Абстрацт
Технологија процене стања здравља (СОХ) за литијум-јонске батерије је кључна за безбедност и поузданост електричних возила. Са развојем технологија вештачке интелигенције (АИ) и машинског учења (МЛ), област управљања батеријама почиње да усваја ове методе за побољшање ефикасности и стабилности. Посебно, неуронске мреже су показале предности у високој ефикасности, ниској потрошњи енергије, високој робусности и скалабилности у СОХ симулацији и предвиђању. Хибридни модел, у комбинацији са моделима еквивалентних кола (ЕЦМ) и дубоким учењем, доказано је да има потенцијал у побољшању тачности и перформанси СОХ процене у реалном времену. Будући правци истраживања укључују коришћење више података на лицу места за скрининг здравствених карактеристика и конструкцију модела, као и интелигентни скрининг и комбинацију параметара батерије да би се прецизније окарактерисала стварна СОХ. Развој ових технологија ће додатно унапредити научно, поуздано, стабилно и робусно управљање батеријама електричних возила.
1. Укратко
1.1 Значај литијум-јонских батерија за електрична возила и критични значај процене СОХ
Литијум-јонске батерије су кључне за рад електричних возила, а на њихове перформансе утичу различити процеси деградације. Прецизна процена здравственог стања (СОХ) батерија је кључна за обезбеђивање безбедног, поузданог и економичног рада електричних возила. Како потражња за електричним возилима расте, праћење СОХ постаје све важније, пошто литијум-јонске батерије обично падају на 80% свог првобитног капацитета пре краја свог животног века. Поред тога, Стање напуњености (СОЦ) је такође кључни параметар, а његове промене могу одражавати старење и деградацију капацитета батерије. Прецизно предвиђање СОЦ-а је од помоћи за процену СОХ, што заузврат одређује преостали век трајања батерије.
1.2 Развој метода процене СОХ
Преглед и напредак постојећих метода:Развијено је више метода процене СОХ, међу којима методе засноване на СОЦ интегришу податке у реалном времену као што су струја, напон и температура да би се постигло тачније предвиђање СОХ у више циклуса пуњења и пражњења, оптимизовали перформансе батерије, спречили грешке и продужили век трајања батерије . Најновија достигнућа у методама машинског учења додатно су побољшала процену СОХ, а неуронске мреже као што су преусмерене и конволуционе неуронске мреже имају добре резултате у моделирању батерија, надмашујући традиционалне методе регресије у сложености и прецизности, са просечним одступањем грешке од око 0 .16% и средња квадратна грешка од 5,57мВ на нивоу ћелије батерије.
1.3 Класификација и карактеристике метода моделирања батерија
Методе анализе као што су струјна интеграција и технике напона отвореног кола (ОЦВ) могу да пруже јасне СОХ процене, али на њих утиче акумулирана бука и захтевају дуге периоде стајања да би се осигурала тачност.
Приступ заснован на моделу
Модел беле кутије:На основу детаљних електрохемијских принципа, симулира понашање батерије кроз основне параметре са високом прецизношћу. Међутим, његови високи рачунарски захтеви и поједностављене претпоставке за динамику у стварном свету смањују његову тачност у динамичким условима, што га чини неприкладним за апликације у реалном времену.
Модели сиве кутије (као што је ЕЦМ):Комбиновање физичких увида и емпиријских прилагођавања, коришћење аналогије кола за апроксимативно понашање батерије, може проценити СОЦ са великом прецизношћу (обично у оквиру грешке од 3%) и корисне су за процену СОХ у реалном времену и предвиђање преосталог корисног века трајања (РУЛ), али се суочавају са изазовима у квалитету података и рачунским захтевима. Једноставан модел еквивалентног кола за литијум-јонске батерије (укључујући серијске отпорнике и до два РЦ елемента) се може користити за поуздану симулацију, док сложенији ЕЦМ (укључујући вишеструке РЦ гране или елементе константне фазе ЦПЕ) могу симулирати високо динамичке процесе (као што је као рад на електричним возилима), али све већа потражња за рачунарима је подстакла развој напреднијих метода процене СОХ.
Модел црне кутије (приступ заснован на подацима):На основу улазних и излазних података, модел се конструише без ослањања на интерно познавање принципа рада. Технике машинског учења могу предвидети статус батерије на основу велике количине података мерења. Машинско учење се истиче у идентификацији образаца у сложеним скуповима података, као што су вишеканалне неуронске мреже које имају високу тачност у процени капацитета, али се ослањају на висококвалитетне и разноврсне податке о обуци. Међутим, у практичним применама у возилима, многе унутрашње варијабле се не могу директно мерити, а реткост података и недостатак интерпретабилности чине модел тешким за разумевање и одржавање.
1.4 Еволуција метода модела и развој хибридних модела
Еволуција метода заснованих на моделу:У протеклој деценији, методе засноване на моделима су се континуирано развијале, укључујући Калманово филтрирање (КФ) и његова проширења (као што су Проширени Калманов филтер ЕКФ, Унсцентед Калман Филтер УКФ). Ове методе имају високу тачност у процени стања батерије, али захтевају прецизне динамичке моделе и сложене су за имплементацију.
Успон хибридних модела:Да би се одговорило на ограничења података из стварног света и побољшала ефикасност рачунара, појавили су се хибридни модели, који комбинују методе засноване на моделу и методе вођене подацима за обуку модела машинског учења кроз детаљне симулације. У исто време, технике машинског учења су оствариле значајан напредак у последњих пет година, укључујући методе вероватноће, мета учење, супарничко учење, полунадгледано учење, итд. Дубоко учење (подскуп машинског учења) се добро показао у обради структурираних и неструктурирани подаци. Физичке информације Неуралне мреже (ПИНН) комбинују емпиријске моделе деградације са неуронским мрежама да би побољшале процену СОХ, побољшавајући прилагодљивост метода под различитим типовима батерија и условима. Са развојем аутомобилске индустрије, ова технолошка достигнућа су кључна за оптимизацију перформанси батерија, спречавање кварова и подршку развоју електричних возила.
1.5 Преглед наредних поглавља у овом чланку
Одељак 2 пружа детаљан увод у методе скрининга и одабира литературе за преглед, обезбеђујући систематичну и свеобухватну природу методологије истраживања. Одељак 3 пружа детаљну анализу техника процене стања напуњености, истражујући утицај механизама деградације батерија на методе моделирања батерија електричних возила, укључујући Калманово филтрирање и његове побољшане методе, као и интеграцију са моделима старења. Одељак 4 се фокусира на технике процене СОХ, пореди традиционалне методе са новим методама и наглашава методе применљиве на електрична возила. Одељак 5 показује улогу дубоког учења у процени СОХ, као што су мреже дуготрајне меморије (ЛСТМ) и хибридни модели, као и како конволуционе неуронске мреже (ЦНН) разматрају практичне факторе за побољшање тачности процене здравља. Коначно, одељак 6 резимира и очекује будући правци истраживања система управљања здрављем батерија како би се подржао развој тржишта електричних возила и других апликација за складиштење енергије.
2. Материјали и методе
2.1 Дефиниција истраживачког питања
Ова студија предлаже пет кључних питања за усмеравање примене технологије машинског учења у СОХ процени литијум-јонских батерија у електричним возилима.
Појасните главне технике машинског учења које се тренутно користе за процену здравственог стања (СОХ) литијум-јонских батерија у електричним возилима и истражите специфичне алгоритме и моделе које су развили и користили истраживачи.
Истражите утицај различитих извора података (лабораторијских, аутомобилских и теренских података) на тачност и робусност модела машинског учења за процену СОХ, анализирајте како извори података утичу на перформансе модела и одредите који подаци су најкориснији за прецизно предвиђање СОХ.
Идентификујте кључне изазове примене техника машинског учења у СОХ процени литијум-јонских батерија, као и варијације ових изазова у различитим условима животне средине и сценаријима примене, као што су флуктуације температуре, старење и утицај различитих начина коришћења на тачност процене СОХ.
Упоредите методе анализе СОХ процене, разлике између традиционалних метода и њиховог процеса еволуције, проучите како методе машинског учења могу да се интегришу са овим традиционалним методама, идентификујте њихове одговарајуће предности, недостатке и потенцијалне синергије.
Гледајући унапред у будуће правце истраживања за побољшање тачности, прилагодљивости и рачунарске ефикасности модела процене СОХ заснованих на машинском учењу у литијум-јонским батеријама за електрична возила, идентификујући недостатке у истраживању, техничке захтеве и иновативне методе.
2.2 Претрага и преглед литературе
Избор базе података и стратегија претраживања: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 И ПУБИЕАР<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).
Преглед литературе и фокусирање:Преузета литература покрива више дисциплинских области, при чему област инжењерства има највећи удео (730 чланака), а затим следе енергетика, рачунарство и математика. Након фокусирања на област рачунарства, идентификовано је 209 релевантних докумената, од којих су 183 објављена у периоду од 2019. до 2024. године, што указује на благовременост података. Ови документи укључују конференцијске радове, чланке, прегледе и поглавља у књигама, са 72 чланка објављена између 2009. и 2024. као главну основу за преглед, док ручно укључују релевантне радове и поглавља књига из других инжењерских области како би се осигурала свеобухватна покривеност истраживачких области и ухватили иновативни технолошки напредак у коришћењу вештачке интелигенције за побољшање система управљања батеријама.
3. Технологија процене стања напуњености (СОЦ).
3.1 Механизам деградације батерије и његов утицај на перформансе
Литијум-јонске батерије се углавном разграђују кроз два механизма:губитак инвентара литијума (ЛЛИ) и губитак активног материјала (ЛАМ). ЛЛИ је повезан са формирањем слоја интерфејса чврстог електролита (СЕИ) на аноди, који потиче од бочне реакције између литијум јона и електролита. ЛАМ је узрокован унутрашњим механичким стресом у батерији, као што је поновљено ширење и контракција материјала електроде током пуњења и пражњења, што доводи до микропукотина и одвајања честица електроде, смањујући активну површину која је доступна за електрохемијске реакције, чиме се смањује капацитет батерије, повећавајући унутрашњи отпор и на крају утиче на перформансе батерије. Ови механизми деградације су убрзани факторима као што су високо стање пуњења, висока температура и агресивни услови циклуса. Детаљне информације и детаљи моделирања различитих механизама старења (термичких, електрохемијских, итд.) могу се наћи у релевантној литератури.
3.2. СОЦ процена и технологија моделирања за батерије електричних возила
У свакодневној употреби електричних возила, батерија се често пуни на 20% -40% СОЦ да би се одржало здравље батерије, али нелинеарне карактеристике и карактеристике деградације капацитета батерије могу довести до нетачних очитавања СОЦ-а, што утиче на процену батерије пуни капацитет. На перформансе и одржавање литијум-јонских батерија такође утиче клима, при чему температура и свежина електролита (одређени датумима производње и пуњења) утичу на ефикасност и век трајања батерије. Карактеристике нових електролитних батерија могу да варирају у различитим климатским условима, а стратегије управљања топлотом могу помоћи у решавању проблема са перформансама везаним за температуру и побољшати издржљивост батерије.
Традиционални модел еквивалентног кола (ЕЦМ) се обично користи за процену СОЦ-а, али захтева честу калибрацију. Чланак пружа детаљан увод у једначине израчунавања СОЦ засноване на ЕЦМ-у (укључујући континуиране и дискретне форме), укључујући једначине простора стања, једначине напона отвореног кола и СОЦ односа, једначине ажурирања СОЦ домена дискретног времена и једначине ажурирања напона. Релевантни параметри (као што су отпор, капацитивност, напон отвореног кола, итд.) су уско повезани са СОЦ. Стандардно лабораторијско тестирање (као што је испитивање карактеристике мешовите импулсне снаге на различитим температурама) се обично користи за идентификацију параметара модела батерије, али непрецизност модела и шум мерења могу довести до малих грешака у процени СОЦ. Да би се побољшала тачност СОЦ процене, различите технике као што су Калманово филтрирање и његове екстензије, посматрач заснован на ПИ, посматрач клизног режима, итд. су коришћене за компензацију ових ефеката, а развијене су и методе интегралне корекције за руковање почетном несигурношћу модела. и мерење буке. Поред тога, иако електрохемијска импедансна спектроскопија (ЕИС) може да процени карактеристике батерије (укључујући СОЦ и СОХ), она је дуготрајна и непрактична за апликације великих размера (као што су флоте електричних возила), што отежава снимање динамике и промене услови рада акумулатора електричних возила. Због тога је потребна прилагодљивија и ефикаснија метода.
3.3. Побољшање технологије
Калманов филтер и методе његовог побољшања:Калманов филтер (КФ) и његова проширења (као што су проширени Калманов филтер ЕКФ, Калманов филтер без мириса УКФ, запремински Калманов филтер ЦКФ) се широко користе за процену СОЦ. КФ обезбеђује оптималну процену СОЦ минимизирањем средње квадратне грешке, решавањем проблема кумулативне грешке и почетне СОЦ несигурности. Међутим, погодан је за линеарне системе са променљивим временом где нелинеарна динамика батерија захтева линеаризацију апроксимације. Иако ЕКФ проширује КФ оквир за руковање нелинеарним моделима, линеаризација може утицати на тачност и довести до дивергенције процењивача. Нове методе као што су УКФ и ЦКФ користе процену сигма тачака за процену статистике нелинеарне трансформације, док ЦКФ користи правило сферне радијалне запремине за израчунавање мултиваријантних моментних интеграла да би се побољшала тачност нелинеарног Бајесовог филтрирања. Међутим, ови филтери обично претпостављају да су карактеристике буке познате и константне, ау практичним применама, бука је променљива (као што је неГаусов шум генерисан спољашњим сметњама). Због тога су развијене робусне стратегије адаптивног филтрирања, као што је коришћење модела Гаусове мешавине (ГММ) за моделовање неГусовог шума да би се побољшала тачност процене стања. Релевантне студије су показале примену и предности ових метода у различитим областима. Поред тога, дистрибуирани и дистрибуирани филтери (као што су дистрибуирани Калманов филтер ДКФ, дистрибуирани Калманов филтер и коваријансни крст ДКФ-ЦИ) се користе за оптимизацију процене стања великих међусобно повезаних система. Робусни и нелинеарни филтери (као што је робусни Калманов филтер) имају супериорне перформансе у суочавању са сложеним нелинеарностима у системима батерија (као што су електрохемијски процеси). Прилагодљиве технике (као што су адаптивни ЕКФ и адаптивни УКФ алгоритми) динамички прилагођавају параметре филтера да би се прилагодили променама буке и побољшали тачност СОЦ процене. Релевантне студије и примери су потврдили ефикасност ових метода.
Друге методе побољшања:као што је метода Адаптиве Интеграл Цоррецтион Стате оф Цхарге Естиматион (АИЦ-СЕ) предложена у 2022, која се заснива на ЕЦМ моделу и побољшава тачност СОЦ процене кроз механизме корекције у реалном времену (укључујући отпор и корекција капацитета батерије) (максимална грешка ± 0.8%, РМС грешка мања од 0,3%). Ефикасност рачунара је већа од УКФ (АИЦ-СЕ око 5н операција, УКФ око н ^ 2 операције), ефикасно решавајући изазове старења и деградације батерије. Калманов филтер варијације Бајесове максималне корелационе ентропије (ВБМЦЦКФ) у 2023. комбинује напредно филтрирање и статистичке технике за побољшање коваријансне процене грешке мерења коришћењем варијационе Бајесове методе. Критеријум максималне ентропије корелације се користи за руковање не-Гусовим мерама шума, значајно побољшавајући тачност СОЦ процене (у поређењу са ЕКФ, ЦКФ и варијационим Бајесовим запреминским Калмановим филтером, просечна апсолутна грешка је смањена за 77%, 68% и 49% , односно) и повећање робусности система управљања батеријом.
3.4 Интеграција са моделима старења
Модел старења батерије је уско повезан са проценом СОЦ-а, а недавна истраживања су иновација у оба аспекта. Модел старења батерије предложен 2024. године свеобухватно разматра ефекте СОЦ-а, температуре батерије, времена и потпуно еквивалентних времена циклуса (НФЕЦ) на старење батерије. Модел се састоји од два дела: први део се фокусира на старење везано за СОЦ и температуру (израчунавање губитка капацитета кроз специфичне формуле), а други део разматра утицај НФЕЦ-а на старење. Овај модел иновативно интегрише старење батерије као подсистем електричног возила са моделом батерије, покривајући све режиме рада као што су паркирање, вожња и пуњење. Постиже тачну симулацију интеракције између различитих подсистема кроз формални метод макроскопског представљања енергије (ЕМР) (графички алат развијен 2000. године за организовање веза подсистема, представљање токова моћи и узрочно-последичних веза). Истраживања су показала да смањење учесталости пуњења (као што је промена са дневног пуњења на свака четири дана) може значајно да продужи време да батерија достигне 80% СОХ. Овај интегрисани приступ обезбеђује важан напредак у оптимизацији управљања батеријама и разумевању утицаја пракси пуњења на старење батерија.
Нове методе као што су АИЦ-СЕ и ВБМЦЦКФ имају значајне предности у тачности СОЦ процене и рачунарској ефикасности. АИЦ-СЕ има добре перформансе у рачунарској ефикасности, док ВБМЦЦКФ има боље резултате у руковању динамичком проценом грешака мерења и бучним окружењима. Ако се тачности и обради шума дају приоритет, комбиновање варијационих Бајесових критеријума и критеријума максималне корелационе ентропије може бити тренутни најбољи избор; Ако се фокусирамо на рачунарску ефикасност и апликације у реалном времену, АИЦ-СЕ је добар избор, што указује да методе ЕЦМ моделирања и даље имају предности у овој области. Поред тога, модел старења батерије проучаван 2024. године свеобухватно разматра утицај више фактора на деградацију батерије, што је од великог значаја за оптимизацију века батерије (на основу праксе пуњења). Све у свему, ови развоји не само да побољшавају тачност процене СОЦ-а, већ и доприносе продужењу века батерије и повећању поузданости рада батерије.
4. Технике процене стања здравља (СОХ).
4.1 Традиционалне методе процене СОХ
Традиционална метода процене СОХ се широко користи у академским и индустријским областима, углавном заснована на основним параметрима као што су деградација капацитета, унутрашњи отпор и животни век за процену СОХ батерије (погледајте Табелу 4 за релевантне формуле и значења параметара). Ове методе пружају основу за процену здравља батерије и помажу у разумевању перформанси батерије. Разумевањем ових традиционалних метода, можемо боље разумети побољшања нових метода процене у наредним поглављима. Нове методе често користе сложенију анализу података и технике предиктивног моделирања како би одговориле на ограничења традиционалних метода. Поређење ова два може разјаснити развој и еволуцију технологије процене СОХ и показати како модерне методе могу побољшати тачност и прилагодљивост система управљања батеријама.
4.2 Нови развоји у замени традиционалних метода
Нови здравствени индикатори у комбинацији са машинским учењем:Да би се побољшала тачност предвиђања СОХ, истраживање је увело нове здравствене индикаторе као што је однос стопе деградације (ДСР). Формула за израчунавање ДСР-а из нагиба криве напона пуњења је:
Упоређивањем нагиба вишеструких циклуса пуњења, утврђује се брзина деградације (у мВ/с) батерије унутар одређеног опсега напона (као што је [3.8-3.9В]), што је уско повезано са капацитет батерије и може се користити као кључни индикатор за одређивање краја века трајања батерије. Комбиновањем модела Гаусове регресије процеса (ГПР) и вишеслојне перцептронске неуронске мреже (МЛПНН) може се прецизније проценити губитак и деградација капацитета. У поређењу са традиционалним моделима, осетљивост и тачност су значајно побољшане, ефикасно решавајући проблем традиционалних модела које је тешко рано открити деградацију.
Побољшање модела еквивалентног кола:Ране методе за побољшање традиционалних модела еквивалентних кола (ЕЦМ) су наставиле да се развијају, као што је процена СОХ анализом капацитивности тела еквивалентног модела РЦ кола у 2015, коришћењем иновативних алгоритама за израчунавање фактора слабљења капацитивности тела, и комбиновање са дискретним нелинеарним посматрачима да би се побољшала тачност и поузданост; У 2024, усвојен је модел хибридног еквивалентног кола другог реда у комбинацији са адаптивном брзином ажурирања и нелинеарним посматрачем да би се размотрио утицај температуре, постижући високу тачност у процени СОХ (просечна апсолутна грешка мања од 0,5%, РМС грешка мања од 0,2%); Решење у облаку за 2023. користи податке о дугорочном праћењу и податке у реалном времену за процену параметара модела батерије прилагођавањем алгоритма најмањих квадрата покретног прозора. На основу ЕЦМ модела, постигнута је високопрецизна СОХ евалуација, што указује да побољшана ЕЦМ метода и даље има значајан значај у процени СОХ, у складу са трендом континуираног унапређења ЕЦМ метода у технологији СОЦ процене.
Метод хибридног оквира:Нови оквир интегрише линеарну статистичку к-најближег суседа (ЛСКНН), претрагу максималне информационе ентропије (МИЕС) и колективну регресију Гаусовог процеса (ЦСВГПР) за обраду интерполације података, филтрирање шума, избор карактеристика и управљање несигурношћу. ЛСКНН процењује недостајуће тачке података и филтрира шум, МИЕС бира карактеристике са високом корелацијом са СОХ, а ЦСВГПР обрађује несигурност података како би побољшао тачност предвиђања. Овај оквир је тестиран коришћењем НАСА скупа података о батерији и у поређењу са методама као што су ЕластицНет, Регресија вектора подршке (СВР), Рандом Форест и Градиент Боостинг, средња квадратна грешка (РМСЕ) је смањена за 77,8% (од {{3 }}.0510 у ЕластицНет до 0.0113). У поређењу са Гаусовим моделима процеса са различитим језгрима, РМСЕ је смањен за 55,5% (са 0,0254 на 0,0113), потврђујући робусност и високу тачност оквира и обезбеђујући тачнију методу за процену СОХ.
Тренд развоја технологије процене СОХ се помера са традиционалних метода на сложеније моделе погодне за електрична возила. Нове методе укључују комбиновање модела деградације са класичним машинским учењем, методама заснованим на ЕЦМ-у и хибридним методама. ДСР је важна иновација која смањује ослањање на комплетан циклус пуњења (смањење времена чекања за приближно 84%) и, када се комбинује са машинским учењем, побољшава тачност процене губитка капацитета, превазилазећи потешкоће раног откривања деградације у традиционалним моделима. Побољшана ЕЦМ метода је постигла добре резултате у процени СОХ, што је у складу са значајем ЕЦМ методе у процени СОЦ. Хибридне технологије (као што је горе поменути нови оквир) имају високу тачност. Иако апликације у реалном времену представљају изазове, ефикасно решавање кључних проблема обраде података је значајно побољшање у односу на традиционалне методе процене СОХ. Све у свему, ови развоји се фокусирају на апликације у реалном времену и методе вођене подацима, значајно побољшавајући поузданост система управљања батеријама електричних возила. Методе дубоког учења као што су ЛСТМ, ЦНН и хибридне технике постале су главне методе за процену СОХ. У наредним поглављима биће представљени релевантни резултати истраживања и доприноси.
5. Примена дубоког учења у процени СОХ
5.1 ЛСТМ и хибридни модели
Више студија је користило побољшане моделе старења у комбинацији са техникама дубоког учења како би се побољшала тачност процене СОХ. Дубоко учење је неопходно у предвиђању преосталог корисног живота (РУЛ). На пример, интеграцијом модела деградације СОХ и разматрањем различитих радних услова као што су струја пуњења/пражњења и температура, може се користити специфична формула за:
Међу њима, И2 {ц} и И2 {д} су нормализоване струје пуњења и пражњења, Т3 {ц} и Т4 {д} су нормализоване температуре батерије и околине, Т3 {ц} и Т4 {д} су времена пуњења и пражњења, и (д1-д4) је тежина), што прецизније симулира деградацију батерије. РУЛ модел предвиђања заснован на ЛСТМ мрежи побољшава тачност предвиђања, али се повећава сложеност рачунара, а апликације у реалном времену суочавају се са изазовима. Неуралне мреже могу да руководе процесима батерија које варирају у времену, континуирано уче да се прилагођавају променама у понашању батерије и одржавају поузданост модела.
Издвајањем кључних карактеристика (као што је 6 кључних карактеристика) за оптимизацију процене СОХ, у комбинацији са алгоритмима машинског учења за постизање високе тачности и малог рачунарског оптерећења, карактеристике напона играју значајну улогу у побољшању тачности процене стања батерије. Комбиновање више модела дубоког учења (као што су ЦНН, ЛСТМ, ГРУ и њихове двосмерне варијанте) у хибридни оквир (као што је ЦНН-ЛСТМ-ДНН, ЦНН-ГРУ-ДНН) за предвиђање РУЛ-а, користећи широк спектар функција за побољшање прецизност, смањен РМСЕ за 90,5% у НАСА тестирању скупова података, али снага и сложеност рачунара ограничавају апликације у реалном времену. Методе више модела (као што су библиотеке ЛСТМ модела) и напредне стратегије оптимизације (као што је интеграција ЛСТМ-а у АИ-БМС оквир и имплементација на ФПГА) могу побољшати тачност предвиђања и ефикасност система, али примена ФПГА у комерцијалним електричним возилима се суочава са трошковима и изазови практичности.
Комбинација ГРУ и метода меког сенсинга има потенцијал за дугорочно предвиђање РУЛ-а у лабораторијским окружењима, али практичне примене захтевају прилагођавање различитим условима пуњења. Користећи методе засноване на подацима као што су ЛСТМ, ДНН и ГРУ за обраду НАСА скупова података, ГРУ има снажне перформансе (РМСЕ од 0.003, МАЕ од 0,003, Р-квадрат грешка од 0,004), а комбиновање ГРУ и ЛСТМ мрежа резултира бољим перформансама. Метода заснована на ЛСТМ издваја карактеристике (као што је 5 ручних функција) анализом криве пражњења батерије и користи алгоритме оптимизације (као што је Адам) да побољша ефикасност тренинга и тачност предвиђања. Под обуком парцијалних података једне батерије, грешка процене СОХ за друге батерије је ниска, што је боље од традиционалних модела.
МДА-ЛСТМ мрежа комбинује вишеструке карактеристике и временске информације, и побољшава тачност предвиђања РУЛ-а кроз модуле за спајање више функција и модуле двоструке пажње. Добро ради у валидацији више скупова података, са робусношћу и генерализацијом. Наслагана БиЛСТМ мрежа се користи за предвиђање СОХ користећи податке о пуњењу константне струје, а двосмерна структура побољшава поузданост предвиђања, чинећи је погодном за процену СОХ у реалном времену током брзог пуњења. ТЦН-ЛСТМ модел користи синтетичке податке и Бајесову оптимизацију за прецизну реконструкцију напона отвореног кола (ОЦВ) и процену здравственог стања (СОХ) (МАЕ испод 22мВ, МАПЕ испод 2,2%). Може се проширити на различите хемијске системе батерија кроз учење трансфера, али постоје ограничења екстраполације када подаци нису довољни. Метода дубоке фузије (као што је коришћење историјских података и вишеструких индикатора здравља) постиже високу прецизност (МАПЕ испод 2,97%) кроз тестирање потпуног пражњења, а и глобални оквир заснован на ГПР и ДФТН моделу за појединачна електрична возила постигли су добре резултате .
5.2. ЦНН и ЦНН-ЛСТМ интегрисани модел
ЦНН-ВНН-ВЛСТМ метода интегрише ЦНН, ВНН и ВЛСТМ мреже. ЦНН издваја карактеристике, ВНН и ВЛСТМ карактеристике процеса и процењује СОХ. РМСпроп оптимизатор се користи за побољшање перформанси и надмашује традиционалне методе у НАСА тестирању скупова података, пружајући обећавајући приступ за управљање здрављем батерије. ЦНН-ЛСТМ-ЦРФ модел је инспирисан обрадом природног језика, са ЦРФ слојем који хвата зависности излазне променљиве како би се побољшала тачност и интуитивност предвиђања капацитета батерије. Међутим, рачунарски захтеви су високи и превазилазе могућности уграђених процесора. У будућности је потребно истраживање да би се побољшала његова практичност (као што је учење путем трансфера). ЛСТНет модел побољшава перформансе предвиђања капацитета батерије тако што сегментира податке, интегрише ЦонвЛСТМ и АР компоненте и оптимизује структуру (на пример, у НАСА тестирању скупа података, РМСЕ је био 0,65%, МАЕ је био 0. 58%, а МАПЕ је био 0.435% када је обучен на 40% података).
Интеграцијом побољшаних ЦНН и ЕЦССА алгоритама за оптимизацију за предвиђање РУЛ-а чврстих литијум-јонских батерија, ЦНН побољшава екстракцију карактеристика и тачност предвиђања оптимизацијом хиперпараметара и структура (као што је коришћење напредних конволуционих слојева, активационих функција и преосталих веза), док ЕЦССА оптимизује параметре модела кроз иновативне математичке методе (као што је Цирцле Цхаотиц Мапирање, нелинеарни коефицијент апсорпције и Кошијева мутација) за побољшање тачности и робусности предвиђања РУЛ-а. Комбиновање ПЦА и ЦНН за оптимизацију карактеристика и смањење димензионалности побољшава тачност и ефикасност СОХ процене (у поређењу са традиционалним ЦНН и ПЦА-ЦНН моделима фиксних димензија, МАЕ се повећава за више од 20%, а РМСЕ се повећава за више од 30%). Модел процене СОХ у реалном времену интегрише 1Д-ЦНН и БиГРУ, користећи БМС податке да би се избегло извлачење сложених карактеристика и постижући високу тачност кроз Бајесову оптимизацију хиперпараметара (као што је у НАСА тестирању скупа података, МАЕ је 2,080%, РМСЕ је 2,516%, а грешка ЕОЛ индекса је нула).
5.3. Стратегије оптимизације за моделе дубоког учења
Прво, алгоритам случајне шуме је коришћен за идентификацију кључних фактора здравља, а затим је коришћена техника оптимизације роја честица генетског алгоритма (ГА-ПСО) за оптимизацију параметара модела регресије вектора подршке (СВР) за процену стања здравља (СОХ). Ефикасност је верификована на четири батерије, побољшавајући прецизност и брзину конвергенције (РМСЕ од 0.40%, МАПЕ од 0.56%), што је супериорније у односу на друге сродне методе. ГВО-БРНН хибридна метода користи оптимизацију сивог вука (ГВО) за одабир хиперпараметара за Бајесове регуларизоване неуронске мреже (БРНН). На основу НАСА скупа података, грешка процене СОХ је мања од 1%, али је сложеност рачунара велика и практичне примене су ограничене. Директно коришћење сирових података електричних возила за процену СОХ и предвиђање РУЛ-а, побољшавајући тачност увођењем нових функција евалуације и метода корекције интерполације (смањење релативне грешке тренутне интеграције на 0,94%), у комбинацији са Д-НСГА-ИИ методом оптимизације за даље оптимизовати процену СОХ и смањити време израчунавања. Као одговор на потешкоће у процени здравственог стања (СОХ) узроковане непотпуним пуњењем и пражњењем литијум-јонских батерија у електричним возилима, предложена је метода индиректне процене (АТАГА-БП). Метода користи карактеристике фазе пуњења константним напоном као индикатор здравља и потврђена је симулацијом са НАСА подацима. Метода има високу корелацију са капацитетом батерије (преко 85%), са грешком процене СОХ од 3,7% и итеративним побољшањем ефикасности од 17,8%.
Дубоко учење је направило значајан напредак у процени СОХ, а свеобухватни модели који узимају у обзир више фактора пружају дубље разумевање деградације батерије. ЛСТМ мреже су важне у хватању временских зависности и предвиђању РУЛ-а, али њихова рачунска сложеност представља изазове за апликације у реалном времену. Методе екстракције карактеристика су важне и могу оптимизовати процену СОХ. Комбинација хибридних модела и различитих архитектура неуронских мрежа за обраду сложених података батерија има обећавајуће изгледе, али високи рачунарски захтеви ограничавају практичне примене. Стратегије оптимизације као што су ГА-ПСО, ГВО-БРНН и Д-НСГА-ИИ побољшале су тачност и ефикасност, али имплементација сложених алгоритама је тешка и захтева равнотежу између тачности и једноставности извршења. Напредна АИ технологија је кључна за примену секундарних батерија (недостају детаљни подаци о употреби). Наредна поглавља ће пружити преглед тренутног стања истраживања секундарних апликација, посебно у области поновне употребе батерија.
6. Резиме
Овај чланак унапређује развој СОХ и СОЦ процене за литијум-јонске батерије у електричним возилима кроз иновативне методе и моделе, покривајући различите технологије од традиционалног машинског учења до напредних модела дубоког учења као што су ЛСТМ и ЦНН. Међутим, свака метода има разлике у тачности, сложености и применљивости, што отежава директно поређење. Истраживања су открила да обрада података и извори имају значајан утицај на перформансе модела и да је потребна даља валидација за стварну примену. Иако су модели дубоког учења показали предности у обради сложених података, они се и даље суочавају са изазовима као што су високи захтеви за рачунарским ресурсима и прилагодљивост практичним сценаријима примене. Будућа истраживања би требало да се фокусирају на побољшање избора карактеристика, откривање аномалија, прилагођавање различитим условима окружења, оптимизацију алгоритама за побољшање рачунарске ефикасности, постизање апликација у реалном времену, интеграцију више извора података за побољшање перформанси модела процене СОХ, док се такође баве изазовима у секундарним апликацијама батерија , развијајући ефикасна решења и промовишући развој система за управљање батеријама како би се испунили растући захтеви у областима електричних возила и складиштења енергије.