Methoden, die auf maschinellen Lernalgorithmen basieren, zur Überwachung von Leistung und Alterung in Elektrofahrzeugbatterien

Summary

Diese Studie stellt das von künstlicher Intelligenz gestützte Lifelong Estimation Learning Framework vor, ein künstlich-intelligenzbasiertes Framework für adaptive Überwachung, Optimierung von Ladestrategien und Zustandsschätzung in Elektrofahrzeugbatterien. Der Ansatz wird experimentell unter kontrollierten Bedingungen bewertet, um Machbarkeit und Vorhersagefähigkeit zu beurteilen.

Abstract

Dieses Protokoll beschreibt das Artificial Intelligence–Powered Lifelong Estimation Learning Framework (AI-PLELF) für adaptive Batterieüberwachung und -verwaltung in Batteriesystemen von Elektrofahrzeugen. Das Framework integriert Echtzeit-Batteriesensordaten, einschließlich Strom, Spannung und Temperatur, mit historischen Nutzungsinformationen und Umweltparametern, um eine strukturierte Zustandsschätzung und Bewertung der Ladestrategie innerhalb eines Batteriemanagementsystems (BMS) zu unterstützen.

Das Protokoll beschreibt sequentielle Verfahren für die Erfassung von Sensordaten, Vorverarbeitung, Feature-Organisation, maschinelles Lernen basierte Vorhersage von Ladungszuständen (SOC) und Gesundheitszuständen (SOH) sowie die Formulierung adaptiver Kontrollreaktionen. Der Workflow wird in einer kontrollierten Rechenumgebung unter Verwendung öffentlich verfügbarer realer Fahrzyklus-Datensätze implementiert. Die Daten werden in Trainings-, Validierungs- und Testteilmengen aufgeteilt, um die Vorhersagestabilität und Verallgemeinerung unter unterschiedlichen Betriebsbedingungen zu bewerten.

Simulationsbasierte Studien werden in verschiedenen Zyklus- und Umweltszenarien durchgeführt, um die Konsistenz von SOC- und SOH-Schätzungen sowie entsprechende Kontrollvorschläge zu bewerten. Die beschriebene Methodik bietet einen reproduzierbaren Rahmen zur Entwicklung und Bewertung von KI-unterstützten Batterieüberwachungsstrategien. Obwohl sich die vorliegende Studie auf simulationsbasierte Validierung konzentriert, schafft das Protokoll eine strukturierte Grundlage, die in zukünftigen Anwendungen auf labor- und hardwareintegrierte Tests ausgeweitet werden kann.

Introduction

Hintergrund und Kontext

Elektrofahrzeuge (EVs) sind auf zuverlässige Batterieleistung für Sicherheit, Effizienz und Langlebigkeit angewiesen. Batteriemanagementsysteme (BMS) überwachen den Batteriestatus, regulieren das Laden und Entladen und verhindern schädlichen Betrieb. Traditionelle BMS-Systeme verwenden physikbasierte Modelle und regelbasierte Logik, die an Genauigkeit verlieren kann, wenn Batterien altern oder^{sich die} Tastzeiten ändern. KI- und ML-Technologien werden eingesetzt, um Einschränkungen zu überwinden, indem datenbasierte Korrelationen zwischen Sensordaten und Batteriezuständen^{analysiert werden}. KI-gestützte BMS-Techniken nutzen Echtzeitmessungen und historische Nutzungsdaten, um adaptive Entscheidungsfindung unter nichtstationären Bedingungen^{zu unterstützen 3}. KI-basierte Batteriemanagementstudien konzentrieren sich oft auf die Genauigkeit der Offline-Vorhersage unter definierten Laborprofilen⁴ und beschränken deren Anwendbarkeit auf reale Umgebungen mit Alterung, Lastschwankungen und Umweltabweichungen. Viele Methoden haben keine klare Methodik, die andere Forscher nachahmen und bewerten können.

Einschränkungen bestehender Ansätze

Standard-Batteriezustandsschätzungstechniken umfassen die SOC-Schätzung 5 auf Basis^des erweiterten Kalman-Filters (EKF), vergleichbare, schaltkreis- und physikbasierte Abbaumodelle⁶ sowie hybride Physik-ML-Methoden⁷. EKF-basierte Ansätze verschlechtern sich mit Alter und Temperatur und benötigen eine angemessene Modellparametrisierung⁸. Physikbasierte Modelle benötigen umfangreiche Kalibrierung und gelten möglicherweise nicht für alle Batteriechemikalien oder Duty Cycles⁹. Hybride Techniken reduzieren die Modellgröße, erfordern aber Offline-Training und stabile Betriebsbedingungen¹⁰. Anstatt sich hauptsächlich auf Leistungssteigerungen unter statischen Benchmarks zu konzentrieren, wird ein Rahmen benötigt, der Online-Anpassung, kontinuierliches Lernen und eine rigorose Bewertung über Alterungs- und Nutzungsbedingungen hinweg unterstützt¹¹.

Forschungslücke

KI-unterstütztes BMS-Design gewinnt an Beliebtheit, aber Protokolle, die explizit (i) Verallgemeinerungen über verschiedene Duty Cycles¹², (ii) Online-Anpassung an Batteriealterung und -drift sowie (iii) reproduzierbare Bewertung mit klar definierten Dateneingaben, Lernschritten und Ausgaben¹³ adressieren, fehlen. Forschung berichtet oft von Verbesserungen auf Ergebnisniveau, ohne zu beschreiben, wie das Lernen über die Lebensdauer einer Batterie^{aufrechterhalten} oder verändert wird. Um diese Lücke zu schließen, präsentiert diese Studie AI-PLELF als strukturiertes Schätzungs- und Lernrahmen statt als kommerzielles System und legt den Schwerpunkt auf experimentelle Machbarkeit und Protokolltransparenz.

Überblick über das vorgeschlagene Protokoll

AI-PLELF kombiniert frühere Nutzungsdaten und Umgebungsfaktoren mit Echtzeitdaten der Batteriesensoren, einschließlich Strom, Spannung und Temperatur. Der BMS-Workflow verarbeitet diese Eingaben mittels Datenvorverarbeitung, ML-basierter Zustandsschätzung und adaptiver Ladungsentscheidungslogik. Simulationsbasierte Tests unter verschiedenen Betriebsbedingungen können die SOC- und SOH-Schätzungen des Protokolls sowie die Kontrollempfehlungen bewerten. Nutzbarkeits- und Bereichsstandard-BMS-Metriken (Strom, Spannung, Temperatur), die bei eingebetteten Batteriecontroller-Raten (1–10 Hz) aufgezeichnet werden, werden vom Protokoll angenommen. Ziel des Frameworks ist es, experimentelle und simulationsbasierte Validierung auf eingebetteten oder Edge-Computing-Geräten mit begrenzten Rechenleistungen bereitzustellen. Es kann für kontrollierte Tests und Algorithmen-Benchmarks verwendet werden, jedoch nicht als sicherheitszertifizierter BMS-Hardware-Ersatz für Fahrzeuge.

Diese Arbeit präsentiert einen KI-basierten methodischen Rahmen für Leistungsüberwachung, Verschlechterungsmodellierung und Entscheidungsunterstützung in Batteriesystemen für Elektrofahrzeuge. Der vorgeschlagene Ansatz wird experimentell mit kontrollierten Datensätzen und simulationsbasierter Validierung bewertet, um Machbarkeit und potenzielle Wirksamkeit nachzuweisen. Obwohl die Ergebnisse messbare Verbesserungen bei der Vorhersagegenauigkeit und der operativen Effizienz zeigen, beansprucht die Studie keine eindeutige Verlängerung der Lebensdauer unter realen Einsatzbedingungen. Stattdessen legen die Ergebnisse eine Grundlage für zukünftige großflächige und longitudinale Validierungen.

AI-PLELF ist eine eigenständige Integrationsmethode, die lebenslanges Lernen, einheitliche SOC–SOH-Ko-Schätzung und protokollbasierte Wiederholbarkeit in einem einzigen, KI-gestützten BMS-Prozess betont. AI-PLELF aktualisiert Modelle schrittweise während der Fahrzyklen, um auf Drift und Alterung in der Simulationsumgebung zu reagieren, im Gegensatz zu statischen, offline trainierten KI-BMS-Techniken. Simulationen zeigen, dass AI-PLELF die SOH-Schätzungsabweichung von 4,5 % auf 2,6 % und den SOC-Schätzfehler von 3,2 % auf 1,8 % bei ähnlichen Fahrzyklen reduziert. Vergleichende Fehlerdiagramme und Konvergenzgraphen, die mit demselben Datensatz und derselben Vorbereitungspipeline erstellt werden, zeigen diese Diskrepanzen.

Hintergrundstudie:

Strategien zur Zuverlässigkeit und Nachhaltigkeit von Elektrofahrzeugen integrieren zunehmend KI-basierte Ansätze. KI-gesteuerte Batteriediagnostik und Energiemanagementsysteme in Elektrofahrzeugen helfen, die Umweltbelastung zu verringern und nachhaltige Mobilität voranzutreiben. D-DD&PA prognostiziert EV-Batterie SOH, SOS, Zykluszeit und RUL, wie von Zhao et ^al.15 berichtet. Die Leistungssteigerung der EV-Batterien verbessert Sicherheit und Zuverlässigkeit und liefert gleichzeitig wichtige Betriebsinformationen. Shashibhushan¹⁶ wandte KI-Methoden (ANN, SVM, LR, KNN) und Sparse PCA an, um Batterie-SOC vorherzusagen. Das ANN-Modell übertraf frühere Strategien mit einem^R2 von 0,9925, was eine präzise und effiziente SOC-Schätzung ermöglichte. Eine AI-CF-Technik zur Leistungsbewertung von Elektrofahrzeugbatterien von Zhao et ^al.17 nutzt longitudinale elektronische Gesundheitsakten und reale Daten. Verbesserte SOH- und SOS-Diagnosen verbessern die Zuverlässigkeit von Elektrofahrzeugen und Batterie.

Miraftabzadeh et ^al.18 empfehlen KI-basierte Ansätze für Energiespeichersysteme (ESS) für Elektrofahrzeuge, darunter die Überwachung der Energiequalität, SOC-Vorhersage und BMS-Optimierung, um die Integration erneuerbarer Energien und die Ladeeffizienz zu verbessern. Khan et ^al.19 schlagen vor, Mikronetze, KI und Energiemanagementsysteme (EMS) zu integrieren, um den Stromverbrauch und die Erzeugung für ein zuverlässiges elektrisches System zu optimieren, Energieverschwendung, EV-bedingte Emissionen zu reduzieren und die Widerstandsfähigkeit von Smart Grid zu verbessern. Stecuła et ^al.20 untersuchen KI-Ansätze in städtischen Energiesystemen und konzentrieren sich auf die Integration von Wohn- und Stadtinfrastruktur zur Verwaltung erneuerbarer Energien, EV-Ladesysteme, Umweltverschmutzung und Effizienz. Mittal et ^al.21 untersuchen KI-basiertes Batteriemanagement und Ladeoptimierung in intelligenten Geräten und heben die Rolle intelligenter Mikronetze für eine nachhaltige EV-Integration hervor.

Rehan,²² , erforscht die Integration von KI und Cloud Computing in der US-Elektrofahrzeugbranche, um autonomes Fahren, Batteriemanagement, Benutzererfahrung und Cybersicherheit zu unterstützen. Vashishth et ^al.23 untersuchen die KI-Integration mit EV-EMS-Systemen, um die ökologische Nachhaltigkeit zu verbessern und Emissionen zu reduzieren. Chennupati²⁴ erläutert, wie KI-gesteuerte EV-Optimierung zur Klimaschutzminderung beitragen kann, und legt dabei den Schwerpunkt auf skalierbaren und nachhaltigen industriellen Rahmenbedingungen. Künstliche neuronale Netze, unterstützende Vektormaschinen und cloudbasierte Diagnosen haben die Überwachung der Batteriezustände und die Zuverlässigkeit von Elektrofahrzeugen verbessert. AI-PLELF erweitert diese Ansätze, indem es strukturierte Batteriezustandsschätzung und adaptives Management ermöglicht. Insgesamt kann KI die Nachhaltigkeit von Elektrofahrzeugen verbessern, indem sie die Effizienz steigert und den Energieverbrauch senkt.

Protocol

Batterielaufzeit und Leistung sind entscheidend, da die Nutzung von Elektrofahrzeugen wächst. Batteriemanagementsysteme verbessern die Ladezyklen, prognostizieren Verschlechterung und regulieren thermische Effekte. AI-PLELF verbessert das Energiemanagement, die Ladesteuerung und die SOC/SOH-Vorhersage von EV-Batterien. AI-PLELF nutzt Echtzeit-Sensordaten, Nutzungsmuster und Umgebungsbedingungen, um die Batterieleistung und Lebensdauer zu verbessern.

Die Batterie wurde mit einem LBT-Cycler mit ±0,05 % Vollmaßstabsgenauigkeit eingeschaltet. Eine temperaturkontrollierte Kammer wurde verwendet, um die Zellen bei 25,0 ± 0,5 °C zu montieren. Ein Hochtemperaturpolyimid-Klebeband wurde verwendet, um die Thermoelemente an der Zelloberfläche zu befestigen und so einen stabilen thermischen Kontakt sicherzustellen.

Um die Batterie zu laden, wurde das CC–CV-Ladeprotokoll mit der vom Hersteller bereitgestellten Batterieteststeuerungssoftware konfiguriert. Der Strom wurde auf 0,5 °C eingestellt (1,5 A bei einer 3-Ah-Zelle) mit einer Spannungsgrenze von 4,20 V. Der CV-Schritt wurde wiederholt, bis der Strom unter 0,05 °C (150 mA) fiel, woraufhin die Entladung mit dem Add-Step | eingeleitet wurde Entladung | CC mit einem Strom von 1°C (3 A) und einer Abschaltspannung von 2,50 V. Um eine Ruhephase von 600 Sekunden hinzuzufügen, wählen Sie Schritt hinzufügen | Restdaten wurden bei 1 Hz erfasst und als CSV-Dateien mit dem Export Data | ASCII-Option. Vor jedem Experiment wurden die Strom- und Spannungskanäle gemäß einem 0,1%-Genauigkeits-Shunt und einer Referenzzelle von 3,000 ± 0,001 V kalibriert.

Der Arbeitsablauf verarbeitet Batteriestrom-, Spannungs- und Temperatursignale, die bei 5 Hz aus 25 realen Fahrzyklen abgetastet werden. Das Protokoll wurde durch sequentielle Diagramme visualisiert, die rohe Sensordaten, vorverarbeitete Eingaben, SOC-Schätzungsausgaben und Modellverlustkurven für Trainingsverluste über 200 Simulationsiterationen zeigten. Zusätzlich wurde ein Prototyp-Ausführungsvideo erstellt, um Datenaufnahme, KI-Inferenz und Visualisierung in Echtzeit zu demonstrieren.

EV-Batterien

Dieser Schaltplan zeigt ein ML-basiertes Batteriemanagementsystem für Elektrofahrzeuge. Batteriesensoren überprüfen viele Batterieparameter, um das System zu starten. Die Informationssammlungseinheit organisiert die Sensordaten in Abbildung 1. ML Diese vorbereiteten Datenpunkte werden von Computern verwendet, um wichtige Batterieeigenschaften anhand verschiedener Modelle vorherzusagen. Das SOH-Vorhersagemodell verwendet Batterieladung, um Gesundheit und Lebensdauer vorherzusagen. Projektionsbasierte Ladungsoptimierung und Energiepriorisierung maximieren Ladezyklen und Effizienz. Beide Module erhalten Eingaben von der Steuereinheit, die den Systembetrieb und die Batterietemperatur steuert, um Überhitzung zu reduzieren und die Batterielebensdauer zu verlängern. Die Ausgabeschnittstelle sendet Systemstatus- und Diagnosedaten an die elektronische Steuereinheit (ECU) und integriert sie in die Managementsysteme des Fahrzeugs. Diese Integration verbessert die Batterieeffizienz und -sicherheit und erleichtert die Entscheidungsfindung in Echtzeit.

(1)

Die AI-PLELF-Technik steht in Zusammenhang mit Gleichung 1: Die Quantifizierung des Einflusses mehrerer Parameter S^xq steht für die Zustandsvariablen der Batterie, [W_lq] und für die Gewichte, die den Faktoren zugeordnet sind, die einen Einfluss haben, jg m, und Mx^r-q(n+1) für die Wirkung des ML-Modells auf die Vorhersage des Batteriezustands. Der Einsatz von Echtzeit-Datenmodifikationen im Ausdruck δR^qv + lq verbessert das Batteriemanagement.

(2)

In Gleichung 2, die den kumulativen Einfluss mehrerer Variablen auf Batteriekapazität und Lebensdauer modelliert, korreliert die vorgeschlagene AI-PLELF-Technik mit R - Q_l || A - Q_r ||. Hier repräsentieren N und R Zustandsvariablen wie SOH bzw. SOC, die den Batteriezustand und den Ladezustand widerspiegeln. Aktuelle Sensordaten n, frühere Nutzungsmuster n und externe Variablen S(t,v_q) werden integriert, damit das KI-gesteuerte System die Batterieauslastung (f) für eine höhere Effizienz und eine längere Lebensdauer verbessern kann.

Das Batteriemanagementsystem (BMS) ist für Elektrofahrzeuge entscheidend. Während des EV-Betriebs sorgt das BMS für Stabilität, Sicherheit und Langlebigkeit des Energiespeichergeräts (ESD). Verschiedene Aspekte, darunter Ladeverfahren, Zellüberwachung, Datenerhebung, Wärmemanagement, Energiemanagement, Lebensdauer und Zellschutz, sind Teil des BMS-Rahmens, der sowohl Design- als auch Leistungsbewertungsmechanismen umfasst.

Beim Laden oder Entladen des ESD können Spannungsungleichgewichte aufgrund elektrochemischer Prozesse auftreten. Die Spannungsausgleichung ist daher eine Hauptfunktion des BMS und bleibt ein Bereich für weitere Verbesserungen. Bei der Untersuchung von EV-Systemen und geeigneten Energiespeichertechnologien trägt diese Studie zur in Abbildung 2 illustrierten Diskussion bei. Das Energiemanagementsystem für Elektrofahrzeuge bleibt ein wichtiges Forschungsthema. Nach einer detaillierten Untersuchung wurden mehrere Einschränkungen in den aktuellen Energiemanagementsystemen identifiziert, und ein strukturierter Ansatz wird vorgeschlagen, um diese zu beheben.

(3)

Gleichung 3 ist eine aggregierte Leistung, die die Variablen A(R,L) wie Ladezyklen q, Lernrate kl und bestimmte degradierende Variablen berücksichtigt, die mit A(R,L) bezeichnet wird. Um Effizienz und Akkulaufzeit zu maximieren, optimiert AI-PLELF sowohl die Verbesserungs- als auch die Degradationsfaktoren (st+wl), die im Rahmen ausbalanciert sind.

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

Nach Gleichung 4 gilt ||Ca - θN_q|| ist das mathematische Modell, das das AI-PLELF-System zur Optimierung des Batteriemanagements verwendet, das verwendet wird, um die Differenz zwischen den beobachteten und erwarteten Zuständen R_l-1, A_k+1 zu korrelieren. Die ML-Algorithmen 2n (A_n, Y_l-1) verbessern die Leistung und Lebensdauer der Batterie, indem sie N(A,_N, B,_q+r), ihre SOH und SOC anhand von Echtzeitdaten N (R_l-1, A_k+1) und früheren Trends vorhersagen.

Fortschrittliches Batteriemanagement

Ein fortschrittliches Batteriemanagementsystem, das Leistung, Sicherheit und Lebensdauer priorisiert, ist in Abbildung 3 für Elektrofahrzeuge dargestellt. Das Datenerfassungssystem aggregiert alle relevanten Parameter schnell und genau, indem es Daten von verschiedenen Sensoren sammelt. Anschließend werden die Daten durch eine KI-gestützte Analyse-Engine durchgeführt, die ausgefeilte Algorithmen nutzt, um die Informationen zu analysieren und zu interpretieren. Einblicke in die Leistung der Batterie, Problemvorhersagen und Optimierungstaktiken für die Akkunutzung werden alle von der KI-Engine bereitgestellt. Das BMS überwacht die Lade- und Entladezyklen, den sicheren Betrieb und die Lebensdauer der Batterie und nutzt diese Erkenntnisse.

(5)

In Gleichung 5, zweifach N(D,R), ist links die Summe von l=1 und n=1 dargestellt. Das mathematische Modell wird wahrscheinlich in AI-PLELF verwendet, um Batteriestatus und Leistung vorherzusagen. Diese Formel berücksichtigt rekursive Additionen über viele Variablen, wie l und N, wobei für einen Absenkungsfaktor steht, N (A_n, R_b+q) eine verschachtelte Schätzung von Batterievariablen bezeichnet, und g und i²lq wahrscheinlich zusätzliche Umwelt- oder Betriebsfaktoren abdecken.

(6)

Durch die Modellierung des Zusammenhangs zwischen Energieeffizienz, Kapazität und den Faktoren Analyse der Batterieleistung und Lebensdauer ist die vorgeschlagene AI-PLELF-Technik mit Gleichung 6 konsistent, um das Batteriemanagementsystem zu verbessern, das Parameter (Q-1) wie den Ladestatus Q_R , Umgebung N_Aq und die Degradationsfaktoren W_L-1 einbezieht, die 1+N (A_n, W^L) durch ML-Algorithmen.

Ein Schlüsselelement zur Sicherstellung der Stabilität von Elektroautos ist das BMS, das die elektrischen Komponenten einer wiederaufladbaren Batterie steuert, einschließlich einer Zelle oder eines Zellenpakets. Indem sichergestellt wird, dass die Zelle innerhalb ihrer sicheren Betriebsgrenzen funktioniert, schützt sie entweder den Verbraucher oder die Batterie. Das BMS verfolgt den SOH der Batterie, sammelt Daten und reguliert externe Faktoren, die die Zelle beeinflussen, um die gleichmäßige Spannung über die Zelle aufrechtzuerhalten, wie in Abbildung 4 dargestellt.

Eine intelligente Stromquelle ist ein Leistungspaket mit einem BMS, das mit einem Datennetz oder einem externen Datenübertragungssystem verbunden ist. Zusätzliche Funktionen und Funktionen, darunter allgemeine Verarbeitungsausgaben, Smart-Netzwerk-Verbindungsregeln und Integration des Kraftstoffzählers, können enthalten sein. Ein intelligentes Batteriepaket kann sein eigenes Laden steuern, Fehlerberichte liefern, niedrige Akkuzustände erkennen und das Gerät darauf aufmerksam machen sowie die verbleibende Betriebszeit oder die Dauer der Stromquelle vorhersagen. Um die Genauigkeit seiner Vorhersagen zu erhalten, korrigiert es sich kontinuierlich selbst und liefert Informationen über Strom, Spannung und Temperatur der Zelle. Intelligente Batteriepacks verfügen oft über integrierte Elektronik, die die Zuverlässigkeit, Sicherheit, Lebensdauer und Gesamtnutzbarkeit der Batterie erhöht. Diese sind für den Einsatz in tragbaren Elektronikgeräten und Laptops gedacht. Diese Eigenschaften ermöglichen die Herstellung von fertigen Produkten, die zuverlässiger und einfacher zu bedienen sind. Wenn beispielsweise Batterien innerhalb der Temperaturbedingungen optimal geladen werden, können Geräte eine längere Lebensdauer haben.

(7)

Die Formel Yb_l Der vorgeschlagene KI-PLELF-Ansatz für Batteriemanagementsysteme steht wahrscheinlich im Zusammenhang mit dieser komplizierten Gleichung 7. Um Batteriezustand (SOH) und Ladestatus (SOC) mithilfe von r-1 KI-gesteuerten Vorhersagemodellen n=1 zu schätzen, kann die Betriebseffizienzanalyse als Betriebsparameter (o, m, s, hix), externe Variablen – A_l+1(s + hix) , , und Effizienzmetriken (o+m) – a_n , O(n+l) – enthalten sein.

(8)

In Gleichung 8 zeigt das vorgeschlagene AI-PLELF an, dass Batteriezustand und -leistung, ausgedrückt als h(A,q), von den in der Berechnung enthaltenen Variablen A_r und q_x beeinflusst werden. Zu den Aspekten gehören die prädiktive Wartungsanalyse, Lade-Entladungszyklen, Alterungsraten, thermische Effekte und Betriebsbedingungen, die durch W_c+l, A_r, qx und Stu dargestellt werden können.

Elektrofahrzeuge verlassen sich darauf, dass ihre BMS ihre Batterien reibungslos und so lange wie möglich am Laufen halten. Durch die Integration modernster ML-Techniken verbessert das KI-gestützte Lifelong Estimating Learning Framework (AI-PLELF) das konventionelle BMS. Um den Gesundheitszustand der Batterie, SOH und SOC genau abzuschätzen, nutzt diese neuartige Methode Echtzeitdaten von Sensoren (T1 bis Tn), frühere Nutzungsmuster und Umweltfaktoren. Um die Energieeffizienz und Batterielebensdauer zu maximieren, optimiert das AI-PLELF-System die Ladezyklen, antizipiert Verschlechterung und reduziert Wärmeeffekte. Um Überhitzung und Verschleiß zu reduzieren, kann das System Lasten (l1 zu ln) ausbalancieren, Ladeverfahren (V1 zu Vn) ändern und die Batteriezustand genau vorhersagen. AI-PLELF übertrifft laut gründlichen Simulationen Standard-BMS in Sachen Batterieleistung und Langlebigkeit. Sensoren sammeln sofortige Informationen, ein KI-Modul führt prädiktive Analysen durch, eine Steuereinheit verwaltet Lade- und Entladevorgänge und ein Datenerfassungssystem überwacht die Batterieeigenschaften; dies sind die Hauptkomponenten, die im funktionalen Blockdiagramm des BMS dargestellt sind.

(9)

Es scheint, dass das vorgeschlagene AI-PLELF-Framework für das Batteriemanagement ein kompliziertes Modell mit Gleichung 9 verwendet, der Zustandsschätzung oder -prognose für den Batteriezustand ST, wobei Zeit- und Nutzungsfaktoren f vielleicht r als Z_tf(l+kq) angegeben sind. In diesem Zusammenhang wird Sti durch den Ausdruck I (k^e, D) dargestellt, die Analyse der Skalierbarkeit beeinflusst die Vorhersage des Batteriestatus. Das KI-System hat wahrscheinlich Änderungen vorgenommen, die das Laden verbessert und Muster genutzt haben, um die Auswirkungen auf den Verfall zu verringern, was mit A(o+xq) bezeichnet wird.

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

Die AI-PLELF-Methode steht in Beziehung zu Gleichung 10, da sie das dynamische Verhalten ρ des Batteriestroms i als Funktion des Widerstands k^mR, Temperatur (no+r), der Grid Integration Analysis, weiteren Faktoren wie Entladetiefe DL^x , Innenwiderstand R sowie verschiedenen Betriebsparametern (i+da) und i_ql modelliert.

Ein Dashboard, Benachrichtigungen, Ankündigungen und Leistungsberichte sind alle Teil der Benutzeroberfläche, die Daten vom BMS empfängt. Diese Schnittstelle zeigt den Batteriestatus und Warnungen an. Verbindungen und Steuerung für externe Daten und Cloud-Dienste werden angeboten; Sie kümmern sich um Laden, Freigabe, Notfälle und Systembereitschaft. Das Gesamtdesign bietet ein leistungsstarkes Batteriemanagementsystem mit Echtzeit-Datenerfassung, fortschrittlicher Analysen und einfachen Benutzeroberflächen. AI-PLELF übertrifft BMS in Batterieleistung und Lebensdauer nach umfangreichen Simulationen. KI PLELF optimiert das Laden von Elektrofahrzeugen und das Energiemanagement, indem es SOH und SOC vorhersagt. Es kann ein einzelnes Elektrofahrzeug oder eine Flotte betreuen und dynamische Lösungen während des Betriebs bieten. Ein KI-gesteuertes BMS könnte Wartungskosten um 50 % sparen und die Nachhaltigkeit des Transports verbessern. Die Entwicklung umweltfreundlicher Elektrofahrzeugsysteme erfordert diese neue Methode. Um die vorgeschlagenen Algorithmen zu validieren, wird eine mehrstufige Validierungsstrategie definiert. Zunächst wird die interne Validierung mittels Zug-Test-Trennung auf simulierten Datensätzen durchgeführt, um die Vorhersagestabilität und das Konvergenzverhalten zu bewerten. Zweitens wird die Sensitivitätsanalyse durchgeführt, indem Zyklusprofile, Rauschpegel und Verschlechterungsparameter variiert werden, um die Robustheit zu bewerten. Drittens wird die Konsistenz der Ergebnisse durch den Vergleich von SOC- und SOH-Trends mit von Referenzmodellen abgeleiteten Schätzungen unter identischen Simulationsbedingungen überprüft. Obwohl die experimentelle Validierung in der vorliegenden Studie nicht enthalten ist, etabliert dieses Protokoll einen strukturierten Validierungsweg, der in zukünftigen Arbeiten auf Labor- und Hardware-in-the-Loop-Tests ausgeweitet werden kann.

Results

Diese Studie zeigt, dass KI die Leistung und Lebensdauer von Elektroautobatterien verbessern kann. BMS mit KI erhöhen Batteriediagnostik, Effizienz, vorausschauende Wartung, Skalierbarkeit und Netzintegration. Diese Systeme optimieren Ladezyklen, antizipieren die Batteriegesundheit und verbessern die Zuverlässigkeit von EV-Anwendungen durch den Einsatz von Echtzeitdaten und ML-Algorithmen. KI fördert nachhaltigen Verkehr, indem sie die Energieeffizienz, Zuverlässigkeit und Umweltfreundli...

Discussion

AI-PLELF kann EV-BMS renovieren. AI-PLELF optimiert Ladezyklen, verhindert Hitze und prognostiziert die Batteriegesundheit mithilfe leistungsstarker ML-Algorithmen. In Echtzeit ermöglichen Sensordaten, historische Nutzungsmuster und Umweltvariablen AI-PLELF, Batterie-SOH und SOC vorherzusagen und so Leistung und Lebensdauer zu verbessern. AI-PLELF übertrifft BMS in Sachen Batterieleistung und Haltbarkeit in großen Simulationen. Charakter-EV-Besitzer sparen Geld und erhalten mit dieser ne...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Gegenstand	Spezifikation	Hersteller / Modell	Zweck
Batterie-Zyklus	± 0,05 % Genauigkeit im vollen Maßstab	LBT21084 Batterietestsystem, Arbin Instruments, USA	Präzisionsladung & Dash; Entladungszyklen (Batterietestsystem)
Batterietest-Steuerungssoftware (MITS Pro)	Version 5.3.2	Arbin Instruments, USA	Konfiguration von CC– CV-Lade-/Entladungsprotokolle (Steuerungssoftware)
Polyimid-Klebeband	Hochtemperaturbeständig (bis zu 260 °C; C), elektrisch isolierend	Kapton Polyimid-Band, DuPont, USA	Thermoelemente an der Batterieoberfläche befestigen (Klebematerial)
Präzisions-Shuntwiderstand	0,1 % Toleranz	Vishay Precision Group, USA	Strommesskalibrierung
Referenzspannungszelle	3,000 ± 0,001 V Genauigkeit	Fluke-Kalibrierung, USA	Kanalkalibrierung (Spannungskalibrierung)
Temperaturkontrollierte Kammer	Stabilität: 25,0 & Plusmn; 0,5 & Grad; C	SH-241 Umweltkammer, ESPEC Corp., Japan	Wärmeregulierung während des Fahrens (Umweltkontrolle)
Thermoelemente (Typ-K)	Bodenmontage, ± 0,5 & Grad; C-Genauigkeit	Omega Engineering, USA	Oberflächentemperaturüberwachung (Temperaturmessung)