Methoden gebaseerd op machine learning-algoritmen voor het monitoren van prestaties en veroudering in batterijen van elektrische voertuigen

Summary

Deze studie introduceert het door kunstmatige intelligentie aangedreven Lifelong Estimation Learning Framework, een op kunstmatige intelligentie gebaseerd kader voor adaptieve monitoring, optimalisatie van laadstrategieën en toestandsschatting in batterijen van elektrische voertuigen. De aanpak wordt experimenteel geëvalueerd onder gecontroleerde omstandigheden om haalbaarheid en voorspellende capaciteit te beoordelen.

Abstract

Dit protocol beschrijft het Artificial Intelligence–Powered Lifelong Estimation Learning Framework (AI-PLELF) voor adaptieve batterijmonitoring en -beheer in batterijsystemen van elektrische voertuigen. Het framework integreert realtime batterijsensorgegevens, waaronder stroom, spanning en temperatuur, met historische gebruiksinformatie en omgevingsparameters ter ondersteuning van gestructureerde toestandsschatting en evaluatie van laadstrategieën binnen een Battery Management System (BMS).

Het protocol beschrijft sequentiële procedures voor het verzamelen van sensorgegevens, voorverwerking, feature-organisatie, machine learning-gebaseerde voorspelling van State of Charge (SOC) en State of Health (SOH), en het formuleren van adaptieve controleresponsen. De workflow wordt geïmplementeerd in een gecontroleerde computationele omgeving met behulp van publiek beschikbare datasets uit de echte rijcyclus. Data wordt opgedeeld in trainings-, validatie- en testsubsets om voorspellingsstabiliteit en generalisatie onder wisselende bedrijfsomstandigheden te evalueren.

Simulatieproeven worden uitgevoerd in verschillende cyclus- en omgevingsscenario's om de consistentie van SOC- en SOH-schattingen en bijbehorende controlevoorstellen te beoordelen. De beschreven methodologie biedt een reproduceerbaar kader voor het ontwikkelen en evalueren van AI-ondersteunde batterijmonitoringstrategieën. Hoewel de huidige studie zich richt op simulatie-gebaseerde validatie, legt het protocol een gestructureerde basis die in toekomstige toepassingen kan worden uitgebreid naar laboratorium- en hardware-geïntegreerde tests.

Introduction

Achtergrond en context

Elektrische voertuigen (EV's) zijn afhankelijk van betrouwbare batterijprestaties voor veiligheid, efficiëntie en een lange levensduur. Batterijbeheersystemen (BMS) monitoren de status van de batterij, regelen het opladen en ontladen en voorkomen schadelijke werking. Traditionele BMS-systemen gebruiken fysica-gebaseerde modellen en regelgebaseerde logica, die nauwkeurigheid kunnen verliezen naarmate batterijen ouder worden of de werkcycli^veranderen. AI- en ML-technologieën worden gebruikt om beperkingen te overwinnen door datagedreven correlaties tussen sensormetingen en batterijtoestanden te analyseren². AI-ondersteunde BMS-technieken gebruiken realtime metingen en historische gebruiksgegevens om adaptieve besluitvorming in niet-stationaire omstandigheden te ondersteunen³. AI-gebaseerde batterijbeheerstudies richten zich vaak op de nauwkeurigheid van offline voorspellingen onder gedefinieerde laboratoriumprofielen⁴, waardoor hun toepasbaarheid beperkt wordt tot echte situaties met veroudering, belastingschommelingen en omgevingsdrift. Veel methoden missen een duidelijke methodologie die andere onderzoekers kunnen repliceren en beoordelen.

Beperkingen van bestaande benaderingen

Standaard batterijtoestandsschattingstechnieken zijn onder andere Extended Kalman Filter (EKF)-gebaseerde SOC-schatting⁵, vergelijkbare circuit- en fysica-gebaseerde degradatiemodellen⁶, en hybride fysica-ML-methoden⁷. EKF-gebaseerde benaderingen verslechteren met leeftijd en temperatuur en vereisen passende modelparametrisatie⁸. Fysica-gebaseerde modellen vereisen aanzienlijke kalibratie en zijn mogelijk niet van toepassing op alle batterijchemieën of duty cycles⁹. Hybride technieken verminderen de modelgrootte, maar vereisen offline training en stabiele werkregimes¹⁰. In plaats van zich vooral te richten op prestatieverbeteringen onder statische benchmarks, is er een^{kader nodig dat} online aanpassing, continu leren en rigoureuze beoordeling van veroudering en gebruiksomstandigheden ondersteunt.

Onderzoekstekort

AI-ondersteund BMS-ontwerp wint aan populariteit, maar protocollen die expliciet (i) generalisatie over diverse duty cycles^{adresseren 12}, (ii) online aanpassing aan batterijveroudering en -drift, en (iii) reproduceerbare evaluatie met duidelijk gedefinieerde data-invoer, leerstappen en -uitgangen¹³ ontbreken. Onderzoek rapporteert vaak winsten op uitkomstniveau zonder te beschrijven hoe leren gedurende de levensduur van een batterij^{wordt gehandhaafd} of aangepast. Om deze kloof op te vullen, presenteert deze studie AI-PLELF als een gestructureerd raamwerk voor schatting en leren in plaats van als een commercieel systeem, met nadruk op experimentele haalbaarheid en protocoltransparantie.

Overzicht van het voorgestelde protocol

AI-PLELF combineert gegevens van eerder gebruik en omgevingsfactoren met realtime batterijsensorgegevens, waaronder stroom, spanning en temperatuur. De BMS-workflow verwerkt deze invoer met behulp van datapreprocessing, ML-gebaseerde toestandsschatting en adaptieve ladingsbeslissingslogica. Simulatietests over verschillende bedrijfsomstandigheden kunnen de SOC- en SOH-schattingen van het protocol en de controle-aanbevelingen beoordelen. Gebruiksvriendelijkheid en Range Standard BMS-metrics (stroom, spanning, temperatuur) die worden geregistreerd bij embedded batterijcontrollersnelheden (1–10 Hz) worden door het protocol aangenomen. Het doel van het framework is om experimentele en simulatiegebaseerde validatie te bieden op embedded of edge-computing apparaten met beperkte rekenkrachten. Het kan worden gebruikt voor gecontroleerd testen en algoritmebenchmarking, maar niet als vervanging van de BMS-hardware voor een veiligheidsgecertificeerd voertuig.

Dit werk presenteert een AI-gebaseerd methodologisch kader voor prestatiemonitoring, degradatiemodellering en besluitvormingsondersteuning in batterijsystemen van elektrische voertuigen. De voorgestelde aanpak wordt experimenteel geëvalueerd met behulp van gecontroleerde datasets en simulatiegebaseerde validatie om haalbaarheid en potentiële effectiviteit aan te tonen. Hoewel de resultaten meetbare verbeteringen in voorspellende nauwkeurigheid en operationele efficiëntie aantonen, claimt de studie geen definitieve toename van de levensduur onder echte inzetomstandigheden. In plaats daarvan vormen de bevindingen een basis voor toekomstige grootschalige en longitudinale validatie.

AI-PLELF is een aparte integratiemethode die de nadruk legt op levenslang leren, geïntegreerde SOC–SOH-co-estimatie en herhaalbaarheid op protocolniveau in één AI-ondersteund BMS-proces. AI-PLELF werkt modellen stapsgewijs bij gedurende rijcycli om te reageren op drift en veroudering in de simulatieomgeving, in tegenstelling tot statische, offline getrainde AI-BMS-technieken. Simulaties tonen aan dat AI-PLELF de SOH-schattingsafwijking vermindert van 4,5% naar 2,6% en de SOC-schattingsfout van 3,2% naar 1,8% bij vergelijkbare rijcycli. Vergelijkende foutgrafieken en convergentiegrafieken, gegenereerd met dezelfde dataset en voorbereidingspijplijn, tonen deze afwijkingen.

Achtergrondonderzoek:

Strategieën voor betrouwbaarheid en duurzaamheid van elektrische voertuigen maken steeds meer gebruik van AI-gebaseerde benaderingen. AI-gestuurde batterijdiagnostiek en energiebeheersystemen in EV's helpen de milieubelasting te verminderen en duurzame mobiliteit te bevorderen. D-DD&PA voorspelt EV-batterijen SOH, SOS, cycluslevensduur en RUL, zoals gerapporteerd door Zhao et ^al.15. Verbetering van de prestaties van EV-batterijen verbetert de veiligheid en betrouwbaarheid en levert essentiële operationele informatie. Shashibhushan¹⁶ paste AI-methoden toe (ANN, SVM, LR, KNN) en Sparse PCA om batterij-SOC te voorspellen. Het ANN-model overtrof eerdere strategieën met een^R2 van 0,9925, waardoor nauwkeurige en efficiënte SOC-schatting mogelijk werd. Een AI-CF-techniek voor EV-batterijbeoordeling door Zhao et ^al.17 maakt gebruik van longitudinale elektronische patiëntendossiers en gegevens uit de praktijk. Verbeterde SOH- en SOS-diagnostiek verbetert de betrouwbaarheid van EV en batterij.

Miraftabzadeh et ^al.18 bevelen AI-gebaseerde energieopslagsystemen (ESS)-benaderingen voor EV's aan, waaronder monitoring van de energiekwaliteit, SOC-voorspelling en BMS-optimalisatie, waarmee de integratie van hernieuwbare energie en de laadefficiëntie wordt verbeterd. Khan et ^al.19 stellen voor om microgrids, AI en energiebeheersystemen (EMS) te integreren om het energieverbruik en de opwekking te optimaliseren voor een betrouwbaar elektrisch systeem, energieverspilling, EV-gerelateerde emissies te verminderen en de veerkracht van slimme netwerken te verbeteren. Stecuła et ^al.20 onderzoeken AI-benaderingen in stedelijke energiesystemen, met de nadruk op het integreren van residentiële en stedelijke infrastructuur om hernieuwbare energie, EV-laadsystemen, vervuiling en efficiëntie te beheren. Mittal et ^al.21 bestuderen AI-gebaseerd batterijbeheer en oplaadoptimalisatie in slimme apparaten en benadrukken de rol van intelligente microgrids bij duurzame EV-integratie.

Rehan,²² , onderzoekt de integratie van AI en cloud computing in de Amerikaanse EV-industrie ter ondersteuning van autonoom rijden, batterijbeheer, gebruikerservaring en cyberbeveiliging. Vashishth et ^al.23 onderzoeken AI-integratie met EV-EMS-systemen om de milieuduurzaamheid te verbeteren en de uitstoot te verminderen. Chennupati²⁴ bespreekt hoe AI-gedreven EV-optimalisatie kan bijdragen aan klimaatmitigatie, met nadruk op schaalbare en duurzame industriële kaders. Kunstmatige neurale netwerken, ondersteunende vectormachines en cloudgebaseerde diagnostiek hebben de batterijgezondheidsmonitoring en de betrouwbaarheid van EV's verbeterd. AI-PLELF breidt deze benaderingen uit door gestructureerde batterijtoestandsschatting en adaptief beheer mogelijk te maken. Al met al kan AI de duurzaamheid van EV's verbeteren door de efficiëntie te verhogen en het energieverbruik te verminderen.

Protocol

Batterijduur en prestaties zijn cruciaal nu de adoptie van elektrische voertuigen toeneemt. Batterijbeheersystemen verbeteren laadcycli, voorspellen degradatie en reguleren thermische effecten. AI-PLELF verbetert het energiebeheer, laadregeling en de voorspelling van EV-batterijen SOC/SOH. AI-PLELF gebruikt realtime sensorgegevens, gebruikspatronen en omgevingsomstandigheden om de batterijprestaties en levensduur te verbeteren.

De accu werd gecycleerd met een LBT-cycler met ±0,05% volledige nauwkeurigheid. Een temperatuurgecontroleerde kamer werd gebruikt om de cellen te monteren op 25,0 ± 0,5 °C. Een hoogtemperatuurpolyimide lijmtape werd gebruikt om de thermokoppels aan het celoppervlak te bevestigen en zo een stabiel thermisch contact te garanderen.

Om de batterij op te laden werd het CC–CV-laadprotocol geconfigureerd met behulp van de door de fabrikant geleverde batterijtestbesturingssoftware. De stroom werd ingesteld op 0,5 C (1,5 A voor een 3 Ah-cel) met een spanningslimiet van 4,20 V. De CV-stap werd herhaald totdat de stroom onder 0,05C (150 mA) daalde, waarna de ontlading werd gestart met Add Step | Ontlading | CC met een 1°C (3 A) stroom en een afsluitspanning van 2,50 V. Om een rustperiode van 600 seconden toe te voegen, selecteer je Stap toevoegen | Rest. Data werd vastgelegd op 1 Hz en opgeslagen als CSV-bestanden met behulp van de Export Data | ASCII-optie. Voorafgaand aan elk experiment werden de stroom- en spanningskanalen gekalibreerd met een 0,1% nauwkeurigheidsshunt en een referentiecel van 3,000 ± 0,001 V volgens het handboek van de fabrikant.

De workflow verwerkt batterijstroom-, spannings- en temperatuursignalen die bij 5 Hz worden bemonsterd uit 25 echte rijcycli. Het protocol werd gevisualiseerd via sequentiële grafieken die ruwe sensorgegevens, voorbewerkte invoer, SOC-schattingsuitkomsten en modeltrainingsverliescurves over 200 simulatieiteraties toonden. Daarnaast werd een prototype uitvoeringsvideo gemaakt om data-opname, AI-inferentie en outputvisualisatie in realtime te demonstreren.

EV-batterijen

Dit schema toont een ML-gebaseerd EV-batterijbeheersysteem. Batterijsensoren controleren veel batterijparameters om het systeem te starten. De Information Gathering Unit organiseert de sensorgegevens in Figuur 1. ML Deze voorbereide datapunten worden door computers gebruikt om belangrijke batterijeigenschappen te voorspellen met behulp van verschillende modellen. Het SOH Prediction Model gebruikt batterijlading om gezondheid en levensduur te voorspellen. Projectie-gebaseerde ladingoptimalisatie en energieprioritering maximaliseren laadcycli en efficiëntie. Beide modules ontvangen input van de Regeleenheid, die systeemoperaties en batterijtemperatuur beheert om oververhitting te verminderen en de levensduur van de batterij te verlengen. De Output Interface stuurt systeemstatus- en diagnosegegevens naar de Electronic Control Unit (ECU), die wordt geïntegreerd met de beheersystemen van het voertuig. Deze integratie verbetert de batterij-efficiëntie en beveiliging en maakt realtime besluitvorming eenvoudiger.

(1)

De AI-PLELF-techniek is gerelateerd aan vergelijking 1, Quantifying the influence of several parameters. S^xq staat voor de toestandsvariabelen van de batterij, [W_lq] en voor de gewichten gegeven aan de factoren die invloed hebben jg m, en Mx^r-q(n+1) voor het effect van het ML-model op de voorspelling van de batterijconditie. Het gebruik van realtime datawijzigingen in de uitdrukking δR^qv + lq verbetert het batterijbeheer.

(2)

In Vergelijking 2, waarbij de cumulatieve invloed van meerdere variabelen op batterijcapaciteit en levensduur worden gemodelleerd, correleert de voorgestelde AI-PLELF-techniek met R - Q_l || A - Q_r ||. Hier vertegenwoordigen N en R toestandsvariabelen zoals respectievelijk SOH en SOC, die de batterijgezondheid en laadstatus weerspiegelen. Huidige sensorgegevens n, eerdere gebruikspatronen n en externe variabelen S(t,v_q) zijn opgenomen zodat het door AI aangestuurde systeem het batterijgebruik (f) kan verbeteren voor een hogere efficiëntie en een verlengde levensduur.

Het Battery Management System (BMS) is cruciaal voor elektrische voertuigen. Tijdens EV-gebruik zorgt de BMS voor stabiliteit, veiligheid en levensduur van het energieopslagapparaat (ESD). Diverse aspecten, waaronder laadprocedures, celmonitoring, gegevensverzameling, thermisch beheer, energiebeheer, levensduur en celbescherming, maken deel uit van het BMS-raamwerk, dat zowel ontwerp- als prestatiebeoordelingsmechanismen omvat.

Tijdens het opladen of ontladen van de ESD kunnen spanningsverschillen optreden door elektrochemische processen. Spanningsbalans is daarom een primaire functie van de BMS en blijft een gebied voor verdere verbetering. Door EV-systemen en geschikte energieopslagtechnologieën te onderzoeken, draagt deze studie bij aan de discussie die in Figuur 2 wordt geïllustreerd. Het energiebeheersysteem voor elektrische voertuigen blijft een belangrijk onderzoeksonderwerp. Na een gedetailleerd onderzoek werden verschillende beperkingen in de huidige energiebeheersystemen vastgesteld, en wordt een gestructureerde aanpak voorgesteld om deze aan te pakken.

(3)

Vergelijking 3 is een geaggregeerde prestatie die rekening houdt met variabelen A(R,L) zoals laadcycli q, leersnelheid kl en specifieke degraderende variabelen , aangeduid met A(R,L). Om efficiëntie en batterijduur te maximaliseren, optimaliseert AI-PLELF zowel de verbeterings- als degradatiefactoren (st+wl), die in het framework in balans zijn.

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

Volgens vergelijking 4 is ||Ca - θN_q|| is het wiskundige model dat het AI-PLELF-systeem gebruikt om het batterijbeheer te optimaliseren, dat wordt gebruikt om het verschil tussen de waargenomen en verwachte toestanden R_l-1, A_k+1 te correliteren. De ML-algoritmen 2n (A_n, Y_l-1) verbeteren de prestaties en levensduur van de batterij door N(A_N, B,_q+r), zijn SOH en SOC te voorspellen met behulp van realtime data N (R_l-1, A_k+1) en eerdere trends.

Geavanceerd batterijbeheer

Een geavanceerd batterijbeheersysteem dat prestaties, veiligheid en levensduur prioriteert, wordt weergegeven in Figuur 3 voor EV's. Het dataverzamelingssysteem aggregeert snel en nauwkeurig alle relevante parameters door gegevens van verschillende sensoren te verzamelen. Daarna wordt de data uitgevoerd door een AI-gedreven analyse-engine die geavanceerde algoritmen gebruikt om de informatie te analyseren en te interpreteren. Inzichten in de prestaties van de batterij, probleemvoorspellingen en optimalisatietactieken voor het batterijgebruik worden allemaal geleverd door de AI-engine. De BMS monitort de laad- en ontlaadcycli, veilige werking en levensduur van de accu, met behulp van deze inzichten.

(5)

In Vergelijking 5, tweevoudig N(D,R), wordt de som van l=1 en n=1 links weergegeven. Het wiskundige model wordt waarschijnlijk in AI-PLELF gebruikt om de status en prestaties van de batterij te voorspellen. Deze formule houdt rekening met recursieve optellingen over veel variabelen, zoals l en N, waarbij staat voor een dalingsfactor, N (A_n, R_b+q) een geneste schatting van batterijvariabelen aanduidt, en g en i²lq waarschijnlijk extra omgevings- of operationele factoren omvatten.

(6)

Door de relatie te modelleren tussen energie-efficiëntie, capaciteit en de factoren Analyse van batterijprestaties en levensduur, is de voorgestelde AI-PLELF-techniek consistent met vergelijking 6 als een manier om het batterijbeheersysteem te verbeteren, dat parameters (Q-1) omvat zoals de laadstatus Q_R , omgeving N_Aq , en degradatiefactoren W_L-1 , die zijn opgenomen1+N (A_n, W^L) door ML-algoritmen.

Een belangrijk onderdeel om de betrouwbaarheid van elektrische auto's te waarborgen is de BMS, die de elektrische componenten van een oplaadbare batterij aanstuurt, waaronder een cel of een pakket cellen. Door ervoor te zorgen dat de cel binnen haar veilige operationele limieten functioneert, beschermt het zowel de consument als de batterij. De BMS houdt de SOH van de batterij bij, verzamelt gegevens en reguleert externe factoren die de cel beïnvloeden om de spanning over de cel te behouden, zoals weergegeven in Figuur 4.

Een slimme stroombron is een stroombron met een BMS die is aangesloten op een datanetwerk of een extern datatransmissiesysteem. Aanvullende functies en mogelijkheden, waaronder algemene verwerkingsuitgangen, slimme netwerkverbindingen en integratie van brandstofmeters, kunnen worden toegevoegd. Een intelligent batterijpakket kan zijn eigen laadvermogen regelen, foutmeldingen leveren, batterijlage condities identificeren en het apparaat hierop waarschuwen, en de resterende gebruiksduur of de duur van de stroombron voorspellen. Om de precisie van zijn voorspellingen te behouden, corrigeert het zichzelf continu en levert het informatie over de stroom, spanning en temperatuur van de cel. Slimme batterijpacks zijn vaak voorzien van geïntegreerde elektronica die de betrouwbaarheid, veiligheid, levensduur en algehele bruikbaarheid van de batterij verbetert. Deze zijn bedoeld voor gebruik in draagbare elektronica en laptops. Deze eigenschappen maken het mogelijk om eindproducten te maken die betrouwbaarder en gebruiksvriendelijker zijn. Bijvoorbeeld, wanneer batterijen binnen temperatuurbeperkingen tot optimale eigenschappen worden opgeladen, kunnen apparaten een langere levensduur hebben.

(7)

De formule Yb_l De voorgestelde AI-PLELF-benadering voor batterijbeheersystemen is waarschijnlijk gerelateerd aan deze ingewikkelde vergelijking 7. Om de batterijgezondheid (SOH) en laadstatus (SOC) te kunnen schatten met behulp van r-1 AI-gestuurde voorspellingsmodellen n=1, kan het Operationele Efficiëntieanalyse als operationele parameters (o, m, s, hix), externe variabelen - A_l+1(s + hix) , , en efficiëntiemetrieken (o+m) - a_n , O(n+l) ) bevatten.

(8)

In Vergelijking 8 geeft de voorgestelde AI-PLELF aan dat de batterijgezondheid en prestaties, uitgedrukt als h(A,q), worden beïnvloed door de variabelen A_r en q_x die in de berekening zijn opgenomen. Onder andere Predictive Maintenance Analysis, laad-ontlaadcycli, verouderingssnelheden, thermische effecten en bedrijfsomstandigheden, die kunnen worden weergegeven door W_c+l , A_r , qx , , en Stu.

EV's vertrouwen op hun BMS om hun batterijen soepel en zo lang mogelijk te laten draaien. Door geavanceerde ML-technieken te integreren, verbetert het AI-Powered Lifelong Estimating Learning Framework (AI-PLELF) conventionele BMS. Om het niveau van gezondheid, SOH en SOC van de batterij nauwkeurig te schatten, maakt deze nieuwe methode gebruik van realtime data van sensoren (T1 tot Tn), eerdere gebruikspatronen en omgevingsfactoren. Om energie-efficiëntie en batterijduur te maximaliseren, optimaliseert het AI-PLELF-systeem de laadcycli, anticipeert het verslechtering en vermindert het warmte-effecten. Om oververhitting en slijtage te verminderen, kan het systeem belastingen (l1 tot ln) balanceren, laadprocedures wijzigen (V1 naar Vn) en de gezondheid van de batterij nauwkeurig voorspellen. AI-PLELF presteert beter dan standaard BMS in batterijprestaties en levensduur, volgens grondige simulaties. Sensoren verzamelen directe informatie, een AI-module voert voorspellende analyses uit, een besturingseenheid beheert laad- en ontlaadoperaties, en een dataverzamelingssysteem monitort de batterijkenmerken; dit zijn de belangrijkste componenten die in het functionele blokdiagram van de BMS worden weergegeven.

(9)

Het lijkt erop dat het voorgestelde AI-PLELF-framework voor batterijbeheer een ingewikkeld model gebruikt met vergelijking 9, toestandsschatting of -voorspelling voor batterijconditie ST, waarbij gebruik wordt gemaakt van tijd- en gebruiksfactoren f misschien r gegeven als Z_tf(l+kq). In deze context wordt Sti weergegeven door de uitdrukking I (k^e, D), analyse van schaalbaarheid beïnvloedt de voorspelling van de batterijstatus. Het AI-systeem heeft waarschijnlijk aanpassingen uitgevoerd die het opladen verbeterden en patronen gebruikte om de achteruitgang te verminderen, wat wordt aangeduid met A(o+xq).

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

De AI-PLELF-methode is verwant aan vergelijking 10 omdat deze het dynamische gedrag ρ van de batterijstroom i modelleert als functie van weerstand k^mR, temperatuur (no+r), roosterintegratieanalyse, andere factoren zoals ontlaaddiepte DL^x , interne weerstand R en verschillende operationele parameters (i+da) en i_ql.

Een dashboard, meldingen, aankondigingen en prestatierapporten maken allemaal deel uit van de gebruikersinterface die gegevens ontvangt van de BMS. Deze interface toont de batterijstatus en meldingen. Verbindingen en controle voor externe data en clouddiensten worden aangeboden; Ze verzorgen het opladen, loskoppelen, noodgevallen en systeemgereedheid. Het algehele ontwerp levert een krachtig batterijbeheersysteem met realtime gegevensverzameling, geavanceerde analyses en eenvoudige gebruikersinterfaces. AI-PLELF overtreft BMS in batterijprestaties en levensduur na uitgebreide simulaties. AI PLELF optimaliseert het opladen van elektrische voertuigen en energiebeheer door SOH en SOC te voorspellen. Het kan een enkele EV of een vloot aanpakken en dynamische oplossingen bieden tijdens de operatie. Een AI-gedreven BMS kan onderhoudskosten met 50% besparen en de duurzaamheid van het vervoer verbeteren. Het creëren van milieuvriendelijke elektrische voertuigsystemen vereist deze nieuwe methode. Om de voorgestelde algoritmen te valideren, wordt een meerstapsvalidatiestrategie gedefinieerd. Ten eerste wordt interne validatie uitgevoerd met behulp van trein-testscheiding op gesimuleerde datasets om voorspellingsstabiliteit en convergentiegedrag te beoordelen. Ten tweede wordt gevoeligheidsanalyse uitgevoerd door cyclusprofielen, ruisniveaus en degradatieparameters te variëren om robuustheid te evalueren. Ten derde wordt outputconsistentie geverifieerd door SOC- en SOH-trends te vergelijken met door referentiemodellen afgeleide schattingen onder identieke simulatiecondities. Hoewel experimentele validatie niet in de huidige studie is opgenomen, stelt dit protocol een gestructureerd validatiepad vast dat in toekomstige studies kan worden uitgebreid naar laboratorium- en hardware-in-the-loop testen.

Results

Deze studie toont aan dat AI de prestaties en levensduur van batterijen van elektrische auto's kan verbeteren. BMS'en die AI gebruiken verhogen batterijdiagnostiek, efficiëntie, voorspellend onderhoud, schaalbaarheid en netwerkintegratie. Deze systemen optimaliseren laadcycli, anticiperen op de gezondheid van de accu en verbeteren de betrouwbaarheid van EV-toepassingen door gebruik te maken van realtime data en ML-algoritmen. AI stimuleert duurzaam vervoer door de energie-efficiëntie, be...

Discussion

AI-PLELF kan EV BMS renoveren. AI-PLELF optimaliseert laadcycli, voorkomt hitte en voorspelt de gezondheid van de batterij met behulp van krachtige ML-algoritmen. In realtime stellen sensorgegevens, historische gebruikspatronen en omgevingsvariabelen AI-PLELF in staat om batterij-SOH en SOC te voorspellen, wat de prestaties en levensduur verbetert. AI-PLELF overtreft BMS in batterijprestaties en duurzaamheid in grootschalige simulaties. Eigenaren van een karakter-EV besparen geld en krij...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Item	Specificatie	Fabrikant / Model	Doel
Battery Cycler	±0.05% nauwkeurigheid op volle schaal	LBT21084 Batterij Test Systeem, Arbin Instruments, USA	Precisie opladen en ontladen cycli (batterijtestsysteem)
Batterij Test Control Software (MITS Pro)	Versie 5.3.2	Arbin Instruments, USA	Configuratie van CC–CV oplaad-/ontlaadprotocollen (besturingssoftware)
Polyimide Lijmtape	Hoge temperatuurbestendig (tot 260 °C), elektrisch isolerend	Kapton Polyimide Tape, DuPont, USA	Beveiliging van thermocouples op batterijoppervlak (kleefmateriaal)
Precisie Shunt Weerstand	0.1% tolerantie	Vishay Precision Group, USA	Stroommeting kalibratie
Referentie Spanning Cel	3.000 ± 0.001 V nauwkeurigheid	Fluke Calibration, USA	Kanaal kalibratie (spanning kalibratie)
Temperatuur Gecontroleerde Kamer	Stabiliteit: 25.0 ± 0.5 °C	SH-241 Milieu Kamer, ESPEC Corp., Japan	Thermische regeling tijdens cycli (milieucontrole)
Thermokoppels (Type-K)	Op het oppervlak te monteren, ±0.5 °C nauwkeurigheid	Omega Engineering, USA	Oppervlakte temperatuur monitoring (temperatuur meting)