Métodos basados en algoritmos de aprendizaje automático para monitorizar el rendimiento y el envejecimiento en baterías de vehículos eléctricos

Summary

Este estudio introduce el Marco de Aprendizaje de Estimación Permanente impulsado por Inteligencia Artificial, un marco basado en inteligencia artificial para monitorización adaptativa, optimización de estrategias de carga y estimación de estados en baterías de vehículos eléctricos. El enfoque se evalúa experimentalmente bajo condiciones controladas para evaluar la viabilidad y la capacidad predictiva.

Abstract

Este protocolo describe el Marco de Aprendizaje de Estimación Permanente Impulsado por Inteligencia Artificial (AI-PLELF) para la monitorización y gestión adaptativa de baterías en sistemas de baterías de vehículos eléctricos. El marco integra datos en tiempo real de sensores de batería, incluyendo corriente, voltaje y temperatura, con información histórica de uso y parámetros ambientales para apoyar la estimación estructurada del estado y la evaluación de la estrategia de carga dentro de un Sistema de Gestión de Baterías (BMS).

El protocolo describe procedimientos secuenciales para la adquisición de datos de sensores, preprocesamiento, organización de características, predicción basada en aprendizaje automático del Estado de Carga (SOC) y Estado de Salud (SOH), y formulación de respuestas de control adaptativo. El flujo de trabajo se implementa en un entorno computacional controlado utilizando conjuntos de datos de ciclos de conducción del mundo real disponibles públicamente. Los datos se dividen en subconjuntos de entrenamiento, validación y prueba para evaluar, predicción, estabilidad y generalización bajo condiciones de operación variables.

Se realizan ensayos basados en simulación en diferentes escenarios de ciclo y ambientales para evaluar la consistencia de las estimaciones SOC y SOH y las sugerencias de control correspondientes. La metodología descrita proporciona un marco reproducible para desarrollar y evaluar estrategias de monitorización de baterías asistidas por IA. Aunque el presente estudio se centra en la validación basada en simulación, el protocolo establece una base estructurada que puede extenderse a pruebas integradas en laboratorio y hardware en aplicaciones futuras.

Introduction

Antecedentes y contexto

Los vehículos eléctricos (VE) dependen de un rendimiento fiable de las baterías para su seguridad, eficiencia y longevidad. Los Sistemas de Gestión de Baterías (BMS) monitorizan el estado de las baterías, regulan la carga y descarga, y previenen un funcionamiento dañino. Los sistemas BMS tradicionales utilizan modelos basados en física y lógica basada en reglas, que pueden perder precisión a medida que las baterías envejecen o cambian los ciclos^{de trabajo 1}. Las tecnologías de IA y aprendizaje automático se están utilizando para superar restricciones mediante el análisis de correlaciones basadas en datos entre las lecturas de sensores y los estados de la^{batería 2}. Las técnicas BMS habilitadas por IA utilizan mediciones en tiempo real y datos históricos de uso para apoyar la toma de decisiones adaptativa en condiciones no^{estacionarias 3}. Los estudios de gestión de baterías basados en IA suelen centrarse en la precisión de la predicción offline bajo perfiles de laboratorio^{definidos 4}, limitando su aplicabilidad a entornos reales con envejecimiento, fluctuaciones de carga y deriva ambiental. Muchos métodos carecen de una metodología clara que otros investigadores puedan replicar y evaluar.

Limitaciones de los enfoques existentes

Las técnicas estándar de estimación del estado de la batería incluyen la estimación SOC basada en el Filtro de Kalman Extendido (^{EKF) 5}, modelos de degradación comparables basados en circuito y^{física 6}, y métodos híbridos física-ML⁷. Los enfoques basados en EKF se deterioran con la edad y la temperatura y requieren una parametrización adecuada del modelo⁸. Los modelos basados en física requieren una calibración sustancial y pueden no aplicarse a todas las químicas de baterías o ciclos^{de trabajo 9}. Las técnicas híbridas reducen el tamaño del modelo pero requieren formación offline y regímenes operativos^{estables 10}. En lugar de centrarse principalmente en las mejoras de rendimiento bajo indicadores estáticos, se necesita un marco que apoye la adaptación en línea, el aprendizaje continuo y una evaluación rigurosa a través de las condiciones de envejecimiento^{y uso.}

Brecha en la investigación

El diseño BMS asistido por IA está ganando popularidad, pero faltan protocolos que aborden explícitamente (i) la generalización a través de diversos ciclos^{de trabajo 12}, (ii) la adaptación en línea al envejecimiento y deriva de la batería, y (iii) la evaluación reproducible usando entradas de datos claramente definidas, pasos de aprendizaje y salidas¹³ . La investigación suele informar de mejoras a nivel de resultados sin describir cómo se mantiene o modifica el aprendizaje a lo largo de la vida^{útil de una batería, 14}. Para cubrir esta carencia, este estudio presenta AI-PLELF como un marco estructurado de estimación y aprendizaje en lugar de un sistema comercial, enfatizando la viabilidad experimental y la transparencia del protocolo.

Resumen del protocolo propuesto

AI-PLELF combina datos de uso previo y factores ambientales con datos en tiempo real de sensores de batería, incluyendo corriente, voltaje y temperatura. El flujo de trabajo BMS procesa estas entradas utilizando preprocesamiento de datos, estimación de estados basada en aprendizaje automático y lógica adaptativa de decisión de carga. Las pruebas basadas en simulación en diferentes condiciones operativas pueden evaluar las estimaciones SOC y SOH del protocolo y sus recomendaciones de control. El protocolo asume métricas estándar de usabilidad y alcance del BMS (corriente, voltaje, temperatura) registradas a tasas de controlador de batería embebidas (1–10 Hz). El objetivo del marco es proporcionar validación experimental y basada en simulación en dispositivos embebidos o de computación en borde con capacidades computacionales limitadas. Puede utilizarse para pruebas controladas y benchmarking de algoritmos, pero no como reemplazo de hardware BMS certificado en seguridad.

Este trabajo presenta un marco metodológico basado en IA para el monitoreo del rendimiento, el modelado de degradación y el soporte a la toma de decisiones en sistemas de baterías de vehículos eléctricos. El enfoque propuesto se evalúa experimentalmente utilizando conjuntos de datos controlados y validación basada en simulación para demostrar la viabilidad y la eficacia potencial. Aunque los resultados indican mejoras medibles en la precisión predictiva y la eficiencia operativa, el estudio no afirma un aumento definitivo en la vida útil bajo condiciones reales de despliegue. En cambio, los hallazgos establecen una base para futuras validaciones a gran escala y longitudinales.

AI-PLELF es un método de integración distinto que enfatiza el aprendizaje a lo largo de la vida, la coestimación unificada SOC–SOH y la repetibilidad a nivel de protocolo en un único proceso BMS habilitado por IA. AI-PLELF actualiza los modelos de forma incremental a lo largo de los ciclos de conducción para responder al deriva y al envejecimiento en el entorno de simulación, a diferencia de las técnicas estáticas de IA-BMS entrenadas fuera de línea. Las simulaciones revelan que AI-PLELF reduce la desviación de estimación SOH del 4,5% al 2,6% y el error de estimación SOC del 3,2% al 1,8% bajo ciclos de conducción similares. Los gráficos de error comparativos y los gráficos de convergencia, generados utilizando el mismo conjunto de datos y línea de preparación, revelan estas discrepancias.

Estudio de antecedentes:

Las estrategias de fiabilidad y sostenibilidad de los VE incorporan cada vez más enfoques basados en IA. Los sistemas de diagnóstico de baterías impulsados por IA y la gestión energética en vehículos eléctricos ayudan a reducir el impacto ambiental y a promover la movilidad sostenible. D-DD&PA predice SOH, SOS, vida útil del ciclo y RUL de la batería de vehículos eléctricos, según informan Zhao et ^al.15. La mejora del rendimiento de las baterías de los vehículos eléctricos mejora la seguridad y la fiabilidad, proporcionando información operativa vital. Shashibhushan¹⁶ aplicó métodos de IA (ANN, SVM, LR, KNN) y PCA escasa para predecir el SOC en batería. El modelo ANN superó a las estrategias anteriores con un^R2 de 0,9925, lo que permitió una estimación precisa y eficiente del SOC. Una técnica de IA-CF para la evaluación del rendimiento de baterías de vehículos eléctricos realizada por Zhao et ^al.17 utiliza registros médicos electrónicos longitudinales y datos del mundo real. Los diagnósticos SOH y SOS mejorados aumentan la fiabilidad de los vehículos eléctricos y de la batería.

Miraftabzadeh et ^al.18 recomiendan enfoques de sistemas de almacenamiento de energía (ESS) basados en IA para vehículos eléctricos, incluyendo la monitorización de la calidad de la energía, la predicción de SOC y la optimización de BMS, mejorando la integración de energías renovables y la eficiencia de carga. Khan et ^al.19 sugieren integrar microrredes, IA y sistemas de gestión energética (EMS) para optimizar el consumo y la generación de energía y lograr un sistema eléctrico fiable, reduciendo el desperdicio energético, las emisiones relacionadas con los vehículos eléctricos y mejorando la resiliencia de las redes inteligentes. Stecuła et ^al.20 examinan enfoques de IA en sistemas energéticos urbanos, centrándose en la integración de infraestructuras residenciales y urbanas para gestionar la energía renovable, los sistemas de carga de vehículos eléctricos, la contaminación y la eficiencia. Mittal et ^al.21 estudian la gestión de baterías y la optimización de carga basada en IA en dispositivos inteligentes, destacando el papel de las microredes inteligentes en la integración sostenible de vehículos eléctricos.

Rehan²² explora la integración de la IA y la computación en la nube en la industria eléctrica estadounidense para apoyar la conducción autónoma, la gestión de baterías, la experiencia del usuario y la ciberseguridad. Vashishth et ^al.23 analizan la integración de la IA con los sistemas EMS de vehículos eléctricos para mejorar la sostenibilidad ambiental y reducir las emisiones. Chennupati²⁴ analiza cómo la optimización de vehículos eléctricos impulsada por IA puede contribuir a la mitigación del cambio climático, haciendo hincapié en marcos industriales escalables y sostenibles. Las redes neuronales artificiales, las máquinas de vectores de soporte y los diagnósticos en la nube han mejorado la monitorización de la salud de la batería y la fiabilidad de los vehículos eléctricos. AI-PLELF amplía estos enfoques permitiendo la estimación estructurada del estado de la batería y la gestión adaptativa. En general, la IA puede mejorar la sostenibilidad de los vehículos eléctricos aumentando la eficiencia y reduciendo el consumo energético.

Protocol

La duración de la batería y el rendimiento son cruciales a medida que crece la adopción de vehículos eléctricos. Los sistemas de gestión de baterías mejoran los ciclos de carga, pronostican la degradación y regulan los efectos térmicos. AI-PLELF mejora la gestión energética, el control de carga y la predicción del SOC/SOH de baterías de vehículos eléctricos. AI-PLELF utiliza datos de sensores en tiempo real, patrones de uso y condiciones ambientales para mejorar el rendimiento y la longevidad de la batería.

La batería se ciclaba con un ciclador LBT con una precisión a escala completa del ±0,05%. Se utilizó una cámara controlada de temperatura para montar las células a 25,0 ± 0,5 °C. Se utilizó una cinta adhesiva de poliimida a alta temperatura para asegurar los termopares a la superficie celular y así asegurar un contacto térmico estable.

Para cargar la batería, el protocolo de carga CC–CV se configuraba utilizando el software de control de pruebas de batería proporcionado por el fabricante. La corriente se ajustó a 0,5 °C (1,5 A para una celda de 3 Ah) con un límite de tensión de 4,20 V. El paso CV se repetía hasta que la corriente bajaba de 0,05°C (150 mA), tras lo cual se iniciaba la descarga usando Añadir Paso | Descarga | CC con una corriente de 1C (3 A) y un voltaje de corte de 2,50 V. Para añadir un periodo de descanso de 600 s, selecciona Añadir Paso | Resto. Los datos se capturaban a 1 Hz y se guardaban como archivos CSV usando el archivo Export Data | Opción ASCII. Antes de cada experimento, los canales de corriente y voltaje se calibraban usando un shunt de precisión del 0,1% y una celda de referencia de 3,000 ± 0,001 V, según el manual del fabricante.

El flujo de trabajo procesa señales de corriente, voltaje y temperatura de la batería muestreadas a 5 Hz de 25 ciclos reales de conducción. El protocolo se visualizó mediante gráficos secuenciales que muestran datos en bruto de los sensores, entradas preprocesadas, salidas de estimación del SOC y curvas de pérdida de entrenamiento del modelo a lo largo de 200 iteraciones de simulación. Además, se generó un vídeo de ejecución prototipo para demostrar la ingesta de datos, la inferencia de IA y la visualización de salida en tiempo real.

Baterías de vehículos eléctricos

Este esquema muestra un sistema de gestión de baterías de vehículos eléctricos basado en aprendizaje automático. Los sensores de batería revisan muchos parámetros de la batería para arrancar el sistema. La Unidad de Recopilación de Información organiza los datos de los sensores en la Figura 1. ML Estos puntos de datos preparados son utilizados por ordenadores para predecir propiedades clave de la batería utilizando varios modelos. El Modelo de Predicción SOH utiliza la carga de la batería para predecir la salud y la vida útil. La optimización de carga basada en proyecciones y la priorización energética maximizan los ciclos de carga y la eficiencia. Ambos módulos reciben información de la Unidad de Control, que gestiona las operaciones del sistema y la temperatura de la batería para reducir el sobrecalentamiento y prolongar la vida útil de la batería. La Interfaz de Salida envía datos de estado del sistema y diagnóstico a la Unidad de Control Electrónico (ECU), integrándola con los sistemas de gestión del vehículo. Esta integración mejora la eficiencia y seguridad de las baterías y facilita la toma de decisiones en tiempo real.

(1)

La técnica AI-PLELF está relacionada con la ecuación 1, Cuantificando la influencia de varios parámetros S^xq representa las variables de estado de la batería, [W_lq] y los pesos dados a los factores que impactan a jg m, y Mx^r-q(n+1) para el efecto del modelo ML en la predicción del estado de la batería. El uso de modificaciones de datos en tiempo real en la expresión^{δR qv} + lq mejora la gestión de la batería.

(2)

En la Ecuación 2, modelando la influencia acumulada de múltiples variables en la capacidad y vida útil de la batería, la técnica propuesta AI-PLELF está correlacionada con R -_{Q l} || A - Q_r ||. Aquí, N y R representan variables de estado como SOH y SOC, respectivamente, reflejando el estado de salud de la batería y el estado de carga. Se incorporan los datos actuales del sensor n, los patrones de uso pasados n y las variables externas S(_{t,v q}) para que el sistema impulsado por IA pueda mejorar la utilización de la batería (f) para mejorar la eficiencia y una vida útil prolongada.

El Sistema de Gestión de Baterías (BMS) es fundamental para los vehículos eléctricos. Durante la operación de los VE, el BMS garantiza la estabilidad, seguridad y longevidad del dispositivo de almacenamiento de energía (ESD). Diversos aspectos, incluyendo procedimientos de carga, monitorización de celdas, recogida de datos, gestión térmica, gestión de energía, evaluación de la vida útil y protección celular, forman parte del marco BMS, que incluye tanto mecanismos de diseño como de evaluación del rendimiento.

Durante la carga o descarga del ESD, pueden producirse desequilibrios de voltaje debido a procesos electroquímicos. Por tanto, el balanceo de voltaje es una función principal del BMS y sigue siendo un área de mejora adicional. Al examinar los sistemas de vehículos eléctricos y las tecnologías adecuadas de almacenamiento de energía, este estudio contribuye a la discusión ilustrada en la Figura 2. El sistema de gestión energética para vehículos eléctricos sigue siendo un tema de investigación importante. Tras una investigación detallada, se identificaron varias limitaciones en los sistemas actuales de gestión energética y se propone un enfoque estructurado para abordarlas.

(3)

La ecuación 3 es un rendimiento agregado que tiene en cuenta variables A(R,L) como ciclos de carga q, tasa de aprendizaje kl y variables degradantes particulares, denotado por A(R,L). Para maximizar la eficiencia y la duración de la batería, AI-PLELF optimiza tanto los factores de mejora como de degradación (st+wl), que están equilibrados en el marco.

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

Según la ecuación 4, ||Ca - θN_q|| es el modelo matemático que el sistema AI-PLELF utiliza para optimizar la gestión de baterías, que se emplea para correlacionar la diferencia entre los estados observado y anticipado R_l-1, A_k+1. Los algoritmos ML 2n (A_n, Y_l-1) mejoran el rendimiento y la vida útil de la batería al predicir N(A_N, B_q+r), su SOH y SOC utilizando datos en tiempo real N (R_l-1, A_k+1) y tendencias previas.

Gestión avanzada de baterías

Un sistema avanzado de gestión de baterías que prioriza el rendimiento, la seguridad y la vida útil se muestra en la Figura 3 para los vehículos eléctricos. El sistema de recogida de datos agrega rápida y con precisión todos los parámetros relevantes mediante la recogida de datos de varios sensores. Después, los datos se procesan a través de un motor analítico impulsado por IA que utiliza algoritmos sofisticados para analizar e interpretar la información. El motor de IA proporciona información sobre el rendimiento de la batería, predicciones de problemas y tácticas de optimización para su utilización. El BMS monitoriza los ciclos de carga y descarga de la batería, su funcionamiento seguro y su vida útil, utilizando estos datos.

(5)

En la Ecuación 5, doble N(D,R), la suma de l=1 y n=1 se muestra a la izquierda. El modelo matemático probablemente se utiliza en AI-PLELF para predecir el estado y el rendimiento de la batería. Esta fórmula tiene en cuenta sumas recursivas sobre muchas variables, como l y N, donde representa un factor de declive, N (A_n, R_b+q) denota una estimación anidada de variables de batería, y g e^{i 2}lq probablemente cubren factores ambientales u operativos adicionales.

(6)

Al modelar la relación entre eficiencia energética, capacidad y factores Análisis del Rendimiento de la Batería y la vida útil, la técnica sugerida AI-PLELF es coherente con la ecuación 6 como forma de mejorar el Sistema de Gestión de Baterías, que incorpora parámetros (Q-1) como el estado de carga Q_R , el entorno N_Aq y los factores de degradación W_L-1 , que se incorporan 1+N (A_n, W^L) mediante algoritmos de aprendizaje automático.

Un componente clave para garantizar la solidez de los automóviles eléctricos es el BMS, que controla los componentes eléctricos de una batería recargable, incluyendo una celda o un paquete de celdas. Al garantizar que la célula funcione dentro de sus límites operativos seguros, protege tanto al consumidor como a la batería. El BMS controla la SOH de la batería, recopila datos y regula los factores externos que afectan a la celda para mantener un voltaje uniforme a lo largo de la célula, como se muestra en la Figura 4.

Una fuente de alimentación inteligente es un paquete de energía con un BMS conectado a una red de datos o a un sistema externo de transmisión de datos. Se pueden incluir funciones y capacidades adicionales, incluyendo salidas de procesamiento de propósito general, reglas de conexión de red inteligente e integración con contadores de combustible. Un paquete de baterías inteligente puede controlar su propia carga, proporcionar informes de errores, identificar condiciones de batería baja y alertar al dispositivo, además de prever el tiempo de funcionamiento restante o la duración de la fuente de alimentación. Para preservar la precisión de sus predicciones, se autocorrige continuamente y proporciona información sobre la corriente, el voltaje y la temperatura de la célula. Los paquetes de baterías inteligentes suelen incorporar electrónica integrada que mejora la fiabilidad, seguridad, longevidad y utilidad general de la batería. Están pensadas para su uso en electrónica portátil y portátiles. Estas características permiten la creación de productos terminados más fiables y fáciles de usar. Por ejemplo, cuando las baterías se cargan con sus características óptimas dentro de las restricciones de temperatura, los dispositivos pueden tener una vida útil más larga.

(7)

La fórmula Yb_l El enfoque sugerido AI-PLELF para sistemas de gestión de baterías probablemente esté relacionado con esta complicada ecuación 7. Para poder estimar la salud de la batería (SOH) y el estado de carga (SOC) usando modelos de predicción r-1 impulsados por IA n=1, puede incluir el Análisis de Eficiencia Operativa como parámetros operativos (o, m, s, hix), variables externas - A_l+1(s + hix) , , y métricas de eficiencia (o+m)_{- a n} , O(n+l).

(8)

En la Ecuación 8, el AI-PLELF propuesto indica que la salud y el rendimiento de la batería, expresados como h(A,q), se ven afectados por las variables A_r y q_x incluidas en el cálculo. Los aspectos incluyen el Análisis de Mantenimiento Predictivo, ciclos de carga-descarga, tasas de envejecimiento, efectos térmicos y condiciones de funcionamiento, que pueden representarse por W_c+l , A_r , qx , , y Stu.

Los vehículos eléctricos dependen de sus BMS para mantener sus baterías funcionando de forma fluida y durante el mayor tiempo posible. Al integrar técnicas de aprendizaje automático de última generación, el Marco de Aprendizaje de Estimación Permanente Impulsado por IA (AI-PLELF) mejora el BMS convencional. Para estimar con precisión el nivel de estado de la batería, la SOH y el SOC, este método novedoso utiliza datos en tiempo real de sensores (T1 a Tn), patrones de uso pasado y factores ambientales. Para maximizar la eficiencia energética y la duración de la batería, el sistema AI-PLELF optimiza los ciclos de carga, anticipa el deterioro y reduce los efectos térmicos. Para reducir el sobrecalentamiento y el desgaste, el sistema puede equilibrar las cargas (de L1 a Ln), cambiar los procedimientos de carga (de V1 a Vn) y predecir con precisión la salud de la batería. AI-PLELF supera al BMS estándar en rendimiento y longevidad de baterías, según simulaciones exhaustivas. Los sensores recopilan información inmediata, un módulo de IA realiza análisis predictivos, una unidad de control gestiona las operaciones de carga y descarga, y un sistema de recogida de datos monitoriza las características de las baterías; estos son los principales componentes representados en el diagrama funcional del BMS.

(9)

Parece que el marco sugerido de AI-PLELF para la gestión de baterías utiliza un modelo complicado con la ecuación 9, estimación o predicción del estado de la batería st usando factores de tiempo y uso f quizá r dados como Z_tf(l+kq). En este contexto, Sti se representa con la frase I (^{k e}, D), el análisis de escalabilidad afecta la predicción del estado de la batería. Probablemente el sistema de IA realizó alteraciones que mejoraron los patrones de carga y uso para reducir los impactos de deterioro, lo que se denota por A(o+xq).

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

El método AI-PLELF está relacionado con la ecuación 10 porque modela los comportamientos dinámicos ρ de la corriente de batería i en función de la resistencia k^mR, temperatura (no+r), análisis de integración de rejillas, otros factores como la profundidad de descarga DL^x , resistencia interna R y diferentes parámetros operativos (i+da) y i_ql.

Un panel de control, notificaciones, anuncios e informes de rendimiento forman parte de la interfaz de usuario que recibe datos del BMS. Esta interfaz muestra el estado de la batería y las alertas. Se ofrecen conexiones y control para servicios externos de datos y en la nube; Se encargan de carga, liberación, emergencias y preparación del sistema. El diseño global ofrece un potente sistema de gestión de baterías con recopilación de datos en tiempo real, análisis avanzados e interfaces de usuario sencillas. AI-PLELF supera a BMS en rendimiento y vida útil de la batería tras simulaciones extensas. AI PLELF optimiza la carga y gestión energética de vehículos eléctricos prediciendo SOH y SOC. Puede manejar un solo vehículo eléctrico o una flota y ofrecer soluciones dinámicas durante la operación. Un BMS impulsado por IA podría ahorrar un 50% en costes de mantenimiento y mejorar la sostenibilidad del transporte. Crear sistemas ecológicos para vehículos eléctricos requiere este nuevo método. Para validar los algoritmos propuestos, se define una estrategia de validación en varias etapas. En primer lugar, la validación interna se realiza utilizando la separación train-test en conjuntos de datos simulados para evaluar la estabilidad de predicción y el comportamiento de convergencia. En segundo lugar, el análisis de sensibilidad se realiza variando perfiles de ciclo, niveles de ruido y parámetros de degradación para evaluar la robustez. En tercer lugar, la consistencia de la salida se verifica comparando las tendencias SOC y SOH con estimaciones derivadas del modelo de referencia bajo condiciones idénticas de simulación. Aunque la validación experimental no está incluida en el presente estudio, este protocolo establece una vía estructurada de validación que puede extenderse a pruebas de laboratorio y hardware-in-the-loop en trabajos futuros.

Results

Este estudio demuestra que la IA puede mejorar el rendimiento y la longevidad de las baterías de coches eléctricos. Los BMS que utilizan IA aumentan el diagnóstico de baterías, la eficiencia, el mantenimiento predictivo, la escalabilidad y la integración con la red. Estos sistemas optimizan los ciclos de carga, anticipan la salud de las baterías y mejoran la fiabilidad de las aplicaciones de vehículos eléctricos aprovechando datos en tiempo real y algoritmos de aprendizaje automático. La...

Discussion

AI-PLELF puede renovar vehículos BMS. AI-PLELF optimiza los ciclos de carga, previene el calor y predice la salud de la batería utilizando potentes algoritmos de aprendizaje automático. En tiempo real, los datos de los sensores, los patrones históricos de uso y las variables ambientales permiten a AI-PLELF predecir la SOH y la SOC de la batería, mejorando el rendimiento y la vida útil. AI-PLELF supera a BMS en rendimiento y durabilidad de baterías en simulaciones masivas. Los propietario...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Punto	Especificaciones	Fabricante / Modelo	Propósito
Ciclador de baterías	± 0,05% de precisión a escala completa	LBT21084 Sistema de Pruebas de Baterías, Arbin Instruments, EE. UU.	Carga de precisión y guion; ciclo de descarga (sistema de prueba de batería)
Software de Control de Pruebas de Batería (MITS Pro)	Versión 5.3.2	Arbin Instruments, EE. UU.	Configuración de CC– Protocolos de carga/descarga CV (software de control)
Cinta adhesiva de poliimida	Resistente a altas temperaturas (hasta 260 °C; C), aislante eléctricamente	Cinta de poliimida Kapton, DuPont, EE. UU.	Fijación de termopares a la superficie de la batería (material adhesivo)
Resistencia de derivación de precisión	Tolerancia del 0,1%	Vishay Precision Group, EE. UU.	Calibración de la medición de corriente
Celda de Voltaje de Referencia	3.000 y másmn; 0.001 V de precisión	Calibración Fluke, EE. UU.	Calibración de canal (calibración de voltaje)
Cámara con control de temperatura	Estabilidad: 25,0 y más; 0,5 y grados; C	SH-241 Cámara Ambiental, ESPEC Corp., Japón	Regulación térmica durante el ciclo (control ambiental)
Termopares (Tipo K)	Montaje en superficie, ± 0,5 ° Precisión C	Omega Engineering, EE. UU.	Monitorización de la temperatura superficial (medición de temperatura)