Métodos Baseados em Algoritmos de Aprendizado de Máquina para Monitoramento de Desempenho e Envelhecimento em Baterias de Veículos Elétricos

Summary

Este estudo apresenta o Framework de Aprendizagem de Estimativa ao Longo da Vida alimentado por Inteligência Artificial, um framework baseado em inteligência artificial para monitoramento adaptativo, otimização de estratégias de carregamento e estimativa de estados em baterias de veículos elétricos. A abordagem é avaliada experimentalmente sob condições controladas para avaliar a viabilidade e a capacidade preditiva.

Abstract

Este protocolo descreve o Framework de Aprendizagem de Estimativa ao Longo da Vida Alimentado por Inteligência Artificial (AI-PLELF) para monitoramento e gerenciamento adaptativo de baterias em sistemas de baterias de veículos elétricos. A estrutura integra dados em tempo real dos sensores da bateria, incluindo corrente, voltagem e temperatura, com informações históricas de uso e parâmetros ambientais para apoiar a estimativa estruturada do estado e a avaliação da estratégia de carregamento dentro de um Sistema de Gerenciamento de Baterias (BMS).

O protocolo descreve procedimentos sequenciais para aquisição de dados de sensores, pré-processamento, organização de características, predição baseada em aprendizado de máquina do Estado de Carga (SOC) e do Estado de Saúde (SOH), e formulação de respostas de controle adaptativo. O fluxo de trabalho é implementado em um ambiente computacional controlado usando conjuntos de dados de ciclos de condução reais disponíveis publicamente. Os dados são particionados em subconjuntos de treinamento, validação e teste para avaliar, estabilidade e generalização de previsão sob condições operacionais variadas.

Ensaios baseados em simulação são realizados em diferentes cenários de ciclagem e ambientais para avaliar a consistência das estimativas de SOC e SOH e das sugestões de controle correspondentes. A metodologia descrita fornece uma estrutura reprodutível para desenvolver e avaliar estratégias de monitoramento de baterias assistidas por IA. Embora o presente estudo foque na validação baseada em simulação, o protocolo estabelece uma base estruturada que pode ser estendida para testes integrados em laboratório e hardware em aplicações futuras.

Introduction

Contexto e contexto

Veículos elétricos (VEs) dependem do desempenho confiável da bateria para segurança, eficiência e longevidade. Sistemas de Gerenciamento de Baterias (BMS) monitoram o status das baterias, regulam o carregamento e a descarga, e previnem operações prejudiciais. Sistemas tradicionais de BMS usam modelos baseados em física e lógica baseada em regras, que podem perder precisão à medida que as baterias envelhecem ou os ciclos de trabalho^{mudam 1}. Tecnologias de IA e ML estão sendo usadas para superar restrições analisando correlações baseadas em dados entre leituras de sensores e estados da^{bateria 2}. Técnicas BMS habilitadas por IA utilizam medições em tempo real e dados históricos de uso para apoiar a tomada de decisão adaptativa em condições não^{estacionárias 3}. Estudos de gerenciamento de baterias baseados em IA frequentemente focam na precisão da previsão offline sob perfis^{laboratoriais definidos 4}, limitando sua aplicabilidade a ambientes reais com envelhecimento, flutuações de carga e deriva ambiental. Muitos métodos carecem de uma metodologia clara que outros pesquisadores possam replicar e avaliar.

Limitações das abordagens existentes

Técnicas padrão de estimativa de estado de bateria incluem estimativa SOC baseada em Filtro de Kalman Estendido (^{EKF) 5}, modelos de degradação comparáveis baseados em circuito e^{física 6}, e métodos híbridos física-ML⁷. As abordagens baseadas em EKF se deterioram com a idade e a temperatura e precisam de parametrização adequada do modelo⁸. Modelos baseados em física precisam de calibração substancial e podem não se aplicar a todas as químicas ou ciclos de trabalho^{de baterias 9}. Técnicas híbridas reduzem o tamanho dos modelos, mas exigem treinamento offline e regimes operacionais^{estáveis 10}. Em vez de focar principalmente em ganhos de desempenho sob benchmarks estáticos,^{é necessário um} framework que suporte adaptação online, aprendizado contínuo e avaliação rigorosa em meio ao envelhecimento e condições de uso.

Lacuna na pesquisa

O design de BMS assistido por IA está ganhando popularidade, mas protocolos que abordem explicitamente (i) a generalização em diversos ciclos^{de trabalho 12}, (ii) a adaptação online ao envelhecimento e deriva da bateria, e (iii) a avaliação reprodutível usando entradas de dados claramente definidas, etapas de aprendizado e saídas¹³ estão em falta. Pesquisas frequentemente relatam ganhos no nível de resultado sem descrever como o aprendizado é mantido ou modificado ao longo da vida útil de uma^{bateria 14}. Para preencher essa lacuna, este estudo apresenta o AI-PLELF como uma estrutura estruturada de estimativa e aprendizagem, em vez de um sistema comercial, enfatizando a viabilidade experimental e a transparência do protocolo.

Visão geral do protocolo proposto

O AI-PLELF combina dados de uso anterior e fatores ambientes com dados em tempo real dos sensores da bateria, incluindo corrente, voltagem e temperatura. O fluxo de trabalho BMS processa essas entradas usando pré-processamento de dados, estimativa de estado baseada em ML e lógica adaptativa de decisão de carga. Testes baseados em simulação em diferentes condições operacionais podem avaliar as estimativas de SOC e SOH do protocolo e suas recomendações de controle. Métricas padrão de usabilidade e alcance do BMS (corrente, voltagem, temperatura) registradas em taxas de controlador de bateria embarcadas (1–10 Hz) são assumidas pelo protocolo. O objetivo da estrutura é fornecer validação experimental e baseada em simulação em dispositivos embarcados ou de computação de borda com capacidades computacionais limitadas. Ele pode ser usado para testes controlados e benchmarking de algoritmos, mas não como substituto de hardware BMS certificado em segurança para veículos.

Este trabalho apresenta uma estrutura metodológica baseada em IA para monitoramento de desempenho, modelagem de degradação e suporte à decisão em sistemas de baterias de veículos elétricos. A abordagem proposta é avaliada experimentalmente usando conjuntos de dados controlados e validação baseada em simulação para demonstrar viabilidade e potencial eficácia. Embora os resultados indiquem melhorias mensuráveis na precisão preditiva e na eficiência operacional, o estudo não afirma um aumento definitivo na vida útil sob condições reais de implantação. Em vez disso, os achados estabelecem uma base para validação futura em larga escala e longitudinal.

O AI-PLELF é um método de integração distinto que enfatiza o aprendizado ao longo da vida, a coestimação unificada de SOC–SOH e a repetibilidade em nível de protocolo em um único processo BMS habilitado por IA. O AI-PLELF atualiza os modelos incrementalmente ao longo dos ciclos de condução para responder ao desvio e envelhecimento no ambiente de simulação, ao contrário das técnicas estáticas e treinadas offline do AI-BMS. Simulações revelam que o AI-PLELF reduz o desvio da estimativa SOH de 4,5% para 2,6% e o erro de estimativa SOC de 3,2% para 1,8% sob ciclos de condução semelhantes. Gráficos de erro comparativos e gráficos de convergência, gerados usando o mesmo conjunto de dados e pipeline de preparação, revelam essas discrepâncias.

Estudo de base:

As estratégias de confiabilidade e sustentabilidade de veículos elétricos incorporam cada vez mais abordagens baseadas em IA. Diagnósticos de baterias e sistemas de gerenciamento de energia impulsionados por IA em veículos elétricos ajudam a reduzir o impacto ambiental e a promover a mobilidade sustentável. D-DD&PA prevê SOH, SOS, vida útil do ciclo e RUL da bateria dos veículos elétricos, conforme relatado por Zhao et ^al.15. A melhoria do desempenho das baterias de veículos elétricos melhora a segurança e a confiabilidade, ao mesmo tempo em que fornece informações operacionais vitais. Shashibhushan¹⁶ aplicou métodos de IA (ANN, SVM, LR, KNN) e PCA Esparsa para prever SOC em bateria. O modelo ANN superou estratégias anteriores com um R² de 0,9925, permitindo uma estimativa precisa e eficiente do SOC. Uma técnica de IA-CF para avaliação de desempenho de baterias de veículos elétricos por Zhao et ^al.17 utiliza registros eletrônicos longitudinais de saúde e dados do mundo real. Diagnósticos aprimorados de SOH e SOS aumentam a confiabilidade dos veículos elétricos e da bateria.

Miraftabzadeh et ^al.18 recomendam abordagens de sistemas de armazenamento de energia (ESS) baseados em IA para VEs, incluindo monitoramento da qualidade da energia, previsão de SOC e otimização do BMS, melhorando a integração de energia renovável e a eficiência de carregamento. Khan et ^al.19 sugerem integrar microredes, IA e sistemas de gestão de energia (EMS) para otimizar o consumo e a geração de energia para um sistema elétrico confiável, reduzindo o desperdício de energia, emissões relacionadas a veículos elétricos e melhorando a resiliência da rede inteligente. Stecuła et ^al.20 examinam abordagens de IA em sistemas energéticos urbanos, focando na integração de infraestrutura residencial e urbana para gerenciar energia renovável, sistemas de carregamento de veículos elétricos, poluição e eficiência. Mittal et ^al.21 estudam a gestão de baterias baseada em IA e a otimização de carregamento em dispositivos inteligentes, destacando o papel das microredes inteligentes na integração sustentável de veículos elétricos.

O Rehan²² explora a integração de IA e computação em nuvem na indústria de veículos elétricos dos EUA para apoiar a direção autônoma, gerenciamento de baterias, experiência do usuário e cibersegurança. Vashishth et ^al.23 analisam a integração da IA com sistemas de EV EMS para aumentar a sustentabilidade ambiental e reduzir emissões. Chennupati²⁴ discute como a otimização de veículos elétricos impulsionada por IA pode contribuir para a mitigação das mudanças climáticas, enfatizando estruturas industriais escaláveis e sustentáveis. Redes neurais artificiais, máquinas de suporte vetorial e diagnósticos baseados em nuvem melhoraram o monitoramento da saúde da bateria e a confiabilidade dos veículos elétricos. O AI-PLELF amplia essas abordagens ao permitir a estimativa estruturada do estado da bateria e o gerenciamento adaptativo. No geral, a IA pode melhorar a sustentabilidade dos veículos elétricos ao aumentar a eficiência e reduzir o consumo de energia.

Protocol

A duração da bateria e o desempenho são cruciais à medida que a adoção de veículos elétricos cresce. Sistemas de gerenciamento de baterias melhoram os ciclos de carregamento, prevêem degradação e regulam os efeitos térmicos. O AI-PLELF aprimora o gerenciamento de energia, o controle de carregamento e a previsão do SOC/SOH da bateria de veículos elétricos. O AI-PLELF utiliza dados de sensores em tempo real, padrões de uso e condições ambientes para melhorar o desempenho e a longevidade da bateria.

A bateria era acionada usando um ciclador LBT com precisão em escala real de ±0,05%. Uma câmara controlada de temperatura foi usada para montar as células a 25,0 ± 0,5 °C. Uma fita adesiva de poliimida de alta temperatura foi usada para fixar os termopares à superfície da célula, garantindo um contato térmico estável.

Para carregar a bateria, o protocolo de carregamento CC–CV foi configurado usando o software de controle de teste de bateria fornecido pelo fabricante. A corrente foi ajustada para 0,5 C (1,5 A para uma célula de 3 Ah) com limite de tensão de 4,20 V. O passo CV era repetido até que a corrente caísse abaixo de 0,05°C (150 mA), após o que a descarga era iniciada usando Adicionar Passo | Dispensa | CC com corrente de 1C (3 A) e tensão de corte de 2,50 V. Para adicionar um período de descanso de 600 s, selecione Adicionar Passo | Os dados do resto eram capturados a 1 Hz e salvos como arquivos CSV usando o Export Data | Opção ASCII. Antes de cada experimento, os canais de corrente e voltagem eram calibrados usando um shunt de 0,1% de precisão e uma célula de referência de 3,000 ± 0,001 V, de acordo com o manual do fabricante.

O fluxo de trabalho processa sinais de corrente, voltagem e temperatura da bateria amostrados a 5 Hz a partir de 25 ciclos reais de condução. O protocolo foi visualizado por meio de gráficos sequenciais mostrando dados brutos dos sensores, entradas pré-processadas, saídas de estimativa SOC e curvas de perda de treinamento do modelo ao longo de 200 iterações de simulação. Além disso, um vídeo de execução protótipo foi gerado para demonstrar a ingestão de dados, inferência de IA e visualização de saída em tempo real.

Baterias de veículos elétricos

Este esquema mostra um sistema de gerenciamento de baterias para veículos elétricos baseado em ML. Sensores de bateria verificam muitos parâmetros da bateria para iniciar o sistema. A Unidade de Coleta de Informações organiza os dados dos sensores na Figura 1. ML Esses pontos de dados preparados são usados por computadores para prever propriedades chave da bateria usando vários modelos. O Modelo de Previsão SOH usa carga da bateria para prever saúde e vida útil. A otimização de carga baseada em projeção e a priorização de energia maximizam os ciclos de carregamento e a eficiência. Ambos os módulos recebem entrada da Unidade de Controle, que gerencia as operações do sistema e a temperatura da bateria para reduzir o superaquecimento e prolongar a vida útil da bateria. A Interface de Saída envia dados de status do sistema e diagnósticos para a Unidade de Controle Eletrônico (ECU), integrando-a aos sistemas de gerenciamento do veículo. Essa integração melhora a eficiência e a segurança da bateria e facilita a tomada de decisões em tempo real.

(1)

A técnica AI-PLELF está relacionada à equação 1, Quantificando a influência de vários parâmetros S^xq representa as variáveis de estado da bateria, [W_lq] e os pesos dados aos fatores que impactam jg m, e Mx^r-q(n+1) para o efeito do modelo ML na previsão das condições da bateria. O uso de modificações de dados em tempo real na expressão^{δR qv} + lq melhora o gerenciamento da bateria.

(2)

Na Equação 2, modelando a influência cumulativa de múltiplas variáveis na capacidade e vida útil da bateria, a técnica proposta AI-PLELF está correlacionada com R -_{Q l} || A - Q_r ||. Aqui, N e R representam variáveis de estado como SOH e SOC, respectivamente, refletindo o estado de saúde da bateria e o status de carga. Dados atuais do sensor n, padrões de uso passados n e variáveis externas S(_{t,v q}) são incorporados para que o sistema impulsionado por IA possa melhorar a utilização da bateria (f) para maior eficiência e vida útil estendida.

O Sistema de Gerenciamento de Bateria (BMS) é crucial para veículos elétricos. Durante a operação de veículos elétricos, o BMS garante a estabilidade, segurança e longevidade do dispositivo de armazenamento de energia (ESD). Diversos aspectos, incluindo procedimentos de carregamento, monitoramento de células, coleta de dados, gestão térmica, gerenciamento de energia, avaliação da vida útil e proteção da célula, fazem parte do arcabouço BMS, que inclui tanto mecanismos de projeto quanto de avaliação de desempenho.

Durante o carregamento ou descarga do ESD, podem ocorrer desequilíbrios de tensão devido a processos eletroquímicos. O balanceamento de tensão é, portanto, uma função primária do BMS e continua sendo uma área para aprimoramentos adicionais. Ao examinar sistemas de veículos elétricos e tecnologias adequadas de armazenamento de energia, este estudo contribui para a discussão ilustrada na Figura 2. O sistema de gerenciamento de energia para veículos elétricos continua sendo um tema importante de pesquisa. Após uma investigação detalhada, várias limitações nos sistemas atuais de gestão de energia foram identificadas, e uma abordagem estruturada é proposta para resolvê-las.

(3)

A equação 3 é um desempenho agregado que leva em conta variáveis A(R,L) como ciclos de carregamento q, taxa de aprendizado kl e variáveis degradantes específicas, denotada por A(R,L). Para maximizar a eficiência e a duração da bateria, o AI-PLELF otimiza tanto os fatores de aprimoramento quanto de degradação (st+wl), que são balanceados no framework.

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

De acordo com a equação 4, ||Ca - θN_q|| é o modelo matemático que o sistema AI-PLELF usa para otimizar o gerenciamento de baterias, que é usado para correlacionar a diferença entre os estados observados e previstos R_l-1, A_k+1. Os algoritmos ML 2n (A_n, Y_l-1) melhoram o desempenho e a vida útil da bateria ao prever N(A_N, B_q+r) seu SOH e SOC usando dados em tempo real N (R_l-1, A_k+1) e tendências anteriores.

Gerenciamento avançado de baterias

Um sistema avançado de gerenciamento de baterias que prioriza desempenho, segurança e vida útil é mostrado na Figura 3 para veículos elétricos. O sistema de coleta de dados agrega rápida e com precisão todos os parâmetros relevantes ao coletar dados de vários sensores. Depois disso, os dados são processados por um motor analítico baseado em IA que utiliza algoritmos sofisticados para analisar e interpretar as informações. Insights sobre o desempenho da bateria, previsões de problemas e táticas de otimização para a utilização da bateria são todos fornecidos pelo motor de IA. O BMS monitora os ciclos de carregamento e descarga da bateria, a operação segura e a vida útil da bateria, utilizando esses insights.

(5)

Na Equação 5, duas vezes N(D,R), a soma de l=1 e n=1 é mostrada à esquerda. O modelo matemático provavelmente é usado no AI-PLELF para prever o status e o desempenho da bateria. Essa fórmula leva em consideração adições recursivas sobre muitas variáveis, como l e N, onde representa um fator de declínio, N (A_n, R_b+q) denota uma estimativa aninhada de variáveis de bateria, e g e^{i 2}lq provavelmente cobrem fatores ambientais ou operacionais extras.

(6)

Ao modelar a ligação entre eficiência energética, capacidade e os fatores Análise de Desempenho da Bateria e Vida Útil, a técnica sugerida AI-PLELF é consistente com a equação 6 como uma forma de melhorar o Sistema de Gerenciamento de Baterias, que incorpora parâmetros (Q-1) como o status de carga Q_R , o ambiente N_Aq e os fatores de degradação W_L-1 , que são incorporados 1+N (A_n, W^L) por algoritmos de ML.

Um componente chave para garantir a solidez dos automóveis elétricos é o BMS, que controla os componentes elétricos de uma bateria recarregável, incluindo uma célula ou um pacote de células. Ao garantir que a célula opere dentro de seus limites operacionais seguros, ela protege tanto o consumidor quanto a bateria. O BMS acompanha a SOH da bateria, coleta dados e regula fatores externos que afetam a célula para manter uma tensão uniforme em toda a célula, como mostrado na Figura 4.

Uma fonte de energia inteligente é um conjunto de energia com um BMS conectado a uma rede de dados ou a um sistema externo de transmissão de dados. Recursos e capacidades adicionais, incluindo Saídas de Processamento de uso geral, regras de conexão de rede inteligente e integração com medidores de combustível, podem ser incluídos. Um pacote de baterias inteligente pode controlar seu próprio carregamento, fornecer relatórios de erros, identificar condições de bateria baixa e alertar o dispositivo sobre elas, além de prever o tempo de funcionamento restante ou o tempo que a fonte de energia vai durar. Para preservar a precisão de suas previsões, ele se autocorrige continuamente e fornece informações sobre a corrente, voltagem e temperatura da célula. Pacotes inteligentes de baterias frequentemente apresentam eletrônicos integrados que aumentam a confiabilidade, segurança, longevidade e utilidade geral da bateria. Esses dispositivos são destinados ao uso em eletrônicos portáteis e laptops. Essas características permitem a criação de produtos acabados mais confiáveis e fáceis de usar. Por exemplo, quando as baterias são carregadas até suas características ideais dentro de restrições de temperatura, os dispositivos podem ter vidas úteis mais longas.

(7)

A fórmula Yb_l A abordagem AI-PLELF sugerida para sistemas de gerenciamento de baterias provavelmente está relacionada a esta equação complicada 7. Para poder estimar a saúde da bateria (SOH) e o status de carga (SOC) usando modelos de predição r-1 baseados em IA n=1, pode incluir a Análise de Eficiência Operacional como parâmetros operacionais (o, m, s, hix), variáveis externas - A_l+1(s + hix) , , e métricas de eficiência (o+m) - a_n , O(n+l).

(8)

Na Equação 8, o AI-PLELF proposto indica que a saúde e o desempenho da bateria, expressos como h(A,q), são afetados pelas variáveis A_r e q_x incluídas no cálculo. Os aspectos incluem Análise Preditiva de Manutenção, ciclos de carga-descarga, taxas de envelhecimento, efeitos térmicos e condições operacionais, que podem ser representadas por W_c+l , A_r , qx, , e Stu.

Os veículos elétricos dependem de seus BMS para manter suas baterias funcionando suavemente e pelo maior tempo possível. Ao integrar técnicas de ML de ponta, o Framework de Aprendizagem de Estimativa ao Longo da Vida (AI-PLELF) alimentado por IA aprimora o BMS convencional. Para estimar com precisão o nível de saúde da bateria, SOH e SOC, esse método inovador utiliza dados em tempo real de sensores (T1 a Tn), padrões de uso passados e fatores ambientais. Para maximizar a eficiência energética e a duração da bateria, o sistema AI-PLELF otimiza os ciclos de carregamento, antecipa a deterioração e reduz os efeitos do calor. Para reduzir o superaquecimento e o desgaste, o sistema pode equilibrar cargas (de L1 a Ln), alterar os procedimentos de carregamento (de V1 para Vn) e prever com precisão a saúde da bateria. O AI-PLELF supera o BMS padrão em desempenho e longevidade de baterias, de acordo com simulações detalhadas. Sensores coletam informações imediatas, um módulo de IA realiza análises preditivas, uma unidade de controle gerencia operações de carregamento e descarga, e um sistema de coleta de dados monitora as características da bateria; esses são os principais componentes representados no diagrama funcional do BMS.

(9)

Parece que a estrutura sugerida do AI-PLELF para gerenciamento de baterias utiliza um modelo complicado com equação 9, estimativa ou previsão de estado para a condição da bateria st usando fatores de tempo e uso f talvez r dados como Z_tf(l+kq); nesse contexto, Sti é representado pela frase I (k^e, D), a análise de Escalabilidade afeta a previsão do status da bateria. O sistema de IA provavelmente realizou alterações que melhoraram os padrões de carregamento e uso para reduzir os impactos de deterioração, o que é denotado por A(o+xq).

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

O método AI-PLELF está relacionado à equação 10 porque modela os comportamentos dinâmicos ρ da corrente da bateria i em função da resistência k^mR, temperatura (no+r), Análise de Integração de Grade, outros fatores como profundidade de descarga DL^x , resistência interna R , e diferentes parâmetros operacionais (i+da) e i_ql.

Um painel, notificações, anúncios e relatórios de desempenho fazem parte da interface do usuário que recebe dados do BMS. Esta interface exibe o status da bateria e os alertas. São oferecidas conexões e controle para dados externos e serviços em nuvem; Eles cuidam de carregamento, liberação, emergências e prontidão do sistema. O design geral oferece um poderoso sistema de gerenciamento de baterias com coleta de dados em tempo real, análises avançadas e interfaces de usuário simples. O AI-PLELF supera o BMS em desempenho e vida útil da bateria após simulações extensas. O PLELF IA otimiza o carregamento e o gerenciamento de energia de veículos elétricos ao prever SOH e SOC. Pode lidar com um único EV ou uma frota e oferecer soluções dinâmicas durante a operação. Um BMS movido por IA pode economizar custos de manutenção em 50% e melhorar a sustentabilidade do transporte. Criar sistemas de veículos elétricos ecológicos exige esse novo método. Para validar os algoritmos propostos, é definida uma estratégia de validação em múltiplos estágios. Primeiro, a validação interna é realizada usando separação train–test em conjuntos de dados simulados para avaliar a estabilidade da previsão e o comportamento de convergência. Segundo, a análise de sensibilidade é conduzida variando perfis de ciclo, níveis de ruído e parâmetros de degradação para avaliar a robustez. Terceiro, a consistência da saída é verificada comparando tendências SOC e SOH com estimativas derivadas do modelo de referência sob condições idênticas de simulação. Embora a validação experimental não esteja incluída no presente estudo, este protocolo estabelece uma via estruturada de validação que pode ser estendida para testes laboratoriais e hardware-in-the-loop em trabalhos futuros.

Results

Este estudo mostra que a IA pode melhorar o desempenho e a longevidade das baterias de carros elétricos. BMSs que usam IA aumentam diagnósticos de bateria, eficiência, manutenção preditiva, escalabilidade e integração com a rede. Esses sistemas otimizam os ciclos de carregamento, antecipõem a saúde da bateria e melhoram a confiabilidade das aplicações de veículos elétricos ao aproveitar dados em tempo real e algoritmos de ML. A IA impulsiona o transporte sustentável ao melhorar a eficiên...

Discussion

A AI-PLELF pode renovar veículos BMS. O AI-PLELF otimiza os ciclos de carregamento, previne o aquecimento e prevê a saúde da bateria usando poderosos algoritmos de ML. Em tempo real, dados de sensores, padrões históricos de uso e variáveis ambientais permitem que a AI-PLELF preveja SOH e SOC da bateria, melhorando o desempenho e a vida útil. O AI-PLELF supera o BMS em desempenho e durabilidade de baterias em simulações massivas. Proprietários de veículos elétricos com personagem economiz...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Item	Especificação	Fabricante / Modelo	Propósito
Ciclador de Bateria	± 0,05% de precisão em escala real	LBT21084 Sistema de Teste de Bateria, Arbin Instruments, EUA	Carregamento de precisão – ciclo de descarga (sistema de teste de bateria)
Software de Controle de Teste de Bateria (MITS Pro)	Versão 5.3.2	Arbin Instruments, EUA	Configuração de CC– Protocolos de carga/descarga CV (software de controle)
Fita adesiva de poliimida	Resistente a altas temperaturas (até 260 °C; C), isolante eletricamente	Fita Kapton Polyimide, DuPont, EUA	Fixação de termopares à superfície da bateria (material adesivo)
Resistor de Derivação de Precisão	Tolerância de 0,1%	Vishay Precision Group, EUA	Calibração de medida de corrente
Célula de Tensão de Referência	3.000 e maismn; 0.001 V de precisão	Calibração Flicke, EUA	Calibração de canal (calibração de tensão)
Câmara com controle de temperatura	Estabilidade: 25,0 & maismn; 0,5 ° C	SH-241 Câmara Ambiental, ESPEC Corp., Japão	Regulação térmica durante o ciclismo (controle ambiental)
Termopares (Tipo K)	Montagem em superfície, ± 0,5 ° Precisão C	Omega Engineering, EUA	Monitoramento da temperatura superficial (medição de temperatura)