Méthodes basées sur des algorithmes d’apprentissage automatique pour surveiller la performance et le vieillissement des batteries de véhicules électriques

Summary

Cette étude introduit le cadre d’apprentissage par l’estimation à vie alimenté par l’intelligence artificielle, un cadre basé sur l’intelligence artificielle pour la surveillance adaptative, l’optimisation des stratégies de recharge et l’estimation de l’état dans les batteries de véhicules électriques. L’approche est évaluée expérimentalement dans des conditions contrôlées afin d’évaluer la faisabilité et la capacité prédictive.

Abstract

Ce protocole décrit le cadre d’apprentissage par l’estimation à vie alimenté par intelligence artificielle (AI-PLELF) pour la surveillance et la gestion adaptatives des batteries dans les systèmes de batteries pour véhicules électriques. Le cadre intègre des données de capteurs de batterie en temps réel, incluant le courant, la tension et la température, avec des informations historiques d’utilisation et des paramètres environnementaux pour soutenir l’estimation structurée de l’état et l’évaluation de la stratégie de charge au sein d’un système de gestion des batteries (BMS).

Le protocole décrit des procédures séquentielles pour l’acquisition des données des capteurs, le prétraitement, l’organisation des fonctionnalités, la prédiction basée sur l’apprentissage automatique de l’état de charge (SOC) et de l’état de santé (SOH), ainsi que la formulation de réponses de contrôle adaptatives. Le flux de travail est mis en œuvre dans un environnement informatique contrôlé à l’aide de jeux de données de cycles de conduite réels accessibles publiquement. Les données sont partitionnées en sous-ensembles d’entraînement, de validation et de test afin d’évaluer, prédiction, stabilité et généralisation dans des conditions de fonctionnement variables.

Des essais basés sur la simulation sont menés dans différents scénarios de cyclage et environnementaux afin d’évaluer la cohérence des estimations SOC et SOH ainsi que des suggestions de contrôle correspondantes. La méthodologie décrite fournit un cadre reproductible pour développer et évaluer des stratégies de surveillance des batteries assistées par l’IA. Bien que la présente étude se concentre sur la validation basée sur la simulation, le protocole établit une base structurée qui pourrait être étendue aux tests intégrés en laboratoire et au matériel dans de futures applications.

Introduction

Contexte et contexte

Les véhicules électriques (VE) dépendent de performances fiables de la batterie pour assurer la sécurité, l’efficacité et la longévité. Les systèmes de gestion des batteries (BMS) surveillent l’état des batteries, régulent la charge et la décharge, et empêchent les mauvais usages. Les systèmes BMS traditionnels utilisent des modèles basés sur la physique et une logique basée sur des règles, qui peuvent perdre en précision à mesure que les batteries vieillissent ou que les cycles de service^{changent 1}. Les technologies d’IA et d’apprentissage automatique sont utilisées pour surmonter les restrictions en analysant les corrélations basées sur les données entre les lectures des capteurs et les états^{de la batterie 2}. Les techniques BMS habilitées par l’IA utilisent des mesures en temps réel et des données d’utilisation historiques pour soutenir la prise de décision adaptative dans des conditions non^{stationnaires 3}. Les études de gestion des batteries basées sur l’IA se concentrent souvent sur la précision des prédictions hors ligne dans des profils de laboratoire^{définis 4}, limitant leur applicabilité à des environnements réels avec vieillissement, fluctuations de charge et dérive environnementale. Beaucoup de méthodes manquent d’une méthodologie claire que d’autres chercheurs peuvent reproduire et évaluer.

Limites des approches existantes

Les techniques standard d’estimation de l’état de batterie incluent l’estimation^SOC 5 basée sur le filtre de Kalman étendu (EKF), des modèles de dégradation comparables basés sur les circuits et^{la physique 6}, et les méthodes hybrides physique-ML⁷. Les approches basées sur l’EKF se détériorent avec l’âge et la température et nécessitent une paramétrisation appropriée du^{modèle 8}. Les modèles basés sur la physique nécessitent un étalonnage substantiel et peuvent ne pas s’appliquer à toutes les chimies de batterie ou cycles^{de service 9}. Les techniques hybrides réduisent la taille des modèles mais nécessitent une formation hors ligne et des régimes opérationnels stables¹⁰. Au lieu de se concentrer principalement sur les gains de performance sous des benchmarks statiques, un cadre qui favorise l’adaptation en ligne, l’apprentissage continu et une évaluation rigoureuse à travers le vieillissement et les conditions d’utilisation est^nécessaire.

Période de recherche

La conception de BMS assistée par IA gagne en popularité, mais les protocoles qui traitent explicitement (i) la généralisation sur divers cycles^{de travail 12}, (ii) l’adaptation en ligne au vieillissement et à la dérive de la batterie, et (iii) l’évaluation reproductible utilisant des entrées de données clairement définies, des étapes d’apprentissage et des sorties¹³ font défaut. La recherche rapporte souvent des gains au niveau des résultats sans décrire comment l’apprentissage est maintenu ou modifié au cours de la durée de vie d’une^{batterie 14}. Pour combler cette lacune, cette étude présente AI-PLELF comme un cadre structuré d’estimation et d’apprentissage plutôt qu’un système commercial, en mettant l’accent sur la faisabilité expérimentale et la transparence des protocoles.

Aperçu du protocole proposé

AI-PLELF combine les données d’utilisation précédente et les facteurs ambiants avec les données en temps réel des capteurs de batterie, incluant le courant, la tension et la température. Le flux de travail BMS traite ces entrées en utilisant le prétraitement des données, l’estimation de l’état basée sur le ML et la logique adaptative de décision de charge. Des tests basés sur la simulation dans différentes conditions de fonctionnement peuvent évaluer les estimations SOC et SOH du protocole ainsi que ses recommandations de contrôle. Les métriques BMS standard d’utilisabilité et de portée (courant, tension, température) enregistrées à des débits intégrés de contrôleur de batterie (1–10 Hz) sont supposées par le protocole. L’objectif du cadre est de fournir une validation expérimentale et basée sur la simulation sur des dispositifs embarqués ou de calcul en périphérie aux capacités computationnelles limitées. Il peut être utilisé pour des tests contrôlés et des benchmarks d’algorithmes, mais pas comme remplacement matériel BMS certifié sécurité pour véhicule.

Ce travail présente un cadre méthodologique basé sur l’IA pour la surveillance des performances, la modélisation de la dégradation et le support à la décision dans les systèmes de batteries de véhicules électriques. L’approche proposée est évaluée expérimentalement à l’aide de jeux de données contrôlés et d’une validation basée sur la simulation afin de démontrer la faisabilité et le potentiel d’efficacité. Bien que les résultats indiquent des améliorations mesurables de la précision prédictive et de l’efficacité opérationnelle, l’étude ne revendique pas une augmentation définitive de la durée de vie dans des conditions de déploiement réelles. Au contraire, ces résultats établissent une base pour une validation future à grande échelle et longitudinale.

AI-PLELF est une méthode d’intégration distincte qui met l’accent sur l’apprentissage tout au long de la vie, la co-estimation unifiée SOC–SOH et la répétabilité au niveau du protocole dans un seul processus BMS habilité par l’IA. AI-PLELF met à jour les modèles de manière incrémentale tout au long des cycles de conduite pour répondre à la dérive et au vieillissement dans l’environnement de simulation, contrairement aux techniques IA-BMS statiques et entraînées hors ligne. Les simulations révèlent qu’AI-PLELF réduit l’écart estimé SOH de 4,5 % à 2,6 % et l’erreur d’estimation SOC de 3,2 % à 1,8 % sous des cycles de conduite similaires. Les graphiques d’erreur comparatifs et les graphiques de convergence, générés à l’aide du même ensemble de données et pipeline de préparation, révèlent ces divergences.

Étude de fond :

Les stratégies de fiabilité et de durabilité des VE intègrent de plus en plus des approches basées sur l’IA. Les diagnostics de batteries et les systèmes de gestion énergétique des VE propulsés par l’IA contribuent à réduire l’impact environnemental et à faire progresser la mobilité durable. D-DD&PA prédit la SOH, SOS, la durée de vie des cycles et la RUL des batteries EV, selon Zhao et ^al.15. L’amélioration des performances des batteries EV améliore la sécurité et la fiabilité tout en fournissant des informations opérationnelles essentielles. Shashibhushan¹⁶ a appliqué des méthodes d’IA (ANN, SVM, LR, KNN) et une PCA parcimaïque pour prédire le SOC par batterie. Le modèle ANN a surpassé les stratégies précédentes avec un R² de 0,9925, permettant une estimation précise et efficace du SOC. Une technique IA-CF pour l’évaluation des performances des batteries de VE par Zhao et ^al.17 utilise des dossiers médicaux électroniques longitudinaux et des données réelles. Des diagnostics SOH et SOS améliorés renforcent la fiabilité des véhicules électriques et des batteries.

Miraftabzadeh et ^al.18 recommandent des approches de systèmes de stockage d’énergie (ESS) basés sur l’IA pour les VE, incluant la surveillance de la qualité de l’énergie, la prévision des SOC et l’optimisation du BMS, améliorant l’intégration des énergies renouvelables et l’efficacité de la recharge. Khan et ^al.19 suggèrent d’intégrer des microréseaux, de l’IA et des systèmes de gestion de l’énergie (EMS) afin d’optimiser la consommation et la production d’énergie pour un système électrique fiable, réduisant ainsi le gaspillage énergétique, les émissions liées aux véhicules électriques et améliorant la résilience des réseaux intelligents. Stecuła et ^al.20 examinent les approches d’IA dans les systèmes énergétiques urbains, en se concentrant sur l’intégration des infrastructures résidentielles et urbaines pour gérer les énergies renouvelables, les systèmes de recharge des VE, la pollution et l’efficacité. Mittal et ^al.21 étudient la gestion des batteries et l’optimisation de la recharge basées sur l’IA dans les appareils intelligents, mettant en avant le rôle des microréseaux intelligents dans l’intégration durable des véhicules électriques.

Rehan²² explore l’intégration de l’IA et du cloud computing dans l’industrie américaine des véhicules électriques pour soutenir la conduite autonome, la gestion des batteries, l’expérience utilisateur et la cybersécurité. Vashishth et ^al.23 examinent l’intégration de l’IA avec les systèmes EMS de VE pour améliorer la durabilité environnementale et réduire les émissions. Chennupati²⁴ explique comment l’optimisation des VE pilotée par l’IA peut contribuer à l’atténuation du changement climatique, en mettant l’accent sur des cadres industriels évolutifs et durables. Les réseaux de neurones artificiels, les machines à vecteurs de support et les diagnostics cloud ont amélioré la surveillance de la santé des batteries et la fiabilité des véhicules électriques. AI-PLELF étend ces approches en permettant une estimation structurée de l’état de la batterie et une gestion adaptative. Dans l’ensemble, l’IA pourrait améliorer la durabilité des VE en augmentant l’efficacité et en réduisant la consommation d’énergie.

Protocol

L’autonomie et les performances de la batterie sont cruciales à mesure que l’adoption des véhicules électriques se développe. Les systèmes de gestion des batteries améliorent les cycles de charge, prévoient la dégradation et régulent les effets thermiques. AI-PLELF améliore la gestion de l’énergie, le contrôle de la recharge et la prévision du SOC/SOH des batteries EV. AI-PLELF utilise des données de capteurs en temps réel, des schémas d’utilisation et des conditions ambiantes pour améliorer les performances et la longévité de la batterie.

La batterie était déchaînée à l’aide d’un cycleur LBT avec une précision à ±0,05 % à l’échelle réelle. Une chambre à température contrôlée était utilisée pour monter les cellules à 25,0 ± 0,5 °C. Un ruban adhésif polyimide haute température était utilisé pour fixer les thermocouples à la surface de la cellule afin d’assurer un contact thermique stable.

Pour charger la batterie, le protocole de charge CC–CV était configuré à l’aide du logiciel de contrôle de test de batterie fourni par le fabricant. Le courant était réglé à 0,5 °C (1,5 A pour une cellule de 3 Ah) avec une limite de tension de 4,20 V. L’étape CV était répétée jusqu’à ce que le courant descende en dessous de 0,05°C (150 mA), après quoi la décharge était initiée à l’aide de l’Étape Ajouter | Libération | CC avec un courant de 1C (3 A) et une tension de coupure de 2,50 V. Pour ajouter une période de repos de 600 s, sélectionnez Ajouter Étape | Les données restantes étaient capturées à 1 Hz et enregistrées sous forme de fichiers CSV à l’aide de l’outil Export Data | Option ASCII. Avant chaque expérience, les canaux de courant et de tension étaient calibrés à l’aide d’un shunt de 0,1 % de précision et d’une cellule de référence de 3,000 ± 0,001 V selon le manuel du fabricant.

Le flux de travail traite les signaux de courant, tension et température de la batterie échantillonnés à 5 Hz à partir de 25 cycles de conduite réels. Le protocole a été visualisé à travers des graphiques séquentiels montrant les données brutes des capteurs, les entrées prétraitées, les sorties d’estimation des SOC et les courbes de perte d’entraînement du modèle sur 200 itérations de simulation. De plus, une vidéo d’exécution du prototype a été générée pour démontrer l’ingestion de données, l’inférence par IA et la visualisation des sorties en temps réel.

Batteries pour VE

Ce schéma montre un système de gestion de batterie EV basé sur ML. Les capteurs de batterie vérifient de nombreux paramètres de batterie pour démarrer le système. L’Unité de collecte d’informations organise les données des capteurs dans la Figure 1. ML Ces points de données préparés sont utilisés par les ordinateurs pour prévoir les propriétés clés des batteries à l’aide de divers modèles. Le modèle de prédiction SOH utilise la charge de la batterie pour prédire la santé et la durée de vie. L’optimisation de la charge basée sur la projection et la priorisation énergétique maximisent les cycles de charge et l’efficacité. Les deux modules reçoivent des informations de l’Unité de Contrôle, qui gère le fonctionnement du système et la température de la batterie afin de réduire la surchauffe et de prolonger la durée de vie de la batterie. L’interface de sortie envoie l’état du système et les données de diagnostic à l’Unité de Contrôle Électronique (ECU), l’intégrant aux systèmes de gestion du véhicule. Cette intégration améliore l’efficacité et la sécurité des batteries et facilite la prise de décision en temps réel.

(1)

La technique AI-PLELF est liée à l’équation 1, Quantification de l’influence de plusieurs paramètres S^xq signifie les variables d’état de la batterie, [W_lq] et les poids donnés aux facteurs ayant un impact jg m, et Mx^r-q(n+1) pour l’effet du modèle ML sur la prédiction de l’état de la batterie. L’utilisation de modifications de données en temps réel dans l’expression^{δR qv} + lq améliore la gestion de la batterie.

(2)

Dans l’équation 2, modélisant l’influence cumulative de multiples variables sur la capacité et la durée de vie de la batterie, la technique AI-PLELF proposée est corrélée à R -_{Q l} || A - Q_r ||. Ici, N et R représentent respectivement des variables d’état telles que SOH et SOC, reflétant l’état de santé de la batterie et l’état de charge. Les données actuelles du capteur n, les schémas d’utilisation passés n et les variables externes S(t,v_q) sont intégrées afin que le système piloté par l’IA puisse améliorer l’utilisation des batteries (f) pour une efficacité accrue et une durée de vie prolongée.

Le système de gestion des batteries (BMS) est crucial pour les véhicules électriques. Lors de l’exploitation des VE, le BMS garantit la stabilité, la sécurité et la longévité du dispositif de stockage d’énergie (ESD). Divers aspects, notamment les procédures de charge, la surveillance des cellules, la collecte de données, la gestion thermique, la gestion de l’énergie, l’évaluation de la durée de vie et la protection des cellules, font partie du cadre BMS, qui inclut à la fois des mécanismes de conception et d’évaluation des performances.

Lors de la charge ou de la décharge de l’ESD, des déséquilibres de tension peuvent survenir dus à des processus électrochimiques. L’équilibrage de tension est donc une fonction principale du BMS et reste un domaine d’amélioration supplémentaire. En examinant les systèmes de VE et les technologies adaptées de stockage d’énergie, cette étude contribue à la discussion illustrée à la Figure 2. Le système de gestion de l’énergie pour les véhicules électriques reste un sujet de recherche important. À la suite d’une enquête approfondie, plusieurs limites dans les systèmes actuels de gestion de l’énergie ont été identifiées, et une approche structurée est proposée pour les remédier.

(3)

L’équation 3 est une performance agrégée prenant en compte les variables A(R,L) comme les cycles de charge q, le taux d’apprentissage kl et les variables dégradantes particulières, notée A(R,L). Pour maximiser l’efficacité et la durée de vie de la batterie, AI-PLELF optimise à la fois les facteurs d’amélioration et de dégradation (st+wl), qui sont équilibrés dans le cadre.

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

Selon l’équation 4, ||Ca -_{θN q}|| est le modèle mathématique utilisé par le système AI-PLELF pour optimiser la gestion des batteries, qui sert à corréler la différence entre les états observés et anticipés R_l-1, A_k+1. Les algorithmes ML 2n (A_n, Y_l-1) améliorent les performances et la durée de vie de la batterie en prédisant N(A_N, B_q+r), son SOH et son SOC à partir des données en temps réel N (R_l-1, A_k+1) et des tendances précédentes.

Gestion avancée des batteries

Un système avancé de gestion des batteries qui privilégie les performances, la sécurité et la durée de vie est présenté à la Figure 3 pour les véhicules électriques. Le système de collecte de données agrège rapidement et avec précision tous les paramètres pertinents en collectant des données provenant de divers capteurs. Ensuite, les données sont gérées via un moteur d’analyse alimenté par l’IA qui utilise des algorithmes sophistiqués pour analyser et interpréter les informations. Les informations sur les performances de la batterie, les prédictions de problèmes et les tactiques d’optimisation de l’utilisation de la batterie sont toutes fournies par le moteur d’IA. Le BMS surveille les cycles de charge et de décharge de la batterie, son fonctionnement sécurisé et sa durée de vie en utilisant ces informations.

(5)

Dans l’équation 5, double N(D,R), la somme de l=1 et n=1 est indiquée à gauche. Le modèle mathématique est probablement utilisé dans AI-PLELF pour prévoir l’état et les performances de la batterie. Cette formule prend en compte les additions récursives sur de nombreuses variables, telles que l et N, où représente un facteur de déclin, N (A_n, R_b+q) désigne une estimation imbriquée des variables de batterie, et g et^{i 2}lq couvrent probablement des facteurs environnementaux ou opérationnels supplémentaires.

(6)

En modélisant le lien entre l’efficacité énergétique, la capacité et les facteurs d’analyse de la performance et de la durée de vie des batteries, la technique suggérée AI-PLELF est cohérente avec l’équation 6 afin d’améliorer le système de gestion des batteries, qui intègre des paramètres (Q-1) tels que l’état de charge Q_R , l’environnement N_Aq , et les facteurs de dégradation W_L-1 , qui sont incorporés 1+N (A_n, W^L) par les algorithmes ML.

Un élément clé pour garantir la solidité des automobiles électriques est le BMS, qui contrôle les composants électriques d’une batterie rechargeable, y compris une cellule ou un pack de cellules. En garantissant que la cellule fonctionne dans ses limites de fonctionnement sûres, elle protège soit le consommateur, soit la batterie. Le BMS suit la SOH de la batterie, collecte des données et régule les facteurs externes qui affectent la cellule afin de maintenir une tension uniforme à travers la cellule, comme montré à la Figure 4.

Une source d’alimentation intelligente est un groupe d’alimentation avec un BMS relié à un réseau de données ou à un système de transmission de données externe. Des fonctionnalités et capacités supplémentaires, notamment des sorties de traitement polyvalentes, des règles de connexion réseau intelligente et l’intégration des compteurs de carburant, peuvent être incluses. Un pack batterie intelligent peut contrôler sa propre charge, fournir des rapports d’erreur, identifier les conditions de batterie faible et alerter l’appareil, ainsi que prévoir le temps de fonctionnement restant ou la durée de la source d’alimentation. Pour préserver la précision de ses prévisions, il s’auto-corrige continuellement et fournit des informations concernant le courant, la tension et la température de la cellule. Les packs de batteries intelligents intègrent souvent des composants électroniques qui améliorent la fiabilité, la sécurité, la longévité et l’utilité globale de la batterie. Ces appareils sont destinés à être utilisés dans l’électronique portable et les ordinateurs portables. Ces caractéristiques permettent la création de produits finis plus fiables et plus faciles à utiliser. Par exemple, lorsque les batteries sont chargées selon leurs caractéristiques optimales dans les contraintes de température, les dispositifs peuvent avoir une durée de vie plus longue.

(7)

La formule Yb_l L’approche AI-PLELF suggérée pour les systèmes de gestion des batteries est probablement liée à cette équation complexe 7. Pour pouvoir estimer la santé de la batterie (SOH) et l’état de charge (SOC) en utilisant des modèles de prédiction r-1 pilotés par l’IA n=1, il peut inclure l’analyse d’efficacité opérationnelle comme paramètres opérationnels (o, m, s, hix), des variables externes - A_l+1(s + hix) , , et des métriques d’efficacité (o+m)_{- a n} , O(n+l).

(8)

Dans l’équation 8, l’AI-PLELF proposé indique que la santé et les performances de la batterie, exprimées en h(A,q), sont affectées par les variables A_r et q_x incluses dans le calcul. Les aspects incluent l’analyse prédictive de maintenance, les cycles charge-décharge, les taux de vieillissement, les effets thermiques et les conditions de fonctionnement, qui peuvent être représentés par W_c+l , A_r , qx, , et Stu.

Les VE comptent sur leurs BMS pour que leurs batteries fonctionnent de manière fluide et aussi longtemps que possible. En intégrant des techniques d’apprentissage automatique de pointe, le cadre d’estimation à vie (AI-PLELF) alimenté par l’IA améliore le BMS conventionnel. Pour estimer avec précision le niveau de santé de la batterie, la SOH et le SOC, cette méthode novatrice utilise des données en temps réel provenant de capteurs (T1 à TN), des habitudes d’utilisation passées et des facteurs environnementaux. Pour maximiser l’efficacité énergétique et l’autonomie de la batterie, le système AI-PLELF optimise les cycles de charge, anticipe la détérioration et réduit les effets thermiques. Pour réduire la surchauffe et l’usure, le système peut équilibrer les charges (l1 vers ln), modifier les procédures de charge (V1 vers Vn) et prédire avec précision la santé de la batterie. AI-PLELF surpasse le BMS standard en termes de performances et de longévité des batteries, selon des simulations approfondies. Les capteurs recueillent des informations immédiates, un module IA effectue des analyses prédictives, une unité de contrôle gère les opérations de charge et de décharge, et un système de collecte de données surveille les caractéristiques des batteries ; ce sont les principaux composants représentés dans le schéma fonctionnel du BMS.

(9)

Il semble que le cadre suggéré AI-PLELF pour la gestion des batteries utilise un modèle complexe avec l’équation 9, une estimation ou prédiction de l’état de la batterie st en utilisant les facteurs de temps et d’utilisation f peut-être r donnés par Z_tf(l+kq) dans ce contexte, Sti est représenté par la phrase I (k^e, D), l’analyse de la scalabilité affecte la prédiction de l’état de la batterie. Le système d’IA a probablement effectué des modifications qui ont amélioré les schémas de charge et d’utilisation pour réduire les impacts de détérioration, ce qui est noté par A(o+xq).

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

La méthode AI-PLELF est liée à l’équation 10 car elle modélise les comportements dynamiques ρ du courant de batterie i en fonction de la résistance k^mR, de la température (no+r), de l’analyse d’intégration de la grille, d’autres facteurs tels que la profondeur de décharge DL^x , la résistance interne R, et différents paramètres opérationnels (i+da), et i_ql.

Un tableau de bord, des notifications, des annonces et des rapports de performance font tous partie de l’interface utilisateur qui reçoit les données du BMS. Cette interface affiche l’état des batteries et les alertes. Des connexions et un contrôle pour les données externes et les services cloud sont proposés ; Ils gèrent la charge, la libération, les urgences et la préparation du système. La conception globale offre un système de gestion de batterie puissant avec collecte de données en temps réel, analyses avancées et interfaces utilisateur simples. AI-PLELF dépasse BMS en termes de performances et de durée de vie de la batterie après des simulations approfondies. AI PLELF optimise la recharge et la gestion de l’énergie des véhicules électriques en prédisant la SOH et le SOC. Il peut gérer un seul véhicule électrique ou une flotte et fournir des solutions dynamiques pendant l’exploitation. Un BMS piloté par l’IA pourrait réduire les coûts de maintenance de 50 % et améliorer la durabilité des transports. La création de systèmes de véhicules électriques écologiques nécessite cette nouvelle méthode. Pour valider les algorithmes proposés, une stratégie de validation à plusieurs étapes est définie. Premièrement, la validation interne est réalisée en utilisant la séparation train–test sur des ensembles de données simulés afin d’évaluer la stabilité de la prédiction et le comportement de convergence. Deuxièmement, l’analyse de sensibilité est réalisée en variant les profils de cycle, les niveaux de bruit et les paramètres de dégradation afin d’évaluer la robustesse. Troisièmement, la cohérence des résultats est vérifiée en comparant les tendances SOC et SOH avec des estimations dérivées du modèle de référence sous des conditions de simulation identiques. Bien que la validation expérimentale ne soit pas incluse dans la présente étude, ce protocole établit une voie de validation structurée qui pourra être étendue aux tests en laboratoire et matériel-in-the-loop lors de travaux futurs.

Results

Cette étude montre que l’IA peut améliorer les performances et la longévité des batteries de voitures électriques. Les BMS utilisant l’IA augmentent les diagnostics des batteries, l’efficacité, la maintenance prédicative, la scalabilité et l’intégration au réseau. Ces systèmes optimisent les cycles de recharge, anticipent la santé des batteries et améliorent la fiabilité des applications électriques en tirant parti des données en temps réel et des algorithmes de ML. L’IA renforce le tran...

Discussion

AI-PLELF peut rénover un BMS électrique. AI-PLELF optimise les cycles de charge, évite la chaleur et prédit la santé de la batterie à l’aide d’algorithmes ML puissants. En temps réel, les données des capteurs, les schémas d’utilisation historiques et les variables environnementales permettent à AI-PLELF de prédire la SOH et le SOC de la batterie, améliorant ainsi les performances et la durée de vie. AI-PLELF surpasse BMS en termes de performances et de durabilité des batteries lors de si...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Objet	Spécification	Fabricant / Modèle	Objectif
Cycleur de batteries	± ; 0,05 % de précision à l’échelle réelle	LBT21084 Système de test de batterie, Arbin Instruments, États-Unis	Charge de précision &ndash ; cycle de décharge (système de test de batterie)
Logiciel de contrôle de test de batterie (MITS Pro)	Version 5.3.2	Arbin Instruments, États-Unis	Configuration de CC&ndash ; Protocoles de charge/décharge CV (logiciel de contrôle)
Ruban adhésif en polyimide	Résistante aux hautes températures (jusqu’à 260 °C ; C), isolante électriquement	Bande Kapton Polyimide, DuPont, États-Unis	Fixation des thermocouples à la surface de la batterie (matériau adhésif)
Résistance de dérivation de précision	Tolérance de 0,1 %	Vishay Precision Group, États-Unis	Étalonnage de la mesure du courant
Pile de tension de référence	3,000 & plusmn ; 0,001 V de précision	Étalonnage Flicke, États-Unis	Étalonnage des canaux (étalonnage en tension)
Chambre à température contrôlée	Stabilité : 25,0 & plusmn ; 0,5 ° ; C	SH-241 Chambre environnementale, ESPEC Corp., Japon	Régulation thermique pendant le cycle (contrôle environnemental)
Thermocouples (Type K)	Montage en surface, ± ; 0,5 ° ; Précision C	Omega Engineering, États-Unis	Surveillance de la température de surface (mesure de température)