Abstract
Tehnologija procjene stanja zdravlja (SOH) za litijum-jonske baterije je ključna za sigurnost i pouzdanost električnih vozila. Sa razvojem tehnologija veštačke inteligencije (AI) i mašinskog učenja (ML), oblast upravljanja baterijama počinje da usvaja ove metode za poboljšanje efikasnosti i stabilnosti. Posebno, neuronske mreže su pokazale prednosti u visokoj efikasnosti, niskoj potrošnji energije, visokoj robusnosti i skalabilnosti u SOH simulaciji i predviđanju. Hibridni model, u kombinaciji sa modelima ekvivalentnih kola (ECM) i dubokim učenjem, dokazano je da ima potencijal u poboljšanju tačnosti i performansi SOH procene u realnom vremenu. Budući pravci istraživanja uključuju korištenje više podataka na licu mjesta za skrining zdravstvenih karakteristika i konstrukciju modela, kao i inteligentni skrining i kombinaciju parametara baterije kako bi se preciznije okarakterizirao stvarni SOH. Razvoj ovih tehnologija dodatno će poboljšati naučno, pouzdano, stabilno i robusno upravljanje baterijama električnih vozila.
1. Ukratko
1.1 Važnost litijum-jonskih baterija za električna vozila i kritični značaj procjene SOH
Litijum-jonske baterije su ključne za rad električnih vozila, a na njihove performanse utiču različiti procesi degradacije. Precizna procjena zdravstvenog stanja (SOH) baterija je ključna za osiguranje sigurnog, pouzdanog i ekonomičnog rada električnih vozila. Kako potražnja za električnim vozilima raste, praćenje SOH postaje sve važnije, jer litijum-jonske baterije obično padaju na 80% svog prvobitnog kapaciteta prije kraja svog životnog vijeka. Osim toga, Stanje napunjenosti (SOC) je također ključni parametar, a njegove promjene mogu odražavati starenje i degradaciju kapaciteta baterije. Precizno predviđanje SOC-a je od pomoći za procjenu SOH, što zauzvrat određuje preostali vijek trajanja baterije.
1.2 Razvoj metoda procjene SOH
Pregled i napredak postojećih metoda:Razvijeno je više metoda procjene SOH, među kojima metode zasnovane na SOC integriraju podatke u stvarnom vremenu kao što su struja, napon i temperatura kako bi se postiglo preciznije predviđanje SOH u više ciklusa punjenja i pražnjenja, optimizira performanse baterije, spriječi greške i produži vijek trajanja baterije. . Najnovija dostignuća u metodama mašinskog učenja dodatno su poboljšala SOH procjenu, a neuronske mreže kao što su feedforward i konvolucionarne neuronske mreže imaju dobre rezultate u modeliranju baterija, nadmašujući tradicionalne metode regresije u složenosti i preciznosti, s prosječnim odstupanjem greške od oko 0 .16% i srednja kvadratna greška od 5,57mV na nivou ćelije baterije.
1.3 Klasifikacija i karakteristike metoda modeliranja baterija
Metode analize kao što su strujna integracija i tehnike napona otvorenog kola (OCV) mogu pružiti jasne SOH procjene, ali na njih utiče akumulirana buka i zahtijevaju duge periode stajanja kako bi se osigurala tačnost.
Pristup zasnovan na modelu
Model bijele kutije:Zasnovano na detaljnim elektrohemijskim principima, simulira ponašanje baterije kroz osnovne parametre sa visokom preciznošću. Međutim, njegovi visoki računski zahtjevi i pojednostavljene pretpostavke za dinamiku u stvarnom svijetu smanjuju njegovu tačnost u dinamičkim uvjetima, što ga čini neprikladnim za primjene u realnom vremenu.
Modeli sive kutije (kao što je ECM):Kombinacijom fizičkih uvida i empirijskih prilagodbi, korištenjem analogije kola za približno ponašanje baterije, može se procijeniti SOC s visokom preciznošću (obično unutar 3% greške) i korisni su za procjenu SOH u stvarnom vremenu i predviđanje preostalog korisnog vijeka trajanja (RUL), ali se suočavaju s izazovima u kvalitetu podataka i računskim zahtjevima. Jednostavan model ekvivalentnog kola za litijum-jonske baterije (uključujući serijske otpornike i do dva RC elementa) može se koristiti za pouzdanu simulaciju, dok složeniji ECM (uključujući višestruke RC grane ili elemente konstantne faze CPE) mogu simulirati visoko dinamičke procese (kao što je kao rad na električnim vozilima), ali rastuća potražnja za računanjem dovela je do razvoja naprednijih metoda procjene SOH.
Model crne kutije (pristup vođen podacima):Na osnovu ulaznih i izlaznih podataka, model se konstruiše bez oslanjanja na interno poznavanje principa rada. Tehnike mašinskog učenja mogu predvideti status baterije na osnovu velike količine mernih podataka. Mašinsko učenje ističe se u prepoznavanju obrazaca u složenim skupovima podataka, kao što su višekanalne neuronske mreže koje imaju visoku preciznost u procjeni kapaciteta, ali se oslanjaju na visokokvalitetne i raznolike podatke o obuci. Međutim, u praktičnim aplikacijama u vozilima, mnoge interne varijable se ne mogu direktno izmjeriti, a oskudnost podataka i nedostatak interpretabilnosti čine model teškim za razumijevanje i održavanje.
1.4 Evolucija modelskih metoda i razvoj hibridnih modela
Evolucija metoda zasnovanih na modelu:U protekloj deceniji, metode zasnovane na modelima kontinuirano su se razvijale, uključujući Kalmanovo filtriranje (KF) i njegove ekstenzije (kao što su Prošireni Kalmanov filter EKF, Unscented Kalman Filter UKF). Ove metode imaju visoku tačnost u procjeni stanja baterije, ali zahtijevaju precizne dinamičke modele i složene su za implementaciju.
Uspon hibridnih modela:Kako bi se riješila ograničenja podataka iz stvarnog svijeta i poboljšala računska efikasnost, pojavili su se hibridni modeli, koji kombinuju metode zasnovane na modelu i metode vođene podacima za obuku modela mašinskog učenja kroz detaljne simulacije. Istovremeno, tehnike mašinskog učenja postigle su značajan napredak u proteklih pet godina, uključujući probabilističke metode, meta učenje, suparničko učenje, polunadgledano učenje, itd. Duboko učenje (podskup mašinskog učenja) se dobro pokazao u obradi strukturiranih i nestrukturirani podaci. Fizičke informacije Neuralne mreže (PINN) kombinuju empirijske modele degradacije sa neuronskim mrežama da poboljšaju procenu SOH, poboljšavajući prilagodljivost metoda pod različitim tipovima baterija i uslovima. Sa razvojem automobilske industrije, ova tehnološka dostignuća su ključna za optimizaciju performansi baterija, sprečavanje kvarova i podršku razvoju električnih vozila.
1.5 Pregled narednih poglavlja u ovom članku
Odjeljak 2 pruža detaljan uvod u metode skrininga i odabira literature za pregled, osiguravajući sistematičnu i sveobuhvatnu prirodu metodologije istraživanja. Odjeljak 3 pruža detaljnu analizu tehnika procjene stanja napunjenosti, istražujući utjecaj mehanizama degradacije baterija na metode modeliranja baterija električnih vozila, uključujući Kalmanovo filtriranje i njegove poboljšane metode, kao i integraciju sa modelima starenja. Odjeljak 4 fokusira se na tehnike procjene SOH, upoređuje tradicionalne metode s novim metodama i naglašava metode primjenjive na električna vozila. Odjeljak 5 pokazuje ulogu dubokog učenja u SOH procjeni, kao što su mreže dugotrajne memorije (LSTM) i hibridni modeli, kao i kako konvolucione neuronske mreže (CNN) razmatraju praktične faktore za poboljšanje tačnosti procjene zdravlja. Konačno, Poglavlje 6 sažima i raduje se budućim pravcima istraživanja sistema upravljanja zdravljem baterija kako bi se podržao razvoj tržišta električnih vozila i drugih aplikacija za skladištenje energije.
2. Materijali i metode
2.1 Definicija istraživačkog pitanja
Ova studija predlaže pet ključnih pitanja za usmjeravanje primjene tehnologije strojnog učenja u SOH procjeni litijum-jonskih baterija u električnim vozilima.
Pojasnite glavne tehnike strojnog učenja koje se trenutno koriste za procjenu zdravstvenog stanja (SOH) litijum-jonskih baterija u električnim vozilima i istražite specifične algoritme i modele koje su razvili i koristili istraživači.
Istražite uticaj različitih izvora podataka (laboratorijski, automobilski i terenski podaci) na tačnost i robusnost modela mašinskog učenja za procenu SOH, analizirajte kako izvori podataka utiču na performanse modela i odredite koji su podaci najkorisniji za precizno predviđanje SOH.
Identificirajte ključne izazove primjene tehnika strojnog učenja u SOH procjeni litijum-jonskih baterija, kao i varijacije ovih izazova u različitim uvjetima okoline i scenarijima primjene, kao što su fluktuacije temperature, starenje i utjecaj različitih načina korištenja na tačnost procjene SOH.
Uporedite metode analize SOH procene, razlike između tradicionalnih metoda i njihovog procesa evolucije, proučite kako se metode mašinskog učenja mogu integrisati sa ovim tradicionalnim metodama, identifikovati njihove odgovarajuće prednosti, nedostatke i potencijalne sinergije.
Gledanje u budućnost budućih istraživačkih pravaca za poboljšanje tačnosti, prilagodljivosti i računarske efikasnosti modela procjene SOH zasnovanih na mašinskom učenju u litijum-jonskim baterijama za električna vozila, identifikujući nedostatke u istraživanju, tehničke zahteve i inovativne metode.
2.2 Pretraga i pregled literature
Izbor baze podataka i strategija pretraživanja:Conduct a comprehensive literature search using Scopus database, determine keywords based on research questions, and use Boolean search strings (TITLE-ABS-KEY (electric AND vehicle) AND KEY (battery AND state AND of AND health) AND TITLE-ABS-KEY (lithium AND ion) AND PUBYEAR>2003 I PUBYEAR<2025) to retrieve papers and patents published between 2003 and 2024. A total of 882 documents and 16286 patents were obtained, nearly half of which were published between 2020 and 2024, reflecting the industrial demand and progress in this field. The search results are distributed by year, major journals, national and patent offices, showing the time trend of research, journal distribution, regional diversity, and industry development priorities (such as battery management systems, modular architecture, vehicle control systems, and low resistance materials).
Pregled i fokusiranje literature:Preuzeta literatura pokriva više disciplinskih oblasti, pri čemu oblast inženjerstva ima najveći udeo (730 članaka), a zatim slede energetika, računarstvo i matematika. Nakon fokusiranja na oblast računarstva, identifikovano je 209 relevantnih dokumenata, od kojih su 183 objavljena u periodu od 2019. do 2024. godine, što ukazuje na ažurnost podataka. Ovi dokumenti uključuju konferencijske radove, članke, recenzije i poglavlja u knjigama, sa 72 članka objavljena između 2009. i 2024. kao glavnu osnovu za pregled, dok ručno uključuju relevantne radove i poglavlja knjiga iz drugih inženjerskih područja kako bi se osigurala sveobuhvatna pokrivenost istraživačkih područja i uhvatili inovativni tehnološki napredak u korištenju umjetne inteligencije za poboljšanje sistema upravljanja baterijama.
3. Tehnologija procjene stanja napunjenosti (SOC).
3.1 Mehanizam degradacije baterije i njegov uticaj na performanse
Litijum-jonske baterije uglavnom se razgrađuju kroz dva mehanizma:gubitak inventara litijuma (LLI) i gubitak aktivnog materijala (LAM). LLI se odnosi na formiranje sloja sučelja čvrstog elektrolita (SEI) na anodi, koji nastaje sporednom reakcijom između litijum jona i elektrolita. LAM je uzrokovan unutarnjim mehaničkim naprezanjem u bateriji, kao što je ponovljeno širenje i kontrakcija materijala elektrode tijekom punjenja i pražnjenja, što dovodi do mikropukotina i odvajanja čestica elektrode, smanjujući aktivnu površinu raspoloživu za elektrohemijske reakcije, čime se smanjuje kapacitet baterije, povećanje unutrašnjeg otpora i na kraju utiče na performanse baterije. Ovi mehanizmi degradacije su ubrzani faktorima kao što su visoko stanje punjenja, visoka temperatura i agresivni uslovi ciklusa. Detaljne informacije i detalji modeliranja različitih mehanizama starenja (termičkih, elektrohemijskih, itd.) mogu se naći u relevantnoj literaturi.
3.2. SOC procjena i tehnologija modeliranja za baterije električnih vozila
U svakodnevnoj upotrebi električnih vozila, baterija se često puni na 20% -40% SOC da bi se održalo zdravlje baterije, ali nelinearne karakteristike i karakteristike degradacije kapaciteta baterije mogu rezultirati netačnim očitanjima SOC-a, što utiče na procjenu baterije puni kapacitet. Na performanse i održavanje litijum-jonskih baterija takođe utiče klima, pri čemu temperatura i svežina elektrolita (određena datumima proizvodnje i punjenja) utiču na efikasnost i životni vek baterije. Karakteristike novih baterija sa elektrolitom mogu varirati u različitim klimatskim uslovima, a strategije upravljanja toplotom mogu pomoći u rješavanju problema s performansama vezanim za temperaturu i poboljšati trajnost baterije.
Tradicionalni model ekvivalentnog kola (ECM) se obično koristi za procjenu SOC-a, ali zahtijeva čestu kalibraciju. Članak pruža detaljan uvod u SOC proračunske jednadžbe zasnovane na ECM-u (uključujući kontinuirane i diskretne forme), uključujući jednadžbe prostora stanja, napona otvorenog kola i jednadžbe odnosa SOC, jednačine ažuriranja SOC-a u diskretnom vremenskom domenu i jednačine ažuriranja napona. Relevantni parametri (kao što su otpor, kapacitivnost, napon otvorenog kola, itd.) su usko povezani sa SOC. Standardno laboratorijsko testiranje (kao što je ispitivanje karakteristike mješovite pulsne snage na različitim temperaturama) se obično koristi za identifikaciju parametara modela baterije, ali nepreciznost modela i šum mjerenja mogu dovesti do malih grešaka u procjeni SOC-a. Da bi se poboljšala tačnost procjene SOC-a, korištene su različite tehnike kao što su Kalmanovo filtriranje i njegova proširenja, posmatrač zasnovan na PI, posmatrač kliznog režima, itd. za kompenzaciju ovih efekata, a razvijene su i metode integralne korekcije za rukovanje početnom nesigurnošću modela. i buku merenja. Osim toga, iako elektrohemijska impedancijska spektroskopija (EIS) može procijeniti karakteristike baterije (uključujući SOC i SOH), ona je dugotrajna i nepraktična za primjene velikih razmjera (kao što su flote električnih vozila), što otežava snimanje dinamike i promjene radni uslovi baterija električnih vozila. Stoga je potrebna prilagodljivija i efikasnija metoda.
3.3. Poboljšanje tehnologije
Kalmanov filter i metode njegovog poboljšanja:Kalmanov filter (KF) i njegova proširenja (kao što su prošireni Kalmanov filter EKF, Kalmanov filter bez mirisa UKF, Volume Kalmanov filter CKF) se široko koriste za procenu SOC. KF pruža optimalnu procjenu SOC minimizirajući srednju kvadratnu grešku, rješavajući probleme kumulativne greške i početne SOC nesigurnosti. Međutim, pogodan je za linearne sisteme koji variraju u vremenu gdje nelinearna dinamika baterija zahtijeva linearizaciju aproksimacije. Iako EKF proširuje KF okvir za rukovanje nelinearnim modelima, linearizacija može uticati na tačnost i dovesti do divergencije estimatora. Nove metode kao što su UKF i CKF koriste procjenu sigma tačaka za procjenu statistike nelinearne transformacije, dok CKF koristi pravilo sfernog radijalnog volumena za izračunavanje multivarijantnih momentnih integrala kako bi se poboljšala tačnost nelinearnog Bayesovog filtriranja. Međutim, ovi filteri obično pretpostavljaju da su karakteristike buke poznate i konstantne, au praktičnim primjenama buka je varijabilna (kao što je neGausov šum generiran vanjskim smetnjama). Stoga su razvijene robusne strategije adaptivnog filtriranja, kao što je korištenje Gaussovih modela mješavine (GMM) za modeliranje neGausove buke kako bi se poboljšala tačnost procjene stanja. Relevantne studije su pokazale primjenu i prednosti ovih metoda u različitim oblastima. Pored toga, distribuirani i distribuirani filteri (kao što su distribuirani Kalmanov filter DKF, distribuirani Kalmanov filter i kovarijansni unakrsni DKF-CI) se koriste za optimizaciju procene stanja velikih međusobno povezanih sistema. Robusni i nelinearni filteri (kao što je robusni Kalmanov filter) imaju superiorne performanse u suočavanju sa složenim nelinearnostima u sistemima baterija (kao što su elektrohemijski procesi). Prilagodljive tehnike (kao što su adaptivni EKF i adaptivni UKF algoritmi) dinamički prilagođavaju parametre filtera kako bi se prilagodili promjenama buke i poboljšali tačnost procjene SOC-a. Relevantne studije i primjeri su potvrdili efikasnost ovih metoda.
Ostale metode poboljšanja:kao što je metoda Adaptive Integral Correction State of Charge Estimation (AIC-SE) predložena u 2022, koja se zasniva na ECM modelu i poboljšava tačnost procjene SOC-a kroz mehanizme korekcije u realnom vremenu (uključujući otpornost i korekcija kapaciteta baterije) (maksimalna greška ± 0,8%, RMS greška manja od 0,3%). Efikasnost računara je veća od UKF (AIC-SE oko 5n operacija, UKF oko n ^ 2 operacije), efikasno rešavajući izazove starenja i degradacije baterija. Kalmanov varijantni Bayesian maksimalni volumen entropije korelacije (VBMCCKF) u 2023. kombinuje napredno filtriranje i statističke tehnike za poboljšanje procene kovarijanse greške merenja koristeći varijantnu Bayesovu metodu. Kriterijum maksimalne korelacijske entropije koristi se za rukovanje negausovskim odstupnicima mjerenja šuma, značajno poboljšavajući tačnost procjene SOC (u poređenju sa EKF, CKF i varijacionim Bayesovim volumenskim Kalmanovim filterom, prosječna apsolutna greška je smanjena za 77%, 68% i 49% , odnosno) i povećanje robusnosti sistema upravljanja baterijom.
3.4 Integracija sa modelima starenja
Model starenja baterije usko je povezan sa procjenom SOC-a, a nedavna istraživanja su inovacija u oba aspekta. Model starenja baterije predložen 2024. sveobuhvatno razmatra efekte SOC-a, temperature baterije, vremena i potpuno ekvivalentnih vremena ciklusa (NFEC) na starenje baterije. Model se sastoji od dva dijela: prvi dio se fokusira na starenje SOC i temperaturu (izračunavanje gubitka kapaciteta kroz specifične formule), a drugi dio razmatra utjecaj NFEC-a na starenje. Ovaj model inovativno integriše starenje baterije kao podsistem električnog vozila sa modelom baterije, pokrivajući sve načine rada kao što su parkiranje, vožnja i punjenje. Postiže tačnu simulaciju interakcije između različitih podsistema kroz formalnu metodu makroskopskog predstavljanja energije (EMR) (grafički alat razvijen 2000. godine za organizovanje veza podsistema, predstavljanje tokova moći i uzročno-posledičnih veza). Istraživanja su pokazala da smanjenje učestalosti punjenja (kao što je promjena sa dnevnog punjenja na svaka četiri dana) može značajno produžiti vrijeme da baterija dostigne 80% SOH. Ovaj integrisani pristup obezbeđuje važan napredak u optimizaciji upravljanja baterijama i razumevanju uticaja praksi punjenja na starenje baterija.
Nove metode kao što su AIC-SE i VBMCCKF imaju značajne prednosti u tačnosti SOC procjene i računskoj efikasnosti. AIC-SE ima dobre rezultate u računskoj efikasnosti, dok VBMCCKF ima bolje rezultate u rukovanju dinamičkom procjenom grešaka mjerenja i bučnim okruženjima. Ako se tačnost i obrada šuma daju prioritetu, kombinacija varijabilnog Bayesovog i kriterija maksimalne korelacijske entropije može biti trenutni najbolji izbor; Ako se fokusiramo na računarsku efikasnost i aplikacije u realnom vremenu, AIC-SE je dobar izbor, što ukazuje da metode ECM modeliranja i dalje imaju prednosti u ovoj oblasti. Osim toga, model starenja baterije proučavan 2024. godine sveobuhvatno razmatra utjecaj više faktora na degradaciju baterije, što je od velikog značaja za optimizaciju vijeka trajanja baterije (na osnovu prakse punjenja). Sveukupno, ovi razvoji ne samo da poboljšavaju tačnost procjene SOC-a, već doprinose i produženju vijeka trajanja baterije i povećanju pouzdanosti rada baterije.
4. Tehnike procjene zdravstvenog stanja (SOH).
4.1 Tradicionalne metode procjene SOH
Tradicionalna metoda procjene SOH široko se koristi u akademskim i industrijskim poljima, uglavnom zasnovana na osnovnim parametrima kao što su degradacija kapaciteta, unutrašnji otpor i vijek trajanja za procjenu SOH baterije (pogledajte Tabelu 4 za relevantne formule i značenja parametara). Ove metode pružaju osnovu za procjenu zdravlja baterije i pomažu u razumijevanju performansi baterije. Razumijevanjem ovih tradicionalnih metoda, možemo bolje razumjeti poboljšanja novih metoda procjene u narednim poglavljima. Nove metode često koriste složeniju analizu podataka i tehnike prediktivnog modeliranja kako bi odgovorile na ograničenja tradicionalnih metoda. Poređenje ova dva može razjasniti razvoj i evoluciju tehnologije procjene SOH i pokazati kako moderne metode mogu poboljšati tačnost i prilagodljivost sistema upravljanja baterijama.
4.2 Novi razvoji u zamjeni tradicionalnih metoda
Novi zdravstveni indikatori u kombinaciji s mašinskim učenjem:Kako bi se poboljšala tačnost predviđanja SOH, istraživanje je uvelo nove zdravstvene indikatore kao što je omjer stope degradacije (DSR). Formula za izračunavanje DSR-a iz nagiba krivulje napona punjenja je:
Upoređivanjem nagiba višestrukih ciklusa punjenja, utvrđuje se stopa degradacije (u mV/s) baterije unutar određenog raspona napona (kao što je [3.8-3.9V]), što je usko povezano sa kapacitet baterije i može se koristiti kao ključni indikator za određivanje kraja vijeka trajanja baterije. Kombinacijom modela Gausove regresije procesa (GPR) i višeslojne perceptronske neuronske mreže (MLPNN) može se preciznije procijeniti gubitak kapaciteta i degradacija. U poređenju sa tradicionalnim modelima, osetljivost i tačnost su značajno poboljšane, efikasno rešavajući problem tradicionalnih modela kojima je teško rano otkriti degradaciju.
Poboljšanje modela ekvivalentnog kola:Rane metode za poboljšanje tradicionalnih modela ekvivalentnih kola (ECM) su nastavile da se razvijaju, kao što je procena SOH analizom kapacitivnosti tela ekvivalentnog modela RC kola u 2015, korišćenjem inovativnih algoritama za izračunavanje faktora slabljenja kapacitivnosti tela, i njegovo kombinovanje sa diskretnim nelinearnim posmatračima radi poboljšanja tačnosti i pouzdanosti; U 2024, usvojen je hibridni ekvivalentni model drugog reda u kombinaciji sa adaptivnom brzinom ažuriranja i nelinearnim posmatračem kako bi se razmotrio utjecaj temperature, postižući visoku preciznost u procjeni SOH (prosječna apsolutna greška manja od 0,5%, RMS greška manja od 0,2%); Rješenje u oblaku za 2023. koristi podatke dugotrajnog praćenja i podatke u realnom vremenu za procjenu parametara modela baterije prilagođavanjem algoritma najmanjih kvadrata pokretnog prozora. Na osnovu ECM modela, postignuta je visokoprecizna SOH evaluacija, što ukazuje da poboljšana ECM metoda i dalje ima značajan značaj u SOH procjeni, u skladu sa trendom kontinuiranog unapređenja ECM metoda u tehnologiji SOC procjene.
Metoda hibridnog okvira:Novi okvir integriše linearnu statističku k-nearest Neighbor (LSKNN), pretragu maksimalne informacijske entropije (MIES) i kolektivnu regresiju Gausovog procesa (CSVGPR) za obradu interpolacije podataka, filtriranje šuma, izbor karakteristika i upravljanje nesigurnošću. LSKNN procjenjuje nedostajuće tačke podataka i filtrira šum, MIES bira karakteristike sa visokom korelacijom sa SOH, a CSVGPR obrađuje nesigurnost podataka kako bi poboljšao tačnost predviđanja. Ovaj okvir je testiran korištenjem NASA-inog skupa podataka o bateriji i u poređenju s metodama kao što su ElasticNet, Regresija vektora podrške (SVR), Random Forest i Gradient Boosting, srednja kvadratna greška (RMSE) smanjena je za 77,8% (od {{3 }}.0510 u ElasticNet do 0.0113). U poređenju sa modelima Gaussovog procesa sa različitim jezgrima, RMSE je smanjen za 55,5% (sa 0,0254 na 0,0113), potvrđujući robusnost i visoku tačnost okvira i obezbeđujući precizniju metodu za procenu SOH.
Trend razvoja tehnologije procjene SOH prelazi sa tradicionalnih metoda na složenije modele pogodne za električna vozila. Nove metode uključuju kombinovanje modela degradacije sa klasičnim mašinskim učenjem, metodama zasnovanim na ECM-u i hibridnim metodama. DSR je važna inovacija koja smanjuje oslanjanje na kompletan ciklus punjenja (smanjenje vremena čekanja za približno 84%) i, u kombinaciji sa mašinskim učenjem, poboljšava tačnost procjene gubitka kapaciteta, prevazilazeći poteškoće ranog otkrivanja degradacije u tradicionalnim modelima. Poboljšana ECM metoda je postigla dobre rezultate u SOH procjeni, što je u skladu sa značajem ECM metode u SOC procjeni. Hibridne tehnologije (kao što je gore pomenuti novi okvir) imaju visoku tačnost. Iako aplikacije u realnom vremenu predstavljaju izazove, efikasno rješavanje ključnih problema obrade podataka je značajno poboljšanje u odnosu na tradicionalne metode procjene SOH. Sve u svemu, ovi razvoji se fokusiraju na aplikacije u realnom vremenu i metode vođene podacima, značajno poboljšavajući pouzdanost sistema upravljanja baterijama električnih vozila. Metode dubokog učenja kao što su LSTM, CNN i hibridne tehnike postale su glavne metode za procjenu SOH. Naredna poglavlja će predstaviti relevantne rezultate istraživanja i doprinose.
5. Primjena dubokog učenja u SOH procjeni
5.1 LSTM i hibridni modeli
Više studija je koristilo poboljšane modele starenja u kombinaciji s tehnikama dubokog učenja kako bi se poboljšala točnost procjene SOH. Duboko učenje je neophodno u predviđanju preostalog korisnog života (RUL). Na primjer, integracijom modela degradacije SOH i razmatranjem različitih radnih uvjeta kao što su struja punjenja/pražnjenja i temperatura, može se koristiti određena formula za:
Među njima, I2 {c} i I2 {d} su normalizovane struje punjenja i pražnjenja, T3 {c} i T4 {d} su normalizovane temperature baterije i okoline, T3 {c} i T4 {d} su vremena punjenja i pražnjenja, i (d1-d4) je težina), što preciznije simulira degradaciju baterije. Model predviđanja RUL zasnovan na LSTM mreži poboljšava tačnost predviđanja, ali se povećava složenost računanja, a aplikacije u realnom vremenu suočavaju se sa izazovima. Neuronske mreže mogu upravljati vremenski promjenjivim procesima baterije, kontinuirano naučiti prilagođavati se promjenama u ponašanju baterije i održavati pouzdanost modela.
Izdvajanjem ključnih karakteristika (kao što je 6 ključnih karakteristika) za optimizaciju procjene SOH, u kombinaciji s algoritmima mašinskog učenja radi postizanja visoke preciznosti i malog računarskog opterećenja, karakteristike napona igraju značajnu ulogu u poboljšanju tačnosti procjene stanja baterije. Kombinovanje više modela dubokog učenja (kao što su CNN, LSTM, GRU i njihove dvosmerne varijante) u hibridni okvir (kao što je CNN-LSTM-DNN, CNN-GRU-DNN) za predviđanje RUL-a, koristeći širok spektar funkcija za poboljšanje preciznost, smanjen RMSE za 90,5% u NASA testiranju skupa podataka, ali računska snaga i složenost ograničavaju aplikacije u realnom vremenu. Metode više modela (kao što su biblioteke LSTM modela) i napredne strategije optimizacije (kao što je integracija LSTM-a u AI-BMS okvir i implementacija na FPGA) mogu poboljšati tačnost predviđanja i efikasnost sistema, ali primjena FPGA u komercijalnim električnim vozilima suočava se s troškovima i izazovi praktičnosti.
Kombinacija GRU i metoda mekog sensinga ima potencijal za dugoročno predviđanje RUL-a u laboratorijskim okruženjima, ali praktične primjene zahtijevaju prilagođavanje različitim uvjetima punjenja. Koristeći metode vođene podacima kao što su LSTM, DNN i GRU za obradu NASA skupova podataka, GRU ima jake performanse (RMSE od 0.003, MAE od 0,003, R-kvadrat greška od 0,004), a kombinovanje GRU i LSTM mreža rezultira boljim performansama. Metoda zasnovana na LSTM izdvaja karakteristike (kao što je 5 ručnih funkcija) analizom krivulje pražnjenja baterije i koristi algoritme optimizacije (kao što je Adam) da poboljša efikasnost treninga i tačnost predviđanja. U okviru obuke parcijalnih podataka jedne baterije, greška procjene SOH za druge baterije je niska, što je bolje od tradicionalnih modela.
MDA-LSTM mreža kombinuje višestruke karakteristike i vremenske informacije, i poboljšava tačnost predviđanja RUL-a kroz višestruke fuzione module i module dvostruke pažnje. Dobro radi u validaciji više skupova podataka, sa robusnošću i generalizacijom. Naslagana BiLSTM mreža se koristi za predviđanje SOH koristeći podatke o punjenju konstantne struje, a dvosmjerna struktura poboljšava pouzdanost predviđanja, čineći je pogodnom za procjenu SOH u realnom vremenu tokom brzog punjenja. TCN-LSTM model koristi sintetičke podatke i Bayesovu optimizaciju za preciznu rekonstrukciju napona otvorenog kola (OCV) i procjenu zdravstvenog stanja (SOH) (MAE ispod 22mV, MAPE ispod 2,2%). Može se proširiti na različite hemijske sisteme baterija kroz učenje transfera, ali postoje ograničenja ekstrapolacije kada podaci nisu dovoljni. Metoda duboke fuzije (kao što je korištenje istorijskih podataka i višestrukih zdravstvenih indikatora) postiže visoku preciznost (MAPE ispod 2,97%) kroz testiranje potpunog pražnjenja, a i globalni okvir zasnovan na GPR-u i DFTN modelu za pojedinačna električna vozila postigli su dobre rezultate .
5.2. CNN i CNN-LSTM integrirani model
CNN-WNN-WLSTM metoda integriše CNN, WNN i WLSTM mreže. CNN izdvaja karakteristike, WNN i WLSTM procesne karakteristike i procjenjuje SOH. RMSprop optimizator se koristi za poboljšanje performansi i nadmašuje tradicionalne metode u NASA testiranju skupova podataka, pružajući obećavajući pristup za upravljanje zdravljem baterije. CNN-LSTM-CRF model je inspirisan obradom prirodnog jezika, sa CRF slojem koji hvata zavisnosti izlaznih varijabli kako bi se poboljšala tačnost i intuitivnost predviđanja kapaciteta baterije. Međutim, računski zahtjevi su visoki i premašuju mogućnosti ugrađenih procesora. U budućnosti je potrebno istraživanje kako bi se poboljšala njegova praktičnost (kao što je transfer učenja). LSTNet model poboljšava performanse predviđanja kapaciteta baterije segmentiranjem podataka, integracijom ConvLSTM i AR komponenti i optimizacijom strukture (na primjer, u NASA testiranju skupa podataka, RMSE je bio 0.65%, MAE je bio 0. 58%, a MAPE je bio 0.435% kada je obučen na 40% podataka).
Integracijom poboljšanih CNN i ECSSA algoritama za optimizaciju za predviđanje RUL-a čvrstih litijum-jonskih baterija, CNN poboljšava ekstrakciju karakteristika i tačnost predviđanja optimizacijom hiperparametara i struktura (kao što je korištenje naprednih konvolucijskih slojeva, aktivacijskih funkcija i preostalih veza), dok ECSSA optimizira parametre modela kroz inovativne matematičke metode (kao što je Circle Chaotic Mapiranje, nelinearni koeficijent apsorpcije i Cauchy mutacija) za poboljšanje tačnosti i robusnosti predviđanja RUL-a. Kombinovanje PCA i CNN-a za optimizaciju karakteristika i smanjenje dimenzionalnosti poboljšava tačnost i efikasnost SOH procene (u poređenju sa tradicionalnim CNN i PCA-CNN modelima fiksnih dimenzija, MAE se povećava za više od 20%, a RMSE se povećava za više od 30%). Model procjene SOH u realnom vremenu integrira 1D-CNN i BiGRU, koristeći BMS podatke kako bi se izbjegla ekstrakcija složenih karakteristika i postižući visoku preciznost kroz Bayesovu optimizaciju hiperparametara (kao što je u NASA testiranju skupa podataka, MAE je 2,080%, RMSE je 2,516%, a greška EOL indeksa je nula).
5.3. Strategije optimizacije za modele dubokog učenja
Prvo je korišten algoritam slučajne šume za identifikaciju ključnih zdravstvenih faktora, a zatim je korištena tehnika optimizacije roja čestica genetskog algoritma (GA-PSO) za optimizaciju parametara modela regresije potpornog vektora (SVR) za procjenu stanja zdravlja (SOH). Efikasnost je potvrđena na četiri baterije, poboljšavajući preciznost i brzinu konvergencije (RMSE od 0.40%, MAPE od 0.56%), što je superiorno u odnosu na druge srodne metode. GWO-BRNN hibridna metoda koristi optimizaciju sivog vuka (GWO) za odabir hiperparametara za Bayesove regularizirane neuronske mreže (BRNN). Na osnovu NASA skupa podataka, greška procjene SOH-a je manja od 1%, ali je računska složenost visoka i praktične primjene su ograničene. Direktno korištenje sirovih podataka električnih vozila za procjenu SOH i predviđanje RUL-a, poboljšavajući točnost uvođenjem novih karakteristika evaluacije i metoda korekcije interpolacije (smanjenje relativne greške trenutne integracije na 0,94%), u kombinaciji s D-NSGA-II optimizacijskom metodom za daljnje optimizirati procjenu SOH i smanjiti vrijeme izračunavanja. Kao odgovor na poteškoće u procjeni zdravstvenog stanja (SOH) uzrokovane nepotpunim punjenjem i pražnjenjem litijum-jonskih baterija u električnim vozilima, predlaže se indirektna metoda procjene (ATAGA-BP). Metoda koristi karakteristike faze punjenja konstantnim naponom kao indikator zdravlja i potvrđena je simulacijom sa NASA podacima. Metoda ima visoku korelaciju sa kapacitetom baterije (preko 85%), sa greškom procjene SOH od 3,7% i iterativnim poboljšanjem efikasnosti od 17,8%.
Dubinsko učenje je napravilo značajan napredak u procjeni SOH, a sveobuhvatni modeli koji uzimaju u obzir više faktora pružaju dublje razumijevanje degradacije baterije. LSTM mreže su važne u hvatanju vremenskih zavisnosti i predviđanju RUL-a, ali njihova računska složenost predstavlja izazove za aplikacije u realnom vremenu. Metode ekstrakcije karakteristika su važne i mogu optimizirati procjenu SOH. Kombinacija hibridnih modela i različitih arhitektura neuronskih mreža za obradu složenih podataka baterija ima obećavajuće izglede, ali visoki računski zahtjevi ograničavaju praktične primjene. Strategije optimizacije kao što su GA-PSO, GWO-BRNN i D-NSGA-II poboljšale su tačnost i efikasnost, ali implementacija složenih algoritama je teška i zahteva ravnotežu između tačnosti i jednostavnosti izvršenja. Napredna AI tehnologija je ključna za primenu sekundarnih baterija (nedostaju detaljni podaci o upotrebi). Naredna poglavlja će pružiti pregled trenutnog stanja sekundarnog istraživanja primjene, posebno u području ponovne upotrebe baterija.
6. Sažetak
Ovaj članak unapređuje razvoj SOH i SOC procjene za litijum-jonske baterije u električnim vozilima kroz inovativne metode i modele, pokrivajući različite tehnologije od tradicionalnog mašinskog učenja do naprednih modela dubokog učenja kao što su LSTM i CNN. Međutim, svaka metoda ima razlike u preciznosti, složenosti i primjenjivosti, što otežava direktno poređenje. Istraživanja su otkrila da obrada podataka i izvori imaju značajan utjecaj na performanse modela, te je potrebna daljnja validacija za stvarnu primjenu. Iako su modeli dubokog učenja pokazali prednosti u obradi složenih podataka, oni se i dalje suočavaju s izazovima kao što su visoki zahtjevi za računskim resursima i prilagodljivost praktičnim scenarijima primjene. Buduća istraživanja bi se trebala fokusirati na poboljšanje odabira karakteristika, otkrivanje anomalija, prilagođavanje različitim uvjetima okoline, optimizaciju algoritama za poboljšanje računske efikasnosti, postizanje aplikacija u stvarnom vremenu, integraciju više izvora podataka za poboljšanje performansi modela procjene SOH, dok se također bave izazovima u sekundarnim aplikacijama baterija , razvijajući efikasna rješenja i promovirajući razvoj sistema upravljanja baterijama kako bi se zadovoljili rastući zahtjevi u oblastima električnih vozila i skladištenja energije.