Abstrakti
Litiumioniakkujen terveydentilan (SOH) arviointitekniikka on ratkaisevan tärkeä sähköajoneuvojen turvallisuuden ja luotettavuuden kannalta. Tekoäly- (AI) ja koneoppimistekniikoiden (ML) kehityksen myötä akunhallinta on alkanut ottaa nämä menetelmät käyttöön tehokkuuden ja vakauden parantamiseksi. Erityisesti neuroverkot ovat osoittaneet etuja korkeassa hyötysuhteessa, alhaisessa energiankulutuksessa, suuressa kestävyydessä ja skaalautuvuus SOH-simulaatiossa ja ennustamisessa. Hybridimalli yhdistettynä vastaaviin piirimalleihin (ECM) ja syväoppimiseen on osoittautunut potentiaaliseksi parantaa SOH-estimoinnin tarkkuutta ja reaaliaikaista suorituskykyä. Tulevaisuuden tutkimussuunnat sisältävät enemmän paikan päällä olevan tiedon hyödyntämistä terveysominaisuuksien seulonnassa ja mallin rakentamisessa sekä älykkään seulonta ja akkuparametrien yhdistelmän todellisen SOH:n kuvaamiseksi tarkemmin. Näiden tekniikoiden kehittäminen parantaa entisestään sähköajoneuvojen akkujen tieteellistä, luotettavaa, vakaata ja vankkaa hallintaa.
1. Lyhyesti
1.1 Litiumioniakkujen merkitys sähköajoneuvoissa ja SOH-arvioinnin kriittinen merkitys
Litiumioniakut ovat tärkeitä sähköajoneuvojen toiminnalle, ja niiden suorituskykyyn vaikuttavat erilaiset hajoamisprosessit. Akkujen terveydentilan (SOH) tarkka arviointi on ratkaisevan tärkeää sähköajoneuvojen turvallisen, luotettavan ja taloudellisen toiminnan varmistamiseksi. Sähköajoneuvojen kysynnän kasvaessa SOH-valvonta tulee entistä tärkeämmäksi, sillä litiumioniakut laskevat tyypillisesti 80 prosenttiin alkuperäisestä kapasiteetistaan ennen niiden käyttöiän loppua. Lisäksi SOC (State of Charge) on myös keskeinen parametri, ja sen muutokset voivat heijastaa akun ikääntymistä ja kapasiteetin heikkenemistä. Tarkka SOC-ennuste on hyödyllinen SOH-arvioinnissa, mikä puolestaan määrittää akun jäljellä olevan käyttöiän.
1.2 SOH-estimointimenetelmien kehittäminen
Yleiskatsaus olemassa oleviin menetelmiin ja edistymiseen:On kehitetty useita SOH-estimointimenetelmiä, joista SOC-pohjaiset menetelmät integroivat reaaliaikaista dataa, kuten virtaa, jännitettä ja lämpötilaa tarkemman SOH-ennusteen saavuttamiseksi useissa lataus- ja purkausjaksoissa, optimoivat akun suorituskykyä, estävät vikoja ja pidentävät akun käyttöikää. . Koneoppimismenetelmien viimeisimmät edistysaskeleet ovat parantaneet SOH-estimointia entisestään, ja neuroverkot, kuten myötäkytkentäiset ja konvoluutiohermoverkot, toimivat hyvin akkumallinnuksessa, ylittäen perinteiset regressiomenetelmät monimutkaisuuden ja tarkkuuden suhteen, ja keskimääräinen virhepoikkeama on noin 0 .16 % ja neliövirhe 5,57 mV akkukennotasolla.
1.3 Akkumallinnusmenetelmien luokittelu ja ominaisuudet
Analyysimenetelmät, kuten virran integrointi ja avoimen piirin jännite (OCV) -tekniikat, voivat antaa selkeitä SOH-estimaatteja, mutta niihin vaikuttaa kertynyt kohina ja vaativat pitkiä seisomista tarkkuuden varmistamiseksi.
Mallipohjainen lähestymistapa
Valkoisen laatikon malli:Yksityiskohtaisten sähkökemiallisten periaatteiden perusteella se simuloi akun käyttäytymistä perusparametrien avulla suurella tarkkuudella. Kuitenkin sen korkeat laskentavaatimukset ja yksinkertaistetut oletukset reaalimaailman dynamiikasta vähentävät sen tarkkuutta dynaamisissa olosuhteissa, mikä tekee siitä sopimattoman reaaliaikaisiin sovelluksiin.
Harmaa laatikkomallit (kuten ECM):Yhdistämällä fyysisiä oivalluksia ja empiirisiä säätöjä ja käyttämällä piirianalogiaa akun käyttäytymisen arvioimiseksi, SOC voidaan arvioida suurella tarkkuudella (yleensä 3 %:n virheen sisällä), ja niistä on hyötyä reaaliaikaisessa SOH-arvioinnissa ja jäljellä olevan käyttöiän (RUL) ennustamisessa, mutta kohtaavat haasteita. tietojen laadussa ja laskentavaatimuksissa. Yksinkertaista vastaavaa piirimallia litiumioniakuille (sisältää sarjavastukset ja enintään kaksi RC-elementtiä) voidaan käyttää luotettavaan simulointiin, kun taas monimutkaisemmilla ECM:illä (mukaan lukien useita RC-haaroja tai vakiovaiheelementtejä CPE) voidaan simuloida erittäin dynaamisia prosesseja (esim. sähköajoneuvon käyttönä), mutta lisääntyvä laskennallinen kysyntä on johtanut kehittyneempien SOH-estimointimenetelmien kehittämiseen.
Mustan laatikon malli (tietolähtöinen lähestymistapa):Syöttö- ja lähtötietojen perusteella malli on rakennettu turvautumatta sisäiseen toimintaperiaatetietoon. Koneoppimistekniikat voivat ennustaa akun tilan suuresta mittaustiedosta. Koneoppiminen on erinomaista tunnistamaan kuvioita monimutkaisissa tietojoukoissa, kuten monikanavaisissa hermoverkoissa, joilla on suuri tarkkuus kapasiteetin arvioinnissa, mutta jotka perustuvat korkealaatuiseen ja monipuoliseen koulutusdataan. Käytännön ajoneuvosovelluksissa monia sisäisiä muuttujia ei kuitenkaan voida mitata suoraan, ja tietojen harvalukuisuus ja tulkittavuuden puute tekevät mallista vaikea ymmärtää ja ylläpitää.
1.4 Mallimenetelmien evoluutio ja hybridimallien kehitys
Mallipohjaisten menetelmien kehitys:Viimeisen vuosikymmenen aikana mallipohjaisia menetelmiä on kehitetty jatkuvasti, mukaan lukien Kalman-suodatus (KF) ja sen laajennukset (kuten Extended Kalman Filter EKF, Unscented Kalman Filter UKF). Näillä menetelmillä on suuri tarkkuus akun tilan arvioinnissa, mutta ne vaativat tarkkoja dynaamisia malleja ja ovat monimutkaisia toteuttaa.
Hybridimallien nousu:Reaalimaailman datan rajoitusten korjaamiseksi ja laskennan tehokkuuden parantamiseksi on syntynyt hybridimalleja, joissa mallipohjaisia ja dataohjattuja menetelmiä voidaan kouluttaa koneoppimismalleja yksityiskohtaisten simulaatioiden avulla. Samaan aikaan koneoppimistekniikat ovat edistyneet merkittävästi viimeisen viiden vuoden aikana, mukaan lukien todennäköisyyslaskentamenetelmät, metaoppiminen, kontradiktorinen oppiminen, puoliksi ohjattu oppiminen jne. Syväoppiminen (koneoppimisen osajoukko) on menestynyt hyvin strukturoitujen ja jäsentämätöntä dataa. Physical Information Neural Networks (PINN:t) yhdistävät empiiriset huononemismallit hermoverkkoihin parantaakseen SOH-estimointia, mikä parantaa menetelmien mukautumiskykyä eri akkutyypeissä ja olosuhteissa. Autoteollisuuden kehittyessä nämä tekniset edistysaskeleet ovat ratkaisevan tärkeitä akun suorituskyvyn optimoinnissa, vikojen estämisessä ja sähköajoneuvojen kehityksen tukemisessa.
1.5 Yleiskatsaus tämän artikkelin seuraaviin lukuihin
Luvussa 2 esitellään yksityiskohtaisesti katsauskirjallisuuden seulonta- ja valintamenetelmät varmistaen tutkimusmetodologian systemaattisuuden ja kattavuuden. Osa 3 tarjoaa syvällisen analyysin varaustilan estimointitekniikoista, jossa tarkastellaan akun huononemismekanismien vaikutusta sähköajoneuvojen akkujen mallinnusmenetelmiin, mukaan lukien Kalman-suodatus ja sen parannetut menetelmät sekä integrointi ikääntymismalleihin. Luvussa 4 keskitytään SOH-estimointitekniikoihin, verrataan perinteisiä menetelmiä uusiin menetelmiin ja korostetaan sähköajoneuvoihin soveltuvia menetelmiä. Osa 5 osoittaa syvän oppimisen roolin SOH-estimoinnissa, kuten pitkän lyhytaikaisen muistin (LSTM) verkot ja hybridimallit, sekä kuinka konvoluutiohermoverkot (CNN) ottavat huomioon käytännön tekijöitä terveysarvioinnin tarkkuuden parantamiseksi. Lopuksi jaksossa 6 esitetään yhteenveto ja odotetaan tulevia tutkimussuuntia akkujen terveydenhallintajärjestelmille sähköajoneuvojen markkinoiden ja muiden energian varastointisovellusten kehittämisen tukemiseksi.
2. Materiaalit ja menetelmät
2.1 Tutkimuskysymyksen määritelmä
Tässä tutkimuksessa esitetään viisi keskeistä kysymystä, jotka ohjaavat koneoppimisteknologian soveltamista sähköajoneuvojen litiumioniakkujen SOH-estimointiin.
Selvitä tärkeimmät koneoppimistekniikat, joita tällä hetkellä käytetään sähköajoneuvojen litiumioniakkujen terveydentilan (SOH) arvioinnissa, ja tutustu tutkijoiden kehittämiin ja käyttämiin erityisiin algoritmeihin ja malleihin.
Tutki eri tietolähteiden (laboratorio-, ajoneuvo- ja kenttätiedot) vaikutusta SOH-estimoinnin koneoppimismallien tarkkuuteen ja kestävyyteen, analysoi tietolähteiden vaikutusta mallien suorituskykyyn ja päätä, mitkä tiedot ovat hyödyllisimpiä tarkan SOH-ennusteen kannalta.
Tunnista koneoppimistekniikoiden soveltamisen keskeiset haasteet litiumioniakkujen SOH-estimointiin sekä näiden haasteiden vaihtelut erilaisissa ympäristöolosuhteissa ja käyttöskenaarioissa, kuten lämpötilan vaihtelut, ikääntyminen ja eri käyttötapojen vaikutukset SOH-estimaatin tarkkuus.
Vertaa SOH-estimoinnin analyysimenetelmiä, perinteisten menetelmien eroja ja niiden evoluutioprosessia, tutkia, miten koneoppimismenetelmiä voidaan yhdistää näihin perinteisiin menetelmiin, tunnistaa niiden edut, haitat ja mahdolliset synergiat.
Katse eteenpäin tuleviin tutkimussuuntiin parantaakseen sähköajoneuvojen litiumioniakkujen koneoppimiseen perustuvien SOH-estimointimallien tarkkuutta, mukautumiskykyä ja laskennallista tehokkuutta, tunnistamalla tutkimusaukot, tekniset vaatimukset ja innovatiiviset menetelmät.
2.2 Kirjallisuuden haku ja seulonta
Tietokannan valinta ja hakustrategia: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 PURKUVUOSI<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).
Kirjallisuuden seulonta ja fokusointi:Haettu kirjallisuus kattaa useita tieteenaloja, joista suurin osuus on tekniikan alalla (730 artikkelia), jota seuraa energia, tietojenkäsittely ja matematiikka. Tietojenkäsittelytieteen alaan keskittymisen jälkeen tunnistettiin 209 asiaankuuluvaa dokumenttia, joista 183 julkaistiin vuosina 2019–2024, mikä kertoo tietojen ajantasaisuudesta. Näihin asiakirjoihin kuuluu konferenssipapereita, artikkeleita, katsauksia ja kirjalukuja, ja 72 artikkelia on julkaistu vuosina 2009–2024 pääkatsauksen perustana. Samalla käsin sisällytetään asiaankuuluvat paperit ja kirjan luvut muilta tekniikan aloilta varmistaakseen kattavan kattavuuden tutkimusalueista ja vangitakseen innovatiivisia. teknologinen kehitys tekoälyn käytössä akunhallintajärjestelmien parantamiseen.
3. Varaustilan (SOC) arviointitekniikka
3.1 Akun huononemismekanismi ja sen vaikutus suorituskykyyn
Litiumioniakut hajoavat pääasiassa kahden mekanismin kautta:litiumvarastohäviö (LLI) ja aktiivinen materiaalihäviö (LAM). LLI liittyy kiinteän elektrolyytin rajapinnan (SEI) muodostumiseen anodille, joka syntyy litiumionien ja elektrolyytin välisestä sivureaktiosta. LAM johtuu akun sisäisestä mekaanisesta jännityksestä, kuten elektrodimateriaalien toistuvasta laajenemisesta ja kutistumisesta latauksen ja purkamisen aikana, mikä johtaa mikrohalkeamiin ja elektrodihiukkasten irtoamiseen, mikä vähentää sähkökemiallisiin reaktioihin käytettävissä olevaa aktiivista pinta-alaa, mikä pienentää akun kapasiteettia. lisää sisäistä vastusta ja vaikuttaa viime kädessä akun suorituskykyyn. Näitä huononemismekanismeja kiihdyttävät tekijät, kuten korkea lataustila, korkea lämpötila ja aggressiiviset pyöräilyolosuhteet. Yksityiskohtaista tietoa ja mallinnusyksityiskohtia eri ikääntymismekanismeista (lämpö, sähkökemiallinen jne.) löytyy asiaankuuluvasta kirjallisuudesta.
3.2. SOC-estimointi- ja mallintamistekniikka sähköajoneuvojen akkuille
Sähköajoneuvojen päivittäisessä käytössä akkua ladataan usein 20 % -40 % SOC:lla akun kunnon ylläpitämiseksi, mutta akun kapasiteetin epälineaariset ja heikkenemisominaisuudet voivat johtaa epätarkkoihin SOC-lukemiin, mikä vaikuttaa akun arvioon. täysi kapasiteetti. Litiumioniakkujen suorituskykyyn ja huoltoon vaikuttaa myös ilmasto, sillä lämpötila ja elektrolyytin tuoreus (määräytyy tuotanto- ja täyttöpäivämäärien mukaan) vaikuttavat akun tehokkuuteen ja käyttöikään. Uusien elektrolyyttiakkujen ominaisuudet voivat vaihdella eri ilmasto-olosuhteissa, ja lämmönhallintastrategiat voivat auttaa ratkaisemaan lämpötilaan liittyviä suorituskykyongelmia ja parantamaan akun kestävyyttä.
Perinteistä ekvivalenttipiirimallia (ECM) käytetään yleisesti SOC:n arvioinnissa, mutta se vaatii usein kalibroinnin. Artikkeli tarjoaa yksityiskohtaisen johdannon ECM-pohjaisiin SOC-laskentayhtälöihin (mukaan lukien jatkuvat ja diskreetit muodot), mukaan lukien tila-avaruusyhtälöt, avoimen piirin jännite- ja SOC-suhdeyhtälöt, diskreettiaikaisen alueen SOC-päivitysyhtälöt ja jännitteen päivitysyhtälöt. Asiaankuuluvat parametrit (kuten vastus, kapasitanssi, avoimen piirin jännite jne.) liittyvät läheisesti SOC:hen. Normaalia laboratoriotestausta (kuten sekapulssitehoominaisuuksien testausta eri lämpötiloissa) käytetään yleisesti akkumallin parametrien tunnistamiseen, mutta mallin epätarkkuudet ja mittauskohina voivat johtaa pieniin virheisiin SOC-estimaatissa. SOC-estimoinnin tarkkuuden parantamiseksi on käytetty erilaisia tekniikoita, kuten Kalman-suodatusta ja sen laajennuksia, PI-pohjaista havainnoijaa, liukumoodihavaintoa jne., ja myös integraalikorjausmenetelmiä on kehitetty käsittelemään alkuperäisen mallin epävarmuutta. ja mittausmelu. Lisäksi, vaikka sähkökemiallinen impedanssispektroskopia (EIS) voi arvioida akun ominaisuuksia (mukaan lukien SOC ja SOH), se on aikaa vievää ja epäkäytännöllistä suurissa sovelluksissa (kuten sähköajoneuvoissa), mikä vaikeuttaa dynaamisten ja muuttuvien tapahtumien sieppaamista. sähköajoneuvojen akkujen käyttöolosuhteet. Siksi tarvitaan mukautuvampi ja tehokkaampi menetelmä.
3.3. Teknologian parantaminen
Kalman-suodatin ja sen parantamismenetelmät:Kalman-suodatinta (KF) ja sen laajennuksia (kuten Extended Kalman Filter EKF, Unscented Kalman Filter UKF, Volume Kalman Filter CKF) käytetään laajasti SOC-estimointiin. KF tarjoaa optimaalisen SOC-estimaatin minimoimalla keskineliövirheen, ratkaisemalla kumulatiivisen virheen ja alkuperäisen SOC-epävarmuuden ongelmat. Se soveltuu kuitenkin lineaarisiin ajallisesti vaihteleviin järjestelmiin, joissa akkujen epälineaarinen dynamiikka vaatii linearisoinnin approksimaatiota. Vaikka EKF laajentaa KF-kehystä käsittelemään epälineaarisia malleja, linearisointi voi vaikuttaa tarkkuuteen ja johtaa estimaattorien eroon. Uudet menetelmät, kuten UKF ja CKF, käyttävät sigmapisteestimaatiota epälineaaristen muunnostilastojen arvioimiseen, kun taas CKF käyttää pallomaista radiaalitilavuussääntöä monimuuttujamomenttiintegraalien laskemiseen parantaakseen epälineaarisen Bayesin suodatuksen tarkkuutta. Nämä suodattimet olettavat kuitenkin tyypillisesti, että kohinan ominaisuudet ovat tiedossa ja vakioita, ja käytännön sovelluksissa kohina on vaihtelevaa (kuten ulkoisen häiriön synnyttämää ei-gaussista kohinaa). Siksi on kehitetty vankkoja adaptiivisia suodatusstrategioita, kuten Gaussin sekoitusmallien (GMM) käyttäminen ei-gaussin kohinan mallintamiseen tilan arvioinnin tarkkuuden parantamiseksi. Asiaankuuluvat tutkimukset ovat osoittaneet näiden menetelmien sovellukset ja edut eri aloilla. Lisäksi hajautettuja ja hajautettuja suodattimia (kuten hajautettu Kalman-suodatin DKF, hajautettu Kalman-suodatin ja kovarianssiristikko DKF-CI) käytetään optimoimaan laajamittaisten yhteenliitettyjen järjestelmien tilaestimointi. Tukevilla ja epälineaarisilla suodattimilla (kuten kestävällä Kalman-suodattimella) on ylivoimainen suorituskyky akkujärjestelmien monimutkaisten epälineaarisuuden käsittelyssä (kuten sähkökemialliset prosessit). Mukautuvat tekniikat (kuten adaptiiviset EKF- ja adaptiiviset UKF-algoritmit) säätävät dynaamisesti suodatinparametreja mukautuakseen kohinan muutoksiin ja parantavat SOC-estimoinnin tarkkuutta. Asiaankuuluvat tutkimukset ja esimerkit ovat vahvistaneet näiden menetelmien tehokkuuden.
Muita parannusmenetelmiä:kuten kohdassa 2022 ehdotettu Adaptive Integral Correction State of Charge Estimation (AIC-SE) -menetelmä, joka perustuu ECM-malliin ja parantaa SOC-estimoinnin tarkkuutta reaaliaikaisten korjausmekanismien avulla (mukaan lukien vastus ja akun kapasiteetin korjaus) (maksimivirhe ± 0,8 %, RMS-virhe alle 0,3 %). Laskennallinen tehokkuus on korkeampi kuin UKF (AIC-SE noin 5n operaatiota, UKF noin n ^ 2 operaatiota), mikä vastaa tehokkaasti akun ikääntymisen ja huonontumisen haasteisiin. Variational Bayesian Maximum Correlation Entropy Volume Kalman Filter (VBMCCKF) vuonna 2023 yhdistää edistyneet suodatus- ja tilastotekniikat parantaakseen mittausvirheen kovarianssin estimointia vaihtelevalla Bayesin menetelmällä. Maksimikorrelaatioentropiakriteeriä käytetään käsittelemään muita kuin Gaussin kohinan mittauspoikkeavuuksia, mikä parantaa merkittävästi SOC-estimoinnin tarkkuutta (verrattuna EKF:ään, CKF:ään ja vaihtelevaan Bayesian Volume Kalman -suodattimeen, keskimääräinen absoluuttinen virhe pienenee 77 %, 68 % ja 49 %. , vastaavasti) ja parantaa akunhallintajärjestelmän kestävyyttä.
3.4 Integrointi ikääntymismallien kanssa
Akun ikääntymismalli liittyy läheisesti SOC-arvioon, ja viimeaikaiset tutkimukset ovat innovatiivisia molemmilla puolilla. Vuonna 2024 ehdotettu akun ikääntymismalli ottaa kattavasti huomioon SOC:n, akun lämpötilan, ajan ja täysin ekvivalenttien sykliaikojen (NFEC) vaikutukset akun ikääntymiseen. Malli koostuu kahdesta osasta: ensimmäinen osa keskittyy SOC:hen ja lämpötilaan liittyvään ikääntymiseen (kapasiteetin menetyksen laskeminen erityisillä kaavoilla) ja toisessa osassa tarkastellaan NFEC:ien vaikutusta ikääntymiseen. Tämä malli integroi innovatiivisesti akun ikääntymisen sähköajoneuvon osajärjestelmänä akkumallin kanssa ja kattaa kaikki toimintatilat, kuten pysäköinnin, ajon ja latauksen. Sillä saadaan aikaan tarkka vuorovaikutussimulaatio eri osajärjestelmien välillä käyttämällä muodollista energiamakroskooppisen esityksen (EMR) menetelmää (graafinen työkalu, joka on kehitetty vuonna 2000 osajärjestelmän yhteyksien organisoimiseen, tehovirran ja syy-suhteiden kuvaamiseen). Tutkimukset ovat osoittaneet, että lataustiheyden vähentäminen (kuten päivittäisestä latauksesta vaihtaminen neljän päivän välein) voi pidentää merkittävästi aikaa, jolloin akku saavuttaa 80 % SOH:n. Tämä integroitu lähestymistapa tarjoaa merkittävää edistystä akunhallinnan optimoinnissa ja latauskäytäntöjen vaikutuksen ymmärtämisessä akun ikääntymiseen.
Uusilla menetelmillä, kuten AIC-SE ja VBMCCKF, on merkittäviä etuja SOC-estimoinnin tarkkuudessa ja laskentatehokkuudessa. AIC-SE suoriutuu hyvin laskennallisesta tehokkuudesta, kun taas VBMCCKF suoriutuu paremmin mittausvirheiden ja meluisten ympäristöjen dynaamisen arvioinnin käsittelyssä. Jos tarkkuus ja kohinan käsittely asetetaan etusijalle, vaihtelevien Bayesin ja maksimikorrelaatioentropiakriteerien yhdistäminen voi olla tällä hetkellä paras valinta; Jos keskitymme laskennalliseen tehokkuuteen ja reaaliaikaisiin sovelluksiin, AIC-SE on hyvä valinta, mikä osoittaa, että ECM-mallinnusmenetelmillä on edelleen etuja tällä alueella. Lisäksi vuonna 2024 tutkitussa akun ikääntymismallissa otetaan kattavasti huomioon useiden tekijöiden vaikutus akun huononemiseen, millä on suuri merkitys akun käyttöiän optimoinnissa (latauskäytännön perusteella). Kaiken kaikkiaan tämä kehitys ei ainoastaan paranna SOC-arvioinnin tarkkuutta, vaan myös pidentää akun käyttöikää ja parantaa akun toimintavarmuutta.
4. Terveydentilan (SOH) arviointitekniikat
4.1 Perinteiset SOH-estimointimenetelmät
Perinteistä SOH-estimointimenetelmää käytetään laajalti akateemisilla ja teollisilla aloilla, ja se perustuu pääasiassa perusparametreihin, kuten kapasiteetin heikkenemiseen, sisäiseen resistanssiin ja syklin kestoon akun SOH:n arvioimiseksi (katso taulukosta 4 asiaankuuluvat kaavat ja parametrien merkitykset). Nämä menetelmät tarjoavat perustan akun kunnon arvioinnille ja auttavat ymmärtämään akun suorituskykyä. Ymmärtämällä nämä perinteiset menetelmät voimme ymmärtää paremmin uusien estimointimenetelmien parannuksia seuraavissa luvuissa. Uudet menetelmät käyttävät usein monimutkaisempia data-analyysi- ja ennustavia mallinnustekniikoita käsitelläkseen perinteisten menetelmien rajoituksia. Vertaamalla näitä kahta voidaan selventää SOH-estimointitekniikan kehitystä ja kehitystä ja osoittaa, kuinka nykyaikaiset menetelmät voivat parantaa akunhallintajärjestelmien tarkkuutta ja sopeutumiskykyä.
4.2 Uusi kehitys perinteisten menetelmien korvaamisessa
Uudet terveysindikaattorit yhdistettynä koneoppimiseen:SOH-ennusteen tarkkuuden parantamiseksi tutkimuksessa on otettu käyttöön uusia terveysindikaattoreita, kuten Degradation Rate Ratio (DSR). Kaava DSR:n laskemiseksi latausjännitekäyrän kulmasta on:
Vertaamalla useiden latausjaksojen jyrkkyyttä määritetään akun huononemisnopeus (mV/s) tietyllä jännitealueella (kuten [3.8-3.9V]), mikä liittyy läheisesti akun kapasiteetti ja sitä voidaan käyttää avainindikaattorina määrittämään akun käyttöiän loppu. Gaussian Process Regression (GPR) ja Multi Layer Perceptron Neural Network (MLPNN) mallien yhdistäminen voi arvioida tarkemmin kapasiteetin menetystä ja heikkenemistä. Perinteisiin malleihin verrattuna herkkyys ja tarkkuus ovat parantuneet merkittävästi, mikä ratkaisee tehokkaasti perinteisten mallien ongelman, joka on vaikea havaita huonontumista aikaisin.
Vastaavan piirimallin parannus:Varhaiset menetelmät perinteisten ekvivalenttipiirimallien (ECM) parantamiseksi kehittyivät edelleen, kuten SOH:n estimointi analysoimalla vastaavan RC-piirimallin kapasitanssia 2015:ssä käyttämällä innovatiivisia algoritmeja kehon kapasitanssin vaimennuskertoimen laskemiseen. ja sen yhdistäminen erillisten epälineaaristen havaintojen kanssa tarkkuuden ja luotettavuuden parantamiseksi; Vuonna 2024 otettiin käyttöön toisen asteen hybridiekvivalenttipiirimalli yhdistettynä adaptiiviseen päivitysnopeuteen ja epälineaariseen havainnointilaitteeseen lämpötilan vaikutuksen huomioon ottamiseksi, mikä saavutti korkean tarkkuuden SOH-estimaatissa (keskimääräinen absoluuttinen virhe alle 0,5 %, RMS virhe alle 0,2 %; Vuoden 2023 pilviratkaisu hyödyntää pitkän aikavälin seurantadataa ja reaaliaikaista dataa akkumallin parametrien arvioimiseen säätämällä liikkuvan ikkunan pienimmän neliösumman algoritmia. ECM-mallin perusteella saavutetaan korkean tarkkuuden SOH-arviointi, mikä osoittaa, että parannetulla ECM-menetelmällä on edelleen merkittävä merkitys SOH-estimoinnissa, mikä vastaa ECM-menetelmien jatkuvaa parantamista SOC-estimointitekniikassa.
Hybridikehysmenetelmä:Uusi kehys integroi lineaarisen tilastollisen k-lähimmän naapurin (LSKNN), maksimitiedon entropiahaun (MIES) ja Collective Sparse Variational Gaussian Process Regression (CSVGPR) tietojen interpoloinnin, kohinan suodatuksen, ominaisuuksien valinnan ja epävarmuuden hallinnan käsittelyyn. LSKNN arvioi puuttuvat datapisteet ja suodattaa kohinan, MIES valitsee ominaisuuksia, joilla on korkea korrelaatio SOH:n kanssa, ja CSVGPR käsittelee tietojen epävarmuutta ennusteen tarkkuuden parantamiseksi. Tämä kehys testattiin NASAn akkutietojoukolla, ja verrattuna menetelmiin, kuten ElasticNet, Support Vector Regression (SVR), Random Forest ja Gradient Boosting, Root Mean Square Error (RMSE) pieneni 77,8 % (verrattuna {{3). }}.0510 ElasticNetissä numeroon 0.0113). Verrattuna Gaussin prosessimalleihin, joissa on erilaisia ytimiä, RMSE pieneni 55,5 % (0,0254:stä 0,0113:een), mikä vahvistaa kehyksen vankuuden ja suuren tarkkuuden ja tarjosi tarkemman menetelmän SOH-estimointiin.
SOH-estimointitekniikan kehitystrendi on siirtymässä perinteisistä menetelmistä monimutkaisempiin sähköajoneuvoihin soveltuviin malleihin. Uusia menetelmiä ovat muun muassa degradaatiomallien yhdistäminen klassiseen koneoppimiseen, ECM-pohjaisiin menetelmiin ja hybridimenetelmiin. DSR on tärkeä innovaatio, joka vähentää riippuvuutta täydellisestä latausjaksosta (lyhentää odotusaikaa noin 84 prosenttia) ja yhdistettynä koneoppimiseen parantaa kapasiteetin menetysarvioinnin tarkkuutta, mikä voittaa perinteisten mallien varhaisen huononemisen havaitsemisen vaikeuden. Parannettu ECM-menetelmä on saavuttanut hyviä tuloksia SOH-estimoinnissa, mikä on yhdenmukainen ECM-menetelmän merkityksen kanssa SOC-estimoinnissa. Hybriditeknologiat (kuten edellä mainittu uusi kehys) ovat erittäin tarkkoja. Vaikka reaaliaikaiset sovellukset asettavat haasteita, keskeisten tietojenkäsittelyongelmien tehokas ratkaiseminen on merkittävä parannus perinteisiin SOH-estimointimenetelmiin verrattuna. Kaiken kaikkiaan tämä kehitys keskittyy reaaliaikaisiin sovelluksiin ja tietopohjaisiin menetelmiin, mikä parantaa merkittävästi sähköajoneuvojen akunhallintajärjestelmien luotettavuutta. Syväoppimismenetelmistä, kuten LSTM, CNN:t ja hybriditekniikat, on tullut yleisiä SOH-estimointimenetelmiä. Seuraavissa luvuissa esitellään asiaankuuluvat tutkimustulokset ja panokset.
5. Deep Learningin soveltaminen SOH-estimointiin
5.1 LSTM- ja hybridimallit
Useat tutkimukset ovat käyttäneet parannettuja ikääntymismalleja yhdistettynä syväoppimistekniikoihin SOH-estimoinnin tarkkuuden parantamiseksi. Syväoppiminen on välttämätöntä jäljellä olevan hyödyllisen käyttöiän (RUL) ennustamisessa. Esimerkiksi integroimalla SOH:n hajoamismalli ja huomioimalla erilaiset käyttöolosuhteet, kuten lataus-/purkausvirta ja lämpötila, voidaan käyttää erityistä kaavaa:
Niistä I2 {c} ja I2 {d} ovat normalisoituja lataus- ja purkausvirtoja, T3 {c} ja T4 {d} ovat normalisoituja akun ja ympäristön lämpötiloja, T3 {c} ja T4 {d} ovat lataus- ja purkausaikoja, ja (d1-d4) on paino), joka simuloi tarkemmin akun heikkenemistä. LSTM-verkkoon perustuva RUL-ennustemalli parantaa ennusteen tarkkuutta, mutta laskennallinen monimutkaisuus lisääntyy ja reaaliaikaiset sovellukset kohtaavat haasteita. Neuroverkot voivat käsitellä ajassa vaihtelevia akkuprosesseja, oppia jatkuvasti mukautumaan akun käyttäytymisen muutoksiin ja ylläpitämään mallin luotettavuutta.
Jänniteominaisuuksilla on merkittävä rooli akun tilan arvioinnin tarkkuuden parantamisessa, sillä se poimii tärkeimmät ominaisuudet (kuten kuusi avainominaisuutta) SOH-estimoinnin optimoimiseksi ja yhdistettynä koneoppimisalgoritmeihin korkean tarkkuuden ja alhaisen laskentakuorman saavuttamiseksi. Useiden syväoppimismallien (kuten CNN, LSTM, GRU ja niiden kaksisuuntaiset muunnelmat) yhdistäminen hybridikehykseksi (kuten CNN-LSTM-DNN, CNN-GRU-DNN) RUL:n ennustamiseksi hyödyntäen monia ominaisuuksia parantamaan tarkkuus vähensi RMSE:tä 90,5 % NASA:n tietojoukon testauksessa, mutta laskennallinen voimakkuus ja monimutkaisuus rajoittavat reaaliaikaisia sovelluksia. Monimallimenetelmät (kuten LSTM-mallikirjastot) ja edistyneet optimointistrategiat (kuten LSTM:n integrointi AI-BMS-kehykseen ja sen toteuttaminen FPGA:ssa) voivat parantaa ennustetarkkuutta ja järjestelmän tehokkuutta, mutta FPGA:n soveltaminen kaupallisiin sähköajoneuvoihin maksaa ja käytännön haasteita.
GRU:n ja soft sensing -menetelmien yhdistelmällä on potentiaalia pitkän aikavälin RUL-ennusteeseen laboratorioympäristöissä, mutta käytännön sovellukset vaativat sopeutumista erilaisiin latausolosuhteisiin. Käyttämällä dataohjattuja menetelmiä, kuten LSTM, DNN ja GRU NASA-aineistojen käsittelyyn, GRU:lla on vahva suorituskyky (RMSE 0.003, MAE 0,003, R-neliö). virhe 0,004), ja GRU- ja LSTM-verkkojen yhdistäminen parantaa suorituskykyä. LSTM-pohjainen menetelmä poimii ominaisuuksia (kuten 5 manuaalista ominaisuutta) analysoimalla akun purkauskäyrää ja käyttää optimointialgoritmeja (kuten Adam) parantaakseen harjoituksen tehokkuutta ja ennustetarkkuutta. Yhden akun osatiedon opetuksessa muiden akkujen SOH-estimointivirhe on alhainen, mikä on parempi kuin perinteisissä malleissa.
MDA-LSTM-verkko yhdistää useita ominaisuuksia ja ajallisia tietoja ja parantaa RUL-ennusteen tarkkuutta useiden ominaisuusfuusiomoduulien ja kaksoistarkkailumoduulien avulla. Se toimii hyvin usean tietojoukon validoinnissa vankuudella ja yleistyksellä. Pinottua BiLSTM-verkkoa käytetään SOH:n ennustamiseen vakiovirtalatausdatan avulla, ja kaksisuuntainen rakenne parantaa ennusteen luotettavuutta, mikä tekee siitä sopivan reaaliaikaiseen SOH-estimointiin pikalatauksen aikana. TCN-LSTM-malli hyödyntää synteettistä dataa ja Bayesin optimointia avoimen piirin jännitteen (OCV) tarkkaan rekonstruoimiseksi ja terveydentilan (SOH) arvioimiseksi (MAE alle 22 mV, MAPE alle 2,2 %). Sitä voidaan laajentaa erilaisiin akkukemiallisiin järjestelmiin siirtooppimisen avulla, mutta ekstrapolointiin liittyy rajoituksia, kun tiedot eivät ole riittäviä. Syväfuusiomenetelmä (kuten historiatietojen ja useiden terveysindikaattoreiden hyödyntäminen) saavuttaa suuren tarkkuuden (MAPE alle 2,97 %) täyden latauksen purkaustestauksella, ja sekä GPR:ään perustuva globaali kehys että yksittäisten sähköajoneuvojen DFTN-malli ovat saavuttaneet hyviä tuloksia. .
5.2. CNN- ja CNN-LSTM-integroitu malli
CNN-WNN-WLSTM-menetelmä integroi CNN-, WNN- ja WLSTM-verkot. CNN poimii ominaisuuksia, WNN- ja WLSTM-prosessiominaisuuksia ja arvioi SOH:n. RMSprop-optimoijaa käytetään parantamaan suorituskykyä ja suorituskykyä paremmin kuin perinteiset menetelmät NASA:n tietojoukon testauksessa, mikä tarjoaa lupaavan lähestymistavan akun kunnon hallintaan. CNN-LSTM-CRF-malli on saanut inspiraationsa luonnollisen kielen käsittelystä, ja CRF-kerros kaappaa lähtömuuttujien riippuvuuksia parantaakseen akun kapasiteetin ennustamisen tarkkuutta ja intuitiivisuutta. Laskentavaatimukset ovat kuitenkin korkeat ja ylittävät sisäisten prosessorien kyvyt. Jatkossa tarvitaan tutkimusta sen käytännöllisyyden parantamiseksi (esimerkiksi siirtooppimisen kautta). LSTNet-malli parantaa akun kapasiteetin ennustussuorituskykyä segmentoimalla tiedot, integroimalla ConvLSTM- ja AR-komponentteja ja optimoimalla rakennetta (esimerkiksi NASA:n tietojoukon testauksessa RMSE oli 0,65 %, MAE oli 0. 58 %, ja MAPE oli 0,435 %, kun sitä harjoitettiin 40 % datalla).
Integroimalla parannetut CNN- ja ECSSA-optimointialgoritmit ennustamaan solid-state-litiumioniakkujen RUL-arvoa, CNN parantaa ominaisuuksien erottamista ja ennustetarkkuutta optimoimalla hyperparametreja ja rakenteita (kuten käyttämällä kehittyneitä konvoluutiokerroksia, aktivointitoimintoja ja jäännösyhteyksiä). ECSSA optimoi mallin parametrit innovatiivisilla matemaattisilla menetelmillä (kuten Circle Chaotic Mapping, Nonlinear Absorptiokerroin ja Cauchy-mutaatio) RUL-ennusteen tarkkuuden ja kestävyyden parantamiseksi. PCA:n ja CNN:n yhdistäminen ominaisuuksien optimointiin ja dimensioiden vähentämiseen parantaa SOH-estimoinnin tarkkuutta ja tehokkuutta (verrattuna perinteisiin CNN- ja kiinteämittaisiin PCA-CNN-malleihin MAE kasvaa yli 20 % ja RMSE yli 30 %). Reaaliaikainen SOH-estimointimalli integroi 1D-CNN:n ja BiGRU:n käyttämällä BMS-tietoja monimutkaisen ominaisuuksien poimimisen välttämiseksi ja saavuttaen korkean tarkkuuden hyperparametrien Bayes-optimoinnin avulla (kuten NASA:n tietojoukon testauksessa MAE on 2,080 %, RMSE on 2,516 %. ja EOL-indeksivirhe on nolla).
5.3. Optimointistrategiat syväoppimismalleille
Ensinnäkin satunnaismetsäalgoritmia käytettiin tunnistamaan keskeiset terveystekijät, ja sitten geneettisen algoritmin hiukkasparvioptimointitekniikkaa (GA-PSO) käytettiin optimoimaan tukivektorin regressiomallin (SVR) parametrit terveydentilan (SOH) arvioimiseksi. Tehokkuus varmistettiin neljällä akulla, mikä parantaa tarkkuutta ja konvergenssinopeutta (RMSE 0,40%, MAPE 0,56 %), mikä on muita vastaavia menetelmiä parempi. GWO-BRNN-hybridimenetelmä käyttää harmaasuden optimointia (GWO) hyperparametrien valitsemiseen Bayesin regularised hermoverkoille (BRNN). NASAn tietojoukon perusteella SOH-arviointivirhe on alle 1 %, mutta laskennallinen monimutkaisuus on suuri ja käytännön sovellukset rajalliset. Sähköajoneuvojen raakadatan käyttäminen suoraan SOH:n arvioimiseen ja RUL:n ennustamiseen, tarkkuuden parantaminen ottamalla käyttöön uusia arviointiominaisuuksia ja interpolaatiokorjausmenetelmiä (pienensi nykyisen integraation suhteellisen virheen 0,94 prosenttiin), yhdistettynä D-NSGA-II-optimointimenetelmään. optimoida SOH-estimointi ja vähentää laskenta-aikaa. Vastauksena sähköajoneuvojen litiumioniakkujen epätäydellisen latauksen ja purkamisen aiheuttamiin vaikeuksiin arvioida terveydentilaa (SOH), ehdotetaan epäsuoraa arviointimenetelmää (ATAGA-BP). Menetelmässä hyödynnetään jatkuvan jännitteen latausvaiheen ominaisuuksia terveysindikaattorina ja se validoidaan simuloinnilla NASAn tiedoilla. Menetelmällä on korkea korrelaatio akun kapasiteetin kanssa (yli 85 %), SOH-arviointivirhe 3,7 % ja iteratiivinen tehokkuuden parannus 17,8 %.
Syväoppiminen on edistynyt merkittävästi SOH-estimoinnissa, ja kattavat mallit, joissa otetaan huomioon useita tekijöitä, antavat syvemmän ymmärryksen akun kulumisesta. LSTM-verkot ovat tärkeitä ajallisten riippuvuuksien sieppaamisessa ja RUL:n ennustamisessa, mutta niiden laskennallinen monimutkaisuus asettaa haasteita reaaliaikaisille sovelluksille. Ominaisuuden erotusmenetelmät ovat tärkeitä ja voivat optimoida SOH-estimoinnin. Hybridimallien ja erilaisten hermoverkkoarkkitehtuurien yhdistelmällä akun datan monimutkaisuuden käsittelyyn on lupaavia näkymiä, mutta korkeat laskentavaatimukset rajoittavat käytännön sovellutuksia. Optimointistrategiat, kuten GA-PSO, GWO-BRNN ja D-NSGA-II, ovat parantaneet tarkkuutta ja tehokkuutta, mutta monimutkaisten algoritmien toteuttaminen on vaikeaa ja vaatii tasapainoa tarkkuuden ja suorituksen yksinkertaisuuden välillä. Edistyksellinen AI-tekniikka on ratkaisevan tärkeä toissijaisten akkujen käytössä (tarkkoja käyttötietoja puuttuu). Seuraavat luvut tarjoavat yleiskatsauksen toissijaisen sovellustutkimuksen nykytilasta, erityisesti akkujen uudelleenkäytön alalla.
6. Yhteenveto
Tässä artikkelissa edistetään sähköajoneuvojen litiumioniakkujen SOH- ja SOC-estimaation kehittämistä innovatiivisten menetelmien ja mallien avulla, jotka kattavat erilaisia teknologioita perinteisestä koneoppimisesta edistyneisiin syväoppimismalleihin, kuten LSTM ja CNN. Jokaisella menetelmällä on kuitenkin eroja tarkkuudessa, monimutkaisuudessa ja soveltuvuudessa, mikä tekee suorasta vertailusta vaikeaa. Tutkimus on osoittanut, että tietojen käsittelyllä ja lähteillä on merkittävä vaikutus mallin suorituskykyyn, ja varsinaista käyttöönottoa varten tarvitaan lisävalidointia. Vaikka syväoppimismallit ovat osoittaneet etuja monimutkaisen tiedon käsittelyssä, ne kohtaavat edelleen haasteita, kuten korkeat laskennalliset resurssivaatimukset ja sopeutumiskyky käytännön sovellusskenaarioihin. Tulevassa tutkimuksessa tulisi keskittyä ominaisuuksien valinnan parantamiseen, poikkeamien havaitsemiseen, sopeutumiseen erilaisiin ympäristöolosuhteisiin, algoritmien optimointiin laskennan tehokkuuden parantamiseksi, reaaliaikaisten sovellusten saavuttamiseen, useiden tietolähteiden integroimiseen SOH-estimointimallin suorituskyvyn parantamiseksi ja samalla myös toissijaisten akkusovellusten haasteisiin vastaamiseen. , kehittää tehokkaita ratkaisuja ja edistää akunhallintajärjestelmien kehitystä vastaamaan sähköajoneuvojen ja energian varastoinnin kasvaviin vaatimuksiin.