Abstrak
Teknologi anggaran Keadaan Kesihatan (SOH) untuk bateri litium-ion adalah penting untuk keselamatan dan kebolehpercayaan kenderaan elektrik. Dengan perkembangan teknologi kecerdasan buatan (AI) dan pembelajaran mesin (ML), bidang pengurusan bateri mula mengguna pakai kaedah ini untuk meningkatkan kecekapan dan kestabilan. Terutamanya, rangkaian saraf telah menunjukkan kelebihan dalam kecekapan tinggi, penggunaan tenaga yang rendah, keteguhan tinggi dan skalabiliti dalam simulasi dan ramalan SOH. Model hibrid, digabungkan dengan model litar setara (ECM) dan pembelajaran mendalam, telah terbukti berpotensi dalam meningkatkan ketepatan dan prestasi masa nyata anggaran SOH. Arah penyelidikan masa depan termasuk menggunakan lebih banyak data di tapak untuk pemeriksaan ciri kesihatan dan pembinaan model, serta pemeriksaan pintar dan gabungan parameter bateri untuk mencirikan SOH sebenar dengan lebih tepat. Pembangunan teknologi ini akan meningkatkan lagi pengurusan bateri kenderaan elektrik yang saintifik, boleh dipercayai, stabil dan mantap.
1. Secara ringkas
1.1 Kepentingan bateri litium-ion untuk kenderaan elektrik dan kepentingan kritikal anggaran SOH
Bateri litium ion adalah penting untuk pengendalian kenderaan elektrik, dan prestasinya dipengaruhi oleh pelbagai proses degradasi. Menganggarkan keadaan kesihatan (SOH) bateri dengan tepat adalah penting untuk memastikan operasi kenderaan elektrik yang selamat, boleh dipercayai dan menjimatkan. Apabila permintaan untuk kenderaan elektrik semakin meningkat, pemantauan SOH menjadi semakin penting, kerana bateri litium-ion biasanya menurun kepada 80% daripada kapasiti asalnya sebelum tamat jangka hayatnya. Selain itu, State of Charge (SOC) juga merupakan parameter utama, dan perubahannya boleh mencerminkan penuaan dan kemerosotan kapasiti bateri. Ramalan SOC yang tepat berguna untuk anggaran SOH, yang seterusnya menentukan baki hayat bateri.
1.2 Pembangunan kaedah anggaran SOH
Gambaran keseluruhan dan kemajuan kaedah sedia ada:Kaedah anggaran SOH berbilang telah dibangunkan, antaranya kaedah berasaskan SOC menyepadukan data masa nyata seperti arus, voltan dan suhu untuk mencapai ramalan SOH yang lebih tepat dalam berbilang kitaran cas dan nyahcas, mengoptimumkan prestasi bateri, mencegah kerosakan dan memanjangkan hayat bateri . Kemajuan terkini dalam kaedah pembelajaran mesin telah meningkatkan lagi anggaran SOH dan rangkaian saraf seperti rangkaian neural suapan dan konvolusi berfungsi dengan baik dalam pemodelan bateri, mengatasi kaedah regresi tradisional dalam kerumitan dan ketepatan, dengan sisihan ralat purata kira-kira 0 .16% dan ralat purata kuasa dua punca 5.57mV pada paras sel bateri.
1.3 Klasifikasi dan Ciri-ciri Kaedah Permodelan Bateri
Kaedah analisis seperti teknik penyepaduan semasa dan voltan litar terbuka (OCV) boleh memberikan anggaran SOH yang jelas, tetapi dipengaruhi oleh hingar terkumpul dan memerlukan tempoh berdiri yang lama untuk memastikan ketepatan.
Pendekatan berasaskan model
Model kotak putih:Berdasarkan prinsip elektrokimia terperinci, ia mensimulasikan tingkah laku bateri melalui parameter asas dengan ketepatan yang tinggi. Walau bagaimanapun, keperluan pengiraan yang tinggi dan andaian ringkas untuk dinamik dunia sebenar mengurangkan ketepatannya di bawah keadaan dinamik, menjadikannya tidak sesuai untuk aplikasi masa nyata.
Model kotak kelabu (seperti ECM):Menggabungkan cerapan fizikal dan pelarasan empirikal, menggunakan analogi litar untuk menganggarkan gelagat bateri, boleh menganggarkan SOC dengan ketepatan tinggi (biasanya dalam ralat 3%) dan berguna untuk anggaran SOH masa nyata dan ramalan hayat berguna (RUL) yang tinggal, tetapi menghadapi cabaran dalam kualiti data dan keperluan pengiraan. Model litar setara mudah untuk bateri litium-ion (termasuk perintang siri dan sehingga dua elemen RC) boleh digunakan untuk simulasi yang boleh dipercayai, manakala ECM yang lebih kompleks (termasuk berbilang cawangan RC atau elemen fasa malar CPE) boleh mensimulasikan proses yang sangat dinamik (seperti sebagai operasi kenderaan elektrik), tetapi permintaan pengiraan yang semakin meningkat telah mendorong pembangunan kaedah anggaran SOH yang lebih maju.
Model kotak hitam (pendekatan dipacu data):Berdasarkan data input dan output, model ini dibina tanpa bergantung pada pengetahuan prinsip kerja dalaman. Teknik pembelajaran mesin boleh meramalkan status bateri daripada sejumlah besar data ukuran. Pembelajaran mesin cemerlang dalam mengenal pasti corak dalam set data yang kompleks, seperti rangkaian saraf berbilang saluran yang mempunyai ketepatan tinggi dalam anggaran kapasiti, tetapi bergantung pada data latihan yang berkualiti tinggi dan pelbagai. Walau bagaimanapun, dalam aplikasi kenderaan praktikal, banyak pembolehubah dalaman tidak boleh diukur secara langsung, dan kesederhanaan data serta kekurangan kebolehtafsiran menjadikan model sukar untuk difahami dan diselenggara.
1.4 Evolusi Kaedah Model dan Pembangunan Model Hibrid
Evolusi kaedah berasaskan model:Dalam dekad yang lalu, kaedah berasaskan model telah dibangunkan secara berterusan, termasuk penapisan Kalman (KF) dan sambungannya (seperti Penapis Kalman Lanjutan EKF, Penapis Kalman Tidak Berbau UKF). Kaedah ini mempunyai ketepatan yang tinggi dalam anggaran keadaan bateri, tetapi memerlukan model dinamik yang tepat dan kompleks untuk dilaksanakan.
Kebangkitan model hibrid:Untuk menangani batasan data dunia sebenar dan meningkatkan kecekapan pengiraan, model hibrid telah muncul, menggabungkan kaedah berasaskan model dan dipacu data untuk melatih model pembelajaran mesin melalui simulasi terperinci. Pada masa yang sama, teknik pembelajaran mesin telah mencapai kemajuan yang ketara dalam tempoh lima tahun yang lalu, termasuk kaedah probabilistik, pembelajaran meta, pembelajaran berlawanan, pembelajaran separa penyeliaan, dll. Pembelajaran mendalam (subset pembelajaran mesin) telah menunjukkan prestasi yang baik dalam pemprosesan berstruktur dan data tidak berstruktur. Rangkaian Neural Maklumat Fizikal (PINN) menggabungkan model degradasi empirikal dengan rangkaian saraf untuk meningkatkan anggaran SOH, meningkatkan kebolehsuaian kaedah di bawah jenis dan keadaan bateri yang berbeza. Dengan perkembangan industri automotif, kemajuan teknologi ini penting untuk mengoptimumkan prestasi bateri, mencegah kegagalan dan menyokong pembangunan kenderaan elektrik.
1.5 Gambaran keseluruhan bab seterusnya dalam artikel ini
Bahagian 2 menyediakan pengenalan terperinci kepada kaedah untuk menyaring dan memilih literatur kajian, memastikan sifat sistematik dan komprehensif metodologi penyelidikan. Bahagian 3 menyediakan analisis mendalam tentang teknik penganggaran keadaan cas, meneroka kesan mekanisme kemerosotan bateri ke atas kaedah pemodelan untuk bateri kenderaan elektrik, termasuk penapisan Kalman dan kaedahnya yang dipertingkatkan, serta penyepaduan dengan model penuaan. Bahagian 4 memfokuskan pada teknik anggaran SOH, membandingkan kaedah tradisional dengan kaedah baharu dan menekankan kaedah yang digunakan untuk kenderaan elektrik. Bahagian 5 menunjukkan peranan pembelajaran mendalam dalam anggaran SOH, seperti rangkaian ingatan jangka pendek (LSTM) panjang dan model hibrid, serta cara rangkaian neural convolutional (CNN) mempertimbangkan faktor praktikal untuk meningkatkan ketepatan penilaian kesihatan. Akhir sekali, Bahagian 6 meringkaskan dan menantikan arahan penyelidikan masa depan untuk sistem pengurusan kesihatan bateri untuk menyokong pembangunan pasaran kenderaan elektrik dan aplikasi storan tenaga yang lain.
2. Bahan dan Kaedah
2.1 Definisi Soalan Kajian
Kajian ini mencadangkan lima soalan utama untuk membimbing aplikasi teknologi pembelajaran mesin dalam anggaran SOH bateri litium-ion dalam kenderaan elektrik.
Jelaskan teknik pembelajaran mesin utama yang digunakan pada masa ini untuk menganggarkan keadaan kesihatan (SOH) bateri litium-ion dalam kenderaan elektrik, dan terokai algoritma dan model khusus yang dibangunkan dan digunakan oleh penyelidik.
Terokai kesan sumber data yang berbeza (data makmal, kenderaan dan medan) terhadap ketepatan dan keteguhan model pembelajaran mesin anggaran SOH, menganalisis cara sumber data mempengaruhi prestasi model dan menentukan data yang paling bermanfaat untuk ramalan SOH yang tepat.
Kenal pasti cabaran utama untuk menggunakan teknik pembelajaran mesin dalam anggaran SOH bateri litium-ion, serta variasi cabaran ini dalam keadaan persekitaran dan senario aplikasi yang berbeza, seperti turun naik suhu, penuaan dan kesan mod penggunaan yang berbeza pada ketepatan anggaran SOH.
Bandingkan kaedah analisis anggaran SOH, perbezaan antara kaedah tradisional dan proses evolusinya, kaji cara kaedah pembelajaran mesin boleh disepadukan dengan kaedah tradisional ini, kenal pasti kelebihan, kelemahan dan sinergi yang berpotensi.
Melihat ke hadapan kepada arah penyelidikan masa hadapan untuk meningkatkan ketepatan, kebolehsuaian dan kecekapan pengiraan model anggaran SOH berasaskan pembelajaran mesin dalam bateri litium-ion untuk kenderaan elektrik, mengenal pasti jurang penyelidikan, keperluan teknikal dan kaedah inovatif.
2.2 Carian dan saringan literatur
Pemilihan pangkalan data dan strategi carian: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 DAN 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).
Saringan dan penumpuan kesusasteraan:Sastera yang diambil meliputi pelbagai bidang disiplin, dengan bidang kejuruteraan mempunyai bahagian tertinggi (730 artikel), diikuti oleh tenaga, sains komputer dan matematik. Selepas memberi tumpuan kepada bidang sains komputer, 209 dokumen berkaitan telah dikenal pasti, di mana 183 diterbitkan antara 2019 dan 2024, menunjukkan ketepatan masa data. Dokumen ini termasuk kertas persidangan, artikel, ulasan dan bab buku, dengan 72 artikel diterbitkan antara 2009 dan 2024 sebagai asas semakan utama, sambil menggabungkan secara manual kertas kerja dan bab buku dari bidang kejuruteraan lain untuk memastikan liputan menyeluruh bidang penyelidikan dan menangkap inovatif kemajuan teknologi dalam menggunakan kecerdasan buatan untuk meningkatkan sistem pengurusan bateri.
3. Teknologi anggaran State of Charge (SOC).
3.1 Mekanisme kemerosotan bateri dan kesannya terhadap prestasi
Bateri litium ion terutamanya merosot melalui dua mekanisme:kehilangan inventori litium (LLI) dan kehilangan bahan aktif (LAM). LLI berkaitan dengan pembentukan lapisan antara muka elektrolit pepejal (SEI) pada anod, yang berasal dari tindak balas sampingan antara ion litium dan elektrolit. LAM disebabkan oleh tekanan mekanikal dalaman dalam bateri, seperti pengembangan berulang dan pengecutan bahan elektrod semasa mengecas dan menyahcas, yang membawa kepada retak mikro dan detasmen zarah elektrod, mengurangkan kawasan permukaan aktif yang tersedia untuk tindak balas elektrokimia, dengan itu mengurangkan kapasiti bateri, meningkatkan rintangan dalaman, dan akhirnya menjejaskan prestasi bateri. Mekanisme degradasi ini dipercepatkan oleh faktor seperti keadaan pengecasan tinggi, suhu tinggi dan keadaan berbasikal yang agresif. Maklumat terperinci dan butiran pemodelan pelbagai mekanisme penuaan (terma, elektrokimia, dll.) boleh didapati dalam literatur yang berkaitan.
3.2. Anggaran SOC dan teknologi pemodelan untuk bateri kenderaan elektrik
Dalam penggunaan harian kenderaan elektrik, bateri sering dicas pada 20% -40% SOC untuk mengekalkan kesihatan bateri, tetapi ciri bukan linear dan kemerosotan kapasiti bateri boleh mengakibatkan bacaan SOC yang tidak tepat, menjejaskan anggaran bateri. kapasiti penuh. Prestasi dan penyelenggaraan bateri litium-ion juga dipengaruhi oleh iklim, dengan suhu dan kesegaran elektrolit (ditentukan oleh tarikh pengeluaran dan pengisian) mempengaruhi kecekapan dan jangka hayat bateri. Ciri-ciri bateri elektrolit baharu mungkin berbeza-beza di bawah iklim yang berbeza, dan strategi pengurusan haba boleh membantu menangani isu prestasi berkaitan suhu dan meningkatkan ketahanan bateri.
Model litar setara tradisional (ECM) biasanya digunakan untuk menganggarkan SOC, tetapi memerlukan penentukuran yang kerap. Artikel ini menyediakan pengenalan terperinci kepada persamaan pengiraan SOC berdasarkan ECM (termasuk bentuk berterusan dan diskret), yang melibatkan persamaan ruang keadaan, voltan litar terbuka dan persamaan hubungan SOC, persamaan kemas kini SOC domain masa diskret dan persamaan kemas kini voltan. Parameter yang berkaitan (seperti rintangan, kemuatan, voltan litar terbuka, dll.) berkait rapat dengan SOC. Ujian makmal standard (seperti ujian ciri kuasa nadi campuran pada suhu berbeza) biasanya digunakan untuk pengenalpastian parameter model bateri, tetapi ketidaktepatan model dan hingar pengukuran boleh membawa kepada ralat kecil dalam anggaran SOC. Untuk meningkatkan ketepatan anggaran SOC, pelbagai teknik seperti penapisan Kalman dan sambungannya, pemerhati berasaskan PI, pemerhati mod gelongsor, dll. telah digunakan untuk mengimbangi kesan ini, dan kaedah pembetulan integral juga telah dibangunkan untuk mengendalikan ketidakpastian model awal dan bunyi pengukuran. Di samping itu, walaupun spektroskopi impedans elektrokimia (EIS) boleh menilai ciri bateri (termasuk SOC dan SOH), ia memakan masa dan tidak praktikal untuk aplikasi berskala besar (seperti armada kenderaan elektrik), menjadikannya sukar untuk menangkap dinamik dan perubahan. keadaan operasi bateri kenderaan elektrik. Oleh itu, kaedah yang lebih adaptif dan cekap diperlukan.
3.3. Meningkatkan Teknologi
Penapis Kalman dan kaedah penambahbaikannya:Penapis Kalman (KF) dan sambungannya (seperti Penapis Kalman Lanjutan EKF, Penapis Kalman Tidak Berbau UKF, Penapis Kalman Isipadu CKF) digunakan secara meluas untuk anggaran SOC. KF menyediakan anggaran SOC optimum dengan meminimumkan ralat min kuasa dua, menyelesaikan masalah ralat kumulatif dan ketidakpastian SOC awal. Walau bagaimanapun, ia sesuai untuk sistem pembolehubah masa linear di mana dinamik tak linear bateri memerlukan penghampiran linearisasi. Walaupun EKF memanjangkan rangka kerja KF untuk mengendalikan model tak linear, linearisasi boleh menjejaskan ketepatan dan membawa kepada perbezaan penganggar. Kaedah baharu seperti UKF dan CKF menggunakan anggaran titik sigma untuk menganggarkan statistik transformasi tak linear, manakala CKF menggunakan peraturan isipadu jejari sfera untuk mengira kamiran momen berbilang variasi untuk meningkatkan ketepatan penapisan Bayesian tak linear. Walau bagaimanapun, penapis ini biasanya menganggap bahawa ciri hingar diketahui dan malar, dan dalam aplikasi praktikal, hingar adalah berubah-ubah (seperti hingar bukan Gaussian yang dihasilkan oleh gangguan luaran). Oleh itu, strategi penapisan adaptif yang teguh telah dibangunkan, seperti menggunakan model campuran Gaussian (GMM) untuk memodelkan hingar bukan Gaussian untuk meningkatkan ketepatan anggaran keadaan. Kajian yang berkaitan telah menunjukkan aplikasi dan kelebihan kaedah ini dalam bidang yang berbeza. Selain itu, penapis teragih dan teragih (seperti DKF penapis Kalman teragih, penapis Kalman teragih dan rentas kovarians DKF-CI) digunakan untuk mengoptimumkan anggaran keadaan sistem saling berskala besar. Penapis teguh dan tak linear (seperti penapis Kalman teguh) mempunyai prestasi unggul dalam menangani ketaklinearan kompleks dalam sistem bateri (seperti proses elektrokimia). Teknik penyesuaian (seperti EKF adaptif dan algoritma UKF adaptif) melaraskan parameter penapis secara dinamik untuk menyesuaikan diri dengan perubahan hingar dan meningkatkan ketepatan anggaran SOC. Kajian dan contoh yang berkaitan telah mengesahkan keberkesanan kaedah ini.
Kaedah penambahbaikan lain:seperti kaedah Adaptive Integral Correction State of Charge Estimation (AIC-SE) yang dicadangkan dalam 2022, yang berdasarkan model ECM dan meningkatkan ketepatan anggaran SOC melalui mekanisme pembetulan masa nyata (termasuk rintangan dan pembetulan kapasiti bateri) (ralat maksimum ± 0.8%, ralat RMS kurang daripada 0.3%). Kecekapan pengiraan adalah lebih tinggi daripada UKF (AIC-SE kira-kira 5n operasi, UKF kira-kira n ^ 2 operasi), berkesan menangani cabaran penuaan dan kemerosotan bateri. Penapis Kalman Volume Entropi Korelasi Maksimum Bayesian Variasi (VBMCCKF) pada tahun 2023 menggabungkan penapisan lanjutan dan teknik statistik untuk meningkatkan anggaran kovarians ralat pengukuran menggunakan kaedah Variational Bayesian. Kriteria Entropi Korelasi Maksimum digunakan untuk mengendalikan outlier pengukuran hingar bukan Gaussian, meningkatkan ketepatan anggaran SOC dengan ketara (berbanding dengan Penapis Kalman Volum Bayesian Variasi EKF, CKF dan Variasi, ralat mutlak purata dikurangkan sebanyak 77%, 68% dan 49% , masing-masing), dan mempertingkatkan keteguhan sistem pengurusan bateri.
3.4 Integrasi dengan Model Penuaan
Model penuaan bateri berkait rapat dengan anggaran SOC, dan penyelidikan terkini telah membuat inovasi dalam kedua-dua aspek. Model penuaan bateri yang dicadangkan pada 2024 secara menyeluruh mempertimbangkan kesan SOC, suhu bateri, masa dan masa kitaran setara sepenuhnya (NFEC) pada penuaan bateri. Model ini terdiri daripada dua bahagian: bahagian pertama memfokuskan pada SOC dan penuaan berkaitan suhu (mengira kehilangan kapasiti melalui formula khusus), dan bahagian kedua mempertimbangkan kesan NFEC terhadap penuaan. Model ini secara inovatif menyepadukan penuaan bateri sebagai subsistem kenderaan elektrik dengan model bateri, meliputi semua mod pengendalian seperti tempat letak kereta, pemanduan dan pengecasan. Ia mencapai simulasi interaksi yang tepat antara subsistem yang berbeza melalui kaedah formal perwakilan makroskopik tenaga (EMR) (alat grafik yang dibangunkan pada tahun 2000 untuk mengatur sambungan subsistem, mewakili aliran kuasa dan hubungan sebab akibat). Penyelidikan telah menunjukkan bahawa mengurangkan kekerapan pengecasan (seperti menukar daripada pengecasan harian kepada setiap empat hari) boleh memanjangkan masa untuk bateri mencapai 80% SOH dengan ketara. Pendekatan bersepadu ini memberikan kemajuan penting dalam mengoptimumkan pengurusan bateri dan memahami kesan amalan pengecasan terhadap penuaan bateri.
Kaedah baharu seperti AIC-SE dan VBMCCKF mempunyai kelebihan ketara dalam ketepatan anggaran SOC dan kecekapan pengiraan. AIC-SE berprestasi baik dalam kecekapan pengiraan, manakala VBMCCKF berprestasi lebih baik dalam mengendalikan anggaran dinamik ralat pengukuran dan persekitaran yang bising. Jika ketepatan dan pemprosesan hingar diberi keutamaan, menggabungkan kriteria entropi korelasi Bayesian dan maksimum mungkin merupakan pilihan terbaik semasa; Jika kita menumpukan pada kecekapan pengiraan dan aplikasi masa nyata, AIC-SE ialah pilihan yang baik, menunjukkan bahawa kaedah pemodelan ECM masih mempunyai kelebihan dalam bidang ini. Selain itu, model penuaan bateri yang dikaji pada tahun 2024 secara menyeluruh mempertimbangkan kesan pelbagai faktor terhadap kemerosotan bateri, yang sangat penting untuk mengoptimumkan hayat bateri (berdasarkan amalan pengecasan). Secara keseluruhan, perkembangan ini bukan sahaja meningkatkan ketepatan anggaran SOC, tetapi juga menyumbang kepada memanjangkan hayat bateri dan meningkatkan kebolehpercayaan operasi bateri.
4. Teknik penilaian Keadaan Kesihatan (SOH).
4.1 Kaedah penganggaran SOH tradisional
Kaedah anggaran SOH tradisional digunakan secara meluas dalam bidang akademik dan perindustrian, terutamanya berdasarkan parameter asas seperti kemerosotan kapasiti, rintangan dalaman, dan hayat kitaran untuk menilai SOH bateri (lihat Jadual 4 untuk formula dan makna parameter yang berkaitan). Kaedah ini menyediakan asas untuk penilaian kesihatan bateri dan membantu memahami prestasi bateri. Dengan memahami kaedah tradisional ini, kita boleh lebih memahami penambahbaikan kaedah anggaran baharu dalam bab seterusnya. Kaedah baru sering menggunakan analisis data yang lebih kompleks dan teknik pemodelan ramalan untuk menangani batasan kaedah tradisional. Membandingkan kedua-duanya boleh menjelaskan perkembangan dan evolusi teknologi anggaran SOH dan menunjukkan cara kaedah moden boleh meningkatkan ketepatan dan kebolehsuaian sistem pengurusan bateri.
4.2 Perkembangan Baru dalam Menggantikan Kaedah Tradisional
Penunjuk kesihatan baharu digabungkan dengan pembelajaran mesin:Untuk meningkatkan ketepatan ramalan SOH, penyelidikan telah memperkenalkan penunjuk kesihatan baharu seperti Nisbah Kadar Degradasi (DSR). Formula untuk mengira DSR dari cerun lengkung voltan pengecasan ialah:
Dengan membandingkan cerun berbilang kitaran pengecasan, kadar degradasi (dalam mV/s) bateri dalam julat voltan tertentu (seperti [3.8-3.9V]) ditentukan, yang berkait rapat dengan kapasiti bateri dan boleh digunakan sebagai penunjuk utama untuk menentukan akhir hayat bateri. Menggabungkan model Gaussian Process Regression (GPR) dan Multi Layer Perceptron Neural Network (MLPNN) boleh menganggarkan kehilangan dan kemerosotan kapasiti dengan lebih tepat. Berbanding dengan model tradisional, kepekaan dan ketepatan dipertingkatkan dengan ketara, dengan berkesan menyelesaikan masalah model tradisional yang sukar untuk dikesan kemerosotan awal.
Penambahbaikan model litar setara:Kaedah awal untuk menambah baik model litar setara tradisional (ECM) terus berkembang, seperti menganggarkan SOH dengan menganalisis kemuatan badan model litar RC setara dalam 2015, menggunakan algoritma inovatif untuk mengira faktor pengecilan kapasitans badan, dan menggabungkannya dengan pemerhati tak linear diskret untuk meningkatkan ketepatan dan kebolehpercayaan; Dalam 2024, model litar setara hibrid tertib kedua digabungkan dengan kadar kemas kini penyesuaian dan pemerhati tak linear telah diterima pakai untuk mempertimbangkan pengaruh suhu, mencapai ketepatan tinggi dalam anggaran SOH (purata ralat mutlak kurang daripada 0.5%, RMS ralat kurang daripada 0.2%); Penyelesaian awan untuk 2023 menggunakan data pemantauan jangka panjang dan data masa nyata untuk menganggar parameter model bateri dengan melaraskan algoritma kuasa dua terkecil tetingkap bergerak. Berdasarkan model ECM, penilaian SOH berketepatan tinggi dicapai, menunjukkan bahawa kaedah ECM yang dipertingkatkan masih mempunyai kepentingan yang ketara dalam anggaran SOH, selaras dengan trend penambahbaikan berterusan kaedah ECM dalam teknologi anggaran SOC.
Kaedah Rangka Kerja Hibrid:Rangka kerja baharu ini menyepadukan Linear Statistical k-Nearest Neighbor (LSKNN), Carian Entropi Maklumat Maksimum (MIES) dan Regresi Proses Gaussian Variasi Jarang Kolektif (CSVGPR) untuk memproses interpolasi data, penapisan hingar, pemilihan ciri dan pengurusan ketidakpastian. LSKNN menganggarkan tiada titik data dan menapis hingar, MIES memilih ciri dengan korelasi tinggi kepada SOH dan CSVGPR memproses ketidakpastian data untuk meningkatkan ketepatan ramalan. Rangka kerja ini telah diuji menggunakan set data bateri NASA dan dibandingkan dengan kaedah seperti ElasticNet, Support Vector Regression (SVR), Random Forest dan Gradient Boosting, Root Mean Square Error (RMSE) telah dikurangkan sebanyak 77.8% (dari {{3 }}.0510 dalam ElasticNet kepada 0.0113). Berbanding dengan model proses Gaussian dengan kernel yang berbeza, RMSE dikurangkan sebanyak 55.5% (daripada 0.0254 kepada 0.0113), mengesahkan keteguhan dan ketepatan tinggi rangka kerja dan menyediakan kaedah yang lebih tepat untuk anggaran SOH.
Trend pembangunan teknologi anggaran SOH sedang beralih daripada kaedah tradisional kepada model yang lebih kompleks yang sesuai untuk kenderaan elektrik. Kaedah baharu termasuk menggabungkan model degradasi dengan pembelajaran mesin klasik, kaedah berasaskan ECM dan kaedah hibrid. DSR ialah inovasi penting yang mengurangkan pergantungan pada kitaran pengecasan lengkap (mengurangkan masa menunggu sebanyak kira-kira 84%) dan, apabila digabungkan dengan pembelajaran mesin, meningkatkan ketepatan anggaran kehilangan kapasiti, mengatasi kesukaran pengesanan degradasi awal dalam model tradisional. Kaedah ECM yang dipertingkatkan telah mencapai keputusan yang baik dalam anggaran SOH, yang konsisten dengan kepentingan kaedah ECM dalam anggaran SOC. Teknologi hibrid (seperti rangka kerja baharu yang dinyatakan di atas) mempunyai ketepatan yang tinggi. Walaupun aplikasi masa nyata menimbulkan cabaran, menyelesaikan masalah pemprosesan data utama secara berkesan adalah peningkatan yang ketara berbanding kaedah anggaran SOH tradisional. Secara keseluruhan, perkembangan ini memberi tumpuan kepada aplikasi masa nyata dan kaedah dipacu data, meningkatkan kebolehpercayaan sistem pengurusan bateri kenderaan elektrik dengan ketara. Kaedah pembelajaran mendalam seperti LSTM, CNN dan teknik hibrid telah menjadi kaedah arus perdana untuk anggaran SOH. Bab-bab seterusnya akan membentangkan hasil penyelidikan dan sumbangan yang berkaitan.
5. Aplikasi Pembelajaran Mendalam dalam Anggaran SOH
5.1 LSTM dan Model Hibrid
Pelbagai kajian telah menggunakan model penuaan yang dipertingkatkan digabungkan dengan teknik pembelajaran mendalam untuk meningkatkan ketepatan anggaran SOH. Pembelajaran mendalam amat diperlukan dalam meramalkan Kehidupan Berguna (RUL). Contohnya, dengan menyepadukan model degradasi SOH dan mempertimbangkan pelbagai keadaan operasi seperti pengecasan/penyahcasan arus dan suhu, formula khusus boleh digunakan untuk:
Antaranya, I2 {c} dan I2 {d} ialah arus cas dan nyahcas yang dinormalkan, T3 {c} dan T4 {d} ialah bateri dan suhu ambien yang dinormalkan, T3 {c} dan T4 {d} ialah masa cas dan nyahcas, dan (d1-d4) ialah berat), yang lebih tepat mensimulasikan kemerosotan bateri. Model ramalan RUL berdasarkan rangkaian LSTM meningkatkan ketepatan ramalan, tetapi kerumitan pengiraan meningkat, dan aplikasi masa nyata menghadapi cabaran. Rangkaian saraf boleh mengendalikan proses bateri yang mengubah masa, belajar secara berterusan untuk menyesuaikan diri dengan perubahan dalam tingkah laku bateri dan mengekalkan kebolehpercayaan model.
Dengan mengekstrak ciri utama (seperti 6 ciri utama) untuk mengoptimumkan anggaran SOH, digabungkan dengan algoritma pembelajaran mesin untuk mencapai ketepatan tinggi dan beban pengiraan yang rendah, ciri voltan memainkan peranan penting dalam meningkatkan ketepatan penilaian keadaan bateri. Menggabungkan berbilang model pembelajaran mendalam (seperti CNN, LSTM, GRU dan varian dwiarahnya) ke dalam rangka kerja hibrid (seperti CNN-LSTM-DNN, CNN-GRU-DNN) untuk meramalkan RUL, menggunakan pelbagai ciri untuk menambah baik ketepatan, mengurangkan RMSE sebanyak 90.5% dalam ujian dataset NASA, tetapi kekuatan pengiraan dan kerumitan mengehadkan aplikasi masa nyata. Kaedah berbilang model (seperti perpustakaan model LSTM) dan strategi pengoptimuman lanjutan (seperti menyepadukan LSTM ke dalam rangka kerja AI-BMS dan melaksanakannya pada FPGA) boleh meningkatkan ketepatan ramalan dan kecekapan sistem, tetapi aplikasi FPGA dalam kenderaan elektrik komersil menghadapi kos dan cabaran praktikal.
Gabungan kaedah GRU dan penderiaan lembut mempunyai potensi untuk ramalan RUL jangka panjang dalam persekitaran makmal, tetapi aplikasi praktikal memerlukan penyesuaian kepada keadaan pengecasan yang berbeza. Menggunakan kaedah terdorong data seperti LSTM, DNN dan GRU untuk memproses set data NASA, GRU mempunyai prestasi yang kukuh (RMSE sebanyak 0.003, MAE sebanyak 0.003, R-squared ralat 0.004), dan menggabungkan rangkaian GRU dan LSTM menghasilkan prestasi yang lebih baik. Kaedah berasaskan LSTM mengekstrak ciri (seperti 5 ciri manual) dengan menganalisis keluk nyahcas cas bateri dan menggunakan algoritma pengoptimuman (seperti Adam) untuk meningkatkan kecekapan latihan dan ketepatan ramalan. Di bawah latihan data separa bateri tunggal, ralat anggaran SOH untuk bateri lain adalah rendah, yang lebih baik daripada model tradisional.
Rangkaian MDA-LSTM menggabungkan pelbagai ciri dan maklumat temporal, dan meningkatkan ketepatan ramalan RUL melalui modul gabungan berbilang ciri dan modul dwi perhatian. Ia berfungsi dengan baik dalam pengesahan berbilang set data, dengan keteguhan dan generalisasi. Rangkaian BiLSTM bertindan digunakan untuk meramalkan SOH menggunakan data pengecasan arus malar, dan struktur dua arah meningkatkan kebolehpercayaan ramalan, menjadikannya sesuai untuk anggaran SOH masa nyata semasa pengecasan pantas. Model TCN-LSTM menggunakan data sintetik dan pengoptimuman Bayesian untuk membina semula voltan litar terbuka (OCV) dengan tepat dan menganggarkan Keadaan Kesihatan (SOH) (MAE di bawah 22mV, MAPE di bawah 2.2%). Ia boleh diperluaskan kepada sistem kimia bateri yang berbeza melalui pembelajaran pemindahan, tetapi terdapat had ekstrapolasi apabila data tidak mencukupi. Kaedah gabungan mendalam (seperti menggunakan data sejarah dan pelbagai penunjuk kesihatan) mencapai ketepatan tinggi (MAPE di bawah 2.97%) melalui ujian nyahcas cas penuh, dan kedua-dua rangka kerja global berdasarkan GPR dan model DFTN untuk kenderaan elektrik individu telah mencapai keputusan yang baik .
5.2. Model Bersepadu CNN dan CNN-LSTM
Kaedah CNN-WNN-WLSTM menyepadukan rangkaian CNN, WNN dan WLSTM. CNN mengekstrak ciri, ciri proses WNN dan WLSTM dan menganggarkan SOH. Pengoptimum RMSprop digunakan untuk meningkatkan prestasi dan mengatasi kaedah tradisional dalam ujian dataset NASA, memberikan pendekatan yang menjanjikan untuk pengurusan kesihatan bateri. Model CNN-LSTM-CRF diilhamkan oleh pemprosesan bahasa semula jadi, dengan lapisan CRF menangkap kebergantungan pembolehubah output untuk meningkatkan ketepatan dan intuitif ramalan kapasiti bateri. Walau bagaimanapun, keperluan pengiraan adalah tinggi dan melebihi keupayaan pemproses onboard. Pada masa hadapan, penyelidikan diperlukan untuk meningkatkan kepraktisannya (seperti melalui pembelajaran pemindahan). Model LSTNet meningkatkan prestasi ramalan kapasiti bateri dengan membahagikan data, menyepadukan komponen ConvLSTM dan AR serta mengoptimumkan struktur (contohnya, dalam ujian set data NASA, RMSE ialah 0.65%, MAE ialah 0. 58% dan MAPE ialah 0.435% apabila dilatih pada 40% data).
Dengan menyepadukan algoritma pengoptimuman CNN dan ECSSA yang dipertingkatkan untuk meramalkan RUL bagi bateri litium-ion keadaan pepejal, CNN meningkatkan pengekstrakan ciri dan ketepatan ramalan dengan mengoptimumkan hiperparameter dan struktur (seperti menggunakan lapisan konvolusi lanjutan, fungsi pengaktifan dan sambungan baki), sementara ECSSA mengoptimumkan parameter model melalui kaedah matematik yang inovatif (seperti Circle Chaotic Mapping, Nonlinear Absorption Coefficient, dan Cauchy Mutation) untuk meningkatkan ketepatan dan keteguhan ramalan RUL. Menggabungkan PCA dan CNN untuk pengoptimuman ciri dan pengurangan dimensi meningkatkan ketepatan dan kecekapan anggaran SOH (berbanding CNN tradisional dan model PCA-CNN dimensi tetap, MAE meningkat lebih daripada 20% dan RMSE meningkat lebih daripada 30%). Model anggaran SOH masa nyata menyepadukan 1D-CNN dan BiGRU, menggunakan data BMS untuk mengelakkan pengekstrakan ciri kompleks, dan mencapai ketepatan tinggi melalui pengoptimuman hiperparameter Bayesian (seperti dalam ujian dataset NASA, MAE ialah 2.080%, RMSE ialah 2.516%, dan ralat indeks EOL ialah sifar).
5.3. Strategi Pengoptimuman untuk Model Pembelajaran Mendalam
Pertama, algoritma hutan rawak digunakan untuk mengenal pasti faktor kesihatan utama, dan kemudian teknik pengoptimuman partikel algoritma genetik (GA-PSO) digunakan untuk mengoptimumkan parameter model regresi vektor sokongan (SVR) untuk menganggar Keadaan Kesihatan (SOH). Keberkesanan telah disahkan pada empat bateri, meningkatkan ketepatan dan kelajuan penumpuan (RMSE sebanyak 0.40%, MAPE sebanyak 0.56%), yang lebih baik daripada kaedah lain yang berkaitan. Kaedah hibrid GWO-BRNN menggunakan pengoptimuman serigala kelabu (GWO) untuk memilih hiperparameter bagi rangkaian neural teratur Bayesian (BRNN). Berdasarkan set data NASA, ralat anggaran SOH adalah kurang daripada 1%, tetapi kerumitan pengiraan adalah tinggi dan aplikasi praktikal adalah terhad. Secara langsung menggunakan data mentah kenderaan elektrik untuk menilai SOH dan meramalkan RUL, meningkatkan ketepatan dengan memperkenalkan ciri penilaian baharu dan kaedah pembetulan interpolasi (mengurangkan ralat relatif penyepaduan semasa kepada 0.94%), digabungkan dengan kaedah pengoptimuman D-NSGA-II untuk selanjutnya mengoptimumkan anggaran SOH dan mengurangkan masa pengiraan. Sebagai tindak balas kepada kesukaran dalam menganggar Keadaan Kesihatan (SOH) yang disebabkan oleh pengecasan dan pelepasan bateri litium-ion yang tidak lengkap dalam kenderaan elektrik, kaedah anggaran tidak langsung (ATAGA-BP) dicadangkan. Kaedah ini menggunakan ciri-ciri peringkat pengecasan voltan malar sebagai penunjuk kesihatan dan disahkan melalui simulasi dengan data NASA. Kaedah ini mempunyai korelasi yang tinggi dengan kapasiti bateri (melebihi 85%), dengan ralat anggaran SOH sebanyak 3.7% dan peningkatan kecekapan berulang sebanyak 17.8%.
Pembelajaran mendalam telah mencapai kemajuan yang ketara dalam anggaran SOH, dan model komprehensif dengan mengambil kira pelbagai faktor memberikan pemahaman yang lebih mendalam tentang kemerosotan bateri. Rangkaian LSTM adalah penting dalam menangkap kebergantungan temporal dan meramalkan RUL, tetapi kerumitan pengiraannya menimbulkan cabaran untuk aplikasi masa nyata. Kaedah pengekstrakan ciri adalah penting dan boleh mengoptimumkan anggaran SOH. Gabungan model hibrid dan seni bina rangkaian saraf yang berbeza untuk memproses kerumitan data bateri mempunyai prospek yang menjanjikan, tetapi keperluan pengiraan yang tinggi mengehadkan aplikasi praktikal. Strategi pengoptimuman seperti GA-PSO, GWO-BRNN dan D-NSGA-II telah meningkatkan ketepatan dan kecekapan, tetapi melaksanakan algoritma kompleks adalah sukar dan memerlukan keseimbangan antara ketepatan dan kesederhanaan pelaksanaan. Teknologi AI lanjutan adalah penting untuk aplikasi bateri sekunder (tiada data penggunaan terperinci). Bab seterusnya akan memberikan gambaran keseluruhan keadaan semasa penyelidikan aplikasi sekunder, terutamanya dalam bidang penggunaan semula bateri.
6. Rumusan
Artikel ini memajukan pembangunan anggaran SOH dan SOC untuk bateri litium-ion dalam kenderaan elektrik melalui kaedah dan model yang inovatif, meliputi pelbagai teknologi daripada pembelajaran mesin tradisional kepada model pembelajaran mendalam lanjutan seperti LSTM dan CNN. Walau bagaimanapun, setiap kaedah mempunyai perbezaan dalam ketepatan, kerumitan dan kebolehgunaan, menjadikan perbandingan langsung sukar. Penyelidikan telah mendapati bahawa pemprosesan data dan sumber mempunyai kesan yang ketara ke atas prestasi model, dan pengesahan selanjutnya diperlukan untuk penggunaan sebenar. Walaupun model pembelajaran mendalam telah menunjukkan kelebihan dalam memproses data yang kompleks, mereka masih menghadapi cabaran seperti keperluan sumber pengiraan yang tinggi dan kebolehsuaian kepada senario aplikasi praktikal. Penyelidikan masa depan harus menumpukan pada menambah baik pemilihan ciri, pengesanan anomali, menyesuaikan diri dengan keadaan persekitaran yang pelbagai, mengoptimumkan algoritma untuk meningkatkan kecekapan pengiraan, mencapai aplikasi masa nyata, menyepadukan berbilang sumber data untuk meningkatkan prestasi model anggaran SOH, sementara juga menangani cabaran dalam aplikasi bateri sekunder , membangunkan penyelesaian yang berkesan, dan menggalakkan pembangunan sistem pengurusan bateri untuk memenuhi permintaan yang semakin meningkat dalam bidang kenderaan elektrik dan storan tenaga.