Metodi basati su algoritmi di machine learning per monitorare le prestazioni e l'invecchiamento nelle batterie di veicoli elettrici

Summary

Questo studio introduce il Lifelong Estimation Learning Framework basato sull'Intelligenza Artificiale, un framework basato sull'intelligenza artificiale per il monitoraggio adattivo, l'ottimizzazione della strategia di ricarica e la stima dello stato nelle batterie di veicoli elettrici. L'approccio viene valutato sperimentalmente in condizioni controllate per valutare la fattibilità e la capacità predittiva.

Abstract

Questo protocollo descrive il Framework di Apprendimento per la Stima Permanente Alimentata dall'Intelligenza Artificiale (AI-PLELF) per il monitoraggio e la gestione adattiva delle batterie nei sistemi di batterie per veicoli elettrici. Il framework integra i dati dei sensori della batteria in tempo reale, inclusi corrente, tensione e temperatura, con informazioni storiche sull'uso e parametri ambientali per supportare la stima dello stato strutturato e la valutazione della strategia di ricarica all'interno di un Sistema di Gestione delle Batterie (BMS).

Il protocollo delinea procedure sequenziali per l'acquisizione dei dati dei sensori, la pre-elaborazione, l'organizzazione delle caratteristiche, la previsione basata su machine learning dello Stato di Carica (SOC) e dello Stato di Salute (SOH), e la formulazione di risposte di controllo adattivi. Il flusso di lavoro è implementato in un ambiente computazionale controllato utilizzando dataset di cicli di guida reali disponibili pubblicamente. I dati sono suddivisi in sottoinsiemi di addestramento, validazione e test per valutare, la stabilità e la generalizzazione della previsione in condizioni operative variabili.

Vengono condotti studi basati su simulazioni su diversi scenari ciclici e ambientali per valutare la coerenza delle stime SOC e SOH e dei relativi suggerimenti di controllo. La metodologia descritta fornisce un quadro riproducibile per sviluppare e valutare strategie di monitoraggio delle batterie assistite dall'IA. Sebbene il presente studio si concentri sulla validazione basata su simulazioni, il protocollo stabilisce una base strutturata che potrebbe essere estesa a test integrati in laboratorio e hardware in applicazioni future.

Introduction

Contesto e contesto

I veicoli elettrici (EV) dipendono da prestazioni affidabili della batteria per sicurezza, efficienza e longevità. I Sistemi di Gestione delle Batterie (BMS) monitorano lo stato delle batterie, regolano la carica e la scarica e prevengono un funzionamento dannoso. I sistemi BMS tradizionali utilizzano modelli basati sulla fisica e logica basata su regole, che possono perdere precisione con l'età delle batterie o il cambiamento dei cicli^{di lavoro 1}. Le tecnologie di IA e ML vengono utilizzate per superare le restrizioni analizzando le correlazioni basate sui dati tra le letture dei sensori e gli stati della^{batteria 2}. Le tecniche BMS abilitate dall'IA utilizzano misurazioni in tempo reale e dati storici di utilizzo per supportare decisioni adattive in condizioni non^{stazionarie 3}. Gli studi di gestione delle batterie basati sull'IA spesso si concentrano sull'accuratezza delle previsioni offline sotto profili di laboratorio^{definiti 4}, limitandone l'applicabilità a contesti reali con invecchiamento, fluttuazioni di carico e deriva ambientale. Molti metodi mancano di una metodologia chiara che altri ricercatori possano replicare e valutare.

Limitazioni degli approcci esistenti

Le tecniche standard di stima dello stato della batteria includono la stima SOC basata sull'Extended Kalman Filter (^{EKF) 5}, modelli di degrado basati su circuiti e fisica^{comparabili 6}, e metodi ibridi fisica-ML⁷. Gli approcci basati su EKF si deteriorano con l'età e la temperatura e necessitano di una parametrizzazione appropriata del modello⁸. I modelli basati sulla fisica richiedono una calibrazione sostanziale e potrebbero non applicarsi a tutte le chimiche o cicli di lavoro^{delle batterie 9}. Le tecniche ibride riducono la dimensione dei modelli ma richiedono addestramento offline e regimi operativi stabili¹⁰. Invece di concentrarsi principalmente sui miglioramenti di prestazioni sotto benchmark statici, è necessario un quadro che supporti l'adattamento online, l'apprendimento continuo e una valutazione rigorosa attraverso condizioni di invecchiamento e^utilizzo.

Lacuna nella ricerca

La progettazione BMS assistita dall'IA sta guadagnando popolarità, ma mancano protocolli che affrontino esplicitamente (i) la generalizzazione su diversi cicli di lavoro¹², (ii) l'adattamento online all'invecchiamento e deriva della batteria, e (iii) la valutazione riproducibile utilizzando input dati chiaramente definiti, passaggi di apprendimento^{e output 13} . La ricerca spesso riporta i miglioramenti a livello di risultato senza descrivere come l'apprendimento viene mantenuto o modificato durante la durata di vita di una^{batteria 14}. Per colmare questa lacuna, questo studio presenta AI-PLELF come un quadro strutturato di stima e apprendimento piuttosto che come un sistema commerciale, enfatizzando la fattibilità sperimentale e la trasparenza del protocollo.

Panoramica del protocollo proposto

AI-PLELF combina dati di utilizzo precedente e fattori ambientali con dati in tempo reale dei sensori della batteria, inclusi corrente, tensione e temperatura. Il flusso di lavoro BMS elabora questi input utilizzando la pre-elaborazione dei dati, la stima dello stato basata su ML e la logica adattativa della decisione di carica. I test basati su simulazione in diverse condizioni operative possono valutare le stime SOC e SOH del protocollo e le sue raccomandazioni di controllo. Le metriche di usabilità e standard BMS (corrente, tensione, temperatura) registrate a velocità di controllo batteria embedded (1–10 Hz) sono assunte dal protocollo. L'obiettivo del framework è fornire validazione sperimentale e basata su simulazioni su dispositivi embedded o edge-computing con capacità computazionali limitate. Può essere utilizzato per test controllati e benchmarking di algoritmi, ma non come sostituto hardware BMS certificato per la sicurezza.

Questo lavoro presenta un quadro metodologico basato sull'IA per il monitoraggio delle prestazioni, la modellazione del degrado e il supporto decisionale nei sistemi di batterie per veicoli elettrici. L'approccio proposto viene valutato sperimentalmente utilizzando dataset controllati e validazione basata su simulazioni per dimostrare fattibilità e potenziale efficacia. Sebbene i risultati indichino miglioramenti misurabili nell'accuratezza predittiva e nell'efficienza operativa, lo studio non rivendica un aumento definitivo della durata in condizioni di dispiegamento reali. Al contrario, i risultati stabiliscono una base per future validazioni su larga scala e longitudinali.

AI-PLELF è un metodo di integrazione distinto che enfatizza l'apprendimento a tempo di vita, la co-stima unificata SOC–SOH e la ripetibilità a livello di protocollo in un singolo processo BMS abilitato dall'IA. AI-PLELF aggiorna i modelli in modo incrementale durante i cicli di guida per rispondere a drift e invecchiamento nell'ambiente di simulazione, a differenza delle tecniche AI-BMS statiche e addestrate offline. Le simulazioni rivelano che AI-PLELF riduce la deviazione stimata SOH dal 4,5% al 2,6% e l'errore di stima SOC dal 3,2% all'1,8% in cicli di guida simili. I grafici di errore comparativi e i grafici di convergenza, generati utilizzando lo stesso dataset e la stessa pipeline di preparazione, rivelano queste discrepanze.

Studio di base:

Le strategie di affidabilità e sostenibilità dei veicoli elettrici incorporano sempre più approcci basati sull'IA. La diagnostica delle batterie basata sull'IA e i sistemi di gestione energetica nei veicoli elettrici aiutano a ridurre l'impatto ambientale e a promuovere la mobilità sostenibile. D-DD&PA prevede SOH, SOS, vita ciclica e RUL per batterie EV, come riportato da Zhao et ^al.15. Il miglioramento delle prestazioni delle batterie EV migliora la sicurezza e l'affidabilità, fornendo al contempo informazioni operative vitali. Shashibhushan¹⁶ ha applicato metodi di IA (ANN, SVM, LR, KNN) e Sparse PCA per prevedere il SOC a batteria. Il modello ANN ha superato le strategie precedenti con un R² di 0,9925, consentendo una stima SOC precisa ed efficiente. Una tecnica AI-CF per la valutazione delle prestazioni delle batterie di veicoli elettrici di Zhao et ^al.17 utilizza cartelle cliniche elettroniche longitudinali e dati reali. Diagnostiche SOH e SOS migliorate aumentano l'affidabilità di veicoli elettrici e batterie.

Miraftabzadeh et ^al.18 raccomandano approcci di sistemi di accumulo energetico basati su IA (ESS) per i veicoli elettrici, inclusi il monitoraggio della qualità dell'energia, la previsione SOC e l'ottimizzazione BMS, migliorando l'integrazione delle energie rinnovabili e l'efficienza della ricarica. Khan et ^al.19 suggeriscono di integrare microreti, IA e sistemi di gestione energetica (EMS) per ottimizzare il consumo energetico e la generazione di energia per un sistema elettrico affidabile, riducendo lo spreco energetico, le emissioni legate ai veicoli elettrici e migliorando la resilienza delle smart grid. Stecuła et ^al.20 esaminano gli approcci dell'IA nei sistemi energetici urbani, concentrandosi sull'integrazione delle infrastrutture residenziali e urbane per gestire le energie rinnovabili, i sistemi di ricarica per veicoli elettrici, l'inquinamento e l'efficienza. Mittal et ^al.21 studiano la gestione delle batterie basata sull'IA e l'ottimizzazione della ricarica nei dispositivi smart, evidenziando il ruolo delle microreti intelligenti nell'integrazione sostenibile dei veicoli elettrici.

Rehan²² esplora l'integrazione di IA e cloud computing nell'industria dei veicoli elettrici statunitensi per supportare la guida autonoma, la gestione delle batterie, l'esperienza utente e la cybersecurity. Vashishth et ^al.23 esaminano l'integrazione dell'IA con i sistemi EMS EV per migliorare la sostenibilità ambientale e ridurre le emissioni. Chennupati²⁴ discute come l'ottimizzazione dei veicoli elettrici guidata dall'IA possa contribuire alla mitigazione del cambiamento climatico, sottolineando i quadri industriali scalabili e sostenibili. Le reti neurali artificiali, le macchine a vettori di supporto e le diagnostiche basate su cloud hanno migliorato il monitoraggio dello stato delle batterie e l'affidabilità dei veicoli elettrici. AI-PLELF estende questi approcci consentendo una stima strutturata dello stato della batteria e una gestione adattiva. Nel complesso, l'IA può migliorare la sostenibilità dei veicoli elettrici aumentando l'efficienza e riducendo il consumo energetico.

Protocol

La durata della batteria e le prestazioni sono fondamentali man mano che l'adozione dei veicoli elettrici cresce. I sistemi di gestione delle batterie migliorano i cicli di ricarica, prevedono il degrado e regolano gli effetti termici. AI-PLELF migliora la gestione dell'energia, il controllo della ricarica e la previsione del SOC/SOH delle batterie EV. AI-PLELF utilizza dati sensori in tempo reale, modelli di utilizzo e condizioni ambientali per migliorare le prestazioni e la longevità della batteria.

La batteria veniva ciclata con un ciclatore LBT con una precisione a scala naturale del ±0,05%. Una camera a temperatura controllata veniva utilizzata per montare le celle a 25,0 ± 0,5 °C. Un nastro adesivo in poliimide ad alta temperatura veniva utilizzato per fissare le termocoppie alla superficie della cella e garantire un contatto termico stabile.

Per caricare la batteria, il protocollo di ricarica CC–CV veniva configurato utilizzando il software di controllo del test della batteria fornito dal produttore. La corrente era impostata a 0,5 C (1,5 A per una cella da 3 Ah) con un limite di tensione di 4,20 V. Il passo CV veniva ripetuto fino a quando la corrente scendeva sotto 0,05°C (150 mA), dopodiché veniva avviata la scarica usando Aggiungi Passo | Congedo | CC con una corrente di 1C (3 A) e una tensione di taglio di 2,50 V. Per aggiungere un periodo di riposo di 600 s, seleziona Aggiungi Passo | Resto. I dati venivano catturati a 1 Hz e salvati come file CSV usando il file Export Data | Opzione ASCII. Prima di ogni esperimento, i canali di corrente e tensione venivano calibrati utilizzando uno shunt di precisione dello 0,1% e una cella di riferimento da 3,000 ± 0,001 V, secondo il manuale del produttore.

Il flusso di lavoro elabora segnali di corrente, tensione e temperatura della batteria campionati a 5 Hz da 25 cicli reali di guida. Il protocollo è stato visualizzato tramite grafici sequenziali che mostrano dati grezzi dei sensori, input preelaborati, output di stima SOC e curve di perdita di addestramento del modello in 200 iterazioni di simulazione. Inoltre, è stato generato un video di esecuzione prototipo per dimostrare l'ingestione dei dati, l'inferenza AI e la visualizzazione degli output in tempo reale.

Batterie per veicoli elettrici

Questo schema mostra un sistema di gestione della batteria EV basato su ML. I sensori della batteria controllano molti parametri della batteria per avviare il sistema. L'Unità di Raccolta Informazioni organizza i dati dei sensori nella Figura 1. ML Questi dati preparati sono utilizzati dai computer per prevedere le proprietà chiave della batteria utilizzando vari modelli. Il Modello di Previsione SOH utilizza la carica della batteria per prevedere salute e durata di vita. L'ottimizzazione della carica basata sulla proiezione e la priorità energetica massimizzano i cicli di ricarica e l'efficienza. Entrambi i moduli ricevono input dall'Unità di Controllo, che gestisce le operazioni del sistema e la temperatura della batteria per ridurre il surriscaldamento e prolungare la durata della batteria. L'Interfaccia di Uscita invia dati di stato del sistema e diagnostica all'Unità di Controllo Elettronico (ECU), integrandola con i sistemi di gestione del veicolo. Questa integrazione migliora l'efficienza e la sicurezza delle batterie e facilita le decisioni in tempo reale.

(1)

La tecnica AI-PLELF è correlata all'equazione 1, Quantificando l'influenza di diversi parametri S^xq sta per le variabili di stato della batteria, [W_lq] e per i pesi dati ai fattori che hanno un impatto jg m, e Mx^r-q(n+1) per l'effetto del modello ML sulla previsione delle condizioni della batteria. L'uso di modifiche dati in tempo reale nell'espressione^{δR qv} + lq migliora la gestione della batteria.

(2)

Nell'Equazione 2, modellando l'influenza cumulativa di più variabili sulla capacità e sulla durata della batteria, la tecnica AI-PLELF proposta è correlata con R -_{Q l} || A - Q_r ||. Qui, N e R rappresentano variabili di stato come SOH e SOC, rispettivamente, riflettendo lo stato di salute della batteria e quello di carica. I dati attuali del sensore n, i modelli di utilizzo passati n e le variabili esterne S(t,v_q) sono incorporati affinché il sistema guidato dall'IA possa migliorare l'utilizzo della batteria (f) per una maggiore efficienza e una vita prolungata.

Il Sistema di Gestione della Batteria (BMS) è fondamentale per i veicoli elettrici. Durante il funzionamento dei veicoli elettrici, il BMS garantisce la stabilità, la sicurezza e la longevità del dispositivo di accumulo energetico (ESD). Vari aspetti, tra cui procedure di ricarica, monitoraggio delle celle, raccolta dati, gestione termica, gestione dell'energia, valutazione della durata della vita e protezione delle celle, fanno parte del framework BMS, che include sia meccanismi di progettazione che di valutazione delle prestazioni.

Durante la carica o la scarica dell'ESD, possono verificarsi squilibri di tensione dovuti a processi elettrochimici. Il bilanciamento della tensione è quindi una funzione primaria del BMS e rimane un ambito di ulteriore miglioramento. Nell'esaminare i sistemi EV e le tecnologie di accumulo energetico adeguate, questo studio contribuisce alla discussione illustrata nella Figura 2. Il sistema di gestione energetica per i veicoli elettrici rimane un tema di ricerca importante. Dopo un'indagine dettagliata, sono state identificate diverse limitazioni nei sistemi attuali di gestione energetica e viene proposto un approccio strutturato per affrontarle.

(3)

L'equazione 3 è una performance aggregata che tiene conto delle variabili A(R,L) come i cicli di carica q, il tasso di apprendimento kl e particolari variabili di degradazione, indicata da A(R,L). Per massimizzare efficienza e durata della batteria, AI-PLELF ottimizza sia i fattori di miglioramento che quelli di degrado (st+wl), che sono bilanciati nel framework.

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

Secondo l'equazione 4, ||Ca - θN_q|| è il modello matematico che il sistema AI-PLELF utilizza per ottimizzare la gestione della batteria, che viene utilizzato per correlare la differenza tra gli stati osservati e previsti R_l-1, A_k+1. Gli algoritmi ML 2n (A_n,_{Y l-1}) migliorano le prestazioni e la durata della batteria prevedendo N(A_N,_{B q+r}), il suo SOH e SOC utilizzando dati in tempo reale N (R_l-1,_{A k+1}) e tendenze precedenti.

Gestione avanzata della batteria

Un sistema avanzato di gestione delle batterie che dà priorità a prestazioni, sicurezza e durata è mostrato nella Figura 3 per i veicoli elettrici. Il sistema di raccolta dati aggrega prontamente e con precisione tutti i parametri rilevanti raccogliendo dati da vari sensori. Successivamente, i dati vengono trasmessi attraverso un motore di analisi basato su IA che utilizza algoritmi sofisticati per analizzare e interpretare le informazioni. Informazioni sulle prestazioni della batteria, previsioni dei problemi e tattiche di ottimizzazione per l'utilizzo della batteria sono tutte fornite dal motore di IA. Il BMS monitora i cicli di ricarica e scarica della batteria, il funzionamento sicuro e la durata della batteria, utilizzando queste informazioni.

(5)

Nell'Equazione 5, a doppio N(D,R), la somma di l=1 e n=1 è mostrata a sinistra. Il modello matematico è probabilmente utilizzato in AI-PLELF per prevedere lo stato e le prestazioni della batteria. Questa formula tiene conto delle addizioni ricorsive su molte variabili, come l e N, dove rappresenta un fattore di declino, N (A_n, R_b+q) indica una stima annidata delle variabili della batteria, e g e^{i 2}lq probabilmente copre fattori ambientali o operativi aggiuntivi.

(6)

Modellando il legame tra efficienza energetica, capacità e fattori Analisi delle prestazioni e durata della batteria, la tecnica AI-PLELF suggerita è coerente con l'equazione 6 come modo per migliorare il Sistema di Gestione della Batteria, che incorpora parametri (Q-1) come lo stato di carica Q_R , l'ambiente circostante N_Aq e i fattori di degrado W_L-1 , che sono incorporati 1+N (A_n, W^L) tramite algoritmi ML.

Un componente chiave per garantire la solidità delle automobili elettriche è il BMS, che controlla i componenti elettrici di una batteria ricaricabile, inclusa una cella o un pacchetto di celle. Garantendo che la cella funzioni entro i suoi limiti operativi sicuri, protegge sia il consumatore che la batteria. Il BMS tiene traccia della SOH della batteria, raccoglie dati e regola i fattori esterni che influenzano la cella per mantenere una tensione uniforme attraverso la cella, come mostrato nella Figura 4.

Una fonte di alimentazione intelligente è un power pack con un BMS collegato a una rete dati o a un sistema di trasmissione dati esterno. Potrebbero essere incluse funzionalità e funzionalità aggiuntive, tra cui output di elaborazione generale, regole di connessione smart network e integrazione con i contatori di carburante. Un pacco batteria intelligente può controllare la propria ricarica, fornire rapporti sugli errori, identificare condizioni di batteria scarica e avvisare il dispositivo, oltre a prevedere il tempo di funzionamento residuo o la durata della fonte di alimentazione. Per preservare la precisione delle sue previsioni, si autocorregge continuamente e fornisce informazioni riguardanti la corrente, la tensione e la temperatura della cella. I pacchi batterie smart spesso presentano elettronica integrata che migliora l'affidabilità, la sicurezza, la longevità e l'utilità complessiva della batteria. Questi sono destinati all'uso in elettronica portatile e laptop. Queste caratteristiche permettono la creazione di prodotti finiti più affidabili e facili da usare. Ad esempio, quando le batterie vengono caricate secondo le loro caratteristiche ottimali entro limiti di temperatura, i dispositivi possono avere una durata più lunga.

(7)

La formula Yb_l L'approccio AI-PLELF suggerito per i sistemi di gestione delle batterie è probabilmente collegato a questa complessa equazione 7. Per poter stimare la salute della batteria (SOH) e lo stato di carica (SOC) utilizzando modelli di previsione basati su r-1 basati su IA n=1, può includere l'Analisi dell'Efficienza Operativa come parametri operativi (o, m, s, hix), variabili esterne - A_l+1(s + hix) , , e metriche di efficienza (o+m)_{- a n} , O(n+l).

(8)

Nell'Equazione 8, l'AI-PLELF proposto indica che la salute e le prestazioni della batteria, espresse come h(A,q), sono influenzate dalle variabili A_r e q_x incluse nel calcolo. Gli aspetti includono l'Analisi Predittiva di Manutenzione, i cicli carica-scarico, i tassi di invecchiamento, gli effetti termici e le condizioni operative, che possono essere rappresentate da W_c+l , A_r , qx, , e Stu.

I veicoli elettrici si affidano ai loro BMS per mantenere le batterie in funzione fluide e il più a lungo possibile. Integrando tecniche di ML all'avanguardia, il Lifelong Estimating Learning Framework (AI-PLELF) potenziato dall'IA migliora la BMS convenzionale. Per stimare con precisione il livello di salute della batteria, la SOH e il SOC, questo metodo innovativo utilizza dati in tempo reale provenienti da sensori (T1 a Tn), modelli di utilizzo passati e fattori ambientali. Per massimizzare l'efficienza energetica e la durata della batteria, il sistema AI-PLELF ottimizza i cicli di ricarica, anticipa il deterioramento e riduce gli effetti termici. Per ridurre il surriscaldamento e l'usura, il sistema può bilanciare i carichi (da l1 a ln), modificare le procedure di ricarica da V1 a Vn) e prevedere con precisione la salute della batteria. AI-PLELF supera il BMS standard in termini di prestazioni e longevità delle batterie, secondo simulazioni approfondite. I sensori raccolgono informazioni immediate, un modulo AI esegue analisi predittive, un'unità di controllo gestisce le operazioni di carica e scarica, e un sistema di raccolta dati monitora le caratteristiche delle batterie; questi sono i componenti principali rappresentati nel diagramma a blocchi funzionali del BMS.

(9)

Sembra che il framework AI-PLELF suggerito per la gestione delle batterie utilizzi un modello complesso con l'equazione 9, stima o previsione dello stato della batteria st usando fattori di tempo e utilizzo f forse r dati come Z_tf(l+kq); in questo contesto, Sti è rappresentato dalla frase I (k^e, D), l'analisi della scalabilità influisce sulla previsione dello stato della batteria. Il sistema di IA probabilmente ha effettuato modifiche che hanno migliorato i pattern di ricarica e uso per ridurre gli impatti di deterioramento, indicati da A(o+xq).

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

Il metodo AI-PLELF è correlato all'equazione 10 perché modella i comportamenti dinamici ρ della corrente della batteria i in funzione della resistenza k^mR, temperatura (no+r), analisi di integrazione della griglia, altri fattori come profondità di scarica DL^x , resistenza interna R , e diversi parametri operativi (i+da) e i_ql.

Una dashboard, notifiche, annunci e rapporti sulle prestazioni fanno tutti parte dell'interfaccia utente che riceve i dati dal BMS. Questa interfaccia mostra lo stato della batteria e gli avvisi. Sono offerte connessioni e controllo per dati esterni e servizi cloud; Si occupano della ricarica, del rilascio, delle emergenze e della prontezza del sistema. Il design complessivo offre un potente sistema di gestione della batteria con raccolta dati in tempo reale, analisi avanzate e interfacce utente semplici. AI-PLELF supera BMS in termini di prestazioni e durata della batteria dopo simulazioni estese. AI PLELF ottimizza la ricarica e la gestione dell'energia dei veicoli elettrici prevedendo SOH e SOC. Può gestire un singolo EV o una flotta e fornire soluzioni dinamiche durante il funzionamento. Un BMS guidato dall'IA potrebbe risparmiare i costi di manutenzione del 50% e migliorare la sostenibilità dei trasporti. Creare sistemi di veicoli elettrici ecologici richiede questo nuovo metodo. Per convalidare gli algoritmi proposti, viene definita una strategia di validazione a più stadi. Innanzitutto, la validazione interna viene effettuata utilizzando la separazione train–test su dataset simulati per valutare la stabilità della previsione e il comportamento di convergenza. In secondo luogo, l'analisi di sensibilità viene condotta variando profili di ciclismo, livelli di rumore e parametri di degrado per valutare la robustezza. In terzo luogo, la coerenza dell'output viene verificata confrontando le tendenze SOC e SOH con stime derivate dal modello di riferimento in condizioni di simulazione identiche. Sebbene la validazione sperimentale non sia inclusa nel presente studio, questo protocollo stabilisce un percorso di validazione strutturato che può essere esteso a test di laboratorio e hardware-in-the-loop in lavori futuri.

Results

Questo studio dimostra che l'IA può migliorare le prestazioni e la longevità delle batterie delle auto elettriche. I BMS che utilizzano l'IA aumentano la diagnostica delle batterie, l'efficienza, la manutenzione predittiva, la scalabilità e l'integrazione con la rete. Questi sistemi ottimizzano i cicli di ricarica, anticipano la salute delle batterie e migliorano l'affidabilità delle applicazioni EV sfruttando dati in tempo reale e algoritmi di ML. L'IA potenzia il trasporto sostenibile ...

Discussion

AI-PLELF può ristrutturare i veicoli BMS. AI-PLELF ottimizza i cicli di ricarica, previene il calore e prevede la salute della batteria utilizzando potenti algoritmi ML. In tempo reale, i dati dei sensori, i modelli di utilizzo storici e le variabili ambientali permettono ad AI-PLELF di prevedere la SOH e il SOC della batteria, migliorando prestazioni e durata. AI-PLELF supera BMS in prestazioni e durata delle batterie nelle simulazioni di massa. I proprietari di veicoli elettrici con ca...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Voce	Specifiche	Produttore / Modello	Scopo
Ciclatore di batterie	± 0,05% di accuratezza a scala naturale	LBT21084 Sistema di Test a Batteria, Arbin Instruments, USA	Carica di precisione e trattino; ciclo di scarica (sistema di prova batteria)
Software di controllo per il test della batteria (MITS Pro)	Versione 5.3.2	Arbin Instruments, USA	Configurazione di CC– Protocolli di carica/scarica CV (software di controllo)
Nastro adesivo in poliimide	Resistente ad alte temperature (fino a 260 °C; C), isolante elettricamente	Nastro Kapton Polyimide, DuPont, USA	Fissare le termocoppie alla superficie della batteria (materiale adesivo)
Resistore a shunt di precisione	Tolleranza dello 0,1%	Vishay Precision Group, USA	Calibrazione della misurazione della corrente
Cella di Tensione di Riferimento	3.000 e piùmn; 0.001 V di precisione	Calibrazione Flicke, USA	Calibrazione del canale (calibrazione della tensione)
Camera a temperatura controllata	Stabilità: 25,0 e piùmn; 0,5 ° C	SH-241 Camera Ambientale, ESPEC Corp., Giappone	Regolazione termica durante il ciclo (controllo ambientale)
Termocoppie (Tipo K)	Precisione da montaggio superficiale, ± 0,5 ° C	Omega Engineering, USA	Monitoraggio della temperatura superficiale (misurazione della temperatura)