שיטות מבוססות אלגוריתמים של למידת מכונה למעקב אחר ביצועים והזדקנות בסוללות רכבים חשמליים

K Sudhapriya; S. Jaisiva

doi:10.3791/69209

Research Article

שיטות מבוססות אלגוריתמים של למידת מכונה למעקב אחר ביצועים והזדקנות בסוללות רכבים חשמליים

DOI:

10.3791/69209

⸱

April 3rd, 2026

K Sudhapriya¹ , S. Jaisiva²

¹Department of Mechatronics Engineering, Nehru Institute of Engineering and Technology, ²Department of Electrical and Electronics Engineering, Sri Krishna College of Technology

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מחקר זה מציג את מסגרת הלמידה להערכה לכל החיים המופעלת על ידי בינה מלאכותית, מסגרת מבוססת בינה מלאכותית לניטור אדפטיבי, אופטימיזציה של אסטרטגיות טעינה והערכת מצב בסוללות רכבים חשמליים. הגישה מוערכת בניסוי בתנאים מבוקרים כדי להעריך את היתכנות ויכולת חיזוי.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

פרוטוקול זה מתאר את מסגרת הלמידה להערכה לכל החיים (AI-PLELF) באמצעות בינה מלאכותית (AI-PLELF) לניטור וניהול אדפטיבי של סוללות במערכות רכבים חשמליים. המסגרת משלבת נתוני חיישני סוללה בזמן אמת, כולל זרם, מתח וטמפרטורה, עם מידע היסטורי על שימוש ופרמטרים סביבתיים לתמיכה בהערכת מצב מובנית והערכת אסטרטגיית טעינה בתוך מערכת ניהול סוללה (BMS).

הפרוטוקול מתאר נהלים עוקבים לרכישת נתוני חיישנים, עיבוד מוקדם, ארגון תכונות, חיזוי מבוסס למידת מכונה של מצב טעינה (SOC) ומצב בריאות (SOH), וגיבוש תגובות בקרה אדפטיביות. תהליך העבודה מיושם בסביבה חישובית מבוקרת באמצעות מערכי נתונים של מחזור נהיגה אמיתי הזמינים לציבור. הנתונים מחולקים לתת-קבוצות אימון, אימות ובדיקות כדי להעריך יציבות חיזוי והכללה בתנאי תפעול משתנים.

ניסויים מבוססי סימולציה נערכים בתרחישי מחזור וסביבה שונים כדי להעריך את העקביות של הערכות SOC ו-SOH וההצעות לבקרות מתאימות. המתודולוגיה המתוארת מספקת מסגרת ניתנת לשחזור לפיתוח והערכת אסטרטגיות ניטור סוללות בסיוע בינה מלאכותית. למרות שהמחקר הנוכחי מתמקד באימות מבוסס סימולציה, הפרוטוקול יוצר בסיס מובנה שעשוי להיות מורחב גם לבדיקות משולבות במעבדה ובחומרה ביישומים עתידיים.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

רקע והקשר

רכבים חשמליים (EVs) תלויים בביצועי סוללה אמינים לבטיחות, יעילות ואריכות ימים. מערכות ניהול סוללות (BMS) מנטרות את מצב הסוללה, מווסתות טעינה ופריקה, ומונעות תפעול מזיק. מערכות BMS מסורתיות משתמשות במודלים מבוססי פיזיקה ובלוגיקה מבוססת כללים, שעלולים לאבד דיוק ככל שהסוללות מתיישנות או מחזורי העבודה משתנים¹. טכנולוגיות AI ו-ML משמשות להתגבר על מגבלות על ידי ניתוח מתאמים מונחי נתונים בין קריאות חיישנים למצבי סוללה². טכניקות BMS מבוססות בינה מלאכותית משתמשות במדידות בזמן אמת ובנתוני שימוש היסטוריים כדי לתמוך בקבלת החלטות אדפטיבית בתנאים לא סטציונריים³. מחקרי ניהול סוללות מבוססי בינה מלאכותית מתמקדים לעיתים קרובות בדיוק חיזוי לא מקוון תחת פרופילי מעבדה מוגדרים⁴, מה שמגביל את יישומם לסביבות אמיתיות עם הזדקנות, תנודות עומס וסטייה סביבתית. רבות מהשיטות חסרות מתודולוגיה ברורה שחוקרים אחרים יכולים לשחזר ולהעריך.

מגבלות הגישות הקיימות

טכניקות סטנדרטיות להערכת מצב סוללות כוללות הערכת SOC⁵ מבוססת פילטר קלמן מורחב (EKF^{), מודלים} 6 מבוססי פירוק מבוססי מעגלים ופיזיקה דומים, ושיטות היברידיות פיזיקה-למידת^{מכונה 7}. גישות מבוססות EKF מתדרדרות עם הגיל והטמפרטורה וזקוקות לפרמטריזציה מתאימה של המודל⁸. מודלים מבוססי פיזיקה דורשים כיול משמעותי וייתכן שלא יחולו על כל כימיות הסוללות או מחזורי העבודה⁹. טכניקות היברידיות מקטינות את גודל הדגם אך דורשות הכשרה לא מקוונת ומשטר תפעול יציב¹⁰. במקום להתמקד בעיקר בשיפורי ביצועים תחת מדדים סטטיים, נדרש מסגרת התומכת בהתאמה מקוונת, למידה מתמשכת והערכה קפדנית בתנאי הזדקנות ושימוש¹¹.

פער מחקר

עיצוב BMS בסיוע בינה מלאכותית צובר פופולריות, אך פרוטוקולים שמטפלים במפורש ב-(i) הכללה בין מחזורי עבודה מגוונים¹², (ii) התאמה מקוונת להזדקנות וסטיית סוללה, ו-(iii) הערכה ניתנת לשחזור באמצעות קלטי נתונים מוגדרים היטב, שלבי למידה ותוצרים¹³ חסרים. מחקרים לעיתים מדווחים על שיפורים ברמת התוצאה מבלי לתאר כיצד הלמידה נשמרת או משתנה לאורך חיי הסוללה¹⁴. כדי למלא את הפער הזה, מחקר זה מציג את AI-PLELF כמסגרת מובנית להערכה ולמידה ולא כמערכת מסחרית, תוך הדגשת היתכנות ניסיונית ושקיפות בפרוטוקולים.

סקירה של הפרוטוקול המוצע

AI-PLELF משלב נתוני שימוש קודם וגורמים סביבתיים עם נתוני חיישני סוללה בזמן אמת, כולל זרם, מתח וטמפרטורה. זרימת העבודה של מערכת ה-BMS מעבדת קלטים אלו באמצעות עיבוד נתונים מוקדם, הערכת מצב מבוססת למידת מכונה, ולוגיקת החלטות טעינה אדפטיבית. בדיקות מבוססות סימולציה בתנאי תפעול שונים עשויות להעריך את הערכות SOC ו-SOH של הפרוטוקול ואת המלצות הבקרה שלו. מדדי BMS סטנדרטיים של שימושיות וטווח (זרם, מתח, טמפרטורה) הנרשמים בקצבי בקר סוללה משובצים (1–10 הרץ) מניחים על ידי הפרוטוקול. מטרת המסגרת היא לספק אימות ניסיוני ומבוסס-סימולציה על מכשירים משובצים או מחשוב-קצה בעלי יכולות חישוב מוגבלות. ניתן להשתמש בו לבדיקות מבוקרות ולבדיקת אלגוריתמים, אך לא כתחליף לחומרת BMS מוסמכת בטיחות.

עבודה זו מציגה מסגרת מתודולוגית מבוססת בינה מלאכותית לניטור ביצועים, מידול התדרדרות ותמיכה בהחלטות במערכות סוללות רכבים חשמליים. הגישה המוצעת מוערכת בניסוי באמצעות מערכי נתונים מבוקרים ואימות מבוסס סימולציה כדי להוכיח היתכנות ויעילות פוטנציאלית. בעוד שהתוצאות מצביעות על שיפורים מדידים בדיוק חיזוי ויעילות תפעולית, המחקר אינו טוען לעלייה מוחלטת בתוחלת החיים בתנאי פריסה אמיתיים. במקום זאת, הממצאים מהווים בסיס לאימות עתידי רחב היקף ואורך רב.

AI-PLELF היא שיטת אינטגרציה מובחנת המדגישה למידה לאורך חיים, הערכה משותפת מאוחדת בין SOC–SOH, וחזרתיות ברמת הפרוטוקול בתהליך BMS יחיד המופעל על ידי AI. AI-PLELF מעדכן מודלים בהדרגה לאורך מחזורי הנהיגה כדי להגיב לסטייה ולהזדקנות בסביבת סימולציה, בניגוד לטכניקות AI-BMS סטטיות שמאומנות לא מקוון. סימולציות מראות כי AI-PLELF מפחיתה סטיית הערכת SOH מ-4.5% ל-2.6% ואת שגיאת הערכת SOC מ-3.2% ל-1.8% במחזורי נהיגה דומים. גרפי שגיאה השוואתיים וגרפים של התכנסות, שנוצרו באמצעות אותו מערך נתונים וצינור הכנה, חושפים את הפערים הללו.

מחקר רקע:

אסטרטגיות אמינות וקיימות של רכבים חשמליים משלבות יותר ויותר גישות מבוססות בינה מלאכותית. מערכות אבחון וניהול אנרגיה מונעות בינה מלאכותית ברכבים חשמליים מסייעות להפחית את ההשפעה הסביבתית ולקדם ניידות בת-קיימא. D-DD&PA חוזה את SOH, SOS, חיי מחזור ו-RUL של סוללת EV, כפי שדווח על ידי Zhao ואחרים^. שיפור ביצועי סוללות הרכב החשמלי משפר את הבטיחות והאמינות תוך מתן מידע תפעולי חיוני. Shashibhushan¹⁶ יישם שיטות בינה מלאכותית (ANN, SVM, LR, KNN) ו-PCA דליל לחיזוי SOC סוללות. מודל ה-ANN עבר את האסטרטגיות הקודמות עם R² של 0.9925, מה שאפשר הערכה מדויקת ויעילה של SOC. טכניקת AI-CF להערכת ביצועי סוללות רכב חשמלי על ידי Zhao ואחרים^, משתמשת ברשומות בריאות אלקטרוניות לאורך זמן ובנתונים מהעולם האמיתי. שיפור באבחוני SOH ו-SOS משפרים את אמינות הרכבים החשמליים והסוללות.

מירפטאבזדה ואח^' ממליצים על גישות מערכות אחסון אנרגיה מבוססות בינה מלאכותית (ESS) לרכבים חשמליים, כולל ניטור איכות חשמל, חיזוי SOC ואופטימיזציה של BMS, שיפור אינטגרציה של אנרגיה מתחדשת ויעילות טעינה. חאן ואחרים ^מציעים לשלב מיקרו-רשתות, בינה מלאכותית ומערכות ניהול אנרגיה (EMS) כדי לאופטם את צריכת החשמל וייצור החשמל למערכת חשמל אמינה, להפחתת בזבוז אנרגיה, פליטות הקשורות לרכבים חשמליים ולשפר את עמידות הרשת החכמה. Stecuła ואח^' בוחנים גישות AI במערכות אנרגיה עירוניות, תוך התמקדות בשילוב תשתיות מגורים ועירניות לניהול אנרגיה מתחדשת, מערכות טעינה לרכבים חשמליים, זיהום ויעילות. מיטל ואח^' חוקרים ניהול סוללות מבוסס בינה מלאכותית ואופטימיזציה של טעינה במכשירים חכמים, ומדגישים את תפקיד המיקרו-רשתות החכמות באינטגרציה בת-קיימא של רכבים חשמליים.

ריהאן^{, 22} , חוקר את האינטגרציה של בינה מלאכותית ומחשוב ענן בתעשיית הרכבים החשמליים בארה"ב, כדי לתמוך בנהיגה אוטונומית, ניהול סוללות, חוויית משתמש ואבטחת סייבר. Vashishth ואח' ²³ בוחנים שילוב בינה מלאכותית עם מערכות EMS לרכבים חשמליים כדי לשפר את הקיימות הסביבתית ולהפחתת פליטות. צ'נופאטי²⁴ דן כיצד אופטימיזציה מונחית בינה מלאכותית של רכבים חשמליים יכולה לתרום להפחתת שינויי האקלים, תוך הדגשת מסגרות תעשייתיות ניתנות להרחבה וברת קיימא. רשתות עצביות מלאכותיות, מכונות וקטור תמיכה ואבחונים מבוססי ענן שיפרו את ניטור בריאות הסוללה ואת אמינות הרכבים החשמליים. AI-PLELF מרחיבה גישות אלו על ידי אפשרות הערכת מצב סוללה מובנית וניהול אדפטיבי. בסך הכל, בינה מלאכותית עשויה לשפר את הקיימות של רכבים חשמליים על ידי הגברת היעילות והפחתת צריכת האנרגיה.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

חיי הסוללה והביצועים הם קריטיים ככל שהאימוץ של רכבים חשמליים גדל. מערכות ניהול סוללות משפרות את מחזורי הטעינה, חוזות הידרדרות ומווסתות את ההשפעות התרמיות. AI-PLELF משפר את ניהול האנרגיה, בקרת הטעינה וחיזוי SOC/SOH של סוללות EV. AI-PLELF עושה שימוש בנתוני חיישנים בזמן אמת, דפוסי שימוש ותנאי סביבה כדי לשפר את ביצועי הסוללה ואורך חייה.

הסוללה הופעלה באמצעות מחזור LBT עם דיוק מלא של ±0.05%. תא מבוקר טמפרטורה שימש להתקנת התאים בטמפרטורה של 25.0 ± 0.5 מעלות צלזיוס. סרט דבק פוליאימיד בטמפרטורה גבוהה שימש לקביעת התרמוקופלים לפני השטח של התא ולהבטיח מגע תרמי יציב.

כדי לטעון את הסוללה, פרוטוקול הטעינה CC–CV הוגדר באמצעות תוכנת בקרת בדיקת הסוללה שסופקה על ידי היצרן. הזרם הוגדר ל-0.5 C (1.5 אמפר לתא של 3 Ah) עם מגבלת מתח של 4.20 V. שלב ה-CV חזר על עצמו עד שהזרם ירד מתחת ל-0.05 מעלות צלזיוס (150 מיליאמפר), ולאחר מכן החלה הפריקה באמצעות שלב נוסף | פריקה | CC עם זרם של 1C (3 A) ומתח חיתוך של 2.50 וולט. כדי להוסיף תקופת מנוחה של 600 שניות, בחרו בהוספת שלב | שאר הנתונים נאספו בתדר 1 Hz ונשמרו כקבצי CSV באמצעות Export Data | אפשרות ASCII. לפני כל ניסוי, ערוצי הזרם והמתח כויללו באמצעות שיט דיוק של 0.1% ותא ייחוס של 3.000 ± 0.001 וולט, לפי מדריך היצרן.

זרימת העבודה מעבדת אותות זרם סוללה, מתח וטמפרטורה שנדגמו ב-5 הרץ מ-25 מחזורי נהיגה אמיתיים. הפרוטוקול הוצג באמצעות גרפים סדרתיים המציגים נתוני חיישנים גולמיים, קלטים מעובדים מראש, פלטי הערכת SOC ועקומות אובדן אימון מודלים ב-200 איטרציות סימולציה. בנוסף, נוצר סרטון ביצוע אב-טיפוס כדי להדגים קליטת נתונים, הסקת בינה מלאכותית והדמיית פלט בזמן אמת.

סוללות רכב חשמלי

סכמת זו מציגה מערכת ניהול סוללות חשמלית מבוססת ML. חיישני הסוללה בודקים פרמטרים רבים של סוללה כדי להפעיל את המערכת. יחידת איסוף המידע מארגנת נתוני חיישנים באיור 1. ML נקודות נתונים מוכנות אלו משמשות מחשבים לחיזוי תכונות מפתח של סוללות באמצעות מודלים שונים. מודל החיזוי של SOH משתמש בטעינת סוללה כדי לחזות בריאות ותוחלת חיים. אופטימיזציה מבוססת השלכה ותעדוף אנרגיה ממקסמים את מחזורי הטעינה והיעילות. שני המודולים מקבלים קלט מיחידת הבקרה, שמנהלת את פעולות המערכת וטמפרטורת הסוללה כדי להפחית התחממות יתר ולהאריך את חיי הסוללה. ממשק היציאה שולח את מצב המערכת ונתוני האבחון ליחידת הבקרה האלקטרונית (ECU), ומשלב אותם עם מערכות הניהול של הרכב. אינטגרציה זו משפרת את יעילות הסוללה והאבטחה ומאפשרת קבלת החלטות בזמן אמת קלה יותר.

figure-protocol-1 (1)

טכניקת AI-PLELF קשורה למשוואה 1, כימות השפעת מספר פרמטרים. S^xq מייצג את משתני המצב של הסוללה, [W_lq] ולמשקלים figure-protocol-2 הניתנים לגורמים שיש להם השפעה jg m, ו-Mx^r-q(n+1) להשפעה של מודל ה-ML על חיזוי מצב הסוללה. השימוש בשינויים בזמן אמת בנתונים בביטוי δR^qv+ lq משפר את ניהול הסוללה.

figure-protocol-3 (2)

במשוואה 2, המדמה את ההשפעה המצטברת של משתנים מרובים על קיבולת הסוללה ותוחלת חייה, טכניקת AI-PLELF המוצעת קשורה ל-R - Q_l|| A - Q_r||. כאן, N ו-R מייצגים משתני מצב כמו SOH ו-SOC, בהתאמה, המשקפים את מצב בריאות הסוללה ומצב הטעינה. נתוני חיישנים נוכחיים n, דפוסי שימוש קודמים n ומשתנים חיצוניים S(t,v_q) משולבים כך שהמערכת המונעת על ידי בינה מלאכותית תוכל לשפר את ניצול הסוללה (f) לשיפור היעילות והארכת תוחלת החיים.

מערכת ניהול הסוללות (BMS) חיונית לרכבים חשמליים. במהלך הפעלת רכב חשמלי, ה-BMS מבטיח את היציבות, הבטיחות והאריכות ימים של מכשיר אחסון האנרגיה (ESD). היבטים שונים, כולל נהלי טעינה, ניטור תאים, איסוף נתונים, ניהול תרמי, ניהול צריכת חשמל, הערכת תוחלת חיים והגנה על תאים, הם חלק ממסגרת BMS, הכוללת מנגנוני תכנון והערכת ביצועים.

במהלך טעינה או פריקה של ה-ESD, עלולות להתרחש חוסר איזון מתח עקב תהליכים אלקטרוכימיים. לכן, איזון מתח הוא פונקציה עיקרית של ה-BMS ונשאר תחום לשיפור נוסף. בבחינת מערכות רכב חשמלי וטכנולוגיות אגירת אנרגיה מתאימות, מחקר זה תורם לדיון המוצג באיור 2. מערכת ניהול האנרגיה לרכבים חשמליים נותרה נושא מחקר חשוב. לאחר חקירה מעמיקה, זוהו מספר מגבלות במערכות ניהול אנרגיה נוכחיות, והוצעה גישה מובנית לטיפול בהן.

figure-protocol-4 (3)

משוואה 3 היא ביצועים מצטברים המתחשב במשתנים A(R,L) כמו מחזורי טעינה q, קצב הלמידה kl, ומשתני figure-protocol-5 הידרדרות מסוימים מסומנים ב-A(R,L). כדי למקסם יעילות וחיי סוללה, AI-PLELF ממעלה הן את גורמי השיפור והן את גורמי ההתדרדרות (st+wl), אשר מאוזנים במסגרת.

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

לפי משוואה 4, ||Ca - θN_q|| הוא המודל המתמטי שבו משתמשת מערכת AI-PLELF לאופטימיזציה של ניהול הסוללה, המשמש לקשר בין ההפרש בין המצבים הנצפו למצבים הצפויים R_l-1, A_k+1. אלגוריתמי ה-ML 2n (A_n, Y_l-1) משפרים את הביצועים ותוחלת החיים של הסוללה על ידי חיזוי N(A_N,_{B, q+r}), SOH ו-SOC שלה באמצעות נתונים בזמן אמת N (_{R l-1}, A_k+1) ומגמות קודמות.

ניהול סוללות מתקדם

מערכת ניהול סוללה מתקדמת שמעדיפת ביצועים, בטיחות ותוחלת חיים מוצגת באיור 3 עבור רכבים חשמליים. מערכת איסוף הנתונים מאגדת במהירות ובדיוק את כל הפרמטרים הרלוונטיים על ידי איסוף נתונים מחיישנים שונים. לאחר מכן, הנתונים מועברים דרך מנוע אנליטיקה מבוסס בינה מלאכותית המשתמש באלגוריתמים מתקדמים לניתוח ופרשנות המידע. תובנות לגבי ביצועי הסוללה, תחזיות בעיות וטקטיקות אופטימיזציה לניצול סוללה – כולם מספקים מנוע הבינה המלאכותית. ה-BMS עוקב אחר מחזורי הטעינה והפריקה של הסוללה, תפעול בטוח ואורך חייה, תוך שימוש בתובנות אלו.

figure-protocol-6 (5)

במשוואה 5, דו-חלקית N(D,R), הסכום של l=1 ו-n=1 מוצג משמאל. המודל המתמטי כנראה משמש ב-AI-PLELF לחיזוי מצב וביצועים של סוללה. נוסחה זו לוקחת בחשבון חיבורים רקורסיביים על פני משתנים רבים, כגון l ו-N, כאשר figure-protocol-7 מייצג גורם ירידה, N (A_n, R_b+q) מציין הערכה מקוננת של משתני סוללה, ו-g ו-i²lq כנראה מכסה גורמים סביבתיים או תפעוליים נוספים.

figure-protocol-8 (6)

על ידי מידול הקשר בין יעילות אנרגטית, קיבולת וגורמי ניתוח ביצועי ואורך חיים של הסוללה, טכניקת AI-PLELF המוצעת תואמת את משוואה 6 כדרך לשיפור מערכת ניהול הסוללות, הכוללת פרמטרים (Q-1) כגון מצב הטעינה Q_R , סביבה N_Aq , וגורמי פירוק W_L-1 , המשולבים ב-1+N (A_n, W^L) על ידי אלגוריתמים של למידת מכונה.

מרכיב מרכזי בהבטחת תקינות הרכבים החשמליים הוא ה-BMS, השולט ברכיבים החשמליים של סוללה נטענת, כולל תא או חבילת תאים. על ידי הבטחת פעולת התא במסגרת גבולות התפעול הבטוחים שלו, הוא מגן על הצרכן או על הסוללה. ה-BMS עוקב אחרי ה-SOH של הסוללה, אוסף נתונים ומווסת גורמים חיצוניים המשפיעים על התא כדי לשמור על מתח אחיד לאורך התא, כפי שמוצג באיור 4.

מקור כוח חכם הוא חבילת כוח עם מערכת BMS המקושרת לרשת נתונים או למערכת העברת נתונים חיצונית. תכונות ויכולות נוספות, כולל יציאות עיבוד כלליות, כללי חיבור רשת חכמה ואינטגרציה עם מד דלק. חבילת סוללה חכמה יכולה לשלוט בטעינה בעצמה, לספק דוחות שגיאות, לזהות תנאי סוללה נמוכה ולהודיע למכשיר עליהם, ולחזות את משך הריצה הנותר או את משך משך החשמל. כדי לשמור על דיוק התחזיות שלו, הוא מתקן את עצמו באופן רציף ומספק מידע לגבי הזרם, המתח והטמפרטורה של התא. חבילות סוללות חכמות כוללות לעיתים קרובות אלקטרוניקה משולבת המשפרת את האמינות, האבטחה, אורך החיים והשימושיות הכוללת של הסוללה. אלה מיועדים לשימוש באלקטרוניקה ניידת ובמחשבים ניידים. מאפיינים אלו מאפשרים יצירת מוצרים מוגמרים שהם אמינים וקלים יותר לשימוש. לדוגמה, כאשר סוללות נטענות לתכונותיהן האופטימליות במסגרת מגבלות טמפרטורה, המכשירים יכולים להחזיק חיים ארוכים יותר.

figure-protocol-9 (7)

הנוסחה Yb_l הגישה המוצעת AI-PLELF למערכות ניהול סוללות ככל הנראה קשורה למשוואה מסובכת זו. 7. כדי להעריך את בריאות הסוללה (SOH) ומצב הטעינה (SOC) באמצעות מודלים מבוססי בינה מלאכותית r-1 n=1, ניתן לכלול ניתוח יעילות תפעולית כפרמטרים תפעוליים (o, m, s, hix), משתנים חיצוניים -_{A l+1}(s + hix) , figure-protocol-10 , ומדדי יעילות(o+m) -_{a n} , O(n+l)).

figure-protocol-11 (8)

במשוואה 8, ה-AI-PLELF המוצע מציין כי בריאות וביצועים הסוללה, המובעים כ-h(A,q), מושפעים מהמשתנים A_r ו-q_xהכלולים בחישוב. ההיבטים כוללים ניתוח תחזוקה חזויי, מחזורי פריקת מטען, קצבי הזדקנות, השפעות תרמיות ותנאי פעולה, אשר עשויים להיות מיוצגים על ידי W_c+l , A_r , qx , figure-protocol-12 , ו-Stu.

רכבים חשמליים מסתמכים על ה-BMS שלהם כדי לשמור על הסוללה פועלת בצורה חלקה ולמשך זמן רב ככל האפשר. על ידי שילוב טכניקות למידת מכונה מתקדמות, מסגרת ההערכה לכל החיים (AI-PLELF) מונעת בינה מלאכותית משפרת את מערכת ה-BMS המסורתית. כדי להעריך במדויק את רמת הבריאות של הסוללה, SOH ו-SOC, שיטה חדשנית זו עושה שימוש בנתונים בזמן אמת מחיישנים (T1 עד Tn), דפוסי שימוש בעבר וגורמים סביבתיים. כדי למקסם יעילות אנרגטית וחיי סוללה, מערכת AI-PLELF ממעלה את מחזורי הטעינה, צופה התדרדרות ומפחיתה השפעות חום. כדי להפחית התחממות יתר ושחיקה, המערכת יכולה לאזן עומסים (L1 ל-Ln), לשנות נהלי טעינה (V1 ל-Vn), ולחזות במדויק את בריאות הסוללה. לפי סימולציות מקיפות, AI-PLELF עולה על BMS סטנדרטי בביצועי סוללה ובאורך חיים. חיישנים אוספים מידע מיידי, מודול בינה מלאכותית מבצע אנליטיקה חזויה, יחידת בקרה מנהלת את פעולות הטעינה והפריקה, ומערכת איסוף נתונים עוקבת אחר מאפייני הסוללה; אלו הם הרכיבים העיקריים המתוארים בדיאגרמת הבלוקים הפונקציונלית של BMS.

figure-protocol-13 (9)

נראה כי המסגרת המוצעת של AI-PLELF לניהול סוללות משתמשת במודל מסובך עם משוואה 9, הערכת מצב או חיזוי למצב הסוללה st באמצעות גורמי זמן ושימוש f אולי r שניתנו כ-Z_tf(l+kq). בהקשר זה, Sti מיוצג על ידי הביטוי I (k^e, D), ניתוח הסקלאביליות משפיע על חיזוי מצב הסוללה. מערכת הבינה המלאכותית כנראה ביצעה שינויים ששיפרו את דפוסי הטעינה והשימוש כדי להפחית השפעות התדרדרות, כפי שמסומן ב-A(o+xq).

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

שיטת AI-PLELF קשורה למשוואה 10 משום שהיא מדמה את ההתנהגויות הדינמיות ρ של זרם הסוללה i כפונקציה של התנגדות k^mR, טמפרטורה (no+r), ניתוח אינטגרציית רשת, גורמים נוספים כגון עומק פריקה DL^x , התנגדות פנימית R, ופרמטרים תפעוליים שונים (i+da) ו-i_ql.

לוח בורד, התראות, הודעות ודוחות ביצועים הם כולם חלק מממשק המשתמש שמקבל נתונים מה-BMS. ממשק זה מציג מצב סוללה והתראות. חיבורים ושליטה לנתונים חיצוניים ושירותי ענן מוצעות; הם מטפלים בטעינה, שחרור, מצבי חירום ומוכנות מערכתית. העיצוב הכולל מספק מערכת ניהול סוללות עוצמתית עם איסוף נתונים בזמן אמת, אנליטיקה מתקדמת וממשקי משתמש פשוטים. AI-PLELF עולה על BMS בביצועי הסוללה ובאורך החיים לאחר סימולציות נרחבות. AI PLELF אופטימיזציה של טעינת רכבים חשמליים וניהול אנרגיה על ידי חיזוי SOH ו-SOC. הוא עשוי לטפל ברכב חשמלי יחיד או בצי ולספק פתרונות דינמיים במהלך ההפעלה. מערכת BMS מונעת בינה מלאכותית עשויה לחסוך ב-50% עלויות תחזוקה ולשפר את הקיימות התחבורתית. יצירת מערכות רכב חשמליות ידידותיות לסביבה דורשת שיטה חדשה זו. כדי לאמת את האלגוריתמים המוצעים, מוגדרת אסטרטגיית אימות רב-שלבית. ראשית, אימות פנימי מתבצע באמצעות הפרדת רכבת-מבחן על מערכי נתונים מדומים להערכת יציבות חיזוי והתנהגות התכנסות. שנית, ניתוח רגישות מתבצע על ידי פרופילי מחזור משתנים, רמות רעש ופרמטרי התדרדרות כדי להעריך עמידות. שלישית, עקביות הפלט מאומתת על ידי השוואת מגמות SOC ו-SOH עם הערכות שמקורן במודל ייחוס בתנאי סימולציה זהים. למרות שאימות ניסויי אינו כלול במחקר הנוכחי, פרוטוקול זה קובע מסלול אימות מובנה שניתן להרחיב גם לבדיקות מעבדה וחומרה בלולאה בעבודות עתידיות.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מחקר זה מראה כי בינה מלאכותית יכולה לשפר את הביצועים והאריכות ימים של סוללות רכבים חשמליים. מערכות BMS המשתמשות בבינה מלאכותית מגבירה אבחון סוללות, יעילות, תחזוקה חזויה, יכולת הרחבה ואינטגרציה ברשת. מערכות אלו מייעלות את מחזורי הטעינה, צופות בריאות סוללות ומשפרות את אמינות יישומי הרכבים החשמליים באמצעות שימוש באלגוריתמים של נתונים בזמן אמת ולמידת מכונה (ML). הבינה המלאכותית מחזקת תחבורה בת-קיימא על ידי שיפור יעילות אנרגטית של רכבים חשמליים, אמינות וידידותיות לסביבה. תיאור מאגר נתונים: הת...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

AI-PLELF יכולה לשפץ את מערכת ה-BMS של רכבי חשמל. AI-PLELF מייעל מחזורי טעינה, מונע חום וחוזה את בריאות הסוללה באמצעות אלגוריתמים חזקים של למידת מכונה. בזמן אמת, נתוני חיישנים, דפוסי שימוש היסטוריים ומשתנים סביבתיים מאפשרים ל-AI-PLELF לחזות SOH ו-SOC של סוללות, ולשפר את הביצועים ותוחלת החיים. AI-PLELF עולה על BMS בביצועי סוללות ועמידות בסימולציות ענקיות. בעלי רכבים חשמליים אישיים חוסכים כסף ומקבלים מנועים אמינים יותר עם השיטה החדשה הזו. ניהול הצי המורחב מאפשר ליותר אנשים לרכוש רכבים חשמלי...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחברים מצהירים שאין להם ניגודי עניינים.

Materials

List of materials used in this article
Name	Company	Catalog Number	Comments
פריט	מפרט טכני	יצרן / דגם	מטרה
Battery Cycler	ועוד; דיוק מלא של 0.05%	מערכת בדיקת סוללות LBT21084, Arbin Instruments, ארה"ב	טעינה מדויקת ו-ndash; מחזור פריקה (מערכת בדיקת סוללות)
תוכנת בקרת בדיקות סוללה (MITS Pro)	גרסה 5.3.2	ארבין אינסטרומנטס, ארה"ב	קונפיגורציה של CC– פרוטוקולי טעינה/פריקה CV (תוכנת בקרה)
סרט דבק פוליאמיד	עמידות לטמפרטורות גבוהות (עד 260 & מעלות צלזיוס); C), מבודדת חשמלית	סרט פוליאמיד קפטון, דופונט, ארה"ב	חיבור תרמוקופלים למשטח הסוללה (חומר דביק)
נגד שנט מדויק	סבילות של 0.1%	קבוצת Vishay Precision Group, ארה"ב	כיול מדידת זרם
תא מתח ייחוס	3.000 ויותר; דיוק 0.001 וולט	פלוק קליבריישן, ארה"ב	כיול תעלה (כיול מתח)
תא מבוקר טמפרטורה	יציבות: 25.0 & פלס; 0.5 & דרגה; C	לשכת הסביבה SH-241, ESPEC Corp., יפן	ויסות תרמי במהלך רכיבה (בקרה סביבתית)
תרמוקופלים (סוג K)	הרכבה על פני השטח, ועוד; 0.5 & דרגה דיוק C	אומגה הנדסה, ארה"ב	ניטור טמפרטורת פני השטח (מדידת טמפרטורה)

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Rana, K., Khatri, N. Automotive intelligence: unleashing the potential of AI beyond advanced driver assisting system, a comprehensive review. Comput Electr Eng. 117, 109237(2024).
Arun, M., Gopan, G. Effects of natural light on improving the lighting and energy efficiency of buildings: toward low energy consumption and CO2 emission. Int J Low Carbon Technol. 20, 1047-1056 (2025).
Noah, J. Charged for tomorrow: the fusion of electric vehicles, AI, and cloud computing power. Int J Adv Eng Technol Innov. 1 (2), 47-58 (2023).
Gopan, G., Arun, M., Vembu, S. Comparison of dimple tube with flat plate collector for solar water heater by using carbon nanofluid. Int J Low Carbon Technol. 20, 820-833 (2025).
Esnaola-Gonzalez, I., Jelić, M., Pujić, D., Diez, F. J., Tomašević, N. An AI-powered system for residential demand response. Electronics. 10 (6), 693(2021).
Arun, M., Barik, D., Chandran, S. S. Exploration of material recovery framework from waste—a revolutionary move towards clean environment. Chem Eng J Adv. 18, 100589(2024).
Ahmad, T., et al. Energetics systems and artificial intelligence: applications of Industry 4.0. Energy Rep. 8, 334-361 (2022).
Jigyasu, D., Kumar, S., Vats, S. Introduction to artificial intelligence-empowered electric vehicles in smart grids. Artificial intelligence-empowered modern electric vehicles in smart grid systems. , 3-31 (2024).
Waseem, M., Suhaib, M., Sherwani, A. F. Modelling and analysis of gradient effect on the dynamic performance of three-wheeled vehicle system using Simscape. SN Appl Sci. 1 (3), 225(2019).
Mohammad, A., Mahjabeen, F. Revolutionizing solar energy with AI-driven enhancements in photovoltaic technology. BULLET J Multidisiplin Ilmu. 2 (4), 1174-1187 (2023).
Waseem, M., Ahmad, M., Parveen, A., Suhaib, M. Battery technologies and functionality of battery management system for EVs: current status, key challenges, and future prospectives. J Power Sources. 580, 233349(2023).
Alqahtani, H., Kumar, G. Machine learning for enhancing transportation security: a comprehensive analysis of electric and flying vehicle systems. Eng Appl Artif Intell. 129, 107667(2024).
Waseem, M., Lakshmi, G. S., Amir, M., Ahmad, M., Suhaib, M. Advancement in battery health monitoring methods for electric vehicles: battery modelling, state estimation, and internet-of-things based methods. J Power Sources. 633, 236414(2025).
Mahmoud, M., Slama, S. B. Peer-to-peer energy trading case study using an AI-powered community energy management system. Appl Sci. 13 (13), 7838(2023).
Zhao, J., Burke, A. F. Electric vehicle batteries: status and perspectives of data-driven diagnosis and prognosis. Batteries. 8 (10), 142(2022).
AI-powered lithium-ion battery state of charge estimation for enhanced electric vehicle efficiency. Shashibhushan, G. In 2023 7th International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud), , 1022-1029 (2023).
Battery diagnosis: a lifelong learning framework for electric vehicles). 2022 IEEE Vehicle Power and Propulsion Conference (VPPC). Zhao, J., et al. , 1-6 (2022).
Miraftabzadeh, S. M., Longo, M., Di Martino, A., Saldarini, A., Faranda, R. S. Exploring the synergy of artificial intelligence in energy storage systems for electric vehicles. Electronics. 13 (10), 1973(2024).
Khan, M. R., et al. A comprehensive review of microgrid energy management strategies considering electric vehicles, energy storage systems, and AI techniques. Processes. 12 (2), 270(2024).
Stecuła, K., Wolniak, R., Grebski, W. W. AI-driven urban energy solutions—from individuals to society: a review. Energies. 16 (24), 7988(2023).
Smart energy: artificial intelligence in charging and battery management systems. Mittal, A., Dumka, L., Kharka, K. P. S., Soni, M., Goyal, H. R. 2024 5th International Conference on Intelligent Communication Technologies and Virtual Mobile Networks (ICICV), , 68-73 (2024).
Rehan, H. The future of electric vehicles: navigating the intersection of AI, cloud technology, and cybersecurity. Valley Int J Digit Libr. , 1127-1143 (2024).
Vashishth, T. K., et al. Environmental sustainability and carbon footprint reduction through artificial intelligence-enabled energy management in electric vehicles. Artificial intelligence-empowered modern electric vehicles in smart grid systems. , 477-502 (2024).
Chennupati, A. Addressing the climate crisis: the synergy of AI and electric vehicles in combatting global warming. World J Adv Eng Technol Sci. 12 (1), 041-046 (2024).
ATechnoHazard. Battery and heating data in real driving cycles. , Kaggle. Available at: https://www.kaggle.com/datasets/atechnohazard/battery-and-heating-data-in-real-driving-cycles (2024).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

שיטות מבוססות אלגוריתמים של למידת מכונה למעקב אחר ביצועים והזדקנות בסוללות רכבים חשמליים

In This Article

Summary

Abstract

Introduction

Protocol

Results

Discussion

Disclosures

Materials

References

Reprints and Permissions

Tags

Related Articles