طرق قائمة على خوارزميات التعلم الآلي لمراقبة الأداء والشيخوخة في بطاريات المركبات الكهربائية

Summary

تقدم هذه الدراسة إطار التعلم مدى الحياة للتقدير المدعوم بالذكاء الاصطناعي، وهو إطار عمل قائم على الذكاء الاصطناعي للمراقبة التكيفية، وتحسين استراتيجيات الشحن، وتقدير الحالة في بطاريات السيارات الكهربائية. يتم تقييم النهج تجريبيا تحت ظروف محكمة لتقييم الجدوى والقدرة التنبؤية.

Abstract

يصف هذا البروتوكول إطار التعلم التقديري مدى الحياة بالطاقة بالذكاء الاصطناعي (AI-PLELF) لمراقبة وإدارة البطاريات التكيفية في أنظمة بطاريات المركبات الكهربائية. يدمج الإطار بيانات حساسات البطارية في الوقت الحقيقي، بما في ذلك التيار والجهد ودرجة الحرارة، مع معلومات الاستخدام التاريخية والمعلمات البيئية لدعم تقدير الحالة الهيكلية وتقييم استراتيجيات الشحن ضمن نظام إدارة البطاريات (BMS).

يحدد البروتوكول إجراءات متسلسلة لجمع بيانات المستشعرات، والمعالجة المسبقة، وتنظيم الميزات، والتنبؤ بحالة الشحن (SOC) وحالة الصحة (SOH) المعتمد على التعلم الآلي، وصياغة استجابات التحكم التكيفي. يتم تنفيذ سير العمل في بيئة حسابية محكمة باستخدام مجموعات بيانات دورة القيادة الواقعية المتاحة للعامة. يتم تقسيم البيانات إلى مجموعات تدريب، والتحقق من الصحة، والاختبار لتقييم استقرار التنبؤ والتعميم تحت ظروف تشغيل مختلفة.

تجرى تجارب قائمة على المحاكاة عبر سيناريوهات دورية وبيئية مختلفة لتقييم اتساق تقديرات SOC وSOH واقتراحات التحكم المقابلة. توفر المنهجية الموصوفة إطارا قابلا للتكرار لتطوير وتقييم استراتيجيات مراقبة البطاريات المدعومة بالذكاء الاصطناعي. على الرغم من أن الدراسة الحالية تركز على التحقق القائم على المحاكاة، إلا أن البروتوكول يؤسس أساسا هيكليا يمكن توسيعه ليشمل الاختبارات المخبرية والمتكاملة في الأجهزة في التطبيقات المستقبلية.

Introduction

الخلفية والسياق

تعتمد المركبات الكهربائية (EVs) على أداء البطارية الموثوق من أجل السلامة والكفاءة وطول العمر. تراقب أنظمة إدارة البطاريات (BMS) حالة البطاريات، وتنظم الشحن والتفريغ، وتمنع التشغيل الضار. تستخدم أنظمة BMS التقليدية نماذج قائمة على الفيزياء ومنطقا قائما على القواعد، والتي قد تفقد دقتها مع تقدم عمر البطاريات أو تغير دورات العمل¹. تستخدم تقنيات الذكاء الاصطناعي وتعلم الآلة لتجاوز القيود من خلال تحليل الارتباطات المدفوعة بالبيانات بين قراءات المستشعرات وحالات البطارية². تستخدم تقنيات BMS المدعومة بالذكاء الاصطناعي قياسات فورية وبيانات الاستخدام التاريخية لدعم اتخاذ القرار التكيفي في الظروف غير الثابتة³. تركز دراسات إدارة البطاريات المبنية على الذكاء الاصطناعي غالبا على دقة التنبؤ دون اتصال تحت ملفات المختبر المحددة⁴، مما يحد من قابليتها للتطبيق على البيئات الواقعية التي تواجهها التقدم في العمر، وتقلبات الأحمال، والانحراف البيئي. تفتقر العديد من الطرق إلى منهجية واضحة يمكن للباحثين الآخرين تكرارها وتقييمها.

قيود الأساليب الحالية

تشمل تقنيات تقدير حالة البطارية^{القياسية تقدير} SOC 5 المعتمد على مرشح كالمان الممتد (EKF)، ونماذج التدهور المعتمدة على الدوائر والفيزياء⁶، وطرق الفيزياء والتعلم الآلي الهجينة⁷. تتدهور الأساليب المعتمدة على EKF مع العمر ودرجة الحرارة وتحتاج إلى تعديل مناسب للنموذج⁸. النماذج القائمة على الفيزياء تحتاج إلى معايرة كبيرة وقد لا تنطبق على جميع الكيمياء المعتمدة على البطاريات أو دورات العمل⁹. تقلل التقنيات الهجينة من حجم النموذج لكنها تتطلب تدريبا غير متصل بالإنترنت وأنظمة تشغيل مستقرة¹⁰. بدلا من التركيز بشكل أساسي على مكاسب الأداء تحت معايير ثابتة، هناك حاجة إلى إطار يدعم التكيف عبر الإنترنت، والتعلم المستمر، والتقييم الدقيق عبر ظروف التقدم في العمر والاستخدام¹¹.

فجوة بحثية

تزداد شعبية تصميم نظام إدارة البيانات بمساعدة الذكاء الاصطناعي، لكن البروتوكولات التي تعالج صراحة (1) التعميم عبر دورات عمل متنوعة¹²، (2) التكيف عبر الإنترنت مع تعديس البطاريات وانحرافها، و(3) التقييم القابل لإعادة الإنتاج باستخدام مدخلات بيانات محددة بوضوح، وخطوات تعلم، ومخرجات¹³ مفقودة. غالبا ما تقارير الأبحاث عن مكاسب على مستوى النتائج دون وصف كيفية الحفاظ على التعلم أو تعديله طوال عمر البطارية^. لسد هذه الفجوة، تقدم هذه الدراسة AI-PLELF كإطار تقدير وتعلم منظم بدلا من نظام تجاري، مع التركيز على الجدوى التجريبية وشفافية البروتوكول.

نظرة عامة على البروتوكول المقترح

يجمع AI-PLELF بين بيانات الاستخدام السابق والعوامل المحيطة مع بيانات حساسات البطارية في الوقت الحقيقي، بما في ذلك التيار والجهد ودرجة الحرارة. يعالج سير عمل BMS هذه المدخلات باستخدام معالجة البيانات المسبقة، وتقدير الحالة المعتمد على التعلم الآلي، ومنطق اتخاذ الشحنة التكيفية. قد تقوم الاختبارات القائمة على المحاكاة عبر ظروف تشغيل مختلفة بتقييم تقديرات SOC وSOH الخاصة بالبروتوكول وتوصيات التحكم الخاصة به. يفترض البروتوكول مقاييس BMS القياسية لسهولة الاستخدام والمدى (التيار، الجهد، درجة الحرارة) المسجلة عند معدلات وحدة تحكم البطارية المدمجة (1–10 هرتز). هدف الإطار هو توفير التحقق التجريبي والمعتمد على المحاكاة على أجهزة الحوسبة المدمجة أو الحوسبة الطرفية ذات القدرات الحاسوبية المحدودة. يمكن استخدامه للاختبار المتحكم به وقياس الخوارزميات، لكنه لا يستخدم كبديل لأجهزة BMS معتمدة من السلامة للمركبات.

يقدم هذا العمل إطارا منهجيا قائما على الذكاء الاصطناعي لمراقبة الأداء، ونمذجة التدهور، ودعم اتخاذ القرار في أنظمة بطاريات المركبات الكهربائية. يتم تقييم النهج المقترح تجريبيا باستخدام مجموعات بيانات محكمة والتحقق المعتمد على المحاكاة لإثبات الجدوى والفعالية المحتملة. بينما تشير النتائج إلى تحسينات ملموسة في الدقة التنبؤية والكفاءة التشغيلية، لا تدعي الدراسة زيادة حاسمة في عمر الحياة تحت ظروف النشر الواقعية. بدلا من ذلك، تؤسس النتائج أساسا للتحقق المستقبلي واسع النطاق وعلى المستوى الطويل.

AI-PLELF هو طريقة تكامل مميزة تركز على التعلم مدى الحياة، والتقدير المشترك بين SOC–SOH، وقابلية التكرار على مستوى البروتوكول في عملية BMS واحدة مدعومة بالذكاء الاصطناعي. يقوم AI-PLELF بتحديث النماذج تدريجيا خلال دورات القيادة للاستجابة للانحراف والشيخوخة في بيئة المحاكاة، على عكس تقنيات AI-BMS الثابتة والمدربة خارج الإنترنت. تكشف المحاكاة أن AI-PLELF يقلل من انحراف تقدير SOH من 4.5٪ إلى 2.6٪ وخطأ تقدير SOC من 3.2٪ إلى 1.8٪ تحت دورات قيادة مماثلة. تكشف مخططات الخطأ المقارن ورسوم التقارب، التي تم إنشاؤها باستخدام نفس مجموعة البيانات وخط أنابيب التحضير، هذه التناقضات.

دراسة خلفية:

تدمج استراتيجيات موثوقية واستدامة السيارات الكهربائية بشكل متزايد أساليب تعتمد على الذكاء الاصطناعي. تساعد أنظمة تشخيص البطاريات وإدارة الطاقة المدعومة بالذكاء الاصطناعي في تقليل الأثر البيئي وتعزيز التنقل المستدام. يتنبأ D-DD&PA ب SOH وSOS وعمر الدورة وRUL في بطارية EV، كما أفاد Zhao وآخرون^. تحسين أداء بطارية السيارات الكهربائية يحسن السلامة والموثوقية مع توفير معلومات تشغيلية حيوية. طبق Shashibhushan¹⁶ طرق الذكاء الاصطناعي (ANN، SVM، LR، KNN) وتحليل PCA متناثر للتنبؤ ب SOC البطارية. تجاوز نموذج ANN الاستراتيجيات السابقة بقيمة R² بقيمة 0.9925، مما أتاح تقديرا دقيقا وفعالا لSOC. تستخدم تقنية AI-CF لتقييم أداء بطارية المركبات الكهربائية من قبل Zhao وآخرون ¹⁷ سجلات صحية إلكترونية طولية وبيانات واقعية. تحسين تشخيصات SOH وSOS يعزز موثوقية السيارات الكهربائية والبطارية.

^يوصي ميرافت زاده وآخرون بأساليب أنظمة تخزين الطاقة المعتمدة على الذكاء الاصطناعي للسيارات الكهربائية، بما في ذلك مراقبة جودة الطاقة، والتنبؤ ب SOC، وتحسين BMS، مما يحسن دمج الطاقة المتجددة وكفاءة الشحن. ^يقترح خان وآخرون دمج الشبكات الصغيرة، والذكاء الاصطناعي، وأنظمة إدارة الطاقة (EMS) لتحسين استهلاك الطاقة وتوليدها من أجل نظام كهربائي موثوق، مما يقلل من هدر الطاقة والانبعاثات المرتبطة بالمركبات الكهربائية وتحسين مرونة الشبكة الذكية. ^يفحص ستيكولا وآخرون مناهج الذكاء الاصطناعي في أنظمة الطاقة الحضرية، مع التركيز على دمج البنية التحتية السكنية والحضرية لإدارة الطاقة المتجددة، وأنظمة شحن المركبات الكهربائية، والتلوث، والكفاءة. ^يدرس ميتال وآخرون إدارة البطاريات وتحسين الشحن المعتمد على الذكاء الاصطناعي في الأجهزة الذكية، مسلطين الضوء على دور الشبكات الصغيرة الذكية في التكامل المستدام للسيارات الكهربائية.

يستكشف ريحان²² دمج الذكاء الاصطناعي والحوسبة السحابية في صناعة المركبات الكهربائية الأمريكية لدعم القيادة الذاتية، وإدارة البطاريات، وتجربة المستخدم، والأمن السيبراني. ^يفحص فاشيشت وآخرون تكامل الذكاء الاصطناعي مع أنظمة خدمات الطوارئ الكهربائية لتعزيز الاستدامة البيئية وتقليل الانبعاثات. يناقش تشينوباتي²⁴ كيف يمكن لتحسين المركبات الكهربائية المدعومة بالذكاء الاصطناعي أن يساهم في التخفيف من تغير المناخ، مع التركيز على الأطر الصناعية القابلة للتوسع والمستدامة. حسنت الشبكات العصبية الاصطناعية، وآلات الدعم المتجهة، والتشخيصات السحابية مراقبة صحة البطاريات وموثوقية المركبات الكهربائية. توسع AI-PLELF هذه الأساليب من خلال تمكين تقدير حالة البطارية الهيكلي والإدارة التكيفية. بشكل عام، قد يحسن الذكاء الاصطناعي استدامة المركبات الكهربائية من خلال زيادة الكفاءة وتقليل استهلاك الطاقة.

Protocol

عمر البطارية والأداء أمران حاسمان مع تزايد اعتماد السيارات الكهربائية. تعمل أنظمة إدارة البطاريات على تحسين دورات الشحن، والتنبؤ بالتدهور، وتنظيم التأثيرات الحرارية. يعزز AI-PLELF إدارة الطاقة، والتحكم في الشحن، والتنبؤ ببطاريات السيارات الكهربائية بنظام SOC/SOH. يستخدم AI-PLELF بيانات المستشعرات في الوقت الحقيقي، وأنماط الاستخدام، والظروف المحيطة لتحسين أداء البطارية وطول عمرها.

تم تدوير البطارية باستخدام جهاز تدوير LBT بدقة كاملة ±0.05٪. تم استخدام غرفة تحكم في درجة الحرارة لتركيب الخلايا عند 25.0 ± 0.5 درجة مئوية. تم استخدام شريط لاصق بولي إيميد عالي الحرارة لتثبيت الزوجات الحرارية على سطح الخلية لضمان الاتصال الحراري المستقر.

لشحن البطارية، تم تكوين بروتوكول الشحن CC–CV باستخدام برنامج التحكم في اختبار البطارية الذي توفره الشركة المصنعة. تم ضبط التيار على 0.5 مئوية (1.5 أمبير لخلية 3 أمبير أمبير) مع حد جهد 4.20 فولت. تم تكرار خطوة CV حتى انخفض التيار إلى أقل من 0.05 درجة مئوية (150 مللي أمبير)، وبعدها بدأ التفريغ باستخدام خطوة الإضافة | التصريف | CC بتيار 1C (3 أمبير) وجهد قطع 2.50 فولت. لإضافة فترة راحة مدتها 600 ثانية، اختر إضافة الخطوة | تم التقاط البيانات على تردد 1 هرتز وحفظها كملفات CSV باستخدام بيانات تصدير | خيار ASCII. قبل كل تجربة، كانت قنوات التيار والجهد تتم معايرة باستخدام تحويلة دقة 0.1٪ وخلية مرجعية بجهد 3.000 ± 0.001 فولت وفقا لدليل الشركة المصنعة.

يعالج سير العمل إشارات التيار والجهد ودرجة الحرارة للبطارية عند 5 هرتز من 25 دورة قيادة حقيقية. تم عرض البروتوكول من خلال مخططات متتالية تعرض بيانات المستشعرات الخام، والمدخلات المعالجة مسبقا، ومخرجات تقدير SOC، ومنحنيات فقدان تدريب النماذج عبر 200 تكرار محاكاة. بالإضافة إلى ذلك، تم إنشاء فيديو تنفيذ نموذجي لعرض استيعاب البيانات، والاستدلال بالذكاء الاصطناعي، وتصور المخرجات في الوقت الحقيقي.

بطاريات السيارات الكهربائية

يظهر هذا المخطط نظام إدارة بطارية كهربائية يعتمد على التعلم الآلي. تستشعر البطارية تفحص العديد من معايير البطارية لتشغيل النظام. تقوم وحدة جمع المعلومات بتنظيم بيانات المستشعرات في الشكل 1. ML تستخدم هذه النقاط المعدة من قبل الحواسيب للتنبؤ بخصائص البطاريات الرئيسية باستخدام نماذج متنوعة. يستخدم نموذج التنبؤ ب SOH شحن البطارية للتنبؤ بالصحة وعمر اللعب. تحسين الشحنة القائم على الإسقاط وأولوية الطاقة يعظمان دورات الشحن والكفاءة. كلا الوحدتين تستقبل مدخلات من وحدة التحكم، التي تدير عمليات النظام ودرجة حرارة البطارية لتقليل ارتفاع درجة الحرارة وإطالة عمر البطارية. ترسل واجهة الإخراج حالة النظام وبيانات التشخيص إلى وحدة التحكم الإلكترونية (ECU)، وتدمجها مع أنظمة إدارة المركبة. يعزز هذا التكامل كفاءة البطارية وأمان البطارية ويسهل اتخاذ القرارات في الوقت الفعلي.

(1)

ترتبط تقنية AI-PLELF بالمعادلة 1، حيث تحدد تأثير عدة معلمات. S^xq يرمز إلى متغيرات حالة البطارية، [W_lq] والأوزان المعطاة للعوامل التي لها تأثير jg m، وMx^r-q(n+1) لتأثير نموذج ML على توقع حالة البطارية. استخدام تعديلات البيانات في الوقت الحقيقي في التعبير δR^qv + lq يحسن إدارة البطارية.

(2)

في المعادلة 2، التي تنمذج التأثير التراكمي لمتغيرات متعددة على سعة وعمر البطارية، ترتبط تقنية AI-PLELF المقترحة ب R -_{Q l} || A - Q_r ||. هنا، يمثل N و R متغيرات الحالة مثل SOH وSOC على التوالي، مما يعكس حالة صحة البطارية وحالة الشحن. تم دمج بيانات المستشعر الحالية n، وأنماط الاستخدام السابقة n، والمتغيرات الخارجية S(t,v_q) بحيث يمكن للنظام المدفوع بالذكاء الاصطناعي تحسين استخدام البطاريات (f) لتعزيز الكفاءة وزيادة العمر الافتراضي.

يعد نظام إدارة البطاريات (BMS) ضروريا للمركبات الكهربائية. أثناء تشغيل المركبات الكهربائية، يضمن نظام BMS استقرار وسلامة وطول عمر جهاز تخزين الطاقة (ESD). تشمل جوانب متعددة، بما في ذلك إجراءات الشحن، مراقبة الخلايا، جمع البيانات، إدارة الحرارة، إدارة الطاقة، تقييم العمر، وحماية الخلايا، ضمن إطار نظام BMS، الذي يشمل آليات التصميم وتقييم الأداء.

أثناء شحن أو تفريغ ال ESD، قد تحدث اختلالات في الجهد بسبب العمليات الكهروكيميائية. لذلك، فإن توازن الجهد هو وظيفة أساسية في نظام BMS ويظل مجالا لمزيد من التحسين. عند دراسة أنظمة المركبات الكهربائية وتقنيات تخزين الطاقة المناسبة، تساهم هذه الدراسة في النقاش الموضح في الشكل 2. يظل نظام إدارة الطاقة للمركبات الكهربائية موضوعا بحثيا مهما. بعد تحقيق مفصل، تم تحديد عدة قيود في أنظمة إدارة الطاقة الحالية، وتم اقتراح نهج منظم لمعالجتها.

(3)

المعادلة 3 هي أداء تجريبي يأخذ في الاعتبار المتغيرات A(R,L) مثل دورات الشحن Q، معدل التعلم kl، والمتغيرات المتدهورة المحددة التي يرمز لها ب A(R,L). لتعظيم الكفاءة وعمر البطارية، يقوم AI-PLELF بتحسين عوامل التعزيز والتدهور (st+wl)، والتي يتم توازنها في الإطار.

||Ca - θN_q|| = N(A_N, B_q+r) + N (R_l-1, A_k+1) - 2n (A_n, Y_l-1) (4)

وفقا للمعادلة 4، ||Ca - θN_q|| هو النموذج الرياضي الذي يستخدمه نظام AI-PLELF لتحسين إدارة البطارية، والذي يستخدم لربط الفرق بين الحالات المرصودة والمتوقعة R_l-1، A_k+1. تحسن خوارزميات التعلم الآلي 2n (A_n, Y_l-1) أداء وعمر البطارية من خلال التنبؤ ب N(A_N,_{B q+r}) وSOH وSOC الخاصة بها باستخدام بيانات الوقت الحقيقي N (_{R l-1}, A_k+1) والاتجاهات السابقة.

إدارة البطاريات المتقدمة

يظهر نظام إدارة البطاريات المتقدم الذي يعطي الأولوية للأداء والسلامة وعمر الحياة في الشكل 3 للسيارات الكهربائية. يقوم نظام جمع البيانات بتجميع جميع المعلمات ذات الصلة بسرعة ودقة من خلال جمع البيانات من أجهزة استشعار مختلفة. بعد ذلك، يتم تشغيل البيانات عبر محرك تحليلات مدعوم بالذكاء الاصطناعي يستخدم خوارزميات متقدمة لتحليل وتفسير المعلومات. يقدم محرك الذكاء الاصطناعي رؤى حول أداء البطارية، وتوقعات المشاكل، وتكتيكات تحسين استخدام البطارية. تراقب وحدة BMS دورات شحن وتفريغ البطارية، والتشغيل الآمن، وعمرها الافتراضي، باستخدام هذه الرؤى.

(5)

في المعادلة 5، ذات شقين N(D,R)، يظهر مجموع l=1 و n=1 على اليسار. من المحتمل أن يستخدم النموذج الرياضي في AI-PLELF للتنبؤ بحالة البطارية وأدائها. تأخذ هذه الصيغة في الاعتبار الإضافات العودية على العديد من المتغيرات، مثل l و N، حيث يرمز N إلى عامل تراجع، وN (A_n, R_b+q) يشير إلى تقدير متداخل لمتغيرات البطارية، وg و i²lq ربما يغطيان عوامل بيئية أو تشغيلية إضافية.

(6)

من خلال نمذجة العلاقة بين كفاءة الطاقة، السعة، وعوامل تحليل أداء البطارية وعمرها، تتوافق تقنية AI-PLELF المقترحة مع المعادلة 6 كطريقة لتحسين نظام إدارة البطارية، الذي يتضمن معايير (Q-1) مثل حالة الشحن_Q-R ، محيط N_Aq ، وعوامل التحلل W_L-1 ، والتي يتم دمجها 1+N (A_n, W^L) بواسطة خوارزميات التعلم الآلي.

مكون أساسي لضمان سلامة السيارات الكهربائية هو نظام BMS، الذي يتحكم في المكونات الكهربائية للبطارية القابلة لإعادة الشحن، بما في ذلك الخلية أو مجموعة من الخلايا. من خلال ضمان عمل الخلية ضمن حدود التشغيل الآمنة، فإنه يحمي إما المستهلك أو البطارية. يتتبع نظام BMS جهد البطارية السطحي، ويجمع البيانات، وينظم العوامل الخارجية التي تؤثر على الخلية للحفاظ على جهد موحد عبر الخلية، كما هو موضح في الشكل 4.

مصدر الطاقة الذكي هو حزمة طاقة مرتبطة بنظام BMS بشبكة بيانات أو نظام نقل بيانات خارجي. قد تتضمن ميزات وقدرات إضافية، بما في ذلك مخرجات المعالجة العامة، وقواعد الاتصال الذكي للشبكة، وتكامل عدادات الوقود. يمكن لحزمة البطارية الذكية التحكم في شحنها بنفسها، وتقديم تقارير أخطاء، وتحديد ظروف انخفاض البطارية، وتنبيه الجهاز بها، والتنبؤ بمدة التشغيل المتبقية أو مدة استمرار مصدر الطاقة. للحفاظ على دقة توقعاتها، تقوم بالتصحيح الذاتي باستمرار وتقديم معلومات حول تيار الخلية وجهدها ودرجة حرارتها. غالبا ما تتميز حزم البطاريات الذكية بإلكترونيات مدمجة تعزز موثوقية البطارية وأمانها وطول عمرها وفائدتها بشكل عام. هذه مخصصة للاستخدام في الإلكترونيات المحمولة وأجهزة الكمبيوتر المحمولة. تمكن هذه الخصائص من إنتاج منتجات نهائية أكثر موثوقية وأسهل في الاستخدام. على سبيل المثال، عندما تشحن البطاريات إلى خصائصها المثلى ضمن قيود درجة الحرارة، يمكن أن تعيش الأجهزة لفترة أطول.

(7)

الصيغة Yb_l من المرجح أن تكون النهج المقترح AI-PLELF لأنظمة إدارة البطاريات مرتبطة بهذه المعادلة المعقدة 7. لتقدير صحة البطارية (SOH) وحالة الشحن (SOC) باستخدام نماذج التنبؤ المدفوعة بالذكاء الاصطناعي r-1 n=1، قد يشمل تحليل الكفاءة التشغيلية كمعايير تشغيلية (o, m, s, hix)، والمتغيرات الخارجية -_{A l+1}(s + hix) ، ، ومقاييس الكفاءة (o+m) -_{a n} ، O(n+l).

(8)

في المعادلة 8، يشير مؤشر AI-PLELF المقترح إلى أن صحة وأداء البطارية، المعبر عنها ب h(A,q)، تتأثر بالمتغيرين A_r و q_x المشمولين في الحساب. تشمل الجوانب تحليل الصيانة التنبؤية، دورات التفريغ والشحنة، معدلات الشيخوخة، التأثيرات الحرارية، وظروف التشغيل، والتي قد تمثلها W_c+l و A_r و qx و Stu.

تعتمد السيارات الكهربائية على نظام BMS الخاص بها للحفاظ على تشغيل البطاريات بسلاسة ولأطول فترة ممكنة. من خلال دمج تقنيات التعلم الآلي المتطورة، يعزز إطار التقدير مدى الحياة المدعوم بالذكاء الاصطناعي (AI-PLELF) نظام إدارة الذاكرة التقليدي. لتقدير مستوى صحة البطارية، وSOH، وSOC بدقة، تستخدم هذه الطريقة الجديدة بيانات فورية من الحساسات (T1 إلى Tn)، وأنماط الاستخدام السابق، والعوامل البيئية. لتعظيم كفاءة الطاقة وعمر البطارية، يقوم نظام AI-PLELF بتحسين دورات الشحن، ويتوقع التدهور، ويقلل من تأثيرات الحرارة. لتقليل ارتفاع الحرارة والتآكل، يمكن للنظام موازنة الأحمال (من 1 إلى ln)، وتغيير إجراءات الشحن (من V1 إلى Vn)، والتنبؤ بدقة بصحة البطارية. تتفوق AI-PLELF على BMS القياسية في أداء البطاريات وطول عمرها، وفقا لمحاكاة دقيقة. تجمع أجهزة الاستشعار المعلومات الفورية، وتقوم وحدة الذكاء الاصطناعي بإجراء تحليلات تنبؤية، وتدير وحدة التحكم عمليات الشحن والتفريغ، ويراقب نظام جمع البيانات خصائص البطارية؛ هذه هي المكونات الرئيسية الموضحة في مخطط الكتل الوظيفية لنظام BMS.

(9)

يبدو أن إطار العمل المقترح AI-PLELF لإدارة البطاريات يستخدم نموذجا معقدا مع المعادلة 9، تقدير الحالة أو التنبؤ بحالة البطارية st باستخدام عوامل الوقت والاستخدام f وربما r المعطاة ك Z_tf(l+kq). في هذا السياق، يتم تمثيل Sti بعبارة I (k^e, D)، ويؤثر تحليل قابلية التوسع على التنبؤ بحالة البطارية. من المحتمل أن نظام الذكاء الاصطناعي أجرى تعديلات حسنت أنماط الشحن والاستخدام لتقليل تأثيرات التدهور، والتي يرمز إليها ب A(o+xq).

i(k^mR) = τ(DL^x + ρ - ∞R(no + r)) - i_ql (i + da) (10)

ترتبط طريقة AI-PLELF بالمعادلة 10 لأنها تمثل السلوكيات الديناميكية ρ لتيار البطارية i كدالة للمقاومة k^mR، درجة الحرارة (no+r)، تحليل تكامل الشبكة، وعوامل أخرى مثل عمق التفريغ DL^x ، المقاومة الداخلية R، ومعلمات التشغيل المختلفة (i+da)، و i_ql.

لوحة التحكم، والإشعارات، والإعلانات، وتقارير الأداء كلها جزء من واجهة المستخدم التي تستقبل البيانات من BMS. تعرض هذه الواجهة حالة البطارية والتنبيهات. يتم تقديم الاتصالات والتحكم في البيانات الخارجية وخدمات السحابة؛ تتعامل مع الشحن، والتحرير، وحالات الطوارئ، وجاهزية النظام. يوفر التصميم العام نظام إدارة بطارية قوي مع جمع بيانات في الوقت الحقيقي، وتحليلات متقدمة، وواجهات مستخدم بسيطة. يتفوق AI-PLELF على BMS في أداء البطارية وعمر البطارية بعد محاكاة مكثفة. يقوم AI PLELF بتحسين شحن المركبات الكهربائية وإدارة الطاقة من خلال التنبؤ ب SOH وSOC. قد تتعامل مع سيارة كهربائية واحدة أو أسطول وتوفر حلولا ديناميكية أثناء التشغيل. قد يوفر نظام إدارة الطائرات المدعوم بالذكاء الاصطناعي تكاليف الصيانة بنسبة 50٪ ويحسن استدامة النقل. يتطلب إنشاء أنظمة مركبات كهربائية صديقة للبيئة هذه الطريقة الجديدة. للتحقق من صحة الخوارزميات المقترحة، يتم تعريف استراتيجية تحقق متعددة المراحل. أولا، يتم إجراء التحقق الداخلي باستخدام فصل القطار والاختبار على مجموعات بيانات محاكاة لتقييم استقرار التنبؤ وسلوك التقارب. ثانيا، يتم إجراء تحليل الحساسية من خلال تغيير ملفات تعريف الدورة، ومستويات الضوضاء، ومعايير التحلل لتقييم المتانة. ثالثا، يتم التحقق من اتساق الناتج من خلال مقارنة اتجاهات SOC وSOH مع التقديرات المستمدة من النموذج المرجعي تحت ظروف محاكاة متطابقة. على الرغم من أن التحقق التجريبي غير مدرج في الدراسة الحالية، إلا أن هذا البروتوكول يؤسس مسار تحقق منظم يمكن توسيعه ليشمل الاختبارات المختبرية والأجهزة في الحلقة في الأعمال المستقبلية.

Results

تظهر هذه الدراسة أن الذكاء الاصطناعي يمكن أن يحسن أداء وطول عمر بطاريات السيارات الكهربائية. تزيد أنظمة BMS التي تستخدم الذكاء الاصطناعي من تشخيص البطاريات، والكفاءة، والصيانة التنبؤية، وقابلية التوسع، وتكامل الشبكة. تقوم هذه الأنظمة بتحسين دورات الشحن، وتوقع صحة البطارية، وتحسين موثوقية تطبيقات السيارات الكهربائية من خلال الاستفادة من خوارزميات البيانات والتعلم الآلي في الوقت الحقيقي. يعزز الذكاء الاصطناعي النقل المستدام من خلال تحسين كفاءة الطاقة للسيارات الكهربائية، والموثوقية، وصداقة...

Discussion

يمكن ل AI-PLELF تجديد نظام BMS للسيارات الكهربائية. يقوم AI-PLELF بتحسين دورات الشحن، ويمنع الحرارة، ويتنبأ بصحة البطارية باستخدام خوارزميات تعلم آلا قوية. في الوقت الفعلي، تمكن بيانات المستشعرات وأنماط الاستخدام التاريخية والمتغيرات البيئية AI-PLELF من التنبؤ بمستويات SOH وSOC البطاريات، مما يحسن الأداء وطول العمر. يتفوق AI-PLELF على BMS في أداء البطاريات والمتانة في المحاكاة الضخمة. مالكو السيارات الكهربائية الشخصية يوفرون المال ويحصلون على محركات أكثر موثوقية بهذه الطريقة الجديدة. تسم...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
العنصر	المواصفات	المصنع / الطراز	الغرض
جهاز تدوير البطاريات	± دقة كاملة بنسبة 0.05٪	نظام اختبار البطارية LBT21084، Arbin Instruments، الولايات المتحدة الأمريكية	الشحن الدقيق – دورة التفريغ (نظام اختبار البطارية)
برنامج التحكم في اختبار البطاريات (MITS Pro)	الإصدار 5.3.2	آربين إنسترومنتس، الولايات المتحدة الأمريكية	تكوين CC– بروتوكولات شحن/تفريغ CV (برنامج تحكم)
شريط لاصق البولي إيميد	مقاومة درجات حرارة عالية (حتى 260 ودرجة مئوية؛ درجة مئوية)، وعازلة كهربائية	شريط كابتون بوليميد، دوبونت، الولايات المتحدة الأمريكية	تثبيت التركيبات الحرارية على سطح البطارية (مادة لاصقة)
مقاومة التحول الدقيق	تحمل 0.1٪	مجموعة فيشاي بريسيجن، الولايات المتحدة الأمريكية	معايرة قياس التيار
خلية الجهد المرجعية	3.000 وما فوق؛ دقة 0.001 فولت	فلوك كاليبراشن، الولايات المتحدة الأمريكية	معايرة القناة (معايرة الجهد)
غرفة التحكم بدرجة الحرارة	الاستقرار: 25.0 وما فوق ذلك؛ 0.5 & درجة؛ C	غرفة البيئة SH-241، شركة ESPEC، اليابان	التنظيم الحراري أثناء الدراجة (التحكم البيئي)
التركيبات الحرارية (النوع-K)	تركيب سطحي، & 0.5 & درجة; دقة C	أوميغا للهندسة، الولايات المتحدة الأمريكية	مراقبة درجة حرارة السطح (قياس درجة الحرارة)