Astratto
La tecnologia di stima dello stato di salute (SOH) per le batterie agli ioni di litio è fondamentale per la sicurezza e l’affidabilità dei veicoli elettrici. Con lo sviluppo delle tecnologie di intelligenza artificiale (AI) e machine learning (ML), il campo della gestione delle batterie sta iniziando ad adottare questi metodi per migliorare l’efficienza e la stabilità. In particolare, le reti neurali hanno mostrato vantaggi in termini di alta efficienza, basso consumo energetico, elevata robustezza e scalabilità nella simulazione e previsione SOH. È stato dimostrato che il modello ibrido, combinato con modelli di circuiti equivalenti (ECM) e deep learning, ha il potenziale per migliorare l’accuratezza e le prestazioni in tempo reale della stima SOH. Le direzioni future della ricerca includono l’utilizzo di più dati in loco per lo screening delle caratteristiche sanitarie e la costruzione di modelli, nonché lo screening intelligente e la combinazione di parametri della batteria per caratterizzare in modo più accurato l’attuale SOH. Lo sviluppo di queste tecnologie migliorerà ulteriormente la gestione scientifica, affidabile, stabile e solida delle batterie dei veicoli elettrici.
1. Brevemente
1.1 L’importanza delle batterie agli ioni di litio per i veicoli elettrici e il significato critico della stima del SOH
Le batterie agli ioni di litio sono fondamentali per il funzionamento dei veicoli elettrici e le loro prestazioni sono influenzate da vari processi di degrado. La stima accurata dello stato di salute (SOH) delle batterie è fondamentale per garantire il funzionamento sicuro, affidabile ed economico dei veicoli elettrici. Con la crescita della domanda di veicoli elettrici, il monitoraggio dell’SOH diventa sempre più importante, poiché le batterie agli ioni di litio in genere scendono all’80% della loro capacità originale prima della fine della loro vita utile. Inoltre, anche lo stato di carica (SOC) è un parametro chiave e i suoi cambiamenti possono riflettere l’invecchiamento e il degrado della capacità della batteria. Una previsione accurata del SOC è utile per la stima del SOH, che a sua volta determina la durata rimanente della batteria.
1.2 Sviluppo di metodi di stima del SOH
Panoramica e progresso dei metodi esistenti:Sono stati sviluppati diversi metodi di stima dell'SOH, tra cui i metodi basati sul SOC che integrano dati in tempo reale come corrente, tensione e temperatura per ottenere una previsione dell'SOH più accurata in più cicli di carica e scarica, ottimizzare le prestazioni della batteria, prevenire guasti e prolungare la durata della batteria . Gli ultimi progressi nei metodi di machine learning hanno ulteriormente migliorato la stima SOH e le reti neurali come le reti neurali feedforward e convoluzionali funzionano bene nella modellazione delle batterie, superando i tradizionali metodi di regressione in complessità e precisione, con una deviazione media dell'errore di circa 0 0,16% e un errore quadratico medio di 5,57 mV a livello di cella della batteria.
1.3 Classificazione e caratteristiche dei metodi di modellazione delle batterie
I metodi di analisi come l'integrazione della corrente e le tecniche della tensione a circuito aperto (OCV) possono fornire stime SOH chiare, ma sono influenzati dal rumore accumulato e richiedono lunghi periodi di permanenza per garantire la precisione.
Approccio basato su modelli
Modello scatola bianca:Basato su principi elettrochimici dettagliati, simula il comportamento della batteria attraverso parametri di base con elevata precisione. Tuttavia, i suoi elevati requisiti computazionali e le ipotesi semplificate per le dinamiche del mondo reale ne riducono la precisione in condizioni dinamiche, rendendolo inadatto per applicazioni in tempo reale.
Modelli con scatola grigia (come ECM):La combinazione di informazioni fisiche e aggiustamenti empirici, utilizzando l'analogia del circuito per approssimare il comportamento della batteria, può stimare il SOC con elevata precisione (di solito entro un errore del 3%) e sono utili per la stima del SOH in tempo reale e la previsione della vita utile rimanente (RUL), ma deve affrontare sfide nella qualità dei dati e nei requisiti computazionali. Un semplice modello di circuito equivalente per batterie agli ioni di litio (inclusi resistori in serie e fino a due elementi RC) può essere utilizzato per una simulazione affidabile, mentre ECM più complessi (inclusi più rami RC o elementi a fase costante CPE) possono simulare processi altamente dinamici (come come funzionamento di veicoli elettrici), ma la crescente domanda computazionale ha guidato lo sviluppo di metodi di stima SOH più avanzati.
Modello scatola nera (approccio basato sui dati):Sulla base dei dati di input e output, il modello viene costruito senza fare affidamento sulla conoscenza dei principi di funzionamento interni. Le tecniche di apprendimento automatico possono prevedere lo stato della batteria da una grande quantità di dati di misurazione. L'apprendimento automatico eccelle nell'identificare modelli in set di dati complessi, come le reti neurali multicanale che hanno un'elevata precisione nella stima della capacità, ma si basano su dati di addestramento diversificati e di alta qualità. Tuttavia, nelle applicazioni pratiche dei veicoli, molte variabili interne non possono essere misurate direttamente e la scarsità dei dati e la mancanza di interpretabilità rendono il modello difficile da comprendere e mantenere.
1.4 Evoluzione dei metodi di modellazione e sviluppo di modelli ibridi
L’evoluzione dei metodi model-based:Negli ultimi dieci anni, i metodi basati su modelli si sono sviluppati continuamente, incluso il filtro di Kalman (KF) e le sue estensioni (come il filtro di Kalman esteso EKF, il filtro di Kalman non profumato UKF). Questi metodi hanno un’elevata precisione nella stima dello stato della batteria, ma richiedono modelli dinamici precisi e sono complessi da implementare.
L’ascesa dei modelli ibridi:Per affrontare i limiti dei dati del mondo reale e migliorare l’efficienza computazionale, sono emersi modelli ibridi, che combinano metodi basati su modelli e basati sui dati per addestrare modelli di apprendimento automatico attraverso simulazioni dettagliate. Allo stesso tempo, le tecniche di apprendimento automatico hanno fatto progressi significativi negli ultimi cinque anni, inclusi metodi probabilistici, meta apprendimento, apprendimento adversarial, apprendimento semi supervisionato, ecc. L’apprendimento profondo (un sottoinsieme dell’apprendimento automatico) ha ottenuto buoni risultati nell’elaborazione strutturata e dati non strutturati. Le reti neurali di informazioni fisiche (PINN) combinano modelli di degrado empirici con reti neurali per migliorare la stima del SOH, migliorando l'adattabilità dei metodi in diversi tipi e condizioni di batterie. Con lo sviluppo dell’industria automobilistica, questi progressi tecnologici sono cruciali per ottimizzare le prestazioni della batteria, prevenire guasti e supportare lo sviluppo di veicoli elettrici.
1.5 Panoramica dei capitoli successivi in questo articolo
La Sezione 2 fornisce un'introduzione dettagliata ai metodi di screening e selezione della letteratura di revisione, garantendo la natura sistematica e completa della metodologia di ricerca. La sezione 3 fornisce un'analisi approfondita delle tecniche di stima dello stato di carica, esplorando l'impatto dei meccanismi di degrado della batteria sui metodi di modellazione per le batterie dei veicoli elettrici, compreso il filtraggio di Kalman e i suoi metodi migliorati, nonché l'integrazione con i modelli di invecchiamento. La sezione 4 si concentra sulle tecniche di stima dell’SOH, confronta i metodi tradizionali con quelli nuovi ed enfatizza i metodi applicabili ai veicoli elettrici. La sezione 5 dimostra il ruolo dell’apprendimento profondo nella stima dell’SOH, come le reti di memoria a lungo termine (LSTM) e i modelli ibridi, nonché il modo in cui le reti neurali convoluzionali (CNN) considerano fattori pratici per migliorare l’accuratezza della valutazione della salute. Infine, la Sezione 6 riassume e attende le future direzioni di ricerca per i sistemi di gestione dello stato delle batterie per supportare lo sviluppo del mercato dei veicoli elettrici e di altre applicazioni di stoccaggio dell’energia.
2. Materiali e metodi
2.1 Definizione di domanda di ricerca
Questo studio propone cinque domande chiave per guidare l’applicazione della tecnologia di apprendimento automatico nella stima del SOH delle batterie agli ioni di litio nei veicoli elettrici.
Chiarire le principali tecniche di machine learning attualmente utilizzate per stimare lo stato di salute (SOH) delle batterie agli ioni di litio nei veicoli elettrici ed esplorare gli algoritmi e i modelli specifici sviluppati e utilizzati dai ricercatori.
Esplora l'impatto di diverse origini dati (dati di laboratorio, di veicoli e sul campo) sull'accuratezza e la robustezza dei modelli di machine learning per la stima dell'SOH, analizza il modo in cui le origini dati influiscono sulle prestazioni del modello e determina quali dati sono più utili per una previsione SOH accurata.
Identificare le principali sfide legate all'applicazione di tecniche di machine learning nella stima dell'SOH delle batterie agli ioni di litio, nonché le variazioni di queste sfide in diverse condizioni ambientali e scenari applicativi, come le fluttuazioni di temperatura, l'invecchiamento e l'impatto delle diverse modalità di utilizzo sull'ambiente. accuratezza della stima del SOH.
Confrontare i metodi di analisi della stima del SOH, le differenze tra i metodi tradizionali e il loro processo di evoluzione, studiare come i metodi di machine learning possono essere integrati con questi metodi tradizionali, identificare i rispettivi vantaggi, svantaggi e potenziali sinergie.
Guardando avanti alle future direzioni di ricerca per migliorare l’accuratezza, l’adattabilità e l’efficienza computazionale dei modelli di stima SOH basati sull’apprendimento automatico nelle batterie agli ioni di litio per veicoli elettrici, identificando lacune nella ricerca, requisiti tecnici e metodi innovativi.
2.2 Ricerca e screening della letteratura
Selezione del database e strategia di ricerca: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 E PUBBLICO<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).
Screening e focus della letteratura:La letteratura recuperata copre molteplici campi disciplinari, con il campo dell'ingegneria che ha la percentuale più alta (730 articoli), seguito da energia, informatica e matematica. Dopo aver focalizzato l'attenzione sul campo dell'informatica, sono stati individuati 209 documenti rilevanti, di cui 183 pubblicati tra il 2019 e il 2024, indicando la tempestività dei dati. Questi documenti includono documenti di conferenze, articoli, recensioni e capitoli di libri, con 72 articoli pubblicati tra il 2009 e il 2024 come base di revisione principale, incorporando manualmente documenti pertinenti e capitoli di libri di altri campi dell'ingegneria per garantire una copertura completa delle aree di ricerca e catturare informazioni innovative. progressi tecnologici nell’uso dell’intelligenza artificiale per migliorare i sistemi di gestione delle batterie.
3. Tecnologia di stima dello stato di carica (SOC).
3.1 Meccanismo di degrado della batteria e relativo impatto sulle prestazioni
Le batterie agli ioni di litio si degradano principalmente attraverso due meccanismi:perdita di inventario di litio (LLI) e perdita di materiale attivo (LAM). LLI è legato alla formazione dello strato di interfaccia elettrolitica solida (SEI) sull'anodo, che ha origine dalla reazione laterale tra gli ioni di litio e l'elettrolita. Il LAM è causato da stress meccanici interni alla batteria, come la ripetuta espansione e contrazione dei materiali degli elettrodi durante la carica e la scarica, che porta a microfessure e distacco delle particelle degli elettrodi, riducendo la superficie attiva disponibile per le reazioni elettrochimiche, riducendo così la capacità della batteria, aumentando la resistenza interna e, in definitiva, influenzando le prestazioni della batteria. Questi meccanismi di degrado sono accelerati da fattori quali stato di carica elevato, temperatura elevata e condizioni di ciclismo aggressive. Informazioni dettagliate e dettagli di modellazione di vari meccanismi di invecchiamento (termico, elettrochimico, ecc.) possono essere trovati nella letteratura pertinente.
3.2. Tecnologia di stima e modellazione del SOC per batterie di veicoli elettrici
Nell'uso quotidiano dei veicoli elettrici, la batteria viene spesso caricata al 20% -40% SOC per preservarne l'integrità, ma le caratteristiche non lineari e di degrado della capacità della batteria possono comportare letture SOC imprecise, influenzando la stima del consumo della batteria piena capacità. Le prestazioni e la manutenzione delle batterie agli ioni di litio sono influenzate anche dal clima, poiché la temperatura e la freschezza dell'elettrolito (determinate dalle date di produzione e riempimento) influiscono sull'efficienza e sulla durata della batteria. Le caratteristiche delle nuove batterie elettrolitiche possono variare a seconda dei climi diversi e le strategie di gestione termica possono aiutare ad affrontare i problemi di prestazioni legati alla temperatura e migliorare la durata della batteria.
Il tradizionale modello di circuito equivalente (ECM) è comunemente utilizzato per stimare il SOC, ma richiede una calibrazione frequente. L'articolo fornisce un'introduzione dettagliata alle equazioni di calcolo del SOC basate sull'ECM (comprese le forme continue e discrete), che coinvolgono equazioni dello spazio degli stati, tensione a circuito aperto ed equazioni di relazione SOC, equazioni di aggiornamento SOC nel dominio del tempo discreto ed equazioni di aggiornamento della tensione. I parametri rilevanti (come resistenza, capacità, tensione a circuito aperto, ecc.) sono strettamente correlati al SOC. I test di laboratorio standard (come i test caratteristici della potenza di impulso misto a diverse temperature) sono comunemente utilizzati per l'identificazione dei parametri del modello di batteria, ma l'imprecisione del modello e il rumore di misurazione possono portare a piccoli errori nella stima del SOC. Per migliorare l'accuratezza della stima del SOC, sono state utilizzate varie tecniche come il filtraggio di Kalman e le sue estensioni, l'osservatore basato su PI, l'osservatore in modalità scorrevole, ecc. Per compensare questi effetti e sono stati sviluppati anche metodi di correzione integrale per gestire l'incertezza iniziale del modello e rumore di misura. Inoltre, sebbene la spettroscopia di impedenza elettrochimica (EIS) possa valutare le caratteristiche della batteria (inclusi SOC e SOH), è dispendiosa in termini di tempo e poco pratica per applicazioni su larga scala (come le flotte di veicoli elettrici), rendendo difficile catturare le dinamiche e i cambiamenti condizioni di funzionamento delle batterie dei veicoli elettrici. Pertanto, è necessario un metodo più adattivo ed efficiente.
3.3. Migliorare la tecnologia
Filtro di Kalman e suoi metodi di miglioramento:Il filtro di Kalman (KF) e le sue estensioni (come il filtro di Kalman esteso EKF, il filtro di Kalman non profumato UKF, il filtro di Kalman del volume CKF) sono ampiamente utilizzati per la stima del SOC. KF fornisce la stima ottimale del SOC minimizzando l'errore quadratico medio, risolvendo i problemi dell'errore cumulativo e dell'incertezza iniziale del SOC. Tuttavia, è adatto per sistemi lineari variabili nel tempo in cui la dinamica non lineare delle batterie richiede l'approssimazione della linearizzazione. Sebbene EKF estenda la struttura KF per gestire modelli non lineari, la linearizzazione può influire sull’accuratezza e portare a divergenze tra gli stimatori. Nuovi metodi come UKF e CKF utilizzano la stima del punto sigma per stimare le statistiche di trasformazione non lineare, mentre CKF utilizza la regola del volume radiale sferico per calcolare integrali del momento multivariato per migliorare la precisione del filtraggio bayesiano non lineare. Tuttavia, questi filtri in genere presuppongono che le caratteristiche del rumore siano note e costanti e, nelle applicazioni pratiche, il rumore è variabile (come il rumore non gaussiano generato da interferenze esterne). Pertanto, sono state sviluppate robuste strategie di filtraggio adattivo, come l'utilizzo di modelli di miscela gaussiana (GMM) per modellare il rumore non gaussiano per migliorare l'accuratezza della stima dello stato. Studi pertinenti hanno dimostrato le applicazioni e i vantaggi di questi metodi in diversi campi. Inoltre, filtri distribuiti e distribuiti (come il filtro di Kalman distribuito DKF, il filtro di Kalman distribuito e la covarianza incrociata DKF-CI) vengono utilizzati per ottimizzare la stima dello stato dei sistemi interconnessi su larga scala. I filtri robusti e non lineari (come il robusto filtro Kalman) hanno prestazioni superiori nel gestire le complesse non linearità nei sistemi di batterie (come i processi elettrochimici). Le tecniche adattive (come gli algoritmi EKF adattivo e UKF adattivo) regolano dinamicamente i parametri del filtro per adattarsi ai cambiamenti del rumore e migliorare la precisione della stima del SOC. Studi ed esempi pertinenti hanno verificato l’efficacia di questi metodi.
Altri metodi di miglioramento:come il metodo Adaptive Integral Correction State of Charge Estimation (AIC-SE) proposto in 2022, che si basa sul modello ECM e migliora l'accuratezza della stima del SOC attraverso meccanismi di correzione in tempo reale (inclusi resistenza e correzione della capacità della batteria) (errore massimo ± 0,8%, errore RMS inferiore a 0,3%). L'efficienza computazionale è superiore a UKF (AIC-SE circa 5n operazioni, UKF circa n^2 operazioni), affrontando efficacemente le sfide dell'invecchiamento e del degrado della batteria. Il filtro di Kalman Variazionale Bayesiano di Correlazione Massima Entropia Volume (VBMCCKF) nel 2023 combina tecniche di filtraggio e statistiche avanzate per migliorare la stima della covarianza dell'errore di misurazione utilizzando il metodo Bayesiano Variazionale. Il criterio Entropia di correlazione massima viene utilizzato per gestire valori anomali di misurazione del rumore non gaussiano, migliorando significativamente l'accuratezza della stima del SOC (rispetto a EKF, CKF e al filtro di Kalman del volume bayesiano variazionale, l'errore assoluto medio è ridotto del 77%, 68% e 49% , rispettivamente) e migliorando la robustezza del sistema di gestione della batteria.
3.4 Integrazione con modelli di invecchiamento
Il modello di invecchiamento della batteria è strettamente correlato alla stima del SOC e recenti ricerche hanno apportato innovazioni in entrambi gli aspetti. Il modello di invecchiamento della batteria proposto nel 2024 considera in modo esaustivo gli effetti del SOC, della temperatura della batteria, del tempo e dei tempi di ciclo completamente equivalenti (NFEC) sull’invecchiamento della batteria. Il modello è composto da due parti: la prima parte si concentra sul SOC e sull’invecchiamento correlato alla temperatura (calcolo della perdita di capacità attraverso formule specifiche), e la seconda parte considera l’impatto degli NFEC sull’invecchiamento. Questo modello integra in modo innovativo l’invecchiamento della batteria come sottosistema del veicolo elettrico con il modello di batteria, coprendo tutte le modalità operative come parcheggio, guida e ricarica. Raggiunge un'accurata simulazione dell'interazione tra diversi sottosistemi attraverso il metodo formale della rappresentazione macroscopica dell'energia (EMR) (uno strumento grafico sviluppato nel 2000 per organizzare le connessioni dei sottosistemi, rappresentare il flusso di potenza e le relazioni causali). La ricerca ha dimostrato che ridurre la frequenza di ricarica (ad esempio passando dalla ricarica giornaliera a quella ogni quattro giorni) può prolungare significativamente il tempo necessario affinché la batteria raggiunga l'80% di SOH. Questo approccio integrato fornisce importanti progressi nell’ottimizzazione della gestione della batteria e nella comprensione dell’impatto delle pratiche di ricarica sull’invecchiamento della batteria.
Nuovi metodi come AIC-SE e VBMCCKF presentano vantaggi significativi in termini di accuratezza della stima del SOC e di efficienza computazionale. AIC-SE ha buone prestazioni in termini di efficienza computazionale, mentre VBMCCKF ha prestazioni migliori nella gestione della stima dinamica degli errori di misurazione e degli ambienti rumorosi. Se si dà priorità all’accuratezza e all’elaborazione del rumore, la combinazione dei criteri bayesiani variazionali e di entropia di massima correlazione potrebbe essere la scelta migliore attuale; Se ci concentriamo sull’efficienza computazionale e sulle applicazioni in tempo reale, AIC-SE è una buona scelta, indicando che i metodi di modellazione ECM presentano ancora vantaggi in quest’area. Inoltre, il modello di invecchiamento della batteria studiato nel 2024 considera in modo esaustivo l’impatto di molteplici fattori sul degrado della batteria, il che è di grande importanza per ottimizzare la durata della batteria (in base alla pratica di ricarica). Nel complesso, questi sviluppi non solo migliorano la precisione della stima del SOC, ma contribuiscono anche a prolungare la durata della batteria e a migliorarne l’affidabilità operativa.
4. Tecniche di valutazione dello Stato di Salute (SOH).
4.1 Metodi tradizionali di stima del SOH
Il metodo tradizionale di stima dell’SOH è ampiamente utilizzato in ambito accademico e industriale, principalmente in base a parametri di base come il degrado della capacità, la resistenza interna e la durata del ciclo per valutare l’SOH della batteria (vedere la Tabella 4 per le formule pertinenti e i significati dei parametri). Questi metodi forniscono una base per la valutazione dello stato della batteria e aiutano a comprenderne le prestazioni. Comprendendo questi metodi tradizionali, potremo comprendere meglio i miglioramenti dei nuovi metodi di stima nei capitoli successivi. I nuovi metodi spesso utilizzano analisi dei dati più complesse e tecniche di modellazione predittiva per affrontare i limiti dei metodi tradizionali. Il confronto tra i due può chiarire lo sviluppo e l’evoluzione della tecnologia di stima dell’SOH e dimostrare come i metodi moderni possano migliorare la precisione e l’adattabilità dei sistemi di gestione delle batterie.
4.2 Nuovi sviluppi nella sostituzione dei metodi tradizionali
Nuovi indicatori di salute combinati con il machine learning:Per migliorare l’accuratezza della previsione dell’SOH, la ricerca ha introdotto nuovi indicatori sanitari come il Degradation Rate Ratio (DSR). La formula per calcolare il DSR dalla pendenza della curva della tensione di carica è:
Confrontando le pendenze di più cicli di ricarica, viene determinato il tasso di degradazione (in mV/s) della batteria all'interno di un intervallo di tensione specifico (come [3,8-3,9 V]), che è strettamente correlato alla capacità della batteria e può essere utilizzato come indicatore chiave per determinare la fine della durata della batteria. La combinazione dei modelli Gaussian Process Regression (GPR) e Multi Layer Perceptron Neural Network (MLPNN) può stimare in modo più accurato la perdita e il degrado della capacità. Rispetto ai modelli tradizionali, la sensibilità e la precisione sono notevolmente migliorate, risolvendo efficacemente il problema dei modelli tradizionali che rendono difficile rilevare precocemente il degrado.
Miglioramento del modello del circuito equivalente:I primi metodi per migliorare i modelli di circuito equivalente (ECM) tradizionali hanno continuato a svilupparsi, come la stima dell'SOH analizzando la capacità del corpo del modello di circuito RC equivalente nel 2015, utilizzando algoritmi innovativi per calcolare il fattore di attenuazione della capacità del corpo, e combinandolo con osservatori non lineari discreti per migliorare l'accuratezza e l'affidabilità; Nel 2024, è stato adottato un modello di circuito equivalente ibrido del secondo ordine combinato con una velocità di aggiornamento adattativa e un osservatore non lineare per considerare l'influenza della temperatura, ottenendo un'elevata precisione nella stima dell'SOH (errore assoluto medio inferiore allo 0,5%, RMS errore inferiore allo 0,2%); La soluzione cloud per il 2023 utilizza dati di monitoraggio a lungo termine e dati in tempo reale per stimare i parametri del modello di batteria regolando l’algoritmo dei minimi quadrati della finestra mobile. Sulla base del modello ECM, si ottiene una valutazione SOH ad alta precisione, indicando che il metodo ECM migliorato ha ancora un’importanza significativa nella stima SOH, in linea con la tendenza al miglioramento continuo dei metodi ECM nella tecnologia di stima SOC.
Metodo del quadro ibrido:Il nuovo framework integra Linear Statistical k-Nearest Neighbor (LSKNN), Maximum Information Entropy Search (MIES) e Collective Sparse Variational Gaussian Process Regression (CSVGPR) per l'elaborazione dell'interpolazione dei dati, il filtraggio del rumore, la selezione delle caratteristiche e la gestione dell'incertezza. LSKNN stima i punti dati mancanti e filtra il rumore, MIES seleziona le caratteristiche con elevata correlazione con SOH e CSVGPR elabora l'incertezza dei dati per migliorare l'accuratezza della previsione. Questo framework è stato testato utilizzando il set di dati della batteria della NASA e, rispetto a metodi come ElasticNet, Support Vector Regression (SVR), Random Forest e Gradient Boosting, il Root Mean Square Error (RMSE) è stato ridotto del 77,8% (da {{3 }}.0510 in ElasticNet a 0.0113). Rispetto ai modelli di processo gaussiano con kernel diversi, l'RMSE è stato ridotto del 55,5% (da 0,0254 a 0,0113), confermando la robustezza e l'elevata precisione del quadro e fornendo un metodo più accurato per la stima dell'SOH.
Il trend di sviluppo della tecnologia di stima dell’SOH si sta spostando dai metodi tradizionali a modelli più complessi adatti ai veicoli elettrici. I nuovi metodi includono la combinazione di modelli di degrado con l’apprendimento automatico classico, metodi basati su ECM e metodi ibridi. Il DSR è un'importante innovazione che riduce la dipendenza da un ciclo di ricarica completo (riducendo i tempi di attesa di circa l'84%) e, se combinato con l'apprendimento automatico, migliora l'accuratezza della stima della perdita di capacità, superando la difficoltà di rilevamento precoce del degrado nei modelli tradizionali. Il metodo ECM migliorato ha ottenuto buoni risultati nella stima del SOH, il che è coerente con l’importanza del metodo ECM nella stima del SOC. Le tecnologie ibride (come il nuovo quadro menzionato sopra) hanno un’elevata precisione. Sebbene le applicazioni in tempo reale pongano delle sfide, la risoluzione efficace dei problemi chiave di elaborazione dei dati rappresenta un miglioramento significativo rispetto ai tradizionali metodi di stima SOH. Nel complesso, questi sviluppi si concentrano su applicazioni in tempo reale e metodi basati sui dati, migliorando significativamente l’affidabilità dei sistemi di gestione delle batterie dei veicoli elettrici. I metodi di deep learning come LSTM, CNN e tecniche ibride sono diventati i metodi tradizionali per la stima del SOH. I capitoli successivi presenteranno risultati e contributi di ricerca rilevanti.
5. Applicazione del Deep Learning nella stima SOH
5.1 LSTM e modelli ibridi
Numerosi studi hanno utilizzato modelli di invecchiamento migliorati combinati con tecniche di deep learning per migliorare l’accuratezza della stima dell’SOH. Il deep learning è indispensabile per prevedere la vita utile residua (RUL). Ad esempio, integrando il modello di degradazione dell'SOH e considerando varie condizioni operative come la corrente di carica/scarica e la temperatura, è possibile utilizzare una formula specifica per:
Tra questi, I2 {c} e I2 {d} sono correnti di carica e scarica normalizzate, T3 {c} e T4 {d} sono temperature ambiente e batteria normalizzate, T3 {c} e T4 {d} sono tempi di carica e scarica, e (d1-d4) è un peso), che simula in modo più accurato il degrado della batteria. Il modello di previsione RUL basato sulla rete LSTM migliora l'accuratezza della previsione, ma la complessità computazionale aumenta e le applicazioni in tempo reale devono affrontare sfide. Le reti neurali possono gestire processi della batteria che variano nel tempo, imparare continuamente ad adattarsi ai cambiamenti nel comportamento della batteria e mantenere l’affidabilità del modello.
Estraendo caratteristiche chiave (come 6 caratteristiche chiave) per ottimizzare la stima SOH, combinate con algoritmi di apprendimento automatico per ottenere un'elevata precisione e un basso carico computazionale, le caratteristiche della tensione svolgono un ruolo significativo nel migliorare l'accuratezza della valutazione dello stato della batteria. Combinando più modelli di deep learning (come CNN, LSTM, GRU e le loro varianti bidirezionali) in un framework ibrido (come CNN-LSTM-DNN, CNN-GRU-DNN) per prevedere RUL, utilizzando un'ampia gamma di funzionalità per migliorare accuratezza, ha ridotto l'RMSE del 90,5% nei test dei set di dati della NASA, ma la forza computazionale e la complessità limitano le applicazioni in tempo reale. I metodi multimodello (come le librerie di modelli LSTM) e le strategie di ottimizzazione avanzate (come l’integrazione di LSTM nel framework AI-BMS e l’implementazione su FPGA) possono migliorare l’accuratezza della previsione e l’efficienza del sistema, ma l’applicazione di FPGA nei veicoli elettrici commerciali comporta dei costi e sfide pratiche.
La combinazione di GRU e metodi di rilevamento morbido ha il potenziale per la previsione RUL a lungo termine in ambienti di laboratorio, ma le applicazioni pratiche richiedono l'adattamento a diverse condizioni di carica. Utilizzando metodi basati sui dati come LSTM, DNN e GRU per elaborare i set di dati della NASA, GRU ha prestazioni elevate (RMSE di 0.003, MAE di 0,003, R quadrato errore di 0,004) e la combinazione delle reti GRU e LSTM garantisce prestazioni migliori. Il metodo basato su LSTM estrae funzionalità (come 5 funzionalità manuali) analizzando la curva di carica e scarica della batteria e utilizza algoritmi di ottimizzazione (come Adam) per migliorare l'efficienza dell'allenamento e l'accuratezza della previsione. Con l'addestramento dei dati parziali della singola batteria, l'errore di stima del SOH per le altre batterie è basso, il che è migliore rispetto ai modelli tradizionali.
La rete MDA-LSTM combina molteplici funzionalità e informazioni temporali e migliora l'accuratezza della previsione RUL attraverso moduli di fusione di funzionalità multiple e moduli di doppia attenzione. Funziona bene nella convalida di set di dati multipli, con robustezza e generalizzazione. La rete BiLSTM in pila viene utilizzata per prevedere l'SOH utilizzando dati di carica a corrente costante, mentre la struttura bidirezionale migliora l'affidabilità della previsione, rendendola adatta per la stima dell'SOH in tempo reale durante la ricarica rapida. Il modello TCN-LSTM utilizza dati sintetici e ottimizzazione bayesiana per ricostruire accuratamente la tensione a circuito aperto (OCV) e stimare lo stato di salute (SOH) (MAE inferiore a 22 mV, MAPE inferiore al 2,2%). Può essere esteso a diversi sistemi chimici delle batterie attraverso l'apprendimento del trasferimento, ma esistono limitazioni di estrapolazione quando i dati sono insufficienti. Il metodo della fusione profonda (che utilizza dati storici e indicatori sanitari multipli) raggiunge un'elevata precisione (MAPE inferiore al 2,97%) attraverso test di scarica a carica completa, e sia il quadro globale basato sul GPR che il modello DFTN per i singoli veicoli elettrici hanno ottenuto buoni risultati .
5.2. Modello integrato CNN e CNN-LSTM
Il metodo CNN-WNN-WLSTM integra le reti CNN, WNN e WLSTM. La CNN estrae le caratteristiche, le caratteristiche dei processi WNN e WLSTM e stima il SOH. L'ottimizzatore RMSprop viene utilizzato per migliorare le prestazioni e supera i metodi tradizionali nei test dei set di dati della NASA, fornendo un approccio promettente per la gestione dello stato della batteria. Il modello CNN-LSTM-CRF si ispira all'elaborazione del linguaggio naturale, con il livello CRF che cattura le dipendenze delle variabili di output per migliorare la precisione e l'intuitività della previsione della capacità della batteria. Tuttavia, i requisiti computazionali sono elevati e superano le capacità dei processori integrati. In futuro, sarà necessaria la ricerca per migliorarne la praticità (ad esempio attraverso il trasferimento dell'apprendimento). Il modello LSTNet migliora le prestazioni di previsione della capacità della batteria segmentando i dati, integrando componenti ConvLSTM e AR e ottimizzando la struttura (ad esempio, nei test del set di dati della NASA, RMSE era 0.65%, MAE era 0. 58% e MAPE era 0.435% se addestrato su dati del 40%).
Integrando algoritmi avanzati di ottimizzazione CNN ed ECSSA per prevedere il RUL delle batterie agli ioni di litio a stato solido, la CNN migliora l'estrazione delle caratteristiche e l'accuratezza della previsione ottimizzando gli iperparametri e le strutture (come l'utilizzo di strati convoluzionali avanzati, funzioni di attivazione e connessioni residue), mentre ECSSA ottimizza i parametri del modello attraverso metodi matematici innovativi (come Circle Chaotic Mapping, Coefficiente di assorbimento non lineare e Mutazione Cauchy) per migliorare l'accuratezza e la robustezza della previsione RUL. La combinazione di PCA e CNN per l'ottimizzazione delle caratteristiche e la riduzione della dimensionalità migliora l'accuratezza e l'efficienza della stima SOH (rispetto alla CNN tradizionale e ai modelli PCA-CNN dimensionali fissi, MAE aumenta di oltre il 20% e RMSE aumenta di oltre il 30%). Il modello di stima SOH in tempo reale integra 1D-CNN e BiGRU, utilizzando dati BMS per evitare l'estrazione di caratteristiche complesse e ottenendo un'elevata precisione attraverso l'ottimizzazione bayesiana degli iperparametri (come nei test dei set di dati della NASA, MAE è 2,080%, RMSE è 2,516%, e l'errore dell'indice EOL è zero).
5.3. Strategie di ottimizzazione per modelli di deep learning
In primo luogo, è stato utilizzato l’algoritmo della foresta casuale per identificare i fattori chiave di salute, quindi la tecnica di ottimizzazione dello sciame di particelle dell’algoritmo genetico (GA-PSO) è stata utilizzata per ottimizzare i parametri del modello di regressione vettoriale di supporto (SVR) per la stima dello stato di salute (SOH). L'efficacia è stata verificata su quattro batterie, migliorando la precisione e la velocità di convergenza (RMSE di 0,40%, MAPE di 0,56%), che è superiore ad altri metodi correlati. Il metodo ibrido GWO-BRNN utilizza l'ottimizzazione del lupo grigio (GWO) per selezionare gli iperparametri per le reti neurali regolarizzate bayesiane (BRNN). Sulla base del set di dati della NASA, l’errore di stima del SOH è inferiore all’1%, ma la complessità computazionale è elevata e le applicazioni pratiche sono limitate. Utilizzo diretto dei dati grezzi dei veicoli elettrici per valutare SOH e prevedere RUL, migliorando la precisione introducendo nuove funzionalità di valutazione e metodi di correzione dell'interpolazione (riducendo l'errore relativo dell'integrazione corrente allo 0,94%), combinato con il metodo di ottimizzazione D-NSGA-II per migliorare ulteriormente ottimizzare la stima SOH e ridurre i tempi di calcolo. In risposta alla difficoltà nella stima dello Stato di Salute (SOH) causata dalla carica e scarica incompleta delle batterie agli ioni di litio nei veicoli elettrici, viene proposto un metodo di stima indiretta (ATAGA-BP). Il metodo utilizza le caratteristiche dello stadio di carica a tensione costante come indicatore di salute ed è convalidato tramite simulazione con dati NASA. Il metodo ha un'elevata correlazione con la capacità della batteria (oltre l'85%), con un errore di stima SOH del 3,7% e un miglioramento dell'efficienza iterativa del 17,8%.
Il deep learning ha compiuto progressi significativi nella stima dell’SOH e modelli completi che considerano molteplici fattori forniscono una comprensione più approfondita del degrado della batteria. Le reti LSTM sono importanti per acquisire dipendenze temporali e prevedere RUL, ma la loro complessità computazionale pone sfide per le applicazioni in tempo reale. I metodi di estrazione delle caratteristiche sono importanti e possono ottimizzare la stima SOH. La combinazione di modelli ibridi e diverse architetture di rete neurale per l’elaborazione della complessità dei dati della batteria ha prospettive promettenti, ma gli elevati requisiti computazionali limitano le applicazioni pratiche. Strategie di ottimizzazione come GA-PSO, GWO-BRNN e D-NSGA-II hanno migliorato l'accuratezza e l'efficienza, ma l'implementazione di algoritmi complessi è difficile e richiede un equilibrio tra accuratezza e semplicità di esecuzione. La tecnologia AI avanzata è fondamentale per l’applicazione delle batterie secondarie (prive di dati di utilizzo dettagliati). I capitoli successivi forniranno una panoramica dello stato attuale della ricerca sulle applicazioni secondarie, in particolare nel settore del riutilizzo delle batterie.
6. Riepilogo
Questo articolo promuove lo sviluppo della stima di SOH e SOC per le batterie agli ioni di litio nei veicoli elettrici attraverso metodi e modelli innovativi, coprendo varie tecnologie dal tradizionale machine learning ai modelli avanzati di deep learning come LSTM e CNN. Tuttavia, ciascun metodo presenta differenze in termini di accuratezza, complessità e applicabilità, rendendo difficile il confronto diretto. La ricerca ha scoperto che l’elaborazione e le fonti dei dati hanno un impatto significativo sulle prestazioni del modello e che è necessaria un’ulteriore convalida per l’implementazione effettiva. Sebbene i modelli di deep learning abbiano mostrato vantaggi nell’elaborazione di dati complessi, devono ancora affrontare sfide come elevati requisiti di risorse computazionali e adattabilità a scenari applicativi pratici. La ricerca futura dovrebbe concentrarsi sul miglioramento della selezione delle funzionalità, del rilevamento delle anomalie, dell'adattamento alle diverse condizioni ambientali, dell'ottimizzazione degli algoritmi per migliorare l'efficienza computazionale, della realizzazione di applicazioni in tempo reale, dell'integrazione di più fonti di dati per migliorare le prestazioni del modello di stima SOH, affrontando anche le sfide nelle applicazioni delle batterie secondarie , sviluppando soluzioni efficaci e promuovendo lo sviluppo di sistemi di gestione delle batterie per soddisfare le crescenti richieste nei settori dei veicoli elettrici e dello stoccaggio dell'energia.