Abstrakt
Lityum-ion batareyalar uchun Sog'liqni saqlash holatini (SOH) baholash texnologiyasi elektr transport vositalarining xavfsizligi va ishonchliligi uchun juda muhimdir. Sun'iy intellekt (AI) va mashinani o'rganish (ML) texnologiyalarining rivojlanishi bilan batareyalarni boshqarish sohasi samaradorlik va barqarorlikni oshirish uchun ushbu usullarni qo'llashni boshlaydi. Ayniqsa, neyron tarmoqlar yuqori samaradorlik, past energiya iste'moli, yuqori mustahkamlik va SOH simulyatsiyasi va prognozida miqyoslashda afzalliklarni ko'rsatdi. Gibrid model ekvivalent elektron modellar (ECM) va chuqur o'rganish bilan birgalikda SOH baholashning aniqligi va real vaqt rejimida ishlashini yaxshilashda potentsialga ega ekanligi isbotlangan. Kelgusi tadqiqot yo'nalishlari sog'liqni saqlash xususiyatlarini skrining va modelni qurish uchun ko'proq joyida ma'lumotlardan foydalanishni, shuningdek, haqiqiy SOHni aniqroq tavsiflash uchun aqlli skrining va batareya parametrlarining kombinatsiyasini o'z ichiga oladi. Ushbu texnologiyalarning rivojlanishi elektr transport vositalarining akkumulyatorlarini ilmiy, ishonchli, barqaror va ishonchli boshqarishni yanada oshiradi.
1. Qisqacha
1.1 Elektr transport vositalari uchun lityum-ion batareyalarning ahamiyati va SOH baholashning muhim ahamiyati
Lityum-ion batareyalar elektr transport vositalarining ishlashi uchun juda muhimdir va ularning ishlashi turli buzilish jarayonlariga ta'sir qiladi. Elektr transport vositalarining xavfsiz, ishonchli va tejamkor ishlashini ta'minlash uchun batareyalarning sog'liq holatini (SOH) to'g'ri baholash juda muhimdir. Elektr transport vositalariga talab ortib borayotganligi sababli, SOH monitoringi tobora muhim ahamiyat kasb etmoqda, chunki lityum-ion batareyalar odatda ishlash muddati tugashidan oldin asl quvvatining 80% gacha tushadi. Bundan tashqari, Zaryad holati (SOC) ham asosiy parametr bo'lib, uning o'zgarishlari batareya quvvatining qarishi va degradatsiyasini aks ettirishi mumkin. To'g'ri SOC prognozi SOH baholash uchun foydalidir, bu esa o'z navbatida batareyaning qolgan muddatini aniqlaydi.
1.2 SOHni baholash usullarini ishlab chiqish
Mavjud usullarning umumiy ko'rinishi va rivojlanishi:Bir nechta SOH baholash usullari ishlab chiqilgan bo'lib, ular orasida SOCga asoslangan usullar bir nechta zaryadlash va tushirish davrlarida aniqroq SOH prognoziga erishish, batareyaning ishlashini optimallashtirish, nosozliklarni oldini olish va batareyaning ishlash muddatini uzaytirish uchun oqim, kuchlanish va harorat kabi real vaqt ma'lumotlarini birlashtiradi. . Mashinani o'rganish usullarining so'nggi yutuqlari SOH bahosini yanada oshirdi va oldinga yo'naltirilgan va konvolyutsion neyron tarmoqlar kabi neyron tarmoqlar batareyani modellashtirishda yaxshi ishlaydi, murakkabligi va aniqligi bo'yicha an'anaviy regressiya usullaridan ustun turadi, o'rtacha xatolik 0 ga teng. .16% va batareya xujayrasi darajasida o'rtacha kvadrat xatosi 5,57 mV.
1.3 Batareyani modellashtirish usullarining tasnifi va xususiyatlari
Joriy integratsiya va ochiq kontaktlarning zanglashiga olib keladigan kuchlanish (OCV) texnikasi kabi tahlil usullari aniq SOH taxminlarini ta'minlashi mumkin, ammo to'plangan shovqin ta'sir qiladi va aniqlikni ta'minlash uchun uzoq vaqt turishni talab qiladi.
Modelga asoslangan yondashuv
Oq quti modeli:Batafsil elektrokimyoviy tamoyillarga asoslanib, u yuqori aniqlikdagi asosiy parametrlar orqali batareyaning harakatini simulyatsiya qiladi. Biroq, uning yuqori hisoblash talablari va real dunyo dinamikasi uchun soddalashtirilgan taxminlari dinamik sharoitlarda uning aniqligini pasaytiradi va uni real vaqtda ilovalar uchun yaroqsiz qiladi.
Kulrang quti modellari (masalan, ECM):Jismoniy tushunchalar va empirik sozlashlarni birlashtirish, batareyaning taxminiy ishlashi uchun kontaktlarning zanglashiga olib, SOCni yuqori aniqlikda (odatda 3% xato ichida) baholash mumkin va real vaqtda SOH baholash va qolgan foydali xizmat muddatini (RUL) bashorat qilish uchun foydalidir, lekin qiyinchiliklarga duch keladi. ma'lumotlar sifati va hisoblash talablarida. Lityum-ion batareyalar uchun oddiy ekvivalent sxema modeli (shu jumladan ketma-ket rezistorlar va ikkita RC elementi) ishonchli simulyatsiya uchun ishlatilishi mumkin, murakkabroq ECMlar (jumladan, bir nechta RC filiallari yoki doimiy faza elementlari CPE) yuqori dinamik jarayonlarni taqlid qilishi mumkin. elektr transport vositasining ishlashi sifatida), lekin ortib borayotgan hisoblash talabi SOH baholashning yanada ilg'or usullarini ishlab chiqishga turtki bo'ldi.
Qora quti modeli (ma'lumotlarga asoslangan yondashuv):Kirish va chiqish ma'lumotlariga asoslanib, model ichki ish printsipi bilimlariga tayanmasdan tuziladi. Mashinani o'rganish texnikasi katta hajmdagi o'lchov ma'lumotlaridan batareyaning holatini bashorat qilishi mumkin. Mashinani o'rganish qobiliyatini baholashda yuqori aniqlikka ega, ammo yuqori sifatli va xilma-xil ta'lim ma'lumotlariga tayanadigan ko'p kanalli neyron tarmoqlar kabi murakkab ma'lumotlar to'plamidagi naqshlarni aniqlashda ustunlik qiladi. Biroq, amaliy avtomobil ilovalarida ko'plab ichki o'zgaruvchilarni to'g'ridan-to'g'ri o'lchash mumkin emas va ma'lumotlarning siyrakligi va izohlanmasligi modelni tushunish va saqlashni qiyinlashtiradi.
1.4 Model usullarining evolyutsiyasi va gibrid modellarni ishlab chiqish
Modelga asoslangan usullarning evolyutsiyasi:So'nggi o'n yil ichida modelga asoslangan usullar doimiy ravishda rivojlanib bordi, jumladan Kalman filtrlash (KF) va uning kengaytmalari (masalan, Kengaytirilgan Kalman Filtr EKF, Unscented Kalman Filter UKF). Ushbu usullar batareya holatini baholashda yuqori aniqlikka ega, ammo aniq dinamik modellarni talab qiladi va amalga oshirish murakkab.
Gibrid modellarning ko'tarilishi:Haqiqiy dunyo ma'lumotlarining cheklovlarini bartaraf etish va hisoblash samaradorligini oshirish uchun batafsil simulyatsiyalar orqali mashinani o'rganish modellarini o'rgatish uchun modelga asoslangan va ma'lumotlarga asoslangan usullarni birlashtirgan gibrid modellar paydo bo'ldi. Shu bilan birga, so'nggi besh yil ichida mashinani o'rganish texnikasi sezilarli yutuqlarga erishdi, jumladan, ehtimollik usullari, meta-o'rganish, qarama-qarshi o'rganish, yarim nazorat ostida o'rganish va boshqalar. tuzilmagan ma'lumotlar. Jismoniy axborot neyron tarmoqlari (PINN) SOH baholashni yaxshilash uchun empirik degradatsiya modellarini neyron tarmoqlar bilan birlashtiradi, turli batareya turlari va sharoitlarida usullarning moslashuvchanligini oshiradi. Avtomobil sanoatining rivojlanishi bilan ushbu texnologik yutuqlar akkumulyatorlarning ishlashini optimallashtirish, nosozliklarning oldini olish va elektr transport vositalarining rivojlanishini qo'llab-quvvatlash uchun juda muhimdir.
1.5 Ushbu maqolaning keyingi boblariga umumiy nuqtai
2-bo'limda taqriz adabiyotlarini saralash va tanlash usullari, tadqiqot metodologiyasining tizimli va keng qamrovliligini ta'minlash usullari haqida batafsil ma'lumot berilgan. 3-bo'limda zaryadni baholash texnikasi holatini chuqur tahlil qilish, batareya degradatsiyasi mexanizmlarining elektr avtomobil akkumulyatorlarini modellashtirish usullariga, shu jumladan Kalman filtrlash va uning takomillashtirilgan usullariga ta'siri, shuningdek, eskirgan modellar bilan integratsiyalashuvi o'rganiladi. 4-bo'lim SOH baholash usullariga qaratilgan, an'anaviy usullarni yangi usullar bilan taqqoslaydi va elektr transport vositalariga taalluqli usullarni ta'kidlaydi. 5-bo'lim uzoq qisqa muddatli xotira (LSTM) tarmoqlari va gibrid modellar kabi SOH baholashda chuqur o'rganishning rolini, shuningdek, konvolyutsion neyron tarmoqlari (CNN) salomatlikni baholashning aniqligini oshirish uchun amaliy omillarni qanday hisobga olishini ko'rsatadi. Nihoyat, 6-bo'lim elektr transport vositalari bozorini va boshqa energiya saqlash dasturlarini rivojlantirishni qo'llab-quvvatlash uchun akkumulyatorlarning sog'lig'ini boshqarish tizimlari bo'yicha kelajakdagi tadqiqot yo'nalishlarini umumlashtiradi va kutadi.
2. Materiallar va usullar
2.1 Tadqiqot savolining ta'rifi
Ushbu tadqiqot elektr transport vositalarida lityum-ion batareyalarni SOH baholashda mashinani o'rganish texnologiyasini qo'llash bo'yicha beshta asosiy savolni taklif qiladi.
Elektr transport vositalaridagi litiy-ionli batareyalarning sog'lig'i (SOH) holatini baholash uchun hozirda qo'llaniladigan mashinani o'rganishning asosiy usullarini aniqlang va tadqiqotchilar tomonidan ishlab chiqilgan va qo'llaniladigan maxsus algoritmlar va modellarni o'rganing.
Turli maʼlumotlar manbalarining (laboratoriya, avtomobil va dala maʼlumotlari) SOH baholash mashina oʻrganish modellarining aniqligi va mustahkamligiga taʼsirini oʻrganing, maʼlumotlar manbalari model ishlashiga qanday taʼsir qilishini tahlil qiling va SOHni aniq bashorat qilish uchun qaysi maʼlumotlar eng foydali ekanligini aniqlang.
Lityum-ion batareyalarni SOH baholashda mashinani o'rganish usullarini qo'llashning asosiy muammolarini, shuningdek, haroratning o'zgarishi, qarish va turli xil foydalanish rejimlarining ta'siri kabi turli xil atrof-muhit sharoitlarida va dastur stsenariylarida o'zgarishini aniqlang. SOHni baholashning aniqligi.
SOH baholashning tahlil usullarini, an'anaviy usullar o'rtasidagi farqlarni va ularning evolyutsiya jarayonini solishtiring, mashinani o'rganish usullarini ushbu an'anaviy usullar bilan qanday birlashtirish mumkinligini o'rganing, ularning afzalliklari, kamchiliklari va potentsial sinergiyalarini aniqlang.
Elektr transport vositalari uchun litiy-ionli akkumulyatorlarda SOH baholash modellarini mashinani o'rganishning aniqligi, moslashuvchanligi va hisoblash samaradorligini oshirish bo'yicha kelajakdagi tadqiqot yo'nalishlariga qarash, tadqiqot kamchiliklarini, texnik talablarni va innovatsion usullarni aniqlash.
2.2 Adabiyotlarni izlash va saralash
Ma'lumotlar bazasini tanlash va qidirish strategiyasi: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 VA YIL<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).
Adabiyotlarni ko'rish va diqqatni jamlash:Olingan adabiyotlar bir nechta intizom sohalarini qamrab oladi, muhandislik sohasi eng yuqori nisbatga ega (730 ta maqola), undan keyin energetika, informatika va matematika. Informatika sohasiga e’tibor qaratilib, 209 ta tegishli hujjat aniqlangan bo‘lib, ulardan 183 tasi 2019-2024 yillar oralig‘ida chop etilgan bo‘lib, ma’lumotlarning o‘z vaqtida ekanligini ko‘rsatadi. Ushbu hujjatlar konferentsiya ma'ruzalari, maqolalar, sharhlar va kitob bo'limlarini o'z ichiga oladi, 2009 va 2024 yillar oralig'ida nashr etilgan 72 ta maqola asosiy ko'rib chiqish asosi sifatida, shu bilan birga tadqiqot yo'nalishlarini har tomonlama qamrab olishni ta'minlash va innovatsion materiallarni qo'lga kiritish uchun boshqa muhandislik sohalaridan tegishli maqolalar va kitob bo'limlarini qo'lda kiritadi. batareyalarni boshqarish tizimlarini yaxshilash uchun sun'iy intellektdan foydalanishdagi texnologik yutuqlar.
3. Zaryad holatini (SOC) baholash texnologiyasi
3.1 Batareyaning degradatsiyasi mexanizmi va uning ishlashga ta'siri
Lityum-ion batareyalar asosan ikkita mexanizm orqali yomonlashadi:lityum inventar yo'qotilishi (LLI) va faol moddiy yo'qotish (LAM). LLI anodda lityum ionlari va elektrolitlar orasidagi yon reaktsiyadan kelib chiqadigan qattiq elektrolitlar interfeysi (SEI) qatlamining shakllanishi bilan bog'liq. LAM batareyaning ichki mexanik kuchlanishidan kelib chiqadi, masalan, zaryadlash va tushirish vaqtida elektrod materiallarining qayta-qayta kengayishi va qisqarishi, bu mikro yoriqlar va elektrod zarrachalarining ajralishiga olib keladi, elektrokimyoviy reaktsiyalar uchun mavjud bo'lgan faol sirt maydonini kamaytiradi va shu bilan batareya quvvatini kamaytiradi; ichki qarshilikni oshiradi va natijada batareyaning ishlashiga ta'sir qiladi. Ushbu buzilish mexanizmlari yuqori zaryadlanish holati, yuqori harorat va agressiv velosiped sharoitlari kabi omillar bilan tezlashadi. Har xil qarish mexanizmlari (termik, elektrokimyoviy va boshqalar) haqida batafsil ma'lumot va modellashtirish tafsilotlarini tegishli adabiyotlarda topish mumkin.
3.2. Elektr avtomobil akkumulyatorlari uchun SOC baholash va modellashtirish texnologiyasi
Elektr transport vositalaridan kundalik foydalanishda akkumulyator batareyasining sog'lig'ini saqlash uchun odatda 20% -40% SOC darajasida zaryadlanadi, biroq batareya quvvatining chiziqli bo'lmagan va degradatsiya xususiyatlari SOC ko'rsatkichlarining noto'g'ri bo'lishiga olib kelishi mumkin, bu batareya quvvatini baholashga ta'sir qiladi. to'liq quvvat. Lityum-ion batareyalarning ishlashi va texnik xizmat ko'rsatishiga iqlim ham ta'sir qiladi, harorat va elektrolitlar tozaligi (ishlab chiqarish va to'ldirish sanalari bilan belgilanadi) batareyaning samaradorligi va ishlash muddatiga ta'sir qiladi. Yangi elektrolit batareyalarining xarakteristikalari turli iqlim sharoitida farq qilishi mumkin va issiqlikni boshqarish strategiyalari harorat bilan bog'liq ishlash muammolarini hal qilishga va batareyaning chidamliligini yaxshilashga yordam beradi.
An'anaviy ekvivalent sxema modeli (ECM) odatda SOCni baholash uchun ishlatiladi, lekin tez-tez kalibrlashni talab qiladi. Maqolada holat fazo tenglamalari, ochiq elektron kuchlanish va SOC munosabatlar tenglamalari, diskret vaqt domenidagi SOC yangilanish tenglamalari va kuchlanishni yangilash tenglamalarini o'z ichiga olgan ECM (shu jumladan uzluksiz va diskret shakllar) ga asoslangan SOCni hisoblash tenglamalari haqida batafsil ma'lumot berilgan. Tegishli parametrlar (qarshilik, sig'im, ochiq elektron kuchlanish va boshqalar kabi) SOC bilan chambarchas bog'liq. Standart laboratoriya sinovlari (masalan, turli haroratlarda aralash impuls quvvati xarakteristikasi sinovi) odatda batareya modeli parametrlarini aniqlash uchun ishlatiladi, ammo modelning noaniqligi va o'lchov shovqini SOCni baholashda kichik xatolarga olib kelishi mumkin. SOCni baholashning aniqligini oshirish uchun ushbu effektlarni qoplash uchun Kalman filtrlash va uning kengaytmalari, PI-ga asoslangan kuzatuvchi, toymasin rejim kuzatuvchisi va boshqalar kabi turli usullar qo'llanilgan va dastlabki model noaniqligini hal qilish uchun integral tuzatish usullari ham ishlab chiqilgan. va shovqinni o'lchash. Bundan tashqari, elektrokimyoviy impedans spektroskopiyasi (EIS) batareyaning xususiyatlarini (shu jumladan SOC va SOH) baholashi mumkin bo'lsa-da, bu ko'p vaqt talab qiladi va keng ko'lamli ilovalar uchun (masalan, elektr avtomobil parklari kabi) amaliy emas, bu dinamik va o'zgaruvchanlikni qo'lga kiritishni qiyinlashtiradi. elektr avtomobil akkumulyatorlarining ishlash shartlari. Shuning uchun yanada moslashuvchan va samarali usul kerak.
3.3. Texnologiyani takomillashtirish
Kalman filtri va uni takomillashtirish usullari:Kalman filtri (KF) va uning kengaytmalari (masalan, kengaytirilgan Kalman filtri EKF, hidsiz Kalman filtri UKF, Volume Kalman filtri CKF) SOCni baholash uchun keng qo'llaniladi. KF o'rtacha kvadrat xatoni minimallashtirish, yig'ilgan xato va dastlabki SOC noaniqligi muammolarini hal qilish orqali optimal SOC baholashni ta'minlaydi. Biroq, u batareyalarning chiziqli bo'lmagan dinamikasi linearizatsiyaga yaqinlashishni talab qiladigan chiziqli vaqt o'zgaruvchan tizimlar uchun javob beradi. EKF chiziqli bo'lmagan modellarni boshqarish uchun KF ramkasini kengaytirsa-da, chiziqlilashtirish aniqlikka ta'sir qilishi va taxmin qiluvchining farqiga olib kelishi mumkin. UKF va CKF kabi yangi usullar chiziqli bo'lmagan transformatsiyalar statistikasini baholash uchun sigma nuqtasini baholashdan foydalanadi, CKF esa chiziqli bo'lmagan Bayes filtrlashning aniqligini oshirish uchun ko'p o'zgaruvchan moment integrallarini hisoblash uchun sferik radial hajm qoidasidan foydalanadi. Biroq, bu filtrlar odatda shovqin xarakteristikalari ma'lum va doimiy deb hisoblaydi va amaliy dasturlarda shovqin o'zgaruvchan (masalan, tashqi shovqin natijasida hosil bo'lgan Gauss bo'lmagan shovqin). Shu sababli, holatni baholashning aniqligini oshirish uchun Gauss bo'lmagan shovqinni modellashtirish uchun Gauss aralashmasi modellaridan (GMM) foydalanish kabi mustahkam moslashuvchan filtrlash strategiyalari ishlab chiqilgan. Tegishli tadqiqotlar ushbu usullarning turli sohalarda qo'llanilishi va afzalliklarini ko'rsatdi. Bundan tashqari, taqsimlangan va taqsimlangan filtrlar (masalan, taqsimlangan Kalman filtri DKF, taqsimlangan Kalman filtri va DKF-CI kovariatsiyasi o'zaro bog'liqligi) keng ko'lamli o'zaro bog'langan tizimlarning holatini baholashni optimallashtirish uchun ishlatiladi. Kuchli va chiziqli bo'lmagan filtrlar (masalan, mustahkam Kalman filtri) akkumulyator tizimlarida (masalan, elektrokimyoviy jarayonlar kabi) murakkab chiziqli bo'lmagan holatlar bilan ishlashda yuqori ko'rsatkichlarga ega. Moslashuvchan texnikalar (moslashuvchan EKF va adaptiv UKF algoritmlari kabi) shovqin o‘zgarishlariga moslashish va SOCni baholash aniqligini yaxshilash uchun filtr parametrlarini dinamik ravishda sozlaydi. Tegishli tadqiqotlar va misollar ushbu usullarning samaradorligini tasdiqladi.
Boshqa takomillashtirish usullari:masalan, 2022-bandda taklif qilingan, ECM modeliga asoslangan va real vaqtda tuzatish mexanizmlari (shu jumladan qarshilik va batareya quvvatini tuzatish) (maksimal xatolik ± 0,8%, RMS xatosi 0,3% dan kam). Hisoblash samaradorligi UKF dan yuqori (AIC-SE taxminan 5n operatsiyalari, UKF taxminan n ^ 2 operatsiyalari), batareyaning qarishi va degradatsiyasi bilan bog'liq muammolarni samarali hal qiladi. 2023 yilda Variatsion Bayesian maksimal korrelyatsiya entropiya hajmi Kalman filtri (VBMCCKF) Variatsion Bayes usulidan foydalangan holda o'lchash xatolarining kovariatsiyasini baholashni yaxshilash uchun ilg'or filtrlash va statistik usullarni birlashtiradi. Maksimal korrelyatsiya entropiyasi mezoni Gauss bo'lmagan shovqinni o'lchash chegaralarini qayta ishlash uchun ishlatiladi, bu SOCni baholashning aniqligini sezilarli darajada yaxshilaydi (EKF, CKF va Variatsion Bayes hajmi Kalman filtri bilan solishtirganda, o'rtacha mutlaq xatolik 77%, 68% va 49% ga kamayadi. , mos ravishda) va batareyani boshqarish tizimining mustahkamligini oshirish.
3.4 Qarish modellari bilan integratsiya
Batareyaning qarish modeli SOCni baholash bilan chambarchas bog'liq va yaqinda o'tkazilgan tadqiqotlar har ikki jihatdan ham yangilik kiritdi. 2024-yilda taklif qilingan batareyaning qarish modeli SOC, batareya harorati, vaqt va toʻliq ekvivalent sikl vaqtlarining (NFEC) batareyaning qarishiga taʼsirini har tomonlama koʻrib chiqadi. Model ikki qismdan iborat: birinchi qism SOC va harorat bilan bog'liq qarish (maxsus formulalar orqali quvvatni yo'qotishni hisoblash) va ikkinchi qism NFEClarning qarishga ta'sirini ko'rib chiqadi. Ushbu model akkumulyatorning qarishini elektr avtomobil quyi tizimi sifatida akkumulyator modeli bilan innovatsion tarzda birlashtirib, to'xtash, haydash va zaryadlash kabi barcha ish rejimlarini qamrab oladi. Energiyani makroskopik tasvirlashning rasmiy usuli (EMR) (quyi tizim ulanishlarini tashkil qilish uchun 2000 yilda ishlab chiqilgan, quvvat oqimi va sabab-oqibat munosabatlarini ifodalovchi grafik vosita) orqali turli quyi tizimlar o'rtasidagi aniq o'zaro ta'sir simulyatsiyasiga erishadi. Tadqiqotlar shuni ko'rsatdiki, zaryadlash chastotasini kamaytirish (masalan, har to'rt kunda har to'rt kunda o'zgartirish) batareyaning 80% SOH darajasiga erishish vaqtini sezilarli darajada uzaytirishi mumkin. Ushbu integratsiyalashgan yondashuv batareya boshqaruvini optimallashtirish va zaryadlash amaliyotlarining batareyaning qarishiga ta'sirini tushunishda muhim yutuqlarni ta'minlaydi.
AIC-SE va VBMCCKF kabi yangi usullar SOCni baholashning aniqligi va hisoblash samaradorligida muhim afzalliklarga ega. AIC-SE hisoblash samaradorligida yaxshi ishlaydi, VBMCCKF esa o'lchov xatolarini va shovqinli muhitlarni dinamik baholashda yaxshiroq ishlaydi. Agar aniqlik va shovqinni qayta ishlashga ustunlik berilsa, variatsion Bayesian va maksimal korrelyatsiya entropiya mezonlarini birlashtirish hozirgi eng yaxshi tanlov bo'lishi mumkin; Hisoblash samaradorligi va real vaqtda ilovalarga e'tibor qaratadigan bo'lsak, AIC-SE yaxshi tanlov bo'lib, ECM modellashtirish usullari bu sohada hali ham afzalliklarga ega ekanligini ko'rsatadi. Bundan tashqari, 2024 yilda o'rganilgan batareyaning qarish modeli batareyaning ishlash muddatini optimallashtirish uchun (zaryadlash amaliyotiga asoslanib) katta ahamiyatga ega bo'lgan batareyaning buzilishiga bir nechta omillarning ta'sirini har tomonlama ko'rib chiqadi. Umuman olganda, bu ishlanmalar nafaqat SOCni baholashning aniqligini oshiribgina qolmay, balki batareyaning ishlash muddatini uzaytirish va batareyaning ishlash ishonchliligini oshirishga ham hissa qo'shadi.
4. Salomatlik holatini (SOH) baholash usullari
4.1 An'anaviy SOH baholash usullari
An'anaviy SOH baholash usuli akademik va sanoat sohalarida keng qo'llaniladi, asosan batareyaning SOH ni baholash uchun quvvatning pasayishi, ichki qarshilik va aylanish muddati kabi asosiy parametrlarga asoslanadi (tegishli formulalar va parametr ma'nolari uchun 4-jadvalga qarang). Ushbu usullar batareyaning holatini baholash uchun asos bo'lib xizmat qiladi va batareyaning ishlashini tushunishga yordam beradi. Ushbu an'anaviy usullarni tushunish orqali biz keyingi boblarda yangi baholash usullarini takomillashtirishni yaxshiroq tushunishimiz mumkin. Yangi usullar ko'pincha an'anaviy usullarning cheklovlarini hal qilish uchun murakkabroq ma'lumotlarni tahlil qilish va bashoratli modellashtirish usullaridan foydalanadi. Ikkalasini solishtirish SOH baholash texnologiyasining rivojlanishi va evolyutsiyasini aniqlab beradi va zamonaviy usullar batareyani boshqarish tizimlarining aniqligi va moslashuvchanligini qanday yaxshilashi mumkinligini ko'rsatishi mumkin.
4.2 An'anaviy usullarni almashtirishda yangi ishlanmalar
Mashinani o'rganish bilan birlashtirilgan yangi sog'liq ko'rsatkichlari:SOH prognozining to'g'riligini oshirish uchun tadqiqotlar degradatsiya darajasi (DSR) kabi yangi sog'liq ko'rsatkichlarini kiritdi. Zaryadlash kuchlanishining egri chizig'idan DSR ni hisoblash formulasi:
Ko'p zaryadlash davrlarining qiyaliklarini solishtirish orqali batareyaning ma'lum bir kuchlanish diapazonida (masalan, [3.8-3.9V]) degradatsiya tezligi (mV/s) aniqlanadi, bu esa quvvat bilan chambarchas bog'liq. batareya quvvati va batareyaning ishlash muddati tugashini aniqlash uchun asosiy ko'rsatkich sifatida foydalanish mumkin. Gauss jarayonining regressiyasi (GPR) va ko'p qatlamli perseptron neyron tarmog'i (MLPNN) modellarini birlashtirish imkoniyatlarning yo'qolishi va degradatsiyasini aniqroq baholashi mumkin. An'anaviy modellar bilan solishtirganda, sezgirlik va aniqlik sezilarli darajada yaxshilanadi, an'anaviy modellar degradatsiyani erta aniqlash qiyin bo'lgan muammoni samarali hal qiladi.
Ekvivalent sxema modelini takomillashtirish:An'anaviy ekvivalent sxema modellarini (ECM) takomillashtirishning dastlabki usullari ishlab chiqishda davom etdi, masalan, 2015-dagi ekvivalent RC sxemasi modelining tana sig'imini tahlil qilish orqali SOHni baholash, tana sig'imi susaytirish faktorini hisoblash uchun innovatsion algoritmlardan foydalanish, va aniqlik va ishonchlilikni oshirish uchun uni diskret chiziqli bo'lmagan kuzatuvchilar bilan birlashtirish; 2024-yilda harorat ta'sirini hisobga olish uchun moslashtirilgan yangilanish tezligi va chiziqli bo'lmagan kuzatuvchi bilan birlashtirilgan ikkinchi tartibli gibrid ekvivalent sxema modeli qabul qilindi va SOH baholashda yuqori aniqlikka erishildi (o'rtacha mutlaq xato 0,5% dan kam, RMS). xato 0,2% dan kam; 2023 yil uchun bulutli yechim harakatlanuvchi oynaning eng kichik kvadratlar algoritmini sozlash orqali batareya modeli parametrlarini baholash uchun uzoq muddatli monitoring ma'lumotlari va real vaqt ma'lumotlaridan foydalanadi. ECM modeli asosida yuqori aniqlikdagi SOH baholashga erishildi, bu esa takomillashtirilgan ECM usuli SOC baholash texnologiyasida ECM usullarini doimiy takomillashtirish tendentsiyasiga mos keladigan SOH baholashda hali ham muhim ahamiyatga ega ekanligini ko'rsatadi.
Gibrid ramka usuli:Yangi ramka ma'lumotlarni interpolyatsiya qilish, shovqinni filtrlash, xususiyatlarni tanlash va noaniqlikni boshqarish uchun chiziqli statistik k-yaqin qo'shni (LSKNN), maksimal ma'lumot entropiyasini qidirish (MIES) va jamoaviy siyrak o'zgaruvchan gauss jarayoni regressiyasini (CSVGPR) birlashtiradi. LSKNN etishmayotgan ma'lumotlar nuqtalarini hisoblaydi va shovqinni filtrlaydi, MIES SOH bilan yuqori korrelyatsiyaga ega xususiyatlarni tanlaydi va CSVGPR bashorat aniqligini oshirish uchun ma'lumotlar noaniqligini qayta ishlaydi. Ushbu ramka NASA batareyasi ma'lumotlar to'plamidan foydalangan holda sinovdan o'tkazildi va ElasticNet, Yordam vektor regressiyasi (SVR), Tasodifiy o'rmon va Gradientni kuchaytirish kabi usullar bilan solishtirganda, o'rtacha kvadrat xatosi (RMSE) 77,8% ga kamaydi ({{3 dan) }}.0510 ElasticNet-da 0.0113). Turli yadroli Gauss jarayon modellari bilan solishtirganda, RMSE 55,5% ga (0,0254 dan 0,0113 gacha) kamaydi, bu ramka mustahkamligi va yuqori aniqligini tasdiqlaydi va SOH baholashning aniqroq usulini ta'minlaydi.
SOH baholash texnologiyasining rivojlanish tendentsiyasi an'anaviy usullardan elektr transport vositalariga mos keladigan murakkabroq modellarga o'tmoqda. Yangi usullar degradatsiya modellarini klassik mashinani o'rganish, ECM asosidagi usullar va gibrid usullar bilan birlashtirishni o'z ichiga oladi. DSR to'liq zaryadlash aylanishiga bog'liqlikni kamaytiradigan (kutish vaqtini taxminan 84% ga qisqartiradigan) muhim yangilik bo'lib, mashinani o'rganish bilan birlashganda, an'anaviy modellarda degradatsiyani erta aniqlash qiyinligini yengib, sig'im yo'qotilishini baholashning aniqligini oshiradi. Yaxshilangan ECM usuli SOHni baholashda yaxshi natijalarga erishdi, bu esa SOCni baholashda ECM usulining ahamiyatiga mos keladi. Gibrid texnologiyalar (masalan, yuqorida aytib o'tilgan yangi ramka) yuqori aniqlikka ega. Garchi real vaqtda ilovalar qiyinchiliklar tug'dirsa-da, ma'lumotlarni qayta ishlashning asosiy muammolarini samarali hal qilish an'anaviy SOH baholash usullariga nisbatan sezilarli yaxshilanishdir. Umuman olganda, ushbu ishlanmalar real vaqtda ilovalar va ma'lumotlarga asoslangan usullarga qaratilgan bo'lib, elektr avtomobil akkumulyatorlarini boshqarish tizimlarining ishonchliligini sezilarli darajada oshiradi. LSTM, CNN va gibrid texnika kabi chuqur o'rganish usullari SOHni baholashning asosiy usullariga aylandi. Keyingi boblarda tegishli tadqiqot natijalari va hissalari taqdim etiladi.
5. SOH baholashda chuqur o'rganishni qo'llash
5.1 LSTM va gibrid modellar
Ko'plab tadqiqotlar SOH baholashning aniqligini oshirish uchun chuqur o'rganish usullari bilan birgalikda yaxshilangan qarish modellaridan foydalangan. Qolgan foydali umrni (RUL) bashorat qilishda chuqur o'rganish ajralmas hisoblanadi. Misol uchun, SOH degradatsiyasi modelini integratsiyalash va zaryadlash/zaryad qilish oqimi va harorat kabi turli ish sharoitlarini hisobga olgan holda, ma'lum bir formuladan foydalanish mumkin:
Ular orasida I2 {c} va I2 {d} normallashtirilgan zaryadlash va tushirish oqimlari, T3 {c} va T4 {d} normallashtirilgan batareya va atrof-muhit harorati, T3 {c} va T4 {d} zaryadlash va tushirish vaqtlari, va (d{6}}d4) - og'irlik), bu batareyaning degradatsiyasini aniqroq taqlid qiladi. LSTM tarmog'iga asoslangan RUL bashorat qilish modeli bashoratning aniqligini yaxshilaydi, ammo hisoblash murakkabligi oshadi va real vaqtda ilovalar qiyinchiliklarga duch keladi. Neyron tarmoqlar vaqt bo'yicha o'zgarib turadigan batareya jarayonlarini boshqarishi, doimiy ravishda batareya harakatidagi o'zgarishlarga moslashishni o'rganishi va model ishonchliligini saqlab turishi mumkin.
SOH baholashni optimallashtirish uchun asosiy xususiyatlarni (masalan, 6 ta asosiy xususiyat) chiqarib, yuqori aniqlik va past hisoblash yukiga erishish uchun mashinani o'rganish algoritmlari bilan birgalikda kuchlanish xususiyatlari batareya holatini baholashning aniqligini oshirishda muhim rol o'ynaydi. RULni bashorat qilish uchun bir nechta chuqur o'rganish modellarini (masalan, CNN, LSTM, GRU va ularning ikki yo'nalishli variantlarini) gibrid ramkaga (CNN-LSTM-DNN, CNN-GRU-DNN kabi) birlashtirish, yaxshilash uchun keng imkoniyatlardan foydalanish aniqlik, NASA ma'lumotlar to'plamini sinovdan o'tkazishda RMSE 90,5% ga kamaydi, ammo hisoblash kuchi va murakkabligi real vaqt rejimini cheklaydi. ilovalar. Ko'p modelli usullar (masalan, LSTM model kutubxonalari) va ilg'or optimallashtirish strategiyalari (LSTM-ni AI-BMS tizimiga integratsiya qilish va uni FPGA-da amalga oshirish kabi) bashorat qilishning aniqligi va tizim samaradorligini oshirishi mumkin, ammo FPGA-ni tijorat elektr transport vositalarida qo'llash qimmatga tushadi. va amaliylik muammolari.
GRU va yumshoq sezish usullarining kombinatsiyasi laboratoriya sharoitida uzoq muddatli RUL prognozi uchun potentsialga ega, ammo amaliy ilovalar turli zaryadlash sharoitlariga moslashishni talab qiladi. NASA maʼlumotlar toʻplamini qayta ishlash uchun LSTM, DNN va GRU kabi maʼlumotlarga asoslangan usullardan foydalangan holda GRU kuchli unumdorlikka ega (RMSE: 0.003, MAE: 0,003, R-kvadrat 0,004 xato) va GRU va LSTM tarmoqlarini birlashtirish yaxshi ishlashga olib keladi. LSTM asosidagi usul batareya zaryadsizlanish egri chizig'ini tahlil qilish orqali xususiyatlarni (masalan, qo'lda 5 ta xususiyat) chiqaradi va mashg'ulot samaradorligi va bashorat aniqligini oshirish uchun optimallashtirish algoritmlaridan (masalan, Adam) foydalanadi. Yagona batareyaning qisman ma'lumotlarini o'qitishda boshqa batareyalar uchun SOH baholash xatosi past bo'ladi, bu an'anaviy modellarga qaraganda yaxshiroqdir.
MDA-LSTM tarmog'i bir nechta funksiyalarni va vaqtinchalik ma'lumotlarni birlashtiradi va bir nechta funksiya termoyadroviy modullari va ikkilamchi diqqat modullari orqali RUL bashoratining aniqligini yaxshilaydi. U mustahkamlik va umumlashtirish bilan ko'p ma'lumotlar to'plamini tekshirishda yaxshi ishlaydi. Yig'ilgan BiLSTM tarmog'i doimiy oqim zaryadlash ma'lumotlaridan foydalangan holda SOHni bashorat qilish uchun ishlatiladi va ikki tomonlama tuzilma prognoz ishonchliligini yaxshilaydi va uni tez zaryadlash paytida real vaqtda SOH baholash uchun mos qiladi. TCN-LSTM modeli ochiq tutashuv kuchlanishini (OCV) aniq rekonstruksiya qilish va salomatlik holatini (SOH) (MAE 22mV dan past, MAPE 2,2% dan past) baholash uchun sintetik maʼlumotlar va Bayes optimallashtirishdan foydalanadi. U uzatishni o'rganish orqali turli xil batareya kimyoviy tizimlariga kengaytirilishi mumkin, ammo ma'lumotlar etarli bo'lmaganda ekstrapolyatsiya cheklovlari mavjud. Chuqur termoyadroviy usuli (masalan, tarixiy ma'lumotlar va ko'plab sog'liq ko'rsatkichlaridan foydalanish) to'liq zaryadsizlanish sinovi orqali yuqori aniqlikka erishadi (MAPE 2,97% dan past) va GPR va individual elektr transport vositalari uchun DFTN modeliga asoslangan global tizim yaxshi natijalarga erishdi. .
5.2. CNN va CNN-LSTM integratsiyalashgan modeli
CNN-WNN-WLSTM usuli CNN, WNN va WLSTM tarmoqlarini birlashtiradi. CNN xususiyatlarni, WNN va WLSTM jarayonlar xususiyatlarini ajratib oladi va SOHni taxmin qiladi. RMSprop optimallashtiruvchisi ish faoliyatini yaxshilash uchun ishlatiladi va NASA ma'lumotlar to'plamini sinovdan o'tkazishda an'anaviy usullardan ustun turadi, bu batareyaning sog'lig'ini boshqarish uchun istiqbolli yondashuvni ta'minlaydi. CNN-LSTM-CRF modeli tabiiy tilni qayta ishlashdan ilhomlangan bo'lib, CRF qatlami batareya quvvatini bashorat qilishning aniqligi va intuitivligini oshirish uchun chiqish o'zgaruvchan bog'liqliklarini ushlaydi. Biroq, hisoblash talablari yuqori va bortdagi protsessorlarning imkoniyatlaridan oshib ketadi. Kelajakda uning amaliyligini yaxshilash uchun tadqiqot zarur (masalan, transfer o'rganish orqali). LSTNet modeli maʼlumotlarni segmentlash, ConvLSTM va AR komponentlarini integratsiyalash va tuzilmani optimallashtirish orqali batareya quvvatini bashorat qilish unumdorligini yaxshilaydi (masalan, NASA maʼlumotlar toʻplami testida RMSE qiymati 0.65%, MAE 0 edi. 58% va MAPE 40% maʼlumotlarga oʻrgatilganda 0.435% edi).
Qattiq holatdagi litiy-ion batareyalarning RUL qiymatini bashorat qilish uchun kengaytirilgan CNN va ECSSA optimallashtirish algoritmlarini integratsiyalashgan holda, CNN giperparametrlar va tuzilmalarni optimallashtirish (masalan, ilg'or konvolyutsion qatlamlar, faollashtirish funktsiyalari va qoldiq ulanishlar) orqali xususiyatlarni ajratib olish va bashorat qilish aniqligini yaxshilaydi. ECSSA model parametrlarini innovatsion matematik usullar yordamida optimallashtiradi (masalan RUL bashoratining aniqligi va mustahkamligini yaxshilash uchun Circle Chaotic Mapping, Nonlineer Absorption Coefficienti va Koshi Mutatsiyasi). Xususiyatlarni optimallashtirish va o'lchamlarni kamaytirish uchun PCA va CNNni birlashtirish SOH baholashning aniqligi va samaradorligini oshiradi (an'anaviy CNN va qattiq o'lchamli PCA-CNN modellari bilan solishtirganda, MAE 20% dan oshadi va RMSE 30% dan ko'proqqa oshadi). Haqiqiy vaqtda SOH baholash modeli 1D-CNN va BiGRU ni birlashtiradi, murakkab xususiyatlarni ajratib olishni oldini olish uchun BMS ma'lumotlaridan foydalanadi va giperparametrlarni Bayesian optimallashtirish orqali yuqori aniqlikka erishadi (masalan, NASA ma'lumotlar to'plami testida MAE 2,080%, RMSE 2,516%, va EOL indeks xatosi nolga teng).
5.3. Chuqur o'rganish modellari uchun optimallashtirish strategiyalari
Birinchidan, tasodifiy o'rmon algoritmi sog'liqning asosiy omillarini aniqlash uchun ishlatilgan, so'ngra Sog'liqni saqlash holatini (SOH) baholash uchun qo'llab-quvvatlovchi vektor regressiyasi (SVR) model parametrlarini optimallashtirish uchun genetik algoritm zarrachalar to'dasini optimallashtirish (GA-PSO) usuli ishlatilgan. Samaradorlik to'rtta batareyada tekshirildi, bu aniqlik va konvergentsiya tezligini oshirdi (RMSE 0,40%, MAPE 0,56%), bu boshqa tegishli usullardan ustundir. GWO-BRNN gibrid usuli Bayesian muntazamlashtirilgan neyron tarmoqlari (BRNN) uchun giperparametrlarni tanlash uchun kulrang bo'ri optimallashtirishdan (GWO) foydalanadi. NASA ma'lumotlar to'plamiga asoslanib, SOH baholash xatosi 1% dan kam, lekin hisoblash murakkabligi yuqori va amaliy ilovalar cheklangan. SOHni baholash va RULni bashorat qilish uchun to'g'ridan-to'g'ri elektr transport vositalarining dastlabki ma'lumotlaridan foydalanish, yangi baholash xususiyatlari va interpolatsiyani tuzatish usullarini joriy etish orqali aniqlikni oshirish (joriy integratsiyaning nisbiy xatosini 0,94% gacha kamaytirish), D-NSGA-II optimallashtirish usuli bilan birgalikda SOH baholashni optimallashtirish va hisoblash vaqtini qisqartirish. Elektr transport vositalarida litiy-ion batareyalarning to'liq zaryadlanmaganligi va zaryadsizlanishi natijasida kelib chiqadigan salomatlik holatini (SOH) baholashdagi qiyinchiliklarga javoban bilvosita baholash usuli (ATAGA-BP) taklif etiladi. Usul sog'liq ko'rsatkichi sifatida doimiy kuchlanishni zaryadlash bosqichining xususiyatlaridan foydalanadi va NASA ma'lumotlari bilan simulyatsiya orqali tasdiqlanadi. Usul batareya quvvati (85% dan ortiq) bilan yuqori korrelyatsiyaga ega, SOH baholash xatosi 3,7% va takroriy samaradorlik 17,8% ga oshadi.
Chuqur o'rganish SOH baholashda sezilarli yutuqlarga erishdi va bir nechta omillarni hisobga olgan holda keng qamrovli modellar batareyaning degradatsiyasini chuqurroq tushunish imkonini beradi. LSTM tarmoqlari vaqtinchalik bog'liqliklarni olish va RULni bashorat qilishda muhim ahamiyatga ega, ammo ularning hisoblash murakkabligi real vaqtda ilovalar uchun qiyinchiliklar tug'diradi. Xususiyatlarni ajratib olish usullari muhim va SOH bahosini optimallashtirishi mumkin. Batareya ma'lumotlarining murakkabligini qayta ishlash uchun gibrid modellar va turli neyron tarmoq arxitekturalarining kombinatsiyasi istiqbolli istiqbollarga ega, ammo yuqori hisoblash talablari amaliy ilovalarni cheklaydi. GA-PSO, GWO-BRNN va D-NSGA-II kabi optimallashtirish strategiyalari aniqlik va samaradorlikni oshirdi, ammo murakkab algoritmlarni amalga oshirish qiyin va aniqlik va bajarilish soddaligi o'rtasidagi muvozanatni talab qiladi. Ilg'or AI texnologiyasi ikkilamchi batareyalarni qo'llash uchun juda muhimdir (batafsil foydalanish ma'lumotlari yo'q). Keyingi boblar, ayniqsa, batareyani qayta ishlatish sohasida ikkilamchi ilovalarni tadqiq qilishning joriy holati haqida umumiy ma'lumot beradi.
6. Xulosa
Ushbu maqola an'anaviy mashinani o'rganishdan tortib LSTM va CNN kabi ilg'or chuqur o'rganish modellarigacha bo'lgan turli texnologiyalarni qamrab oluvchi innovatsion usullar va modellar orqali elektr transport vositalaridagi litiy-ionli batareyalar uchun SOH va SOC baholarini ishlab chiqishni ilgari suradi. Biroq, har bir usul aniqlik, murakkablik va qo'llanilishi jihatidan farqlarga ega, bu esa to'g'ridan-to'g'ri taqqoslashni qiyinlashtiradi. Tadqiqotlar shuni ko'rsatdiki, ma'lumotlarni qayta ishlash va manbalar modelning ishlashiga sezilarli ta'sir ko'rsatadi va haqiqiy joylashtirish uchun qo'shimcha tekshirish kerak. Chuqur o'rganish modellari murakkab ma'lumotlarni qayta ishlashda afzalliklarni ko'rsatgan bo'lsa-da, ular hali ham yuqori hisoblash resurslari talablari va amaliy qo'llash stsenariylariga moslashish kabi muammolarga duch kelishadi. Kelajakdagi tadqiqotlar xususiyatlarni tanlashni yaxshilash, anomaliyalarni aniqlash, turli xil atrof-muhit sharoitlariga moslashish, hisoblash samaradorligini oshirish uchun algoritmlarni optimallashtirish, real vaqtda ilovalarga erishish, SOH baholash modeli ish faoliyatini yaxshilash uchun bir nechta ma'lumotlar manbalarini integratsiyalash, shuningdek, ikkilamchi batareya ilovalaridagi muammolarni hal qilishga qaratilgan. , samarali echimlarni ishlab chiqish va elektr transport vositalari va energiyani saqlash sohalarida ortib borayotgan talablarni qondirish uchun batareyalarni boshqarish tizimlarini rivojlantirishga ko'maklashish.