Abstraktne
Liitiumioonakude terviseseisundi (SOH) hindamistehnoloogia on elektrisõidukite ohutuse ja töökindluse seisukohalt ülioluline. Tehisintellekti (AI) ja masinõppe (ML) tehnoloogiate arenedes on akuhalduse valdkond hakanud neid meetodeid tõhususe ja stabiilsuse parandamiseks kasutusele võtma. Eelkõige on närvivõrgud näidanud eeliseid kõrge efektiivsuse, madala energiatarbimise, suure töökindluse ja mastaapsuse osas SOH simulatsioonis ja ennustamises. On tõestatud, et hübriidmudelil koos samaväärsete vooluahela mudelite (ECM) ja süvaõppega on potentsiaal SOH-hinnangu täpsuse ja reaalajas toimimise parandamisel. Tulevased uurimissuunad hõlmavad rohkem kohapealsete andmete kasutamist tervisefunktsioonide sõeluuringuks ja mudeli koostamiseks, samuti intelligentset sõelumist ja aku parameetrite kombinatsiooni tegeliku SOH täpsemaks iseloomustamiseks. Nende tehnoloogiate arendamine suurendab veelgi elektrisõidukite akude teaduslikku, usaldusväärset, stabiilset ja jõulist juhtimist.
1. Lühidalt
1.1 Liitiumioonakude tähtsus elektrisõidukites ja SOH-hinnangu kriitiline tähtsus
Liitiumioonakud on elektrisõidukite tööks üliolulised ning nende jõudlust mõjutavad mitmesugused lagunemisprotsessid. Akude tervisliku seisundi (SOH) täpne hindamine on elektrisõidukite ohutu, töökindla ja säästliku töö tagamiseks ülioluline. Kuna nõudlus elektrisõidukite järele kasvab, muutub SOH-seire järjest olulisemaks, kuna liitiumioonakud langevad tavaliselt enne nende eluea lõppu 80%-ni oma algsest mahust. Lisaks on oluline parameeter ka laetuse olek (SOC), mille muutused võivad kajastada aku vananemist ja aku mahu vähenemist. Täpne SOC ennustus on abiks SOH hinnangul, mis omakorda määrab aku järelejäänud eluea.
1.2 SOH hindamismeetodite väljatöötamine
Olemasolevate meetodite ülevaade ja edusammud:Välja on töötatud mitu SOH-hinnangumeetodit, mille hulgas SOC-põhised meetodid integreerivad reaalajas andmeid, nagu vool, pinge ja temperatuur, et saavutada täpsem SOH-ennustus mitme laadimis- ja tühjenemistsükli jooksul, optimeerida aku jõudlust, vältida rikkeid ja pikendada aku kasutusiga. . Viimased edusammud masinõppe meetodites on veelgi täiustanud SOH-hinnangut ning närvivõrgud, nagu edasi- ja konvolutsioonilised närvivõrgud, toimivad aku modelleerimisel hästi, ületades keerukuse ja täpsuse poolest traditsioonilisi regressioonimeetodeid, kusjuures keskmine veahälve on umbes 0 0,16% ja ruutkeskmine viga 5,57 mV akuelemendi tasemel.
1.3 Aku modelleerimismeetodite klassifikatsioon ja karakteristikud
Analüüsimeetodid, nagu voolu integreerimise ja avatud vooluahela pinge (OCV) meetodid, võivad anda selgeid SOH hinnanguid, kuid neid mõjutab kogunenud müra ja täpsuse tagamiseks on vaja pikka seismist.
Mudelipõhine lähenemine
Valge kasti mudel:Tuginedes üksikasjalikele elektrokeemilistele põhimõtetele, simuleerib see suure täpsusega aku käitumist põhiparameetrite kaudu. Kuid selle kõrged arvutusnõuded ja reaalmaailma dünaamika lihtsustatud eeldused vähendavad selle täpsust dünaamilistes tingimustes, mistõttu see ei sobi reaalajas rakenduste jaoks.
Halli kasti mudelid (nt ECM):Füüsiliste arusaamade ja empiiriliste kohanduste kombineerimine, kasutades aku käitumise ligikaudseks hindamiseks vooluringi analoogiat, saab SOC-i hinnata suure täpsusega (tavaliselt 3% vea piires) ning on kasulikud reaalajas SOH-hinnangu ja järelejäänud kasuliku eluea (RUL) prognoosimiseks, kuid seisavad silmitsi väljakutsetega. andmete kvaliteedi ja arvutusnõuete osas. Usaldusväärseks simuleerimiseks saab kasutada liitium-ioonakude (sh jadatakistid ja kuni kaks RC-elementi) lihtsat samaväärset vooluahela mudelit, samas kui keerukamad ECM-id (sh mitu RC haru või konstantse faasi elemente CPE) võivad simuleerida väga dünaamilisi protsesse (näiteks elektrisõidukite käitamiseks), kuid kasvav arvutuslik nõudlus on ajendanud arenenumate SOH hindamismeetodite väljatöötamist.
Musta kasti mudel (andmepõhine lähenemine):Sisend- ja väljundandmete põhjal konstrueeritakse mudel sisemisele tööpõhimõttele tuginemata. Masinõppetehnikad suudavad suure hulga mõõtmisandmete põhjal ennustada aku olekut. Masinõpe sobib suurepäraselt mustrite tuvastamisel keerulistes andmekogumites, näiteks mitme kanaliga närvivõrkudes, millel on suur võimsuse hindamise täpsus, kuid mis tuginevad kvaliteetsetele ja mitmekesistele koolitusandmetele. Praktilistes sõidukirakendustes ei saa aga paljusid sisemisi muutujaid otseselt mõõta ning andmete hõredus ja tõlgendatavuse puudumine muudavad mudeli mõistmise ja hooldamise keeruliseks.
1.4 Mudelmeetodite areng ja hübriidmudelite väljatöötamine
Mudelipõhiste meetodite areng:Viimase kümnendi jooksul on pidevalt arenenud mudelipõhised meetodid, sealhulgas Kalmani filtreerimine (KF) ja selle laiendused (nt laiendatud Kalmani filter EKF, lõhnatu Kalmani filter UKF). Need meetodid on aku oleku hindamisel suure täpsusega, kuid nõuavad täpseid dünaamilisi mudeleid ja neid on keeruline rakendada.
Hübriidmudelite tõus:Reaalmaailma andmete piirangute käsitlemiseks ja arvutusliku efektiivsuse parandamiseks on välja töötatud hübriidmudelid, mis kombineerivad mudelipõhiseid ja andmepõhiseid meetodeid, et treenida masinõppe mudeleid üksikasjalike simulatsioonide abil. Samal ajal on masinõppe tehnikad viimase viie aasta jooksul teinud märkimisväärseid edusamme, sealhulgas tõenäosusmeetodid, metaõpe, võistlev õpe, pooleldi juhendatud õpe jne. Süvaõpe (masinõppe alamhulk) on hästi toiminud struktureeritud ja struktureeritud õppe töötlemisel. struktureerimata andmed. Füüsilise teabe närvivõrgud (PINN-id) kombineerivad empiirilisi lagunemismudeleid närvivõrkudega, et parandada SOH-hinnangut, suurendades meetodite kohandatavust erinevate akutüüpide ja -tingimuste korral. Autotööstuse arenedes on need tehnoloogilised edusammud üliolulised aku jõudluse optimeerimiseks, rikete ärahoidmiseks ja elektrisõidukite arengu toetamiseks.
1.5 Ülevaade käesoleva artikli järgmistest peatükkidest
2. jaos tutvustatakse üksikasjalikult ülevaatekirjanduse sõelumise ja valiku meetodeid, tagades uurimismetoodika süsteemsuse ja terviklikkuse. Jaotises 3 antakse põhjalik analüüs laengu hindamise tehnikatest, uurides aku lagunemismehhanismide mõju elektrisõidukite akude modelleerimismeetoditele, sealhulgas Kalmani filtreerimisele ja selle täiustatud meetoditele, samuti integratsiooni vananemismudelitega. Jaotis 4 keskendub SOH hindamismeetoditele, võrdleb traditsioonilisi meetodeid uute meetoditega ja rõhutab elektrisõidukite puhul kasutatavaid meetodeid. Jaotis 5 demonstreerib sügava õppimise rolli SOH-hinnangus, nagu pika lühiajalise mälu (LSTM) võrgud ja hübriidmudelid, samuti seda, kuidas konvolutsioonilised närvivõrgud (CNN) arvestavad praktiliste teguritega tervisehindamise täpsuse parandamiseks. Lõpuks tehakse 6. jaotises kokkuvõte ja oodatakse tulevasi uurimissuundi aku tervisehaldussüsteemide jaoks, et toetada elektrisõidukite turu ja muude energiasalvestusrakenduste arengut.
2. Materjalid ja meetodid
2.1 Uurimisküsimuse määratlus
Selles uuringus pakutakse välja viis põhiküsimust, mis juhivad masinõppetehnoloogia rakendamist elektrisõidukite liitiumioonakude SOH-hinnangus.
Selgitada peamisi masinõppe tehnikaid, mida praegu kasutatakse elektrisõidukite liitiumioonakude terviseseisundi (SOH) hindamiseks, ning uurida teadlaste väljatöötatud ja kasutatavaid spetsiifilisi algoritme ja mudeleid.
Uurige erinevate andmeallikate (labori-, sõiduki- ja väliandmed) mõju SOH-hinnangu masinõppemudelite täpsusele ja töökindlusele, analüüsige, kuidas andmeallikad mõjutavad mudeli jõudlust, ja tehke kindlaks, millised andmed on täpse SOH-ennustuse jaoks kõige kasulikumad.
Tehke kindlaks peamised väljakutsed masinõppemeetodite rakendamisel liitiumioonakude SOH-hinnangus, samuti nende väljakutsete variatsioonid erinevates keskkonnatingimustes ja rakendusstsenaariumides, nagu temperatuurikõikumised, vananemine ja erinevate kasutusviiside mõju akudele. SOH hinnangu täpsus.
Võrrelge SOH hindamise analüüsimeetodeid, traditsiooniliste meetodite erinevusi ja nende evolutsiooniprotsessi, uurige, kuidas saab masinõppe meetodeid nende traditsiooniliste meetoditega integreerida, tuvastage nende eelised, puudused ja võimalikud sünergiad.
Vaadates ette tulevasi uurimissuundi, et parandada elektrisõidukite liitiumioonakude masinõppepõhiste SOH-hinnangumudelite täpsust, kohanemisvõimet ja arvutuslikku efektiivsust, tuvastades uurimislüngad, tehnilised nõuded ja uuenduslikud meetodid.
2.2 Kirjanduse otsing ja sõelumine
Andmebaasi valik ja otsingustrateegia: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 JA PUBEAASTA<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).
Kirjanduse sõelumine ja keskendumine:Välja otsitud kirjandus hõlmab mitmeid distsipliinivaldkondi, kusjuures kõige suurem osakaal on insenerivaldkonnas (730 artiklit), millele järgnesid energeetika, arvutiteadus ja matemaatika. Pärast arvutiteaduse valdkonnale keskendumist tuvastati 209 asjakohast dokumenti, millest aastatel 2019–2024 avaldati 183, mis viitab andmete ajakohasusele. Need dokumendid hõlmavad konverentsiettekandeid, artikleid, ülevaateid ja raamatute peatükke, kusjuures 72 artiklit, mis on avaldatud aastatel 2009–2024, on peamise ülevaate aluseks, kaasates samal ajal käsitsi asjakohaseid artikleid ja raamatute peatükke muudest insenerivaldkondadest, et tagada uurimisvaldkondade igakülgne katvus ja jäädvustada uuenduslikkust. tehnoloogilised edusammud tehisintellekti kasutamisel akuhaldussüsteemide täiustamiseks.
3. Laenguoleku (SOC) hindamise tehnoloogia
3.1 Aku lagunemise mehhanism ja selle mõju jõudlusele
Liitiumioonakud lagunevad peamiselt kahe mehhanismi kaudu:liitiumi varude kadu (LLI) ja aktiivse materjali kadu (LAM). LLI on seotud anoodile tahke elektrolüüdi liidese (SEI) kihi moodustumisega, mis tuleneb liitiumioonide ja elektrolüüdi vahelisest külgreaktsioonist. LAM-i põhjustab aku sisemine mehaaniline pinge, näiteks elektroodimaterjalide korduv paisumine ja kokkutõmbumine laadimise ja tühjenemise ajal, mis põhjustab mikropragusid ja elektroodiosakeste eraldumist, vähendades elektrokeemiliste reaktsioonide jaoks saadaolevat aktiivset pinda, vähendades seeläbi aku mahtuvust. suurendab sisemist takistust ja mõjutab lõpuks aku jõudlust. Neid lagunemismehhanisme kiirendavad sellised tegurid nagu kõrge laadimisaste, kõrge temperatuur ja agressiivsed tsüklitingimused. Erinevate vananemismehhanismide (termilised, elektrokeemilised jne) üksikasjalikku teavet ja modelleerimise üksikasju leiate asjakohasest kirjandusest.
3.2. Elektrisõidukite akude SOC hindamis- ja modelleerimistehnoloogia
Igapäevasel elektrisõidukite kasutamisel laaditakse akut sageli 20% -40% SOC-ga, et säilitada aku töövõime, kuid aku mahtuvuse mittelineaarsed ja halvenemisomadused võivad põhjustada ebatäpseid SOC-näite, mis mõjutavad aku hinnangut. täisvõimsus. Liitium-ioonakude jõudlust ja hooldust mõjutab ka kliima, kusjuures temperatuur ja elektrolüütide värskus (määratakse tootmis- ja täitmiskuupäevade järgi) mõjutavad aku tõhusust ja eluiga. Uute elektrolüütide akude omadused võivad erinevates kliimatingimustes erineda ning soojusjuhtimise strateegiad võivad aidata lahendada temperatuuriga seotud toimivusprobleeme ja parandada aku vastupidavust.
Traditsioonilist ekvivalentahela mudelit (ECM) kasutatakse tavaliselt SOC hindamiseks, kuid see nõuab sagedast kalibreerimist. Artiklis antakse üksikasjalik sissejuhatus ECM-il põhinevatele SOC-arvutusvõrranditele (sealhulgas pidevad ja diskreetsed vormid), mis hõlmavad olekuruumi võrrandeid, avatud vooluahela pinge- ja SOC-seoste võrrandeid, diskreetse aja domeeni SOC-värskendusvõrrandeid ja pingevärskendusvõrrandeid. Vastavad parameetrid (nagu takistus, mahtuvus, avatud vooluahela pinge jne) on SOC-ga tihedalt seotud. Aku mudeli parameetrite tuvastamiseks kasutatakse tavaliselt standardset laboratoorset testimist (nt segaimpulsi võimsuse karakteristikute testimist erinevatel temperatuuridel), kuid mudeli ebatäpsus ja mõõtmismüra võivad SOC-hinnangus põhjustada väikseid vigu. SOC-hinnangu täpsuse parandamiseks on nende efektide kompenseerimiseks kasutatud erinevaid tehnikaid, nagu Kalmani filtreerimine ja selle laiendused, PI-põhine vaatleja, libisemisrežiimi vaatleja jne, samuti on välja töötatud integraalsed parandusmeetodid mudeli esialgse määramatuse käsitlemiseks. ja mõõtmismüra. Lisaks, kuigi elektrokeemilise impedantsi spektroskoopia (EIS) abil saab hinnata aku omadusi (sealhulgas SOC ja SOH), on see aeganõudev ja ebapraktiline suuremahuliste rakenduste (nt elektrisõidukite pargid) jaoks, mistõttu on raske dünaamilist ja muutuvat tabada. elektrisõidukite akude töötingimused. Seetõttu on vaja adaptiivsemat ja tõhusamat meetodit.
3.3. Tehnoloogia täiustamine
Kalmani filter ja selle täiustamise meetodid:Kalmani filtrit (KF) ja selle laiendusi (nagu laiendatud Kalmani filter EKF, lõhnatu Kalmani filter UKF, Volume Kalman Filter CKF) kasutatakse SOC hindamiseks laialdaselt. KF annab optimaalse SOC hinnangu, minimeerides keskmise ruutvea, lahendades kumulatiivse vea ja esialgse SOC määramatuse probleemid. Siiski sobib see lineaarsete ajas muutuvate süsteemide jaoks, kus akude mittelineaarne dünaamika nõuab linearisatsiooni lähendamist. Kuigi EKF laiendab KF-i raamistikku mittelineaarsete mudelite käsitlemiseks, võib lineariseerimine mõjutada täpsust ja viia hinnangute lahknemiseni. Uued meetodid, nagu UKF ja CKF, kasutavad mittelineaarse teisendusstatistika hindamiseks sigmapunktide hindamist, samas kui CKF kasutab mitme muutujaga momentintegraalide arvutamiseks sfäärilise radiaalse mahu reeglit, et parandada mittelineaarse Bayesi filtreerimise täpsust. Kuid need filtrid eeldavad tavaliselt, et müra omadused on teada ja püsivad ning praktilistes rakendustes on müra muutuv (näiteks väliste häirete tekitatud mitte-Gaussi müra). Seetõttu on välja töötatud tugevad adaptiivsed filtreerimisstrateegiad, näiteks Gaussi segumudelite (GMM) kasutamine mitte-Gaussi müra modelleerimiseks, et parandada oleku hindamise täpsust. Vastavad uuringud on näidanud nende meetodite rakendusi ja eeliseid erinevates valdkondades. Lisaks kasutatakse laiaulatuslike omavahel ühendatud süsteemide oleku hindamise optimeerimiseks hajutatud ja hajutatud filtreid (nagu hajutatud Kalmani filter DKF, hajutatud Kalmani filter ja kovariatsiooniristi DKF-CI). Tugevatel ja mittelineaarsetel filtritel (nagu robustne Kalmani filter) on suurepärane jõudlus akusüsteemide keerukate mittelineaarsustega toimetulemisel (nt elektrokeemilised protsessid). Adaptiivsed tehnikad (nagu adaptiivne EKF ja adaptiivne UKF algoritm) kohandavad dünaamiliselt filtri parameetreid, et kohaneda müramuutustega ja parandada SOC hinnangu täpsust. Asjakohased uuringud ja näited on kinnitanud nende meetodite tõhusust.
Muud parendusmeetodid:nagu näiteks punktis 2022 pakutud Adaptive Integral Correction State of Charge Estimation (AIC-SE) meetod, mis põhineb ECM-mudelil ja parandab SOC-hinnangu täpsust reaalajas korrigeerimise mehhanismide (sealhulgas takistuse ja aku mahtuvuse korrigeerimine) (maksimaalne viga ± 0,8%, RMS viga alla 0,3%). Arvutusefektiivsus on kõrgem kui UKF (AIC-SE umbes 5n toimingut, UKF umbes n ^ 2 operatsiooni), lahendades tõhusalt aku vananemise ja lagunemise probleeme. 2023. aasta variatsioonilise Bayesi maksimaalse korrelatsiooni entroopia mahu Kalmani filter (VBMCCKF) ühendab täiustatud filtreerimis- ja statistilised tehnikad, et täiustada mõõtmisvea kovariatsiooni hindamist variatsioonilise Bayesi meetodi abil. Maksimaalse korrelatsiooni entroopia kriteeriumit kasutatakse mitte-Gaussi müra mõõtmise kõrvalekallete käsitlemiseks, mis parandab oluliselt SOC-i hinnangu täpsust (võrreldes EKF-i, CKF-i ja variatsioonilise Bayesi ruumala Kalmani filtriga, väheneb keskmine absoluutviga 77%, 68% ja 49% vastavalt) ja akuhaldussüsteemi töökindluse suurendamine.
3.4 Integreerimine vananemismudelitega
Aku vananemise mudel on tihedalt seotud SOC hinnanguga ja hiljutised uuringud on mõlemas aspektis uuenduslikud. 2024. aastal välja pakutud aku vananemismudel võtab põhjalikult arvesse SOC, aku temperatuuri, aja ja täielikult ekvivalentsete tsükliaegade (NFEC) mõju aku vananemisele. Mudel koosneb kahest osast: esimene osa keskendub SOC ja temperatuuriga seotud vananemisele (võimekao arvutamine konkreetsete valemite abil) ja teine osa käsitleb NFEC-de mõju vananemisele. See mudel integreerib uuenduslikult aku vananemise elektrisõiduki alamsüsteemina akumudeliga, hõlmates kõiki töörežiime, nagu parkimine, sõit ja laadimine. See saavutab täpse interaktsiooni simulatsiooni erinevate alamsüsteemide vahel kasutades formaalset energiamakroskoopilise esituse (EMR) meetodit (2000. aastal välja töötatud graafiline tööriist alamsüsteemide ühenduste korraldamiseks, vooluvoo ja põhjuslike seoste kujutamiseks). Uuringud on näidanud, et laadimissageduse vähendamine (nt igapäevaselt laadimiselt iga nelja päeva tagant üleminek) võib oluliselt pikendada aega, mille jooksul aku jõuab 80% SOH-ni. See integreeritud lähenemisviis annab olulisi edusamme akuhalduse optimeerimisel ja laadimistavade mõju mõistmisel aku vananemisele.
Uutel meetoditel, nagu AIC-SE ja VBMCCKF, on SOC-i hindamise täpsuse ja arvutusliku efektiivsuse osas märkimisväärsed eelised. AIC-SE toimib hästi arvutuslikul efektiivsusel, samas kui VBMCCKF toimib paremini mõõtmisvigade ja mürarikaste keskkondade dünaamilise hindamisega. Kui prioriteediks on täpsus ja müratöötlus, võib variatsiooni Bayesi ja maksimaalse korrelatsiooni entroopia kriteeriumide kombineerimine olla praegu parim valik; Kui keskendume arvutuslikule efektiivsusele ja reaalajas rakendustele, on AIC-SE hea valik, mis näitab, et ECM-i modelleerimismeetoditel on selles valdkonnas endiselt eeliseid. Lisaks arvestab 2024. aastal uuritud aku vananemismudel igakülgselt mitme teguri mõju aku lagunemisele, mis on aku tööea optimeerimisel väga oluline (laadimispraktika põhjal). Üldiselt ei paranda need arengud mitte ainult SOC-hinnangu täpsust, vaid aitavad kaasa ka aku tööea pikendamisele ja aku töökindluse suurendamisele.
4. Terviseseisundi (SOH) hindamise tehnikad
4.1 Traditsioonilised SOH hindamismeetodid
Traditsioonilist SOH hindamismeetodit kasutatakse laialdaselt akadeemilistes ja tööstusvaldkondades, mis põhineb peamiselt sellistel põhiparameetritel nagu võimsuse vähenemine, sisetakistus ja tsükli eluiga aku SOH hindamiseks (vt tabelist 4 asjakohaseid valemeid ja parameetrite tähendusi). Need meetodid loovad aluse aku seisundi hindamiseks ja aitavad mõista aku jõudlust. Mõistes neid traditsioonilisi meetodeid, saame paremini mõista järgmistes peatükkides uute hindamismeetodite täiustusi. Uued meetodid kasutavad traditsiooniliste meetodite piirangute kõrvaldamiseks sageli keerukamat andmeanalüüsi ja ennustavat modelleerimistehnikat. Nende kahe võrdlemine võib selgitada SOH-hinnangutehnoloogia arengut ja arengut ning näidata, kuidas kaasaegsed meetodid võivad parandada akuhaldussüsteemide täpsust ja kohanemisvõimet.
4.2 Uued arengud traditsiooniliste meetodite asendamisel
Uued tervisenäitajad koos masinõppega:SOH prognoosimise täpsuse parandamiseks on uuringud kasutusele võtnud uued tervisenäitajad, nagu lagunemismäär (DSR). DSR-i arvutamise valem laadimispinge kõvera kalde põhjal on järgmine:
Mitme laadimistsükli nõlvade võrdlemisel määratakse aku lagunemiskiirus (mV/s) kindlas pingevahemikus (nt [3.8-3.9V]), mis on tihedalt seotud aku mahutavus ja seda saab kasutada võtmeindikaatorina aku tööea lõpu määramisel. Kombineerides Gaussi protsessi regressiooni (GPR) ja mitmekihiliste perceptronnärvivõrgu (MLPNN) mudeleid, saab täpsemalt hinnata võimsuse kadu ja halvenemist. Võrreldes traditsiooniliste mudelitega on tundlikkus ja täpsus oluliselt paranenud, lahendades tõhusalt traditsiooniliste mudelite probleemi, mida on raske varakult tuvastada.
Samaväärse vooluahela mudeli täiustamine:Varasemad meetodid traditsiooniliste ekvivalentahela mudelite (ECM) täiustamiseks arenesid edasi, näiteks SOH hindamine, analüüsides samaväärse RC-ahela mudeli keha mahtuvust 2015-s, kasutades keha mahtuvuse sumbumisteguri arvutamiseks uuenduslikke algoritme, ja selle kombineerimine diskreetsete mittelineaarsete vaatlejatega, et parandada täpsust ja usaldusväärsust; Aastal 2024 võeti temperatuuri mõju arvessevõtmiseks kasutusele teist järku hübriidekvivalendina vooluahela mudel kombineerituna adaptiivse värskendussageduse ja mittelineaarse vaatlejaga, mis saavutas SOH-hinnangu suure täpsuse (keskmine absoluutne viga alla 0,5%, RMS viga alla 0,2%; 2023. aasta pilvelahendus kasutab pikaajalisi seireandmeid ja reaalajas andmeid akumudeli parameetrite hindamiseks, kohandades liikuva akna vähimruutude algoritmi. ECM-i mudeli põhjal saavutatakse ülitäpne SOH-hindamine, mis näitab, et täiustatud ECM-meetodil on SOH-hinnangus endiselt oluline tähtsus, mis on kooskõlas ECM-i meetodite pideva täiustamise suundumusega SOC-hinnangu tehnoloogias.
Hübriidraamistiku meetod:Uus raamistik integreerib lineaarse statistilise k-lähima naabri (LSKNN), maksimaalse teabe entroopia otsingu (MIES) ja Collective Sparse Variational Gaussi protsessi regressiooni (CSVGPR) andmete interpoleerimise, müra filtreerimise, funktsioonide valiku ja määramatuse haldamiseks. LSKNN hindab puuduvaid andmepunkte ja filtreerib müra, MIES valib SOH-ga kõrge korrelatsiooniga funktsioonid ja CSVGPR töötleb andmete ebakindlust prognoosimise täpsuse parandamiseks. Seda raamistikku testiti NASA akuandmestiku abil ja võrreldes selliste meetoditega nagu ElasticNet, Support Vector Regression (SVR), Random Forest ja Gradient Boosting, vähenes Root Mean Square Error (RMSE) 77,8% ({{3) }}.0510 ElasticNetis kuni 0.0113). Võrreldes erinevate tuumadega Gaussi protsessimudelitega vähendati RMSE-d 55, 5% (0, 0254-lt 0, 0113-le), kinnitades raamistiku vastupidavust ja suurt täpsust ning pakkudes täpsemat meetodit SOH hindamiseks.
SOH hindamistehnoloogia arengutrend on nihkumas traditsioonilistelt meetoditelt keerukamatele elektrisõidukitele sobivatele mudelitele. Uute meetodite hulka kuuluvad degradatsioonimudelite kombineerimine klassikalise masinõppega, ECM-põhiste meetodite ja hübriidmeetoditega. DSR on oluline uuendus, mis vähendab sõltuvust täielikust laadimistsüklist (vähendab ooteaega ligikaudu 84%) ja koos masinõppega parandab võimsuskao hinnangu täpsust, ületades traditsiooniliste mudelite varajase lagunemise tuvastamise raskused. Täiustatud ECM-meetod on saavutanud häid tulemusi SOH-hinnangus, mis on kooskõlas ECM-meetodi tähtsusega SOC-hinnangus. Hübriidtehnoloogiad (nagu eelpool mainitud uus raamistik) on suure täpsusega. Kuigi reaalajas rakendused kujutavad endast väljakutseid, on peamiste andmetöötlusprobleemide tõhus lahendamine märkimisväärne edu võrreldes traditsiooniliste SOH hindamismeetoditega. Üldiselt keskenduvad need arendused reaalajas rakendustele ja andmepõhistele meetoditele, parandades oluliselt elektrisõidukite akuhaldussüsteemide töökindlust. Süvaõppemeetodid, nagu LSTM, CNN-id ja hübriidtehnikad, on muutunud SOH-hinnangu peavoolumeetoditeks. Järgmistes peatükkides tutvustatakse asjakohaseid uurimistulemusi ja kaastöid.
5. Süvaõppe rakendamine SOH-hinnangus
5.1 LSTM ja hübriidmudelid
Mitmed uuringud on SOH-hinnangu täpsuse suurendamiseks kasutanud täiustatud vananemismudeleid koos sügava õppimise tehnikatega. Sügav õppimine on järelejäänud kasuliku eluea (RUL) ennustamiseks hädavajalik. Näiteks integreerides SOH lagunemismudeli ja võttes arvesse erinevaid töötingimusi, nagu laadimis-/tühjendusvool ja temperatuur, saab konkreetse valemi abil:
Nende hulgas on I2 {c} ja I2 {d} normaliseeritud laadimis- ja tühjenemisvoolud, T3 {c} ja T4 {d} on normaliseeritud aku ja ümbritseva õhu temperatuur, T3 {c} ja T4 {d} laadimis- ja tühjenemisajad, ja (d1-d4) on kaal), mis simuleerib täpsemalt aku halvenemist. LSTM-võrgul põhinev RUL-ennustusmudel parandab prognoosimise täpsust, kuid arvutuslik keerukus suureneb ja reaalajas kasutatavad rakendused seisavad silmitsi väljakutsetega. Närvivõrgud saavad hakkama ajas muutuvate akuprotsessidega, õpivad pidevalt kohanema aku käitumise muutustega ja säilitavad mudeli töökindluse.
SOH-hinnangu optimeerimiseks põhifunktsioonide (nt 6 põhifunktsiooni) eraldamine koos masinõppe algoritmidega suure täpsuse ja väikese arvutuskoormuse saavutamiseks mängivad pingefunktsioonidel olulist rolli aku oleku hindamise täpsuse parandamisel. Mitme süvaõppe mudeli (nagu CNN, LSTM, GRU ja nende kahesuunalised variandid) kombineerimine hübriidraamistikuks (nt CNN-LSTM-DNN, CNN-GRU-DNN), et ennustada RUL-i, kasutades selleks laia valikut funktsioone. täpsus, vähendas RMSE-d NASA andmekogumi testimisel 90,5%, kuid arvutuslik tugevus ja keerukus piiravad reaalajas rakendusi. Mitme mudeli meetodid (nt LSTM-i mudeliteegid) ja täiustatud optimeerimisstrateegiad (nt LSTM-i integreerimine AI-BMS-i raamistikku ja selle rakendamine FPGA-s) võivad parandada prognoosimise täpsust ja süsteemi tõhusust, kuid FPGA rakendamine kommertselektrisõidukites on kulukas. ja praktilised väljakutsed.
GRU ja pehmete tuvastusmeetodite kombinatsioonil on potentsiaal pikaajaliseks RUL-i prognoosimiseks laborikeskkondades, kuid praktilised rakendused nõuavad kohanemist erinevate laadimistingimustega. Kasutades NASA andmekogumite töötlemiseks andmepõhiseid meetodeid, nagu LSTM, DNN ja GRU, on GRU jõudlus tugev (RMSE 0.003, MAE 0,003, R-ruut viga 0,004) ning GRU ja LSTM võrkude kombineerimine annab parema jõudluse. LSTM-il põhinev meetod eraldab funktsioonid (nt 5 käsitsi funktsiooni), analüüsides aku laetuse tühjenemise kõverat, ja kasutab optimeerimisalgoritme (nt Adam), et parandada treeningute tõhusust ja prognoosimise täpsust. Üksiku aku osaandmete koolitusel on teiste akude SOH-hinnangu viga madal, mis on parem kui traditsioonilistel mudelitel.
MDA-LSTM-võrk ühendab mitu funktsiooni ja ajalist teavet ning parandab RUL-i prognoosimise täpsust mitme funktsioonide liitmooduli ja kahe tähelepanu mooduli kaudu. See toimib hästi mitme andmekogumi valideerimisel, omab robustsust ja üldistust. Virnastatud BiLSTM-võrku kasutatakse SOH ennustamiseks, kasutades konstantse voolu laadimisandmeid, ja kahesuunaline struktuur parandab prognoosimise usaldusväärsust, muutes selle sobivaks SOH-i reaalajas hindamiseks kiirlaadimise ajal. TCN-LSTM mudel kasutab sünteetilisi andmeid ja Bayesi optimeerimist, et täpselt rekonstrueerida avatud vooluahela pinge (OCV) ja hinnata tervislikku seisundit (SOH) (MAE alla 22 mV, MAPE alla 2,2%). Seda saab ülekandeõppe kaudu laiendada erinevatele akukeemiasüsteemidele, kuid ebapiisavate andmete korral on ekstrapoleerimisel piirangud. Sügavsünteesi meetod (nt ajalooliste andmete ja mitmete tervisenäitajate kasutamine) saavutab täislaadimise tühjenemise testimise kaudu suure täpsuse (MAPE alla 2,97%) ning nii GPR-il põhinev globaalne raamistik kui ka üksikute elektrisõidukite DFTN-mudel on saavutanud häid tulemusi. .
5.2. CNN ja CNN-LSTM integreeritud mudel
CNN-WNN-WLSTM meetod integreerib CNN-, WNN- ja WLSTM-võrgud. CNN võtab välja funktsioonid, WNN-i ja WLSTM-i protsessifunktsioonid ning hindab SOH-d. RMSpropi optimeerijat kasutatakse jõudluse parandamiseks ja see ületab NASA andmekogumi testimisel traditsioonilisi meetodeid, pakkudes paljutõotavat lähenemisviisi aku seisundi haldamiseks. CNN-LSTM-CRF-mudel on inspireeritud loomulikust keeletöötlusest, mille CRF-kiht salvestab väljundi muutujate sõltuvusi, et parandada aku mahu prognoosimise täpsust ja intuitiivi. Arvutusnõuded on aga kõrged ja ületavad pardaprotsessorite võimalusi. Edaspidi on vaja teadusuuringuid selle praktilisuse parandamiseks (näiteks ülekandeõppe kaudu). LSTNeti mudel parandab aku mahtuvuse prognoosimise jõudlust, segmenteerides andmeid, integreerides ConvLSTM-i ja AR-i komponente ning optimeerides struktuuri (näiteks NASA andmekogumi testimisel oli RMSE 0,65%, MAE oli 0). 58% ja MAPE oli 0,435%, kui treeniti 40% andmete põhjal).
Integreerides täiustatud CNN-i ja ECSSA optimeerimisalgoritme tahkis-liitiumioonakude RUL-i ennustamiseks, parandab CNN funktsioonide eraldamist ja prognoosimise täpsust, optimeerides hüperparameetreid ja struktuure (nt kasutades täiustatud konvolutsioonikihte, aktiveerimisfunktsioone ja jääkühendusi), ECSSA optimeerib mudeli parameetreid uuenduslike matemaatiliste meetodite abil (nt Circle Chaotic Mapping, Nonlinear neeldumiskoefitsient ja Cauchy mutatsioon), et parandada RUL-i prognoosimise täpsust ja vastupidavust. PCA ja CNN-i kombineerimine funktsioonide optimeerimiseks ja mõõtmete vähendamiseks parandab SOH-hinnangu täpsust ja efektiivsust (võrreldes traditsiooniliste CNN-i ja fikseeritud mõõtmetega PCA-CNN-mudelitega, suureneb MAE rohkem kui 20% ja RMSE suureneb rohkem kui 30%). Reaalajas SOH-hinnangumudel integreerib 1D-CNN-i ja BiGRU, kasutades BMS-i andmeid, et vältida keerukat funktsioonide ekstraheerimist, ja saavutades kõrge täpsuse hüperparameetrite Bayesi optimeerimise kaudu (nagu NASA andmekogumi testimisel on MAE 2,080%, RMSE on 2,516%. ja EOL-i indeksi viga on null).
5.3. Süvaõppe mudelite optimeerimisstrateegiad
Esiteks kasutati peamiste tervisetegurite tuvastamiseks juhuslikku metsaalgoritmi ja seejärel geneetilise algoritmi osakeste sülemi optimeerimise (GA-PSO) tehnikat, et optimeerida tugivektori regressiooni (SVR) mudeli parameetreid terviseseisundi (SOH) hindamiseks. Tõhusust kontrolliti nelja akuga, parandades täpsust ja konvergentsi kiirust (RMSE 0,40%, MAPE 0,56%), mis on teistest seotud meetoditest parem. GWO-BRNN hübriidmeetod kasutab Bayesi reguleeritud närvivõrkude (BRNN) hüperparameetrite valimiseks halli hundi optimeerimist (GWO). NASA andmestiku põhjal on SOH hinnanguviga alla 1%, kuid arvutuslik keerukus on suur ja praktilised rakendused piiratud. Elektrisõidukite algandmete otsene kasutamine SOH-i hindamiseks ja RUL-i ennustamiseks, täpsuse parandamine uute hindamisfunktsioonide ja interpolatsiooniparandusmeetodite kasutuselevõtuga (voolu integreerimise suhtelise vea vähendamine 0,94% -ni), kombineerituna optimeerimismeetodiga D-NSGA-II, et veelgi rohkem optimeerida SOH hinnangut ja vähendada arvutusaega. Vastuseks terviseseisundi (SOH) hindamise raskustele, mis on põhjustatud elektrisõidukite liitiumioonakude mittetäielikust laadimisest ja tühjenemisest, pakutakse välja kaudne hindamismeetod (ATAGA-BP). Meetod kasutab terviseindikaatorina konstantse pinge laadimisetapi omadusi ja seda kinnitatakse NASA andmetega simuleerimise teel. Meetodil on kõrge korrelatsioon aku mahutavusega (üle 85%), SOH hinnanguviga on 3,7% ja iteratiivne efektiivsuse paranemine 17,8%.
Sügav õppimine on SOH-hinnangus teinud märkimisväärseid edusamme ja mitmekülgsed mudelid, mis võtavad arvesse mitmeid tegureid, annavad aku halvenemisest sügavama ülevaate. LSTM-võrgud on olulised ajaliste sõltuvuste hõivamiseks ja RUL-i ennustamiseks, kuid nende arvutuslik keerukus seab reaalajas rakendustele väljakutseid. Funktsioonide eraldamise meetodid on olulised ja võivad SOH-hinnangut optimeerida. Hübriidmudelite ja erinevate närvivõrgu arhitektuuride kombinatsioon aku andmete keerukuse töötlemiseks on paljutõotav, kuid kõrged arvutusnõuded piiravad praktilisi rakendusi. Optimeerimisstrateegiad, nagu GA-PSO, GWO-BRNN ja D-NSGA-II, on parandanud täpsust ja tõhusust, kuid keerukate algoritmide rakendamine on keeruline ja nõuab tasakaalu täpsuse ja täitmise lihtsuse vahel. Täiustatud AI-tehnoloogia on sekundaarsete akude kasutamisel ülioluline (puuduvad üksikasjalikud kasutusandmed). Järgmistes peatükkides antakse ülevaade sekundaarsete rakendusuuringute hetkeseisust, eriti akude taaskasutamise valdkonnas.
6. Kokkuvõte
See artikkel edendab elektrisõidukite liitiumioonakude SOH ja SOC hinnangute arendamist uuenduslike meetodite ja mudelite kaudu, hõlmates erinevaid tehnoloogiaid traditsioonilisest masinõppest kuni täiustatud süvaõppe mudeliteni, nagu LSTM ja CNN. Siiski on igal meetodil erinevusi täpsuses, keerukuses ja rakendatavuses, mis muudab otsese võrdlemise keeruliseks. Uuringud on leidnud, et andmetöötlusel ja allikatel on mudeli jõudlusele märkimisväärne mõju ning tegelikuks kasutuselevõtuks on vaja täiendavat valideerimist. Kuigi süvaõppe mudelid on näidanud eeliseid keeruliste andmete töötlemisel, seisavad nad siiski silmitsi väljakutsetega, nagu kõrged arvutusressursside nõuded ja kohanemisvõime praktiliste rakendusstsenaariumitega. Tulevased uuringud peaksid keskenduma funktsioonide valiku parandamisele, anomaaliate tuvastamisele, erinevate keskkonnatingimustega kohanemisele, arvutusliku tõhususe suurendamiseks algoritmide optimeerimisele, reaalajas rakenduste saavutamisele, mitme andmeallika integreerimisele, et parandada SOH-hinnangu mudeli jõudlust, ning tegeleda ka sekundaarsete akurakenduste probleemidega. , tõhusate lahenduste väljatöötamine ja akuhaldussüsteemide arendamise edendamine, et vastata kasvavatele nõudmistele elektrisõidukite ja energia salvestamise valdkonnas.