de un ciclu complet de încărcare (reducerea timpului de așteptare cu aproximativ 84%) și, atunci când este combinată cu învățarea automată, îmbunătățește acuratețea estimării pierderii de capacitate, depășind dificultatea detectării timpurii a degradării în modelele tradiționale. Metoda ECM îmbunătățită a obținut rezultate bune în estimarea SOH, ceea ce este în concordanță cu importanța metodei ECM în estimarea SOC. Tehnologiile hibride (cum ar fi noul cadru menționat mai sus) au o precizie ridicată. Deși aplicațiile în timp real reprezintă provocări, rezolvarea eficientă a problemelor cheie de procesare a datelor reprezintă o îmbunătățire semnificativă față de metodele tradiționale de estimare a SOH. În general, aceste dezvoltări se concentrează pe aplicații în timp real și pe metode bazate pe date, îmbunătățind semnificativ fiabilitatea sistemelor de gestionare a bateriilor vehiculelor electrice. Metodele de învățare profundă, cum ar fi LSTM, CNN-urile și tehnicile hibride au devenit metodele principale pentru estimarea SOH. Capitolele următoare vor prezenta rezultatele și contribuțiile relevante ale cercetării.
5. Aplicarea Deep Learning în Estimarea SOH
5.1 Modele LSTM și hibride
Mai multe studii au folosit modele îmbunătățite de îmbătrânire combinate cu tehnici de învățare profundă pentru a îmbunătăți acuratețea estimării SOH. Învățarea profundă este indispensabilă în prezicerea vieții utile rămase (RUL). De exemplu, prin integrarea modelului de degradare a SOH și luând în considerare diferite condiții de funcționare, cum ar fi curentul de încărcare/descărcare și temperatura, o formulă specifică poate fi utilizată pentru:
Printre acestea, I2 {c} și I2 {d} sunt curenți normalizați de încărcare și descărcare, T3 {c} și T4 {d} sunt temperaturi normalizate ale bateriei și ale mediului, T3 {c} și T4 {d} sunt timpii de încărcare și descărcare, și (d1-d4) este o greutate), care simulează mai precis degradarea bateriei. Modelul de predicție RUL bazat pe rețeaua LSTM îmbunătățește precizia predicției, dar complexitatea de calcul crește, iar aplicațiile în timp real se confruntă cu provocări. Rețelele neuronale pot gestiona procesele bateriei care variază în timp, învață continuu să se adapteze la schimbările comportamentului bateriei și mențin fiabilitatea modelului.
Prin extragerea caracteristicilor cheie (cum ar fi 6 caracteristici cheie) pentru a optimiza estimarea SOH, combinate cu algoritmi de învățare automată pentru a obține o precizie ridicată și o sarcină de calcul scăzută, caracteristicile de tensiune joacă un rol semnificativ în îmbunătățirea acurateței evaluării stării bateriei. Combinarea mai multor modele de învățare profundă (cum ar fi CNN, LSTM, GRU și variantele lor bidirecționale) într-un cadru hibrid (cum ar fi CNN-LSTM-DNN, CNN-GRU-DNN) pentru a prezice RUL, utilizând o gamă largă de caracteristici pentru a îmbunătăți precizie, a redus RMSE cu 90,5% în testarea setului de date NASA, dar puterea de calcul și complexitatea limitează aplicațiile în timp real. Metodele cu mai multe modele (cum ar fi bibliotecile de modele LSTM) și strategiile avansate de optimizare (cum ar fi integrarea LSTM în cadrul AI-BMS și implementarea lui pe FPGA) pot îmbunătăți acuratețea predicției și eficiența sistemului, dar aplicarea FPGA în vehiculele electrice comerciale se confruntă cu costuri. și provocări practice.
Combinația dintre GRU și metodele soft de detectare are potențialul de predicție RUL pe termen lung în medii de laborator, dar aplicațiile practice necesită adaptare la diferite condiții de încărcare. Folosind metode bazate pe date, cum ar fi LSTM, DNN și GRU pentru a procesa seturile de date NASA, GRU are performanțe puternice (RMSE de 0.003, MAE de 0,003, R-pătrat eroare de 0,004), iar combinarea rețelelor GRU și LSTM are ca rezultat o performanță mai bună. Metoda bazată pe LSTM extrage caracteristici (cum ar fi 5 caracteristici manuale) analizând curba de descărcare a încărcării bateriei și utilizează algoritmi de optimizare (cum ar fi Adam) pentru a îmbunătăți eficiența antrenamentului și acuratețea predicției. În cadrul instruirii datelor parțiale ale unei singure baterii, eroarea de estimare a SOH pentru alte baterii este scăzută, ceea ce este mai bun decât modelele tradiționale.
Rețeaua MDA-LSTM combină caracteristici multiple și informații temporale și îmbunătățește acuratețea predicției RUL prin module multiple de fuziune a caracteristicilor și module de atenție duală. Funcționează bine în validarea mai multor seturi de date, cu robustețe și generalizare. Rețeaua stivuită BiLSTM este utilizată pentru a prezice SOH utilizând date de încărcare cu curent constant, iar structura bidirecțională îmbunătățește fiabilitatea predicției, făcând-o potrivită pentru estimarea SOH în timp real în timpul încărcării rapide. Modelul TCN-LSTM utilizează date sintetice și optimizarea bayesiană pentru a reconstrui cu acuratețe tensiunea în circuit deschis (OCV) și a estima starea de sănătate (SOH) (MAE sub 22mV, MAPE sub 2,2%). Poate fi extins la diferite sisteme chimice ale bateriei prin învățarea prin transfer, dar există limitări de extrapolare atunci când datele sunt insuficiente. Metoda de fuziune profundă (cum ar fi utilizarea datelor istorice și a mai multor indicatori de sănătate) atinge o precizie ridicată (MAPE sub 2,97%) prin testarea de descărcare completă a încărcăturii și atât cadrul global bazat pe GPR, cât și modelul DFTN pentru vehiculele electrice individuale au obținut rezultate bune. .
5.2. Model integrat CNN și CNN-LSTM
Metoda CNN-WNN-WLSTM integrează rețelele CNN, WNN și WLSTM. CNN extrage caracteristici, procesează caracteristicile WNN și WLSTM și estimează SOH. Optimizatorul RMSprop este utilizat pentru a îmbunătăți performanța și depășește metodele tradiționale în testarea setului de date NASA, oferind o abordare promițătoare pentru gestionarea sănătății bateriei. Modelul CNN-LSTM-CRF este inspirat de procesarea limbajului natural, cu stratul CRF captând dependențe variabile de ieșire pentru a îmbunătăți acuratețea și intuitivitatea predicției capacității bateriei. Cu toate acestea, cerințele de calcul sunt mari și depășesc capacitățile procesoarelor de la bord. În viitor, cercetarea este necesară pentru a-și îmbunătăți caracterul practic (cum ar fi prin învățarea prin transfer). Modelul LSTNet îmbunătățește performanța de predicție a capacității bateriei prin segmentarea datelor, integrarea componentelor ConvLSTM și AR și optimizarea structurii (de exemplu, în testarea setului de date NASA, RMSE a fost de 0,65%, MAE a fost de 0. 58%, iar MAPE a fost 0.435% când a fost antrenat pe 40% date).
Prin integrarea algoritmilor de optimizare CNN și ECSSA îmbunătățiți pentru a prezice RUL al bateriilor litiu-ion cu stare solidă, CNN îmbunătățește extracția caracteristicilor și acuratețea predicției prin optimizarea hiperparametrilor și structurilor (cum ar fi utilizarea straturilor convoluționale avansate, funcții de activare și conexiuni reziduale), în timp ce ECSSA optimizează parametrii modelului prin metode matematice inovatoare (cum ar fi Circle Chaotic Mapping, Coeficientul de absorbție neliniar și mutația Cauchy) pentru a îmbunătăți acuratețea și robustețea predicției RUL. Combinarea PCA și CNN pentru optimizarea caracteristicilor și reducerea dimensionalității îmbunătățește acuratețea și eficiența estimării SOH (comparativ cu modelele tradiționale CNN și PCA-CNN cu dimensiuni fixe, MAE crește cu mai mult de 20% și RMSE crește cu mai mult de 30%). Modelul de estimare SOH în timp real integrează 1D-CNN și BiGRU, folosind date BMS pentru a evita extracția de caracteristici complexe și obținând o precizie ridicată prin optimizarea bayesiană a hiperparametrilor (cum ar fi în testarea setului de date NASA, MAE este 2,080%, RMSE este 2,516%, iar eroarea indicelui EOL este zero).
5.3. Strategii de optimizare pentru modele de învățare profundă
În primul rând, algoritmul forestier aleatoriu a fost utilizat pentru a identifica factorii cheie de sănătate, iar apoi tehnica de optimizare a roiului de particule cu algoritm genetic (GA-PSO) a fost utilizată pentru a optimiza parametrii modelului de regresie vector suport (SVR) pentru estimarea stării de sănătate (SOH). Eficacitatea a fost verificată pe patru baterii, îmbunătățind acuratețea și viteza de convergență (RMSE de 0,40%, MAPE de 0,56%), ceea ce este superior altor metode conexe. Metoda hibridă GWO-BRNN utilizează optimizarea lupului gri (GWO) pentru a selecta hiperparametrii pentru rețelele neuronale regularizate bayesiene (BRNN). Pe baza setului de date NASA, eroarea de estimare a SOH este mai mică de 1%, dar complexitatea de calcul este mare și aplicațiile practice sunt limitate. Utilizarea directă a datelor brute ale vehiculelor electrice pentru a evalua SOH și a prezice RUL, îmbunătățind acuratețea prin introducerea de noi caracteristici de evaluare și metode de corecție a interpolării (reducerea erorii relative a integrării curentului la 0,94%), combinată cu metoda de optimizare D-NSGA-II pentru a continua optimizați estimarea SOH și reduceți timpul de calcul. Ca răspuns la dificultatea de estimare a stării de sănătate (SOH) cauzată de încărcarea și descărcarea incompletă a bateriilor litiu-ion din vehiculele electrice, se propune o metodă de estimare indirectă (ATAGA-BP). Metoda utilizează caracteristicile etapei de încărcare cu tensiune constantă ca indicator de sănătate și este validată prin simulare cu datele NASA. Metoda are o corelație mare cu capacitatea bateriei (peste 85%), cu o eroare de estimare SOH de 3,7% și o îmbunătățire iterativă a eficienței de 17,8%.
Învățarea profundă a făcut progrese semnificative în estimarea SOH, iar modelele cuprinzătoare, luând în considerare mai mulți factori, oferă o înțelegere mai profundă a degradării bateriei. Rețelele LSTM sunt importante în capturarea dependențelor temporale și în prezicerea RUL, dar complexitatea lor de calcul ridică provocări pentru aplicațiile în timp real. Metodele de extracție a caracteristicilor sunt importante și pot optimiza estimarea SOH. Combinația de modele hibride și diferite arhitecturi de rețele neuronale pentru procesarea complexității datelor bateriei are perspective promițătoare, dar cerințele de calcul ridicate limitează aplicațiile practice. Strategiile de optimizare precum GA-PSO, GWO-BRNN și D-NSGA-II au îmbunătățit acuratețea și eficiența, dar implementarea algoritmilor complecși este dificilă și necesită un echilibru între acuratețe și simplitatea execuției. Tehnologia avansată AI este crucială pentru aplicarea bateriilor secundare (lipsă date detaliate de utilizare). Capitolele următoare vor oferi o imagine de ansamblu asupra stării actuale a cercetării aplicațiilor secundare, în special în domeniul reutilizarii bateriilor.
6. Rezumat
Acest articol avansează dezvoltarea estimării SOH și SOC pentru bateriile litiu-ion din vehiculele electrice prin metode și modele inovatoare, acoperind diverse tehnologii, de la învățarea automată tradițională la modele avansate de învățare profundă, cum ar fi LSTM și CNN. Cu toate acestea, fiecare metodă are diferențe de precizie, complexitate și aplicabilitate, ceea ce face dificilă comparația directă. Cercetările au descoperit că procesarea datelor și sursele au un impact semnificativ asupra performanței modelului și este necesară o validare suplimentară pentru implementarea efectivă. Deși modelele de învățare profundă au arătat avantaje în procesarea datelor complexe, ele se confruntă în continuare cu provocări, cum ar fi cerințe mari de resurse de calcul și adaptabilitate la scenarii de aplicare practice. Cercetările viitoare ar trebui să se concentreze pe îmbunătățirea selecției caracteristicilor, detectarea anomaliilor, adaptarea la diverse condiții de mediu, optimizarea algoritmilor pentru a spori eficiența computațională, realizarea de aplicații în timp real, integrarea mai multor surse de date pentru a îmbunătăți performanța modelului de estimare a SOH, abordând totodată provocările aplicațiilor secundare ale bateriilor. , dezvoltarea de soluții eficiente și promovarea dezvoltării sistemelor de management al bateriilor pentru a satisface cerințele tot mai mari din domeniile vehiculelor electrice și stocării energiei.