Metody monitorowania wydajności i starzenia się akumulatorów pojazdów elektrycznych oparte na algorytmach uczenia maszynowego

Summary

Niniejsze badanie wprowadza oparte na sztucznej inteligencji Lifelong Estimation Learning Framework, oparte na sztucznej inteligencji ramy do adaptacyjnego monitoringu, optymalizacji strategii ładowania oraz szacowania stanu w akumulatorach pojazdów elektrycznych. Podejście to jest eksperymentalnie oceniane w kontrolowanych warunkach w celu oceny wykonalności i zdolności predykcyjnych.

Abstract

Protokół ten opisuje Artificial Intelligence-Powered Lifelong Estimation Learning Framework (AI-PLELF) do adaptacyjnego monitorowania i zarządzania bateriami w systemach akumulatorów pojazdów elektrycznych. Framework integruje dane z czujników baterii w czasie rzeczywistym, w tym prąd, napięcie i temperaturę, z informacjami o historycznym użytkowaniu oraz parametrami środowiskowymi, aby wspierać ustrukturyzowane szacowanie stanu i ocenę strategii ładowania w ramach Systemu Zarządzania Baterią (BMS).

Protokół określa sekwencyjne procedury pozyskiwania danych z czujników, ich wstępnego przetwarzania, organizacji cech, przewidywania stanu naładowania (SOC) i Stanu Zdrowia (SOH) opartego na uczeniu maszynowym oraz formułowania adaptacyjnych odpowiedzi kontrolnych. Workflow jest realizowany w kontrolowanym środowisku obliczeniowym, wykorzystując publicznie dostępne zbiory danych z rzeczywistych cykli jazdy. Dane są podzielone na podzbiory treningowe, walidacyjne i testowe w celu oceny stabilności i uogólnienia predykcji w różnych warunkach pracy.

Badania oparte na symulacji są prowadzone w różnych scenariuszach cyklicznych i środowiskowych, aby ocenić spójność szacunków SOC i SOH oraz odpowiadające im sugestie kontrolne. Opisana metodologia stanowi powtarzalne ramy do opracowywania i oceny strategii monitorowania baterii wspomaganych przez AI. Chociaż obecne badanie koncentruje się na walidacji opartej na symulacji, protokół ustanawia uporządkowane podstawy, które mogą zostać rozszerzone na testy laboratoryjne i zintegrowane sprzętowo w przyszłych zastosowaniach.

Introduction

Tło i kontekst

Pojazdy elektryczne (EV) polegają na niezawodnej wydajności baterii dla bezpieczeństwa, efektywności i długowieczności. Systemy zarządzania baterią (BMS) monitorują stan baterii, regulują ładowanie i rozładowywanie oraz zapobiegają szkodliwej eksploatacji. Tradycyjne systemy BMS wykorzystują modele oparte na fizyce i logice opartej na regułach, które mogą tracić dokładność wraz ze starzeniem się baterii lub zmianą cyklu pracy¹. Technologie AI i ML są wykorzystywane do przezwyciężania ograniczeń poprzez analizę korelacji opartych na danych między odczytami czujników a stanem baterii². Techniki BMS oparte na AI wykorzystują pomiary w czasie rzeczywistym oraz dane historycznego użytkowania, aby wspierać adaptacyjne decyzje w warunkach niestacjonarnych³. Badania zarządzania bateriami oparte na AI często koncentrują się na dokładności offline w określonych profilach laboratoryjnych⁴, ograniczając ich zastosowanie do rzeczywistych warunków związanych ze starzeniem, wahaniami obciążenia i dryfem środowiskowym. Wiele metod nie ma jasnej metodologii, którą inni badacze mogliby powtórzyć i ocenić.

Ograniczenia istniejących podejść

Standardowe techniki estymacji stanu baterii obejmują estymację SOC^opartą na rozszerzonym filtrze Kalmana (EKF) 5, porównywalne modele degradacji oparte na obwodach i fizyce⁶ oraz metody hybrydowej fizyki i ML⁷. Podejścia oparte na EKF pogarszają się wraz z wiekiem i temperaturą i wymagają odpowiedniej parametryzacji modelu⁸. Modele oparte na fizyce wymagają znacznej kalibracji i mogą nie dotyczyć wszystkich chemii baterii lub cykli pracy⁹. Techniki hybrydowe zmniejszają rozmiar modelu, ale wymagają szkolenia offline i stabilnych reżimów pracy¹⁰. Zamiast skupiać się głównie na wzrostach wydajności przy statycznych benchmarkach, potrzebne jest ramy wspierające adaptację online, ciągłe uczenie się i rygorystyczną ocenę w warunkach starzenia się i użytkowania¹¹.

Luka badawcza

Projektowanie BMS wspomagane przez AI zyskuje na popularności, ale protokoły wyraźnie uwzględniające (i) uogólnienie na różne cykle pracy¹², (ii) adaptację online do starzenia się baterii i dryfu oraz (iii) powtarzalną ewaluację z wykorzystaniem jasno określonych danych wejściowych, kroków uczenia i wyników¹³ , są niewystarczające. Badania często informują o postępach na poziomie efektów, nie opisując, jak uczenie się jest utrzymywane lub modyfikowane w trakcie żywotności baterii¹⁴. Aby wypełnić tę lukę, badanie przedstawia AI-PLELF jako ustrukturyzowany framework estymacji i uczenia się, a nie system komercyjny, podkreślając wykonalność eksperymentów i przejrzystość protokołów.

Przegląd proponowanego protokołu

AI-PLELF łączy dane z poprzedniego użytkowania i czynniki otoczenia z danymi z czujników baterii w czasie rzeczywistym, w tym prąd, napięcie i temperaturę. Workflow BMS przetwarza te dane za pomocą wstępnego przetwarzania danych, szacowania stanu opartego na ML oraz adaptacyjnej logiki decyzji o ładowaniu. Testy oparte na symulacji w różnych warunkach pracy mogą oceniać szacunki protokołu SOC i SOH oraz jego zalecenia sterujące. Standardowe metryki BMS (prąd, napięcie, temperatura) dotyczące użyteczności i zasięgu standardowe (prąd, napięcie, temperatura) są zakładane przez protokół. Celem ram jest zapewnienie eksperymentalnej i symulacyjnej walidacji urządzeń wbudowanych lub edge computing o ograniczonych możliwościach obliczeniowych. Może być używany do kontrolowanych testów i benchmarków algorytmów, ale nie jako zamiennik sprzętu BMS w pojazdach z certyfikatem bezpieczeństwa.

Prace te przedstawiają oparte na AI ramy metodologiczne do monitorowania wydajności, modelowania degradacji oraz wsparcia decyzyjnego w systemach akumulatorów pojazdów elektrycznych. Proponowane podejście jest eksperymentalnie oceniane przy użyciu kontrolowanych zbiorów danych i walidacji opartej na symulacjach, aby wykazać wykonalność i potencjalną skuteczność. Chociaż wyniki wskazują na mierzalne poprawy w zakresie dokładności predykcyjnej i efektywności operacyjnej, badanie nie zakłada ostatecznego wydłużenia żywotności w warunkach rzeczywistego wdrożenia. Zamiast tego wyniki stanowią podstawę dla przyszłej wielkoskalowej i podłużnej walidacji.

AI-PLELF to odrębna metoda integracji, która kładzie nacisk na uczenie się przez całe życie, zunifikowane współestymowanie SOC–SOH oraz powtarzalność na poziomie protokołu w jednym procesie BMS wspieranym przez AI. AI-PLELF aktualizuje modele stopniowo w trakcie cykli jazdy, aby reagować na dryf i starzenie się w środowisku symulacji, w przeciwieństwie do statycznych, offline-trenowanych technik AI-BMS. Symulacje pokazują, że AI-PLELF zmniejsza odchylenia szacunków SOH z 4,5% do 2,6% oraz błędy szacowania SOC z 3,2% do 1,8% w podobnych cyklach jazdy. Wykresy błędów porównawczych i wykresy zbieżności, generowane przy użyciu tego samego zbioru danych i pipeline'u przygotowawczego, ujawniają te rozbieżności.

Studium tła:

Strategie niezawodności i zrównoważonego rozwoju EV coraz częściej wykorzystują podejścia oparte na AI. Diagnostyka baterii oparta na AI i systemy zarządzania energią w EV pomagają zmniejszyć wpływ na środowisko i wspierać zrównoważoną mobilność. D-DD&PA przewiduje SOH, SOS, żywotność cyklu i RUL baterii EV, jak podają Zhao i ^in.15. Poprawa wydajności baterii EV poprawia bezpieczeństwo i niezawodność, jednocześnie dostarczając kluczowych informacji operacyjnych. Shashibhushan¹⁶ zastosował metody SI (ANN, SVM, LR, KNN) oraz Sparse PCA do przewidywania SOC baterii. Model ANN przewyższył wcześniejsze strategie z wynikiem R² na poziomie 0,9925, umożliwiając precyzyjne i efektywne oszacowanie SOC. Technika AI-CF do oceny wydajności baterii EV autorstwa Zhao i ^in.17 wykorzystuje podłużne elektroniczne rejestry zdrowotne oraz dane z rzeczywistego świata. Ulepszona diagnostyka SOH i SOS zwiększa niezawodność pojazdów elektrycznych i baterii.

Miraftabzadeh i ^in.18 zalecają podejścia oparte na AI systemów magazynowania energii (ESS) dla pojazdów elektrycznych, w tym monitorowanie jakości energii, prognozowanie SOC oraz optymalizację BMS, poprawiając integrację energii odnawialnej i efektywność ładowania. Khan i ^in.19 sugerują integrację mikrosieci, AI oraz systemów zarządzania energią (EMS) w celu optymalizacji zużycia energii i wytwarzania energii dla niezawodnego systemu elektrycznego, redukcji marnotrawstwa energii, emisji związanych z EV oraz poprawy odporności inteligentnych sieci. Stecuła i ^in.20 analizują podejścia AI w miejskich systemach energetycznych, koncentrując się na integracji infrastruktury mieszkalnej i miejskiej w celu zarządzania energią odnawialną, systemami ładowania EV, zanieczyszczeniami i efektywnością. Mittal i ^in.21 badają zarządzanie bateriami oparte na AI i optymalizację ładowania w inteligentnych urządzeniach, podkreślając rolę inteligentnych mikrosieci w zrównoważonej integracji EV.

Rehan²² bada integrację AI i chmury obliczeniowej w amerykańskim sektorze elektrycznym, wspierając autonomiczną jazdę, zarządzanie baterią, doświadczenie użytkownika i cyberbezpieczeństwo. Vashishth i ^in.23 badają integrację AI z systemami EMS EV, aby zwiększyć zrównoważony rozwój środowiska i zmniejszyć emisje. Chennupati²⁴ omawia, jak optymalizacja EV oparta na AI może przyczynić się do łagodzenia zmian klimatu, kładąc nacisk na skalowalne i zrównoważone ramy przemysłowe. Sztuczne sieci neuronowe, maszyny wektorowe wsparcia oraz diagnostyka oparta na chmurze poprawiły monitorowanie stanu baterii i niezawodność pojazdów elektrycznych. AI-PLELF rozszerza te podejścia, umożliwiając strukturalne szacowanie stanu baterii i adaptacyjne zarządzanie. Ogólnie rzecz biorąc, AI może poprawić zrównoważony rozwój EV poprzez zwiększenie efektywności i redukcję zużycia energii.

Protocol

Żywotność i wydajność baterii są kluczowe w miarę wzrostu adopcji EV. Systemy zarządzania baterią poprawiają cykle ładowania, prognozują degradację i regulują efekty termiczne. AI-PLELF usprawnia zarządzanie energią, kontrolę ładowania oraz prognozowanie SOC/SOH baterii EV. AI-PLELF wykorzystuje dane z czujników w czasie rzeczywistym, wzorce użytkowania oraz warunki otoczenia, aby poprawić wydajność i żywotność baterii.

Bateria była cyklowana za pomocą cyklera LBT z pełną dokładnością ±0,05%. Do montażu ogniw w temperaturze 25,0 ± 0,5 °C użyto komory kontrolowanej temperatury. Do zabezpieczenia termoparek do powierzchni ogniwa użyto taśmy poliimidowej o wysokiej temperaturze, aby zapewnić stabilny kontakt termiczny.

Aby ładować akumulator, protokół ładowania CC–CV został skonfigurowany za pomocą oprogramowania sterującego testów baterii dostarczonego przez producenta. Prąd ustawiono na 0,5C (1,5 A dla ogniwa 3 Ah) z limitem napięcia 4,20 V. Krok CV powtarzano aż do spadku prądu poniżej 0,05C (150 mA), po czym rozładowanie inicjowano za pomocą Add Step | Rozładowanie | CC z prądem 1C (3 A) i napięciem odcięcia 2,50 V. Aby dodać okres spoczynku 600 s, wybierz Dodaj krok | Spoczynek. Dane były rejestrowane przy 1 Hz i zapisane jako pliki CSV za pomocą opcji Eksport danych | ASCII. Przed każdym eksperymentem kanały prądu i napięcia kalibrowano za pomocą shunta o dokładności 0,1% oraz ogniwa referencyjnego o napięciu 3,000 ± 0,001 V, zgodnie z podręcznikiem producenta.

Workflow przetwarza sygnały prądu, napięcia i temperatury baterii próbkowane z częstotliwością 5 Hz z 25 rzeczywistych cykli jazdy. Protokół został zwizualizowany za pomocą sekwencyjnych wykresów przedstawiających surowe dane z czujników, wstępnie przetworzone wejścia, wyjścia estymacji SOC oraz krzywe strat treningowych modeli w 200 iteracjach symulacji. Dodatkowo wygenerowano prototypowy film wykonawczy, który demonstrował pobieranie danych, wnioskowanie AI i wizualizację wyników w czasie rzeczywistym.

Baterie EV

Ten schemat przedstawia system zarządzania baterią EV oparty na ML. Czujniki baterii sprawdzają wiele parametrów baterii, aby uruchomić system. Jednostka Zbierania Informacji organizuje dane z czujników na Rysunku 1. ML Przygotowane punkty danych są wykorzystywane przez komputery do prognozowania kluczowych właściwości baterii przy użyciu różnych modeli. Model Predykcji SOH wykorzystuje naładowanie baterii do przewidywania stanu zdrowia i żywotności. Optymalizacja naładowania oparta na projekcji oraz priorytetyzacja energetyczna maksymalizują cykle ładowania i efektywność. Oba moduły otrzymują dane wejściowe od jednostki sterującej, która zarządza operacją systemu i temperaturą akumulatora, aby zmniejszyć przegrzewanie i wydłużyć żywotność baterii. Interfejs wyjściowy przesyła dane o statusie systemu i diagnostykę do Elektronicznej Jednostki Sterującej (ECU), integrując ją z systemami zarządzania pojazdem. Ta integracja zwiększa efektywność i bezpieczeństwo baterii oraz ułatwia podejmowanie decyzji w czasie rzeczywistym.

(1)

Technika AI-PLELF jest powiązana z równaniem 1. Quantifying the influence of several parameters S^xq oznacza zmienne stanu baterii, [W_lq] oraz wagi przypisane czynnikom wpływającym na jg m, a Mx^r-q(n+1) wpływa modelu ML na przewidywanie stanu baterii. Zastosowanie modyfikacji danych w czasie rzeczywistym w wyrażeniu δR^qv + lq poprawia zarządzanie baterią.

(2)

W równaniu 2, modelującym skumulowany wpływ wielu zmiennych na pojemność i żywotność baterii, proponowana technika AI-PLELF jest skorelowana z R - Q_l || A - Q_r ||. Tutaj N i R reprezentują zmienne stanu takie jak SOH i SOC, odpowiednio odzwierciedlające stan zdrowia baterii i stan ładowania. Obecne dane z czujnika n, przeszłe wzorce użytkowania n oraz zmienne zewnętrzne S(t,v_q) są uwzględniane, aby system sterowany AI mógł poprawić wykorzystanie baterii (f) w celu zwiększenia efektywności i wydłużenia żywotności.

System Zarządzania Baterią (BMS) jest kluczowy dla pojazdów elektrycznych. Podczas eksploatacji pojazdów elektrycznych BMS zapewnia stabilność, bezpieczeństwo i trwałość urządzenia magazynującego energię (ESD). Różne aspekty, w tym procedury ładowania, monitorowanie ogniw, zbieranie danych, zarządzanie termiczne, zarządzanie energią, ocena żywotności oraz ochrona ogniw, są częścią ram BMS, które obejmują zarówno mechanizmy projektowe, jak i oceny wydajności.

Podczas ładowania lub rozładowywania ESD mogą wystąpić nierównowagi napięcia spowodowane procesami elektrochemicznymi. Równoważenie napięcia jest zatem podstawową funkcją BMS i pozostaje obszarem do dalszego doskonalenia. Analizując systemy EV i odpowiednie technologie magazynowania energii, badanie to wnosi wkład w dyskusję przedstawioną na Rysunku 2. System zarządzania energią dla pojazdów elektrycznych pozostaje ważnym tematem badań. Po szczegółowych badaniach zidentyfikowano kilka ograniczeń obecnych systemów zarządzania energią i zaproponowano uporządkowane podejście do ich rozwiązania.

(3)

Równanie 3 to zagregowana wydajność uwzględniająca zmienne A(R,L), takie jak cykle ładowania q, szybkość uczenia kl oraz określone zmienne degradujące, oznaczane jako A(R,L). Aby zmaksymalizować wydajność i żywotność baterii, AI-PLELF optymalizuje zarówno czynniki wzmacniające, jak i degradacyjne (st+wl), które są zrównoważone w ramach.

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

Zgodnie z równaniem 4, || Ca - θN_q|| to model matematyczny używany przez system AI-PLELF do optymalizacji zarządzania baterią, który służy do korelacji różnicy między stanami obserwowanymi a przewidywanymi R_l-1, A_k+1. Algorytmy ML 2n (A_n, Y_l-1) poprawiają wydajność i żywotność baterii, przewidując N(A_N, B_q+r) jej SOH i SOC na podstawie danych w czasie rzeczywistym N (R_l-1, A_k+1) oraz wcześniejszych trendów.

Zaawansowane zarządzanie baterią

Zaawansowany system zarządzania baterią, który priorytetowo traktuje wydajność, bezpieczeństwo i żywotność, przedstawiono na Rysunku 3 dla pojazdów elektrycznych . System zbierania danych szybko i dokładnie agreguje wszystkie istotne parametry, zbierając dane z różnych czujników. Następnie dane są przetwarzane przez silnik analityczny oparty na AI, który wykorzystuje zaawansowane algorytmy do analizy i interpretacji informacji. Silnik AI dostarcza wgląd w wydajność baterii, prognozy problemów oraz taktyki optymalizacji wykorzystania baterii. BMS monitoruje cykle ładowania i rozładowywania baterii, bezpieczną eksploatację oraz czas użytkowania, wykorzystując te informacje.

(5)

W równaniu 5, podwójnym N(D,R), suma l=1 i n=1 jest pokazana po lewej. Model matematyczny prawdopodobnie jest używany w AI-PLELF do prognozowania stanu i wydajności baterii. Wzór ten uwzględnia rekurencyjne dodawanie wielu zmiennych, takich jak l i n, gdzie oznacza współczynnik spadku, N (A_n, R_b+q) oznacza zagnieżdżone oszacowanie zmiennych baterii, a g i²lq prawdopodobnie obejmuje dodatkowe czynniki środowiskowe lub operacyjne.

(6)

Modelując związek między efektywnością energetyczną, pojemnością oraz czynnikami analizy wydajności baterii i jej żywotności, sugerowana technika AI-PLELF jest zgodna z równaniem 6 jako sposobem na ulepszenie systemu zarządzania baterią, który uwzględnia parametry (Q-1) takie jak status naładowania Q_R, otoczenie_{N Aq} oraz czynniki degradacji W_L-1, które są uwzględniane w algorytmach ML.

Kluczowym elementem zapewniającym sprawność samochodów elektrycznych jest BMS, który steruje komponentami elektrycznymi akumulatora, w tym ogniwem lub pakietem ogniw. Zapewniając, że ogniwo działa w bezpiecznych granicach operacyjnych, chroni zarówno konsumenta, jak i baterię. BMS monitoruje SOH baterii, zbiera dane i reguluje czynniki zewnętrzne wpływające na ogniwo, aby utrzymać jednolite napięcie w ogniwie, jak pokazano na Rysunku 4.

Inteligentne źródło zasilania to zespół zasilający z BMS połączony z siecią danych lub zewnętrznym systemem transmisji danych. Mogą być zawarte dodatkowe funkcje i możliwości, w tym ogólne wyjścia przetwarzania, zasady połączenia z inteligentną siecią oraz integracja z licznikami paliw. Inteligentny pakiet baterii może samodzielnie kontrolować ładowanie, generować raporty o błędach, identyfikować stan niskiego poziomu baterii i ostrzegać urządzenie o nich, a także prognozować pozostały czas pracy lub długość działania źródła. Aby zachować precyzję swoich prognoz, urządzenie nieustannie samokoryguje i dostarcza informacje o prądzie, napięciu i temperaturze ogniwa. Inteligentne pakiety baterii często wyposażone są w zintegrowaną elektronikę, która zwiększa niezawodność, bezpieczeństwo, trwałość i ogólną użyteczność baterii. Są przeznaczone do użytku w przenośnej elektronice i laptopach. Te cechy umożliwiają tworzenie gotowych produktów, które są bardziej niezawodne i łatwiejsze w obsłudze. Na przykład, gdy baterie są ładowane do optymalnych parametrów w warunkach temperaturowych, urządzenia mogą mieć dłuższą żywotność.

(7)

Wzór Yb_l Sugerowane podejście AI-PLELF dla systemów zarządzania bateriami prawdopodobnie wiąże się z tym skomplikowanym równaniem 7. Aby móc oszacować stan baterii (SOH) i stan ładowania (SOC) za pomocą modeli predykcyjnych r-1 opartych na AI n=1, może uwzględnić Analizę Efektywności Operacyjnej jako parametry operacyjne (o, m, s, hix), zmienne zewnętrzne - A_l+1(s + hix), , oraz metryki efektywności(o+m) -_{a n} , O(n+l).

(8)

W równaniu 8 proponowany AI-PLELF wskazuje, że stan i wydajność baterii, wyrażone jako h(A,q), są zależne od zmiennych A_{r i} q_x uwzględnionych w obliczeniach. Aspekty obejmują Predykcyjną Analizę Konserwacji, cykle ładowania i rozładowania, tempo starzenia, efekty termiczne oraz warunki pracy, które mogą być reprezentowane jako W_c+l , A_r , qx, , , oraz Stu.

Pojazdy elektryczne polegają na swoich BMS, aby baterie działały płynnie i jak najdłużej. Integrując najnowocześniejsze techniki ML, AI-Powered Lifelong Estimating Learning Framework (AI-PLELF) wzmacnia konwencjonalne BMS. Aby dokładnie oszacować poziom zdrowia baterii, SOH i SOC, ta nowatorska metoda wykorzystuje dane w czasie rzeczywistym z czujników (T1 do Tn), wzorce użytkowania z przeszłości oraz czynniki środowiskowe. Aby zmaksymalizować efektywność energetyczną i żywotność baterii, system AI-PLELF optymalizuje cykle ładowania, przewiduje pogorszenie i redukuje efekty cieplne. Aby zmniejszyć przegrzewanie i zużycie, system może balansować obciążenia (L1 do ln), zmieniać procedury ładowania (V1 do Vn) oraz dokładnie przewidywać stan baterii. AI-PLELF przewyższa standardowy BMS pod względem wydajności i żywotności baterii, według dokładnych symulacji. Czujniki zbierają natychmiastowe informacje, moduł AI wykonuje analitykę predykcyjną, jednostka sterująca zarządza operacjami ładowania i rozładowywania, a system zbierania danych monitoruje charakterystykę baterii; to główne elementy przedstawione na funkcjonalnym schemacie blokowym BMS.

(9)

Wydaje się, że proponowany framework AI-PLELF do zarządzania bateriami wykorzystuje skomplikowany model z równaniem 9, czyli szacowaniem stanu lub prognozą stanu baterii st z wykorzystaniem czasu i współczynników użytkowania f, może r, podane jako Z_tf(l+kq). W tym kontekście Sti jest reprezentowane jako frazę I (^{k e}, D), analiza skalowalności wpływa na przewidywanie stanu baterii. System AI prawdopodobnie wprowadził modyfikacje, które poprawiły wzorce ładowania i użycia, aby zmniejszyć skutki degradacji, oznaczane są jako A(o+xq).

i(k^mR) = τ(DL^x + ρ - ∞R(brak + r)) - i_ql (i + da) (10)

Metoda AI-PLELF jest powiązana z równaniem 10, ponieważ modeluje dynamiczne zachowania ρ prądu baterii i w funkcji rezystancji k^mR, temperatury (no+r), analizy integracji siatki, innych czynników, takich jak głębokość wyładowania DL^x , rezystancja wewnętrzna R, różne parametry pracy (i+da) oraz i_ql.

Panel nawigacyjny, powiadomienia, ogłoszenia i raporty wydajności są częścią interfejsu użytkownika, który otrzymuje dane z BMS. Ten interfejs wyświetla stan baterii i alerty. Dostępne są połączenia i kontrola dla zewnętrznych usług danych i chmury; obsługują one ładowanie, wypuszczanie, sytuacje awaryjne oraz gotowość systemu. Cała konstrukcja zapewnia wydajny system zarządzania baterią z zbieraniem danych w czasie rzeczywistym, zaawansowaną analityką i prostymi interfejsami użytkownika. AI-PLELF przewyższa BMS pod względem wydajności baterii i żywotności po rozbudowanych symulacjach. AI PLELF optymalizuje ładowanie pojazdów elektrycznych i zarządzanie energią poprzez przewidywanie SOH i SOC. Może obsługiwać pojedynczy EV lub flotę oraz dostarczać dynamiczne rozwiązania podczas eksploatacji. BMS sterowany AI może obniżyć koszty utrzymania o 50% i poprawić zrównoważony rozwój transportu. Tworzenie ekologicznych systemów pojazdów elektrycznych wymaga tej nowej metody. Aby zweryfikować proponowane algorytmy, definiowana jest wieloetapowa strategia walidacji. Po pierwsze, wewnętrzna walidacja przeprowadza się za pomocą separacji train–test na symulowanych zbiorach danych w celu oceny stabilności predykcji i zachowania zbieżności. Po drugie, analiza czułości jest przeprowadzana poprzez zmienne profile cykliczne, poziomy szumów i parametry degradacji w celu oceny odporności. Po trzecie, spójność wyników jest weryfikowana poprzez porównanie trendów SOC i SOH z szacunkami pochodzącymi z modelu referencyjnego w identycznych warunkach symulacji. Chociaż walidacja eksperymentalna nie jest uwzględniona w niniejszym badaniu, protokół ten ustanawia ustrukturyzowaną ścieżkę walidacji, którą można rozszerzyć na testy laboratoryjne i sprzętowe w pętli w przyszłych badaniach.

Results

Badanie pokazuje, że AI może poprawić wydajność i żywotność akumulatorów samochodów elektrycznych. BMS wykorzystujące AI zwiększają diagnostykę akumulatorów, efektywność, predykcyjną konserwację, skalowalność i integrację z siecią. Systemy te optymalizują cykle ładowania, przewidują stan baterii i poprawiają niezawodność zastosowań EV dzięki wykorzystaniu danych w czasie rzeczywistym oraz algorytmów ML. AI zwiększa zrównoważony transport, poprawiając efektywność energetyczną, niezawodność i przyjazność środowisku EV. Opi...

Discussion

AI-PLELF może odnowić BMS EV. AI-PLELF optymalizuje cykle ładowania, zapobiega ogrzewaniu i przewiduje stan baterii za pomocą zaawansowanych algorytmów ML. W czasie rzeczywistym dane z czujników, historyczne wzorce użytkowania oraz zmienne środowiskowe umożliwiają AI-PLELF przewidywanie SOH i SOC baterii, poprawiając wydajność i żywotność. AI-PLELF przewyższa BMS pod względem wydajności baterii i trwałości w masowych symulacjach. Właściciele charakterowych EV oszczędzają pieniądze i otrzymują bardziej niezawodne silniki ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Przedmiot	Specyfikacja	Producent / Model	Cel
Battery Cycler	± 0,05% pełnej dokładności	LBT21084 System testów baterii, Arbin Instruments, USA	Precyzyjne ładowanie– cykl rozładowywania (system testowania baterii)
Oprogramowanie do sterowania testowaniem baterii (MITS Pro)	Wersja 5.3.2	Arbin Instruments, USA	Konfiguracja CC– Protokoły ładowania/rozładowywania CV (oprogramowanie sterujące)
Taśma klejąca poliimidowa	Odporne na wysokie temperatury (do 260 °C; C), izolujące elektrycznie	Taśma poliimidowa Kapton, DuPont, USA	Mocowanie termoparek do powierzchni baterii (materiał klejący)
Rezystor precyzyjny zastawkowy	0,1% tolerancji	Vishay Precision Group, USA	Kalibracja pomiaru prądu
Ogniwo napięcia odniesienia	3,000 i plusmn; 0,001 V dokładność	Fluke Calibration, USA	Kalibracja kanału (kalibracja napięcia)
Komora z kontrolowaną temperaturą	Stabilność: 25,0 i plusmn; 0,5 & deg; C	Izba Środowiskowa SH-241, ESPEC Corp., Japonia	Regulacja termiczna podczas jazdy na rowerze (kontrola środowiskowa)
Termopary (Type-K)	Montaż powierzchniowy i plusmn; 0,5 i stopnia; Dokładność C	Omega Engineering, USA	Monitorowanie temperatury powierzchni (pomiar temperatury)