Elektrikli Araç Bataryalarında Performans ve Yaşlanma İzlemek İçin Makine Öğrenimi Algoritmalarına Dayalı Yöntemler

Summary

Bu çalışma, elektrikli araç bataryalarında uyarlanabilir izleme, şarj stratejisi optimizasyonu ve durum tahmini için yapay zeka tabanlı bir yapay zeka tabanlı Yaşam Boyu Tahmin Öğrenme Çerçevesi'ni tanıtmaktadır. Yaklaşım, uygulanabilirlik ve tahmin yeteneği için kontrollü koşullar altında deneysel olarak değerlendirilir.

Abstract

Bu protokol, elektrikli araç batarya sistemlerinde uyarlanabilir pil izleme ve yönetimi için Yapay Zeka Destekli Ömür Boyu Tahmin Öğrenme Çerçevesini (AI-PLELF) tanımlar. Çerçeve, akım, voltaj ve sıcaklık dahil olmak üzere gerçek zamanlı batarya sensörü verilerini, tarihsel kullanım bilgileri ve çevresel parametrelerle birleştirerek Pil Yönetim Sistemi (BMS) içinde yapılandırılmış durum tahmini ve şarj stratejisi değerlendirmesini destekler.

Protokol, sensör veri toplama, ön işleme, özellik organizasyonu, makine öğrenimi tabanlı şarj durumu (SOC) ve Sağlık Durumu (SOH) tahmini ve uyarlanabilir kontrol yanıtlarının formülasyonu için ardışık prosedürleri özetler. İş akışı, halka açık gerçek dünya sürüş döngüsü veri setleri kullanılarak kontrollü bir hesaplama ortamında uygulanır. Veriler, farklı işletim koşullarında tahmin kararlılığı ve genelleştirme değerlendirmek için eğitim, doğrulama ve test alt kümelerine ayrılır.

Simülasyon tabanlı denemeler, SOC ve SOH tahminlerinin tutarlılığını ve ilgili kontrol önerilerini değerlendirmek için farklı döngü ve çevresel senaryolarda gerçekleştirilir. Tanımlanan metodoloji, yapay zeka destekli pil izleme stratejileri geliştirmek ve değerlendirmek için tekrarlanabilir bir çerçeve sağlar. Mevcut çalışma simülasyon tabanlı doğrulamaya odaklansa da, protokol gelecekteki uygulamalarda laboratuvar ve donanım entegre testlere genişletilebilecek yapılandırılmış bir temel oluşturmaktadır.

Introduction

Arka plan ve bağlam

Elektrikli araçlar (EV'ler) güvenlik, verimlilik ve uzun ömür için güvenilir pil performansına bağlıdır. Batarya Yönetim Sistemleri (BMS) pil durumlarını izler, şarj ve boşaltmayı düzenler ve zararlı çalışmayı önler. Geleneksel BMS sistemleri, fizik tabanlı modeller ve kural tabanlı mantık kullanır; bu mantık pillerin yaşlanması veya görev döngüleri değiştikçe doğruluğunu^{kaybedebilir 1}. Yapay zeka ve makine öğrenimi teknolojileri, sensör okumaları ile pil durumları arasındaki veri odaklı korelasyonları analiz ederek kısıtlamaları^{aşmak için kullanılıyor 2}. YZ destekli BMS teknikleri, sabit olmayan koşullarda uyarlanabilir karar vermeyi desteklemek için gerçek zamanlı ölçümler ve tarihsel kullanım^{verilerini kullanır 3}. Yapay zeka tabanlı batarya yönetimi çalışmaları, tanımlanmış laboratuvar^{profilleri 4} altında çevrimdışı tahmin doğruluğuna odaklanır ve bu da gerçek dünya ortamlarında yaşlanma, yük dalgalanmaları ve çevresel kayıntılarla sınırlı uygulanabilirliğini sağlar. Birçok yöntem, diğer araştırmacıların tekrarlayıp değerlendirebileceği net bir metodolojiye sahip değildir.

Mevcut yaklaşımların sınırlamaları

Standart pil-durum tahmini teknikleri arasında Genişletilmiş Kalman Filtresi (EKF) tabanlı SOC^{tahmini 5}, karşılaştırılabilir devre ve fizik tabanlı bozulma^{modelleri 6} ve hibrit fizik-ML^{yöntemleri yer alır.} EKF tabanlı yaklaşımlar yaş ve sıcaklıkla kötüleşir ve uygun model parametreleştirmesi^{gerektirir 8}. Fizik tabanlı modeller kapsamlı bir kalibrasyon gerektirir ve tüm pil kimyaları veya görev döngüleri için geçerli^{olmayabilir 9}. Hibrit teknikler model boyutunu azaltır ancak çevrimdışı eğitim ve stabil çalışma rejimleri gerektirir¹⁰. Statik kıyaslamalar altında performans artışlarına odaklanmak yerine, çevrimiçi uyum, sürekli öğrenme ve yaşlanma ile kullanım koşullarında titiz değerlendirmeyi destekleyen bir çerçeveye ihtiyaç^{vardır 11}.

Araştırma boşluğu

YZ destekli BMS tasarımı popülerlik kazanmakta olsa da, (i) çeşitli görev^{döngüleri 12} genellemesi, (ii) pil yaşlanması ve kaymasına çevrimiçi uyum ve (iii) net tanımlanmış veri girdileri, öğrenme adımları ve^{çıktılar 13} kullanılarak tekrarlanabilir değerlendirmeyi açıkça ele alan protokoller eksiktir. Araştırmalar genellikle bir pilin ömrü boyunca öğrenmenin nasıl sürdürüldüğü veya değiştirildiği açıklanmadan sonuç düzeyinde kazançlar rapor^{eder 14}. Bu boşluğu doldurmak için, bu çalışma AI-PLELF'i ticari bir sistem yerine yapılandırılmış bir tahmin ve öğrenme çerçevesi olarak sunar ve deneysel fizibilite ile protokol şeffaflığına vurgu yapar.

Önerilen protokolün genel bakışı

AI-PLELF, önceki kullanım verilerini ve ortam faktörlerini, akım, voltaj ve sıcaklık dahil olmak üzere gerçek zamanlı pil sensörü verileriyle birleştirir. BMS iş akışı, veri ön işleme, ML tabanlı durum tahmini ve uyarlanabilir yük karar mantığı kullanarak bu girdileri işler. Farklı işletim koşullarında simülasyon tabanlı testler, protokolün SOC ve SOH tahminlerini ve kontrol önerilerini değerlendirebilir. Protokol tarafından Standart BMS metrikleri (akım, voltaj, sıcaklık) gömülü pil kontrolcü hızlarında (1–10 Hz) kaydedilir. Çerçevenin amacı, sınırlı hesaplama yeteneklerine sahip gömülü veya uç hesaplama cihazlarında deneysel ve simülasyon tabanlı doğrulama sağlamaktır. Kontrollü test ve algoritma kıyaslama için kullanılabilir, ancak güvenlik sertifikalı araç BMS donanım değişimi olarak kullanılamaz.

Bu çalışma, elektrikli araç batarya sistemlerinde performans izleme, bozulma modellemesi ve karar desteği için yapay zeka tabanlı bir metodolojik çerçeve sunmaktadır. Önerilen yaklaşım, uygulanabilirlik ve potansiyel etkinliği göstermek için kontrollü veri setleri ve simülasyon tabanlı doğrulama kullanılarak deneysel olarak değerlendirilmektedir. Sonuçlar tahmin doğruluğu ve operasyonel verimlilikte ölçülebilir iyileşmeler gösterse de, çalışma gerçek dünya dağıtım koşullarında ömür süresinde kesin bir artış iddiası göstermiyor. Bunun yerine, bulgular gelecekteki büyük ölçekli ve boylamasına doğrulama için bir temel oluşturur.

AI-PLELF, tek bir yapay zeka destekli BMS sürecinde ömür boyu öğrenmeyi, birleşik SOC–SOH ortak tahminini ve protokol düzeyinde tekrarlanabilirliği vurgulayan belirgin bir entegrasyon yöntemidir. AI-PLELF, statik, çevrimdışı eğitimli AI-BMS tekniklerinin aksine, simülasyon ortamında sürüklenme ve yaşlanmaya yanıt vermek için modelleri sürüş döngüleri boyunca kademeli olarak günceller. Simülasyonlar, benzer sürüş döngülerinde AI-PLELF'nin SOH tahmin sapmasını %4,5'ten %2,6'ya ve SOC tahmin hatasını %3,2'den %1,8'e düşürdüğünü ortaya koymaktadır. Aynı veri seti ve hazırlık hattıyla oluşturulan karşılaştırmalı hata grafikleri ve yakınsama grafikleri bu tutarsızlıkları ortaya koyar.

Arka plan çalışması:

EV güvenilirliği ve sürdürülebilirlik stratejileri giderek yapay zeka tabanlı yaklaşımları içeriyor. EV'lerde yapay zeka tabanlı batarya tanılaması ve enerji yönetim sistemleri, çevresel etkiyi azaltmaya ve sürdürülebilir mobiliteyi ilerletmeye yardımcı olur. D-DD&PA, EV PIL SOH, SOS, DÖNGÜ ÖMRÜ VE RUL'U TAHMIN EDIYOR, Zhao ve ^ark.15 tarafından bildirilmiştir. EV batarya performansının artırılması, güvenliği ve güvenilirliği artırırken hayati operasyonel bilgiler sağlar. Shashibhushan¹⁶ , pil SOC'sini tahmin etmek için yapay zeka yöntemleri (ANN, SVM, LR, KNN) ve Sparse PCA uyguladı. ANN modeli, önceki stratejileri 0.9925 R² ile geride bırakarak hassas ve verimli SOC tahminini mümkün kıldı. Zhao ve ^ark.17 tarafından hazırlanmış EV pil performans değerlendirmesi için AI-CF tekniği, boylamasına elektronik sağlık kayıtları ve gerçek dünya verilerini kullanır. Geliştirilmiş SOH ve SOS tanıları, EV ve pil güvenilirliğini artırır.

Miraftabzadeh ve ^ark.18 , elektrikli araçlar için enerji kalitesi izleme, SOC tahmini ve BMS optimizasyonu gibi yapay zeka tabanlı enerji depolama sistemi (ESS) yaklaşımlarını önerir; bu da yenilenebilir enerji entegrasyonunu ve şarj verimliliğini artırır. Khan ve ^ark.19 , güvenilir bir elektrik sistemi için güç tüketimi ve üretimi optimize etmek, enerji israfını, EV ile ilgili emisyonları azaltmak ve akıllı şebeke dayanıklılığını artırmak amacıyla mikroşebekeler, yapay zeka ve enerji yönetim sistemlerinin (EMS) entegre edilmesini önermektedir. Stecuła ve ^ark.20 , kentsel enerji sistemlerinde yapay zeka yaklaşımlarını incelerek, yenilenebilir enerji, elektrikli araç şarj sistemleri, kirlilik ve verimlilik yönetimi için konut ve kentsel altyapıyı entegre etmeye odaklanmaktadır. Mittal ve ^ark.21 , akıllı cihazlarda yapay zeka tabanlı pil yönetimi ve şarj optimizasyonunu inceleyerek akıllı mikroşebekelerin sürdürülebilir EV entegrasyonundaki rolünü vurguluyor.

²² yaşındaki Rehan, otonom sürüş, pil yönetimi, kullanıcı deneyimi ve siber güvenliği desteklemek için ABD elektrikli araç endüstrisinde yapay zeka ve bulut bilişimin entegrasyonunu araştırıyor. Vashishth ve ^ark.23, çevresel sürdürülebilirliği artırmak ve emisyonları azaltmak için EV EMS sistemleriyle yapay zeka entegrasyonunu incelemektedir. Chennupati²⁴, yapay zeka odaklı elektrikli araç optimizasyonunun iklim değişikliğinin azaltılmasına nasıl katkıda bulunabileceğini tartışıyor ve ölçeklenebilir ve sürdürülebilir endüstriyel çerçevelere vurgu yapıyor. Yapay sinir ağları, destek vektör makineleri ve bulut tabanlı tanılama, pil sağlığı izleme ve EV güvenilirliğini geliştirdi. AI-PLELF, yapılandırılmış pil durumu tahmini ve uyarlanabilir yönetimi mümkün kılarak bu yaklaşımları genişletir. Genel olarak, yapay zeka, verimliliği artırarak ve enerji tüketimini azaltarak EV sürdürülebilirliğini artırabilir.

Protocol

Pil ömrü ve performans, elektrikli araçların benimsenmesi arttıkça çok önemlidir. Pil yönetim sistemleri, şarj döngülerini iyileştirir, bozulmayı tahmin eder ve termal etkileri düzenler. AI-PLELF, enerji yönetimini, şarj kontrolünü ve EV pil SOC/SOH tahminini geliştirir. AI-PLELF, pil performansını ve ömrünü artırmak için gerçek zamanlı sensör verileri, kullanım kalıpları ve ortam koşulları kullanır.

Pil, LBT cycler ile %±04,05 tam ölçekli hassasiyetle döngüye alındı. Hücreleri 25,0 ± 0,5 °C sıcaklıkta monte etmek için sıcaklık kontrollü bir oda kullanıldı. Termokuplları hücre yüzeyine sabitlemek için yüksek sıcaklıkta poliimid yapışkan bant kullanıldı ve böylece stabil termal temas sağlandı.

Pili şarj etmek için, CC–CV şarj protokolü üretici tarafından sağlanan pil test kontrol yazılımı kullanılarak yapılandırıldı. Akım 0.5 C (3 Ah hücre için 1.5 A) olarak ayarlanmış, voltaj sınırı ise 4.20 V idi. CV adımı, akım 0.05C'nin (150 mA) altına düşene kadar tekrarlandı, ardından deşarj başlatıldı ve Add Step | Boşalma | CC, 1C (3 A) akım ve 2.50 V kesme voltajı ile. 600 saniyelik dinlenme süresi eklemek için Add Step | Dinlenme. Veriler 1 Hz'de yakalanıp Export Data | ASCII seçeneği. Her deneyden önce, akım ve voltaj kanalları üretici el kitabına göre %0,1 hassasiyette şant ve 3,000 ± 0,001 V referans hücresi kullanılarak kalibre edilmiştir.

İş akışı, 25 gerçek sürüş döngüsünden 5 Hz'de örneklenen pil akımı, voltaj ve sıcaklık sinyallerini işler. Protokol, ham sensör verilerini, önceden işlenmiş girdileri, SOC tahmin çıktılarını ve 200 simülasyon yinelemesi boyunca model eğitim kayıp eğrilerini gösteren ardışık grafiklerle görselleştirildi. Ayrıca, veri alımı, yapay zeka çıkarımı ve çıktı görselleştirmesini gerçek zamanlı göstermek için bir prototip yürütme videosu oluşturuldu.

EV pilleri

Bu şematik, ML tabanlı bir elektrikli araç batarya yönetim sistemini gösteriyor. Pil sensörleri sistemi başlatmak için birçok pil parametresini kontrol eder. Bilgi Toplama Birimi, Şekil 1'deki sensör verilerini düzenler. ML Bu hazırlanmış veri noktaları, bilgisayarlar tarafından çeşitli modeller kullanılarak temel pil özelliklerini tahmin etmek için kullanılır. SOH Tahmin Modeli, sağlık ve ömrü tahmin etmek için pil şarjını kullanır. Projeksiyona dayalı şarj optimizasyonu ve enerji önceliklendirmesi, şarj döngülerini ve verimliliği en üst düzeye çıkarır. Her iki modül de sistem operasyonlarını ve pil sıcaklığını yöneten Kontrol Ünitesi'nden girdi alır; bu ünite, aşırı ısınmayı azaltmak ve pil ömrünü uzatmak için sistem işlemlerini yönetir. Çıkış Arayüzü, sistem durumu ve tanı verilerini Elektronik Kontrol Ünitesi'ne (ECU) gönderir ve bunu aracın yönetim sistemleriyle entegre eder. Bu entegrasyon, pil verimliliğini ve güvenliğini artırır ve gerçek zamanlı karar alma süreçlerini kolaylaştırır.

(1)

AI-PLELF tekniği, birkaç parametrin etkisini niceliklendirmek olan denklem 1 ile ilgilidir; S^xq, pilin durum değişkenleri [W_lq] ve etki jg m faktörlerine verilen ağırlıklar için kullanılır; ML modelinin pil durumu tahmini üzerindeki etkisi için Mx^r-q(n+1) anlamına gelir. δR^qv + lq ifadesinde gerçek zamanlı veri modifikasyonlarının kullanılması, pil yönetimini iyileştirir.

(2)

Denklem 2'de, pil kapasitesi ve ömrü üzerindeki çoklu değişkenlerin kümülatif etkisini modelleyen Denklem 2'de, önerilen AI-PLELF tekniği R - Q_l || A - Q_r ||. Burada N ve R, sırasıyla SOH ve SOC gibi durum değişkenlerini temsil eder ve pil sağlık durumunu ve şarj durumunu yansıtır. Mevcut sensör verileri n, geçmiş kullanım kalıpları n ve harici değişkenler S(t,v_q) dahil edilmiş, böylece yapay zeka odaklı sistem pil kullanımını (f) artırarak daha fazla verimlilik ve uzun ömür sağlar.

Pil Yönetim Sistemi (BMS), elektrikli araçlar için çok önemlidir. EV işletmesi sırasında, BMS enerji depolama cihazının (ESD) istikrarını, güvenliğini ve uzun ömürlülüğünü sağlar. Şarj prosedürleri, hücre izleme, veri toplama, termal yönetim, güç yönetimi, ömür değerlendirmesi ve hücre koruması gibi çeşitli yönler, hem tasarım hem de performans değerlendirme mekanizmalarını içeren BMS çerçevesinin bir parçasıdır.

ESD'nin şarj edilmesi veya boşaltılması sırasında, elektrokimyasal süreçler nedeniyle voltaj dengesizlikleri meydana gelebilir. Bu nedenle gerilim dengesi BMS'nin birincil işlevlerinden biridir ve hâlâ daha fazla geliştirilmesi gereken bir alandır. EV sistemleri ve uygun enerji depolama teknolojileri incelenirken, bu çalışma Şekil 2'de gösterilen tartışmaya katkıda bulunuyor. Elektrikli araçlar için enerji yönetim sistemi önemli bir araştırma konusu olmaya devam ediyor. Detaylı bir incelemenin ardından, mevcut enerji yönetim sistemlerinde birkaç sınırlama tespit edilmiş ve bunları ele almak için yapılandırılmış bir yaklaşım önerilmiştir.

(3)

Denklem 3, şarj döngüleri q, öğrenme hızı kl ve belirli düşüren değişkenler gibi A(R,L) değişkenlerini dikkate alan toplam performanstır ve A(R,L) ile gösterilir. Verimlilik ve pil ömrünü en üst düzeye çıkarmak için AI-PLELF, çerçevede dengelenen hem geliştirme hem de bozulma faktörlerini (st+wl) optimize eder.

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

4 denklemine göre, ||Ca - θN_q|| AI-PLELF sisteminin pil yönetimini optimize etmek için kullandığı matematiksel modeldir ve gözlemlenen ve beklenen durumlar R_l-1, A_k+1 arasındaki farkı ilişkilendirmek için kullanılır. ML algoritmaları 2n (A_n, Y_L-1), bataryanın performansını ve ömrünü N(_{A N, B q+r}), gerçek zamanlı veri N (_{R l-1}, A,_K+1) ve önceki trendler kullanarak SOH ve SOC'sini tahmin ederek iyileştirir.

İleri batarya yönetimi

Performans, güvenlik ve ömrü önceliklendiren gelişmiş bir pil yönetim sistemi, elektrikli araçlar için Şekil 3'te gösterilmiştir. Veri toplama sistemi, çeşitli sensörlerden veri toplayarak tüm ilgili parametreleri hızlı ve doğru şekilde toplar. Bunun ardından, veriler, bilgiyi analiz etmek ve yorumlamak için gelişmiş algoritmalar kullanan yapay zeka destekli bir analiz motoru üzerinden çalıştırılır. Pilin performansı, problem tahminleri ve pil kullanımı için optimizasyon taktikleri hakkında içgörüler, yapay zeka motoru tarafından sağlanıyor. BMS, bu içgörülerle pilin şarj ve deşarj döngülerini, güvenli çalışmasını ve ömrünü izler.

(5)

Denklem 5'te, iki katlı N(D,R), solda l=1 ve n=1'in toplamı gösterilmiştir. Matematiksel model muhtemelen AI-PLELF'de pil durumu ve performansını tahmin etmek için kullanılır. Bu formül, l ve N gibi birçok değişken üzerinde özyinelemeli toplamaları dikkate alır; burada azalma faktörü anlamına gelir, N (_{A n}, R_b+q) batarya değişkenlerinin iç içe tahminini gösterir ve g ile^{i 2}lq muhtemelen ekstra çevresel veya operasyonel faktörleri kapsar.

(6)

Enerji verimliliği, kapasite ve Batarya Performansı ile ömür analizi faktörleri arasındaki bağlantıyı modelleyerek önerilen AI-PLELF tekniği, Pil Yönetim Sistemi'ni geliştirmek için denklem 6 ile tutarlıdır; bu sistem, şarj durumu Q_R , çevre N_Aq ve bozulma faktörleri W_L-1 gibi parametreleri (Q-1) içeriyor ve bunlar dahil edilmiştir1+N (A_n, W^L) ile ML algoritmaları tarafından desteklendi.

Elektrikli otomobillerin sağlamlığını sağlamada önemli bir bileşen, şarj edilebilir bir pilin elektrik bileşenlerini, örneğin bir hücre veya bir paket hücre dahil olmak üzere kontrol eden BMS'dir. Hücrenin güvenli çalışma sınırları içinde çalışmasını sağlayarak hem tüketiciyi hem de pili korur. BMS, pilin SOH'sini takip eder, veri toplar ve hücre boyunca eşit voltajı korumak için hücreyi etkileyen dış faktörleri düzenler; bu durum Şekil 4'te gösterilmiştir.

Akıllı güç kaynağı, bir veri ağı veya harici veri iletim sistemine bağlı BMS içeren bir güç paketidir. Genel amaçlı İşleme Çıkışları, akıllı ağ bağlantı kuralları ve yakıt sayacı entegrasyonu gibi ek özellikler ve yetenekler dahil edilebilir. Akıllı bir pil paketi, kendi şarjını kontrol edebilir, hata raporları verebilir, düşük pil koşullarını tespit edebilir ve cihazı uyarabilir ve kalan çalışma süresini veya güç kaynağının ne kadar dayanacağını tahmin edebilir. Tahminlerinin kesinliğini korumak için, sürekli olarak kendi kendini düzeltir ve hücrenin akımı, voltajı ve sıcaklığı hakkında bilgi verir. Akıllı batarya paketleri genellikle pilin güvenilirliğini, güvenliğini, ömrünü ve genel kullanışlılığını artıran entegre elektroniklere sahiptir. Bunlar, taşınabilir elektronik ve dizüstü bilgisayarlarda kullanılmak üzere tasarlanmıştır. Bu özellikler, daha güvenilir ve kullanımı kolay bitmiş ürünlerin üretilmesini sağlar. Örneğin, piller sıcaklık kısıtlamaları içinde optimal özelliklerine kadar şarj edildiğinde, cihazların ömrü daha uzun olabilir.

(7)

Formül Yb_l Pil yönetim sistemleri için önerilen AI-PLELF yaklaşımı muhtemelen bu karmaşık denklem 7 ile ilişkilidir. R-1 yapay zeka odaklı tahmin modelleri n=1 kullanılarak pil sağlığı (SOH) ve şarj durumunu (SOC) tahmin edebilmek için, operasyonel parametreler (o, m, s, hix) olarak Operasyonel Verimlilik Analizi, harici değişkenler - A_l+1(s + hix) , , ve verimlilik metrikleri (o+m) -_{a n} , O(n+l) dahil edilebilir.

(8)

Denklem 8'de, önerilen AI-PLELF, pil sağlığı ve performansının, h(A,q) olarak ifade edilen, hesaplamaya_{dahil edilen} A_r ve q x değişkenlerinden etkilendiğini gösterir. Yönler arasında Tahmini Bakım Analizi, yük-deşarj döngüleri, yaşlanma oranları, termal etkiler ve çalışma koşulları bulunur; bunlar W_c+l, A_r , qx , , ve Stu ile temsil edilebilir.

EV'ler, bataryalarının mümkün olduğunca uzun süre sorunsuz çalışması için BMS'lerine güvenir. En son makine öğrenimi tekniklerini entegre ederek, yapay zeka Destekli Ömür Boyu Tahmin Öğrenme Çerçevesi (AI-PLELF) geleneksel BMS'yi geliştirir. Pilin sağlık seviyesini, SOH ve SOC'yi doğru şekilde tahmin etmek için bu yenilikçi yöntem, sensörlerden (T1'den Tn'ye) alınan gerçek zamanlı verileri, geçmiş kullanım kalıplarını ve çevresel faktörleri kullanır. Enerji verimliliğini ve pil ömrünü en üst düzeye çıkarmak için AI-PLELF sistemi şarj döngülerini optimize eder, bozulmayı öngörür ve ısı etkilerini azaltır. Aşırı ısınmayı ve aşınmayı azaltmak için sistem yükleri (l1'den LN'ye) dengeleyebilir, şarj prosedürlerini (V1'den Vn'ye) değiştirebilir ve pil sağlığını doğru tahmin edebilir. AI-PLELF, kapsamlı simülasyonlara göre standart BMS'nin pil performansı ve ömrü açısından daha iyi performans göstermektedir. Sensörler anında bilgi toplar, bir yapay zeka modülü öngörücü analiz yapar, bir kontrol ünitesi şarj ve boşaltma işlemlerini yönetir, veri toplama sistemi ise pil özelliklerini izler; bunlar BMS'nin fonksiyonel blok diyagramında gösterilen ana bileşenlerdir.

(9)

Pil yönetimi için önerilen AI-PLELF çerçevesi, T tf(l+kq) olarak verilen zaman ve kullanım faktörleri f belki r olarak verilen Z_tf(l+kq) olarak verilen denklem 9 olan karmaşık bir model kullanıyor; Sti, I (k^e, D) ifadesiyle temsil edilir; ölçeklenebilirlik analizi pil durumunun tahminini etkiler. Yapay zeka sistemi muhtemelen şarj ve kullanım kalıplarını iyileştirerek bozulma etkilerini azaltmak için değişiklikler yaptı; bu A(o+xq) ile gösterilir.

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

AI-PLELF yöntemi, denklem 10 ile ilişkilidir çünkü pil akımının dinamik davranışları ρ i direnç k^mR, sıcaklık (no+r), Grid Entegrasyon Analizi, deşarj derinliği DL^x , iç direnç R ve farklı işletim parametreleri (i+da) ile i_ql gibi diğer faktörler olarak modellemektedir.

Bir gösterge paneli, bildirimler, duyurular ve performans raporları, BMS'den veri alan kullanıcı arayüzünün bir parçasıdır. Bu arayüz pil durumunu ve uyarıları gösterir. Dış veri ve bulut hizmetleri için bağlantılar ve kontrol sunulur; Şarj etme, tahliye, acil durumlar ve sistem hazırlığı gibi işlemleri üstleniyorlar. Genel tasarım, gerçek zamanlı veri toplama, gelişmiş analitikler ve basit kullanıcı arayüzleriyle güçlü bir pil yönetim sistemi sunar. AI-PLELF, kapsamlı simülasyonların ardından pil performansı ve ömrü açısından BMS'yi geride bırakıyor. AI PLELF, elektrikli araç şarjı ve enerji yönetimini SOH ve SOC'yi tahmin ederek optimize eder. Tek bir elektrikli araç veya filo ile çalışabilir ve operasyon sırasında dinamik çözümler sunabilir. Yapay zeka destekli bir BMS, bakım maliyetlerini %50 tasarruf edebilir ve ulaşım sürdürülebilirliğini artırabilir. Çevre dostu elektrikli araç sistemleri oluşturmak için bu yeni yöntem gereklidir. Önerilen algoritmaları doğrulamak için çok aşamalı bir doğrulama stratejisi tanımlanır. İlk olarak, tahmin kararlılığı ve yakınsama davranışını değerlendirmek için simüle edilmiş veri setlerinde tren-test ayrımı kullanılarak iç doğrulama yapılır. İkinci olarak, dayanıklılık değerlendirilmek için değişen döngü profilleri, gürültü seviyeleri ve bozulma parametreleri kullanılarak hassasiyet analizi yapılır. Üçüncü olarak, çıktı tutarlılığı, aynı simülasyon koşullarında referans modelinden türetilmiş tahminlerle SOC ve SOH eğilimlerinin karşılaştırılmasıyla doğrulanır. Deneysel doğrulama mevcut çalışmaya dahil edilmese de, bu protokol gelecekteki çalışmalarda laboratuvar ve donanım-döngü testlerine genişletilebilecek yapılandırılmış bir doğrulama yolu oluşturmaktadır.

Results

Bu çalışma, yapay zekanın elektrikli araba bataryalarının performansını ve ömrünü artırabileceğini gösteriyor. Yapay zeka kullanan BMS'ler, pil tanısını, verimliliği, öngörücü bakımı, ölçeklenebilirliği ve şebeke entegrasyonunu artırır. Bu sistemler, şarj döngülerini optimize eder, pil sağlığını öngörür ve gerçek zamanlı veri ile makine öğrenimi algoritmalarını kullanarak EV uygulamalarının güvenilirliğini artırır. YZ, elektrikli araç enerji verimliliğini, güvenilirliğini ve çevre dostlu...

Discussion

AI-PLELF, EV BMS'yi yenileyebilir. AI-PLELF, şarj döngülerini optimize eder, ısıyı önler ve güçlü ML algoritmaları kullanarak pil sağlığını tahmin eder. Gerçek zamanlı olarak, sensör verileri, geçmiş kullanım kalıpları ve çevresel değişkenler AI-PLELF'in pil SOH ve SOC'u tahmin etmesini sağlayarak performansı ve ömrü iyileştirir. AI-PLELF, devasa simülasyonlarda batarya performansı ve dayanıklılığı açısından BMS'yi geride bırakıyor. Karakter EV sahipleri bu yeni yöntemle para tasarrufu y...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Madde	Teknik özellikler	Üretici / Model	Amaç
Battery Cycler	± %0,05 tam ölçekli doğruluk	LBT21084 Batarya Test Sistemi, Arbin Instruments, ABD	Hassas şarj ve dash; deşarj döngüsü (pil test sistemi)
Pil Test Kontrol Yazılımı (MITS Pro)	Sürüm 5.3.2	Arbin Instruments, ABD	CC&ndash'ın yapılandırması; CV şarj/boşaltma protokolleri (kontrol yazılımı)
Poliimid Yapışkan Bant	Yüksek sıcaklığa dayanıklı (260 derece ve C; C), elektriksel olarak yalıtım	Kapton Polyimid Bant, DuPont, ABD	Termokuplların batarya yüzeyine (yapışkan malzeme) sabitlenmesi
Hassas Şant Direnci	%0,1 tolerans	Vishay Precision Group, ABD	Akım ölçüm kalibrasyonu
Referans Voltaj Hücresi	3.000 ve artımn; 0.001 V doğruluk	Fluke Calibration, ABD	Kanal kalibrasyonu (voltaj kalibrasyonu)
Sıcaklık Kontrollü Odası	Stabilite: 25.0 ve artımn; 0.5 ve derece; C	SH-241 Çevre Odası, ESPEC Corp., Japonya	Döngü sırasında termal düzenleme (çevresel kontrol)
Termokupllar (Tip-K)	Yüzeye montaj, ± 0.5 derece ve derece; C doğruluğu	Omega Engineering, ABD	Yüzey sıcaklığı izleme (sıcaklık ölçümü)