Abstrakt
Tekniken för uppskattning av hälsotillståndet (SOH) för litiumjonbatterier är avgörande för säkerheten och tillförlitligheten hos elfordon. Med utvecklingen av tekniker för artificiell intelligens (AI) och maskininlärning (ML) börjar området för batterihantering att anta dessa metoder för att förbättra effektiviteten och stabiliteten. Speciellt neurala nätverk har visat fördelar i hög effektivitet, låg energiförbrukning, hög robusthet och skalbarhet i SOH-simulering och förutsägelse. Hybridmodellen, i kombination med likvärdiga kretsmodeller (ECM) och djupinlärning, har visat sig ha potential för att förbättra noggrannheten och realtidsprestandan för SOH-uppskattning. Framtida forskningsinriktningar inkluderar användning av mer data på plats för screening av hälsofunktioner och modellkonstruktion, såväl som intelligent screening och kombination av batteriparametrar för att mer exakt karakterisera faktisk SOH. Utvecklingen av dessa tekniker kommer att ytterligare förbättra den vetenskapliga, pålitliga, stabila och robusta hanteringen av elfordonsbatterier.
1. Kortfattat
1.1 Betydelsen av litiumjonbatterier för elfordon och den kritiska betydelsen av SOH-uppskattning
Litiumjonbatterier är avgörande för driften av elfordon, och deras prestanda påverkas av olika nedbrytningsprocesser. Att noggrant uppskatta hälsotillståndet (SOH) för batterier är avgörande för att säkerställa säker, pålitlig och ekonomisk drift av elfordon. När efterfrågan på elfordon växer, blir SOH-övervakning allt viktigare, eftersom litiumjonbatterier vanligtvis sjunker till 80 % av sin ursprungliga kapacitet innan deras livslängd är slut. Dessutom är State of Charge (SOC) också en nyckelparameter, och dess förändringar kan spegla åldrandet och försämringen av batterikapaciteten. Exakt SOC-förutsägelse är till hjälp för SOH-uppskattning, som i sin tur bestämmer batteriets återstående livslängd.
1.2 Utveckling av SOH-uppskattningsmetoder
Översikt och utveckling av befintliga metoder:Flera SOH-uppskattningsmetoder har utvecklats, bland vilka SOC-baserade metoder integrerar realtidsdata som ström, spänning och temperatur för att uppnå mer exakt SOH-förutsägelse i flera laddnings- och urladdningscykler, optimera batteriprestanda, förhindra fel och förlänga batteriets livslängd . De senaste framstegen inom maskininlärningsmetoder har ytterligare förbättrat SOH-uppskattningen, och neurala nätverk som feedforward och konvolutionella neurala nätverk presterar bra i batterimodellering, överträffar traditionella regressionsmetoder i komplexitet och noggrannhet, med en genomsnittlig felavvikelse på cirka 0 0,16 % och ett rotmedelvärdefel på 5,57mV på battericellnivå.
1.3 Klassificering och egenskaper för batterimodelleringsmetoder
Analysmetoder som strömintegration och tekniker för öppen kretsspänning (OCV) kan ge tydliga SOH-uppskattningar, men påverkas av ackumulerat brus och kräver långa uppehållsperioder för att säkerställa noggrannhet.
Modellbaserat tillvägagångssätt
Vit box modell:Baserat på detaljerade elektrokemiska principer simulerar den batteriets beteende genom grundläggande parametrar med hög noggrannhet. Dess höga beräkningskrav och förenklade antaganden för dynamik i verkligheten minskar dock dess noggrannhet under dynamiska förhållanden, vilket gör den olämplig för realtidsapplikationer.
Grå boxmodeller (som ECM):Genom att kombinera fysiska insikter och empiriska justeringar, med hjälp av kretsanalog för att uppskatta batteribeteende, kan SOC uppskattas med hög noggrannhet (vanligtvis inom 3 % fel), och är användbart för realtids-SOH-uppskattning och återstående livslängd (RUL), men står inför utmaningar i datakvalitet och beräkningskrav. En enkel ekvivalent kretsmodell för litiumjonbatterier (inklusive seriemotstånd och upp till två RC-element) kan användas för tillförlitlig simulering, medan mer komplexa ECM:er (inklusive flera RC-grenar eller konstantfaselement CPE) kan simulera högdynamiska processer (t.ex. som elfordonsdrift), men den ökande beräkningsefterfrågan har drivit utvecklingen av mer avancerade SOH-uppskattningsmetoder.
Black box-modell (datadriven metod):Baserat på in- och utdata är modellen konstruerad utan att förlita sig på intern kunskap om arbetsprinciper. Maskininlärningstekniker kan förutsäga batteristatus från en stor mängd mätdata. Maskininlärning utmärker sig när det gäller att identifiera mönster i komplexa datauppsättningar, såsom flerkanaliga neurala nätverk som har hög noggrannhet i kapacitetsuppskattning, men som förlitar sig på högkvalitativ och mångsidig träningsdata. Men i praktiska fordonstillämpningar kan många interna variabler inte mätas direkt, och datagleshet och bristande tolkningsbarhet gör modellen svår att förstå och underhålla.
1.4 Utveckling av modellmetoder och utveckling av hybridmodeller
Utvecklingen av modellbaserade metoder:Under det senaste decenniet har modellbaserade metoder kontinuerligt utvecklats, inklusive Kalmanfiltrering (KF) och dess förlängningar (som Extended Kalman Filter EKF, Unscented Kalman Filter UKF). Dessa metoder har hög noggrannhet vid uppskattning av batteritillstånd, men kräver exakta dynamiska modeller och är komplexa att implementera.
Framväxten av hybridmodeller:För att ta itu med begränsningarna hos verkliga data och förbättra beräkningseffektiviteten har hybridmodeller dykt upp, som kombinerar modellbaserade och datadrivna metoder för att träna maskininlärningsmodeller genom detaljerade simuleringar. Samtidigt har maskininlärningstekniker gjort betydande framsteg under de senaste fem åren, inklusive probabilistiska metoder, meta-inlärning, motstridig inlärning, semi-övervakad inlärning, etc. Deep learning (en delmängd av maskininlärning) har presterat bra i bearbetning av strukturerad och strukturerad inlärning. ostrukturerad data. Physical Information Neural Networks (PINNs) kombinerar empiriska nedbrytningsmodeller med neurala nätverk för att förbättra SOH-uppskattningen, vilket förbättrar metodernas anpassningsförmåga under olika batterityper och förhållanden. Med utvecklingen av fordonsindustrin är dessa tekniska framsteg avgörande för att optimera batteriprestanda, förhindra fel och stödja utvecklingen av elfordon.
1.5 Översikt över efterföljande kapitel i den här artikeln
Avsnitt 2 ger en detaljerad introduktion till metoderna för screening och urval av översiktslitteratur, vilket säkerställer att forskningsmetodiken är systematisk och heltäckande. Avsnitt 3 ger en djupgående analys av tekniker för uppskattning av laddningstillstånd, undersöker effekten av batterinedbrytningsmekanismer på modelleringsmetoder för elfordonsbatterier, inklusive Kalman-filtrering och dess förbättrade metoder, samt integration med åldrande modeller. Avsnitt 4 fokuserar på SOH-uppskattningstekniker, jämför traditionella metoder med nya metoder och betonar metoder som är tillämpliga på elfordon. Avsnitt 5 visar rollen av djupinlärning i SOH-uppskattning, såsom långtidskorttidsminne (LSTM) nätverk och hybridmodeller, såväl som hur konvolutionella neurala nätverk (CNN) överväger praktiska faktorer för att förbättra hälsobedömningens noggrannhet. Slutligen, avsnitt 6 sammanfattar och ser fram emot framtida forskningsriktningar för batterihälsohanteringssystem för att stödja utvecklingen av elfordonsmarknaden och andra energilagringstillämpningar.
2. Material och metoder
2.1 Definition av forskningsfråga
Denna studie föreslår fem nyckelfrågor för att vägleda tillämpningen av maskininlärningsteknik vid SOH-uppskattning av litiumjonbatterier i elfordon.
Förtydliga de huvudsakliga maskininlärningsteknikerna som för närvarande används för att uppskatta hälsotillståndet (SOH) för litiumjonbatterier i elfordon, och utforska de specifika algoritmer och modeller som utvecklats och används av forskare.
Utforska inverkan av olika datakällor (laboratorie-, fordons- och fältdata) på noggrannheten och robustheten hos maskininlärningsmodeller för SOH-uppskattning, analysera hur datakällor påverkar modellens prestanda och avgör vilken data som är mest fördelaktig för korrekt SOH-förutsägelse.
Identifiera de viktigaste utmaningarna med att tillämpa maskininlärningstekniker vid SOH-uppskattning av litiumjonbatterier, såväl som variationerna av dessa utmaningar i olika miljöförhållanden och tillämpningsscenarier, såsom temperaturfluktuationer, åldrande och inverkan av olika användningslägen på noggrannheten av SOH-uppskattningen.
Jämför analysmetoderna för SOH-uppskattning, skillnaderna mellan traditionella metoder och deras utvecklingsprocess, studera hur maskininlärningsmetoder kan integreras med dessa traditionella metoder, identifiera deras respektive fördelar, nackdelar och potentiella synergier.
Att se framåt mot framtida forskningsriktningar för att förbättra noggrannheten, anpassningsförmågan och beräkningseffektiviteten hos maskininlärningsbaserade SOH-uppskattningsmodeller i litiumjonbatterier för elfordon, identifiera forskningsluckor, tekniska krav och innovativa metoder.
2.2 Litteratursökning och screening
Databasval och sökstrategi:Conduct a comprehensive literature search using Scopus database, determine keywords based on research questions, and use Boolean search strings (TITLE-ABS-KEY (electric AND vehicle) AND KEY (battery AND state AND of AND health) AND TITLE-ABS-KEY (lithium AND ion) AND PUBYEAR>2003 OCH PUBYEAR<2025) to retrieve papers and patents published between 2003 and 2024. A total of 882 documents and 16286 patents were obtained, nearly half of which were published between 2020 and 2024, reflecting the industrial demand and progress in this field. The search results are distributed by year, major journals, national and patent offices, showing the time trend of research, journal distribution, regional diversity, and industry development priorities (such as battery management systems, modular architecture, vehicle control systems, and low resistance materials).
Litteraturscreening och fokusering:Den hämtade litteraturen täcker flera disciplinära områden, där ingenjörsområdet har den högsta andelen (730 artiklar), följt av energi, datavetenskap och matematik. Efter att ha fokuserat på området datavetenskap identifierades 209 relevanta dokument, varav 183 publicerades mellan 2019 och 2024, vilket indikerar aktualiteten för uppgifterna. Dessa dokument inkluderar konferensartiklar, artiklar, recensioner och bokkapitel, med 72 artiklar publicerade mellan 2009 och 2024 som den huvudsakliga granskningsgrunden, samtidigt som de manuellt införlivar relevanta artiklar och bokkapitel från andra tekniska områden för att säkerställa en omfattande täckning av forskningsområden och fånga innovativa tekniska framsteg när det gäller att använda artificiell intelligens för att förbättra batterihanteringssystem.
3. Teknik för skattning av laddningstillstånd (SOC).
3.1 Batteriförsämringsmekanism och dess inverkan på prestanda
Litiumjonbatterier bryts huvudsakligen ned genom två mekanismer:litiumlagerförlust (LLI) och aktiv materialförlust (LAM). LLI är relaterat till bildandet av det fasta elektrolytgränssnittet (SEI) skiktet på anoden, som härrör från sidreaktionen mellan litiumjoner och elektrolyten. LAM orsakas av inre mekanisk påfrestning i batteriet, såsom upprepad expansion och sammandragning av elektrodmaterial under laddning och urladdning, vilket leder till mikrosprickor och lösgöring av elektrodpartiklar, vilket minskar den aktiva ytarean som är tillgänglig för elektrokemiska reaktioner, vilket minskar batterikapaciteten, öka det interna motståndet och i slutändan påverka batteriets prestanda. Dessa nedbrytningsmekanismer accelereras av faktorer som högt laddningstillstånd, hög temperatur och aggressiva cykelförhållanden. Detaljerad information och modelleringsdetaljer för olika åldringsmekanismer (termiska, elektrokemiska, etc.) finns i relevant litteratur.
3.2. SOC-uppskattnings- och modelleringsteknik för elfordonsbatterier
Vid daglig användning av elfordon laddas batteriet ofta med 20 % -40 % SOC för att bibehålla batteriets hälsa, men de icke-linjära och försämrade egenskaperna hos batterikapaciteten kan resultera i felaktiga SOC-avläsningar, vilket påverkar uppskattningen av batteriet full kapacitet. Prestanda och underhåll av litiumjonbatterier påverkas också av klimatet, med temperatur och elektrolyters färskhet (bestäms av produktions- och fyllningsdatum) som påverkar batteriets effektivitet och livslängd. Egenskaperna hos nya elektrolytbatterier kan variera under olika klimat, och värmehanteringsstrategier kan hjälpa till att hantera temperaturrelaterade prestandaproblem och förbättra batteriets hållbarhet.
Den traditionella ekvivalenta kretsmodellen (ECM) används vanligtvis för att uppskatta SOC, men kräver frekvent kalibrering. Artikeln ger en detaljerad introduktion till SOC-beräkningsekvationerna baserade på ECM (inklusive kontinuerliga och diskreta former), som involverar tillståndsrymdsekvationer, ekvationer för öppen kretsspänning och SOC-relation, diskreta tidsdomän SOC-uppdateringsekvationer och spänningsuppdateringsekvationer. Relevanta parametrar (som resistans, kapacitans, öppen kretsspänning, etc.) är nära relaterade till SOC. Standardlaboratorietestning (såsom testning av blandade pulseffektkarakteristika vid olika temperaturer) används vanligtvis för identifiering av batterimodellparameter, men modellfelaktighet och mätbrus kan leda till små fel i SOC-uppskattningen. För att förbättra noggrannheten i SOC-uppskattningen har olika tekniker som Kalman-filtrering och dess förlängningar, PI-baserad observatör, glidlägesobservatör etc. använts för att kompensera för dessa effekter, och integrala korrigeringsmetoder har också utvecklats för att hantera initial modellosäkerhet och mätljud. Dessutom, även om elektrokemisk impedansspektroskopi (EIS) kan utvärdera batteriegenskaper (inklusive SOC och SOH), är det tidskrävande och opraktiskt för storskaliga applikationer (som elfordonsflottor), vilket gör det svårt att fånga den dynamiska och föränderliga driftförhållanden för elfordonsbatterier. Därför behövs en mer anpassningsbar och effektiv metod.
3.3. Förbättra teknik
Kalman filter och dess förbättringsmetoder:Kalman filter (KF) och dess förlängningar (såsom Extended Kalman Filter EKF, Unscented Kalman Filter UKF, Volym Kalman Filter CKF) används ofta för SOC-uppskattning. KF tillhandahåller den optimala SOC-uppskattningen genom att minimera medelkvadratfelet, lösa problemen med kumulativa fel och initial SOC-osäkerhet. Den är dock lämplig för linjära tidsvarierande system där batteriernas olinjära dynamik kräver linjäriseringsapproximation. Även om EKF utökar KF-ramverket för att hantera icke-linjära modeller, kan linjärisering påverka noggrannheten och leda till estimatordivergens. Nya metoder som UKF och CKF använder sigmapunktsuppskattning för att uppskatta olinjär transformationsstatistik, medan CKF använder den sfäriska radiella volymregeln för att beräkna multivariata momentintegraler för att förbättra noggrannheten hos olinjär bayesisk filtrering. Dessa filter antar dock vanligtvis att brusegenskaperna är kända och konstanta, och i praktiska tillämpningar är bruset variabelt (såsom icke Gaussiskt brus genererat av extern interferens). Därför har robusta adaptiva filtreringsstrategier utvecklats, som att använda Gaussiska blandningsmodeller (GMM) för att modellera icke Gaussiskt brus för att förbättra tillståndsuppskattningens noggrannhet. Relevanta studier har visat tillämpningar och fördelar med dessa metoder inom olika områden. Dessutom används distribuerade och distribuerade filter (såsom distribuerat Kalmanfilter DKF, distribuerat Kalmanfilter och kovarianskors DKF-CI) för att optimera tillståndsuppskattning av storskaliga sammankopplade system. Robusta och olinjära filter (som robust Kalman-filter) har överlägsen prestanda när det gäller att hantera komplexa olinjäriteter i batterisystem (som elektrokemiska processer). Adaptiva tekniker (som adaptiv EKF och adaptiva UKF-algoritmer) justerar dynamiskt filterparametrar för att anpassa sig till brusförändringar och förbättra SOC-uppskattningsnoggrannheten. Relevanta studier och exempel har verifierat effektiviteten av dessa metoder.
Andra förbättringsmetoder:som AIC-SE-metoden (Adaptive Integral Correction State of Charge Estimation) som föreslagits i 2022, som är baserad på ECM-modellen och förbättrar noggrannheten i SOC-uppskattningen genom korrigeringsmekanismer i realtid (inklusive motstånd och batterikapacitetskorrigering) (maximalt fel ± 0,8 %, RMS-fel mindre än 0,3 %). Beräkningseffektiviteten är högre än UKF (AIC-SE cirka 5n operationer, UKF cirka n ^ 2 operationer), vilket effektivt tar itu med utmaningarna med batteriåldring och försämring. Variational Bayesian Maximum Correlation Entropy Volume Kalman Filter (VBMCCKF) 2023 kombinerar avancerad filtrering och statistiska tekniker för att förbättra kovariansuppskattningen av mätfel med den Variational Bayesiska metoden. Maximum Correlation Entropy-kriteriet används för att hantera icke Gaussiska brusmätningar, vilket avsevärt förbättrar SOC-uppskattningsnoggrannheten (jämfört med EKF, CKF och Variational Bayesian Volume Kalman Filter minskas det genomsnittliga absoluta felet med 77 %, 68 % och 49 % , respektive), och förbättrar robustheten hos batterihanteringssystemet.
3.4 Integration med åldrande modeller
Batteriets åldrandemodell är nära relaterad till SOC-uppskattning, och nyare forskning har förnyat sig i båda aspekterna. Batteriets åldrandemodell som föreslagits 2024 överväger på ett omfattande sätt effekterna av SOC, batteritemperatur, tid och helt ekvivalenta cykeltider (NFEC) på batteriets åldrande. Modellen består av två delar: den första delen fokuserar på SOC och temperaturrelaterat åldrande (beräknar kapacitetsförlust med hjälp av specifika formler), och den andra delen överväger effekten av NFEC på åldrandet. Denna modell integrerar på ett innovativt sätt batteriåldring som ett delsystem för elfordon med batterimodellen, som täcker alla driftlägen som parkering, körning och laddning. Den uppnår noggrann interaktionssimulering mellan olika delsystem genom den formella metoden för energimakroskopisk representation (EMR) (ett grafiskt verktyg utvecklat 2000 för att organisera delsystemanslutningar, representera kraftflöde och orsakssamband). Forskning har visat att en minskning av laddningsfrekvensen (som att byta från daglig laddning till var fjärde dag) kan avsevärt förlänga tiden för batteriet att nå 80 % SOH. Detta integrerade tillvägagångssätt ger viktiga framsteg när det gäller att optimera batterihanteringen och förstå effekten av laddningsmetoder på batteriets åldrande.
Nya metoder som AIC-SE och VBMCCKF har betydande fördelar i SOC-uppskattningsnoggrannhet och beräkningseffektivitet. AIC-SE presterar bra i beräkningseffektivitet, medan VBMCCKF presterar bättre när det gäller att hantera dynamisk uppskattning av mätfel och bullriga miljöer. Om noggrannhet och brusbehandling ges prioritet, kan kombinationen av variationskriterier för Bayesian och maximal korrelationsentropi vara det nuvarande bästa valet; Om vi fokuserar på beräkningseffektivitet och realtidsapplikationer är AIC-SE ett bra val, vilket indikerar att ECM-modelleringsmetoder fortfarande har fördelar inom detta område. Dessutom överväger batteriåldringsmodellen som studerades 2024 ingående effekterna av flera faktorer på batteriförsämring, vilket är av stor betydelse för att optimera batteriets livslängd (baserat på laddningspraxis). Sammantaget förbättrar dessa utvecklingar inte bara noggrannheten i SOC-uppskattningen, utan bidrar också till att förlänga batteritiden och förbättra batteriets driftsäkerhet.
4. Utvärderingstekniker för hälsotillstånd (SOH).
4.1 Traditionella SOH-uppskattningsmetoder
Den traditionella SOH-uppskattningsmetoden används i stor utsträckning inom akademiska och industriella områden, huvudsakligen baserad på grundläggande parametrar som kapacitetsförsämring, intern resistans och cykellivslängd för att utvärdera batteriets SOH (se tabell 4 för relevanta formler och parameterbetydelser). Dessa metoder ger en grund för bedömning av batteriets hälsa och hjälper till att förstå batteriets prestanda. Genom att förstå dessa traditionella metoder kan vi bättre förstå förbättringarna av nya skattningsmetoder i efterföljande kapitel. Nya metoder använder ofta mer komplex dataanalys och prediktiva modelleringstekniker för att ta itu med begränsningarna hos traditionella metoder. Att jämföra de två kan förtydliga utvecklingen och utvecklingen av SOH-uppskattningsteknologi och visa hur moderna metoder kan förbättra noggrannheten och anpassningsförmågan hos batterihanteringssystem.
4.2 Nya utvecklingar för att ersätta traditionella metoder
Nya hälsoindikatorer kombinerat med maskininlärning:För att förbättra noggrannheten i SOH-förutsägelser har forskning introducerat nya hälsoindikatorer som Degradation Rate Ratio (DSR). Formeln för att beräkna DSR från lutningen på laddningsspänningskurvan är:
Genom att jämföra lutningarna för flera laddningscykler bestäms nedbrytningshastigheten (i mV/s) för batteriet inom ett specifikt spänningsområde (som [3.8-3.9V]), vilket är nära relaterat till batterikapacitet och kan användas som en nyckelindikator för att bestämma slutet på batteriets livslängd. Genom att kombinera Gaussisk processregression (GPR) och Multi Layer Perceptron Neural Network (MLPNN) modeller kan man mer exakt uppskatta kapacitetsförlust och försämring. Jämfört med traditionella modeller är känsligheten och noggrannheten avsevärt förbättrad, vilket effektivt löser problemet med att traditionella modeller är svåra att upptäcka försämring tidigt.
Förbättring av ekvivalent kretsmodell:Tidiga metoder för att förbättra traditionella ekvivalenta kretsmodeller (ECM) fortsatte att utvecklas, som att uppskatta SOH genom att analysera kroppskapacitansen för den ekvivalenta RC-kretsmodellen i 2015, med hjälp av innovativa algoritmer för att beräkna kroppskapacitansdämpningsfaktorn, och att kombinera det med diskreta olinjära observatörer för att förbättra noggrannheten och tillförlitligheten; I 2024 användes en andra ordningens hybrid ekvivalent kretsmodell kombinerad med adaptiv uppdateringshastighet och olinjär observatör för att beakta temperaturens inverkan, vilket uppnådde hög noggrannhet i SOH-uppskattning (genomsnittligt absolut fel mindre än 0,5 %, RMS fel mindre än 0,2%); Molnlösningen för 2023 använder långtidsövervakningsdata och realtidsdata för att uppskatta batterimodellparametrar genom att justera algoritmen för de minsta kvadraterna för det rörliga fönstret. Baserat på ECM-modellen uppnås SOH-utvärdering med hög precision, vilket indikerar att den förbättrade ECM-metoden fortfarande har betydande betydelse vid SOH-uppskattning, i linje med trenden med kontinuerlig förbättring av ECM-metoder i SOC-uppskattningsteknologi.
Hybrid rammetod:Det nya ramverket integrerar Linear Statistical k-Nearest Neighbor (LSKNN), Maximum Information Entropy Search (MIES) och Collective Sparse Variational Gaussian Process Regression (CSVGPR) för bearbetning av datainterpolation, brusfiltrering, funktionsval och osäkerhetshantering. LSKNN uppskattar saknade datapunkter och filtrerar brus, MIES väljer funktioner med hög korrelation till SOH och CSVGPR bearbetar dataosäkerhet för att förbättra prediktionsnoggrannheten. Detta ramverk testades med hjälp av NASA:s batteridatauppsättning, och jämfört med metoder som ElasticNet, Support Vector Regression (SVR), Random Forest och Gradient Boosting, reducerades Root Mean Square Error (RMSE) med 77,8 % (från {{3 }}.0510 i ElasticNet till 0.0113). Jämfört med Gaussiska processmodeller med olika kärnor, reducerades RMSE med 55,5% (från 0,0254 till 0,0113), vilket bekräftar robustheten och den höga noggrannheten hos ramverket och ger en mer exakt metod för SOH-uppskattning.
Utvecklingen av SOH-uppskattningsteknologin går från traditionella metoder till mer komplexa modeller lämpliga för elfordon. Nya metoder inkluderar att kombinera nedbrytningsmodeller med klassisk maskininlärning, ECM-baserade metoder och hybridmetoder. DSR är en viktig innovation som minskar beroendet av en komplett laddningscykel (reducerar väntetiden med cirka 84 %) och, i kombination med maskininlärning, förbättrar noggrannheten för uppskattning av kapacitetsförlust, vilket övervinner svårigheten med att upptäcka tidig degradering i traditionella modeller. Den förbättrade ECM-metoden har uppnått goda resultat vid SOH-uppskattning, vilket överensstämmer med ECM-metodens betydelse vid SOC-uppskattning. Hybridteknologier (som det nya ramverket som nämns ovan) har hög noggrannhet. Även om realtidsapplikationer innebär utmaningar, är att effektivt lösa viktiga databehandlingsproblem en betydande förbättring jämfört med traditionella SOH-uppskattningsmetoder. Sammantaget fokuserar denna utveckling på realtidsapplikationer och datadrivna metoder, vilket avsevärt förbättrar tillförlitligheten hos batterihanteringssystem för elfordon. Metoder för djupinlärning som LSTM, CNN och hybridtekniker har blivit vanliga metoder för SOH-uppskattning. Efterföljande kapitel kommer att presentera relevanta forskningsresultat och bidrag.
5. Tillämpning av Deep Learning i SOH Estimation
5.1 LSTM och hybridmodeller
Flera studier har använt förbättrade åldrandemodeller i kombination med djupinlärningstekniker för att förbättra noggrannheten i SOH-uppskattningen. Djup inlärning är oumbärlig för att förutsäga återstående nyttigt liv (RUL). Till exempel, genom att integrera SOH-nedbrytningsmodellen och överväga olika driftsförhållanden som laddnings-/urladdningsström och temperatur, kan en specifik formel användas för att:
Bland dem är I2 {c} och I2 {d} normaliserade laddnings- och urladdningsströmmar, T3 {c} och T4 {d} är normaliserade batteri- och omgivningstemperaturer, T3 {c} och T4 {d} är laddnings- och urladdningstider, och (d1-d4) är en vikt), som mer exakt simulerar batteriförsämring. RUL-prediktionsmodellen baserad på LSTM-nätverk förbättrar prediktionsnoggrannheten, men beräkningskomplexiteten ökar, och realtidsapplikationer står inför utmaningar. Neurala nätverk kan hantera tidsvarierande batteriprocesser, lära sig kontinuerligt att anpassa sig till förändringar i batteribeteende och bibehålla modellens tillförlitlighet.
Genom att extrahera nyckelfunktioner (som 6 nyckelfunktioner) för att optimera SOH-uppskattning, kombinerat med maskininlärningsalgoritmer för att uppnå hög noggrannhet och låg beräkningsbelastning, spelar spänningsfunktioner en betydande roll för att förbättra noggrannheten i batteristatusbedömningen. Kombinera flera modeller för djupinlärning (som CNN, LSTM, GRU och deras dubbelriktade varianter) till ett hybridramverk (som CNN-LSTM-DNN, CNN-GRU-DNN) för att förutsäga RUL, genom att använda ett brett utbud av funktioner för att förbättra noggrannhet, minskade RMSE med 90,5 % i NASA-datauppsättningstestning, men beräkningsstyrkan och komplexiteten begränsar realtidsapplikationer. Flermodellmetoder (som LSTM-modellbibliotek) och avancerade optimeringsstrategier (som att integrera LSTM i AI-BMS-ramverket och implementera det på FPGA) kan förbättra prediktionsnoggrannheten och systemeffektiviteten, men tillämpningen av FPGA i kommersiella elfordon står inför kostnader och praktiska utmaningar.
Kombinationen av GRU och mjuka avkänningsmetoder har potential för långsiktig RUL-förutsägelse i laboratoriemiljöer, men praktiska tillämpningar kräver anpassning till olika laddningsförhållanden. Genom att använda datadrivna metoder som LSTM, DNN och GRU för att bearbeta NASA-datauppsättningar har GRU stark prestanda (RMSE på 0.003, MAE på 0,003, R-kvadrat fel på 0,004), och att kombinera GRU- och LSTM-nätverk ger bättre prestanda. Den LSTM-baserade metoden extraherar funktioner (som 5 manuella funktioner) genom att analysera batteriladdningskurvan och använder optimeringsalgoritmer (som Adam) för att förbättra träningseffektiviteten och prediktionsnoggrannheten. Under träning av partiella data för enstaka batterier är SOH-uppskattningsfelet för andra batterier lågt, vilket är bättre än traditionella modeller.
MDA-LSTM-nätverket kombinerar flera funktioner och tidsinformation, och förbättrar noggrannheten i RUL-förutsägelse genom flera funktionsfusionsmoduler och dubbla uppmärksamhetsmoduler. Den fungerar bra i multidatavalidering, med robusthet och generalisering. Det staplade BiLSTM-nätverket används för att förutsäga SOH med hjälp av konstantströmsladdningsdata, och den dubbelriktade strukturen förbättrar prediktionstillförlitligheten, vilket gör den lämplig för SOH-uppskattning i realtid under snabbladdning. TCN-LSTM-modellen använder syntetisk data och Bayesiansk optimering för att exakt rekonstruera öppen kretsspänning (OCV) och uppskatta hälsotillstånd (SOH) (MAE under 22mV, MAPE under 2,2%). Det kan utökas till olika batterikemiska system genom överföringsinlärning, men det finns extrapoleringsbegränsningar när data är otillräckliga. Djupfusionsmetoden (som att använda historiska data och flera hälsoindikatorer) uppnår hög noggrannhet (MAPE under 2,97%) genom testning av full laddningsurladdning, och både det globala ramverket baserat på GPR och DFTN-modellen för enskilda elfordon har uppnått goda resultat .
5.2. CNN och CNN-LSTM integrerad modell
CNN-WNN-WLSTM-metoden integrerar CNN-, WNN- och WLSTM-nätverk. CNN extraherar funktioner, WNN och WLSTM processfunktioner och uppskattar SOH. RMSprop-optimeraren används för att förbättra prestanda och överträffar traditionella metoder i NASA-datauppsättningstestning, vilket ger ett lovande tillvägagångssätt för batterihälsohantering. CNN-LSTM-CRF-modellen är inspirerad av bearbetning av naturligt språk, med CRF-lagret som fångar beroenden av utdatavariabler för att förbättra noggrannheten och intuitiviteten i batterikapacitetsförutsägelsen. Beräkningskraven är dock höga och överträffar kapaciteten hos inbyggda processorer. I framtiden behövs forskning för att förbättra dess praktiska funktion (t.ex. genom transfer learning). LSTNet-modellen förbättrar prestandan för batterikapacitetsförutsägelse genom att segmentera data, integrera ConvLSTM- och AR-komponenter och optimera strukturen (till exempel i NASA-datauppsättningstestning var RMSE 0.65 %, MAE var 0. 58 % och MAPE var 0.435 % när man tränade på 40 % data).
Genom att integrera förbättrade CNN- och ECSSA-optimeringsalgoritmer för att förutsäga RUL för solid-state litiumjonbatterier, förbättrar CNN funktionsextraktion och prediktionsnoggrannhet genom att optimera hyperparametrar och strukturer (som att använda avancerade faltningslager, aktiveringsfunktioner och kvarvarande anslutningar), medan ECSSA optimerar modellparametrar genom innovativa matematiska metoder (som Circle Chaotic Kartläggning, icke-linjär absorptionskoefficient och Cauchy-mutation) för att förbättra RUL-prediktionsnoggrannheten och robustheten. Genom att kombinera PCA och CNN för funktionsoptimering och dimensionsreduktion förbättras noggrannheten och effektiviteten för SOH-uppskattning (jämfört med traditionella CNN och fastdimensionella PCA-CNN-modeller ökar MAE med mer än 20 % och RMSE ökar med mer än 30 %). Realtidsmodellen för SOH-uppskattning integrerar 1D-CNN och BiGRU, använder BMS-data för att undvika komplex funktionsextraktion och uppnår hög noggrannhet genom Bayesiansk optimering av hyperparametrar (som i NASA-datauppsättningstestning är MAE 2,080 %, RMSE är 2,516 %, och EOL-indexfelet är noll).
5.3. Optimeringsstrategier för modeller för djupinlärning
Först användes den slumpmässiga skogsalgoritmen för att identifiera viktiga hälsofaktorer, och sedan användes tekniken för optimering av genetiska algoritmer för partikelsvärm (GA-PSO) för att optimera parametrarna för stödvektorregression (SVR) för att uppskatta hälsotillstånd (SOH). Effektiviteten verifierades på fyra batterier, vilket förbättrade noggrannheten och konvergenshastigheten (RMSE på 0.40%, MAPE på 0.56%), vilket är överlägset andra relaterade metoder. GWO-BRNN-hybridmetoden använder gråvargoptimering (GWO) för att välja hyperparametrar för Bayesian regularized neural networks (BRNN). Baserat på NASA-datauppsättningen är SOH-uppskattningsfelet mindre än 1 %, men beräkningskomplexiteten är hög och praktiska tillämpningar är begränsade. Direkt använda rådata från elfordon för att utvärdera SOH och förutsäga RUL, förbättra noggrannheten genom att introducera nya utvärderingsfunktioner och interpolationskorrigeringsmetoder (reducera det relativa felet för nuvarande integration till 0,94%), kombinerat med D-NSGA-II optimeringsmetod för att ytterligare optimera SOH-uppskattning och minska beräkningstiden. Som svar på svårigheten att uppskatta hälsotillståndet (SOH) orsakat av ofullständig laddning och urladdning av litiumjonbatterier i elfordon, föreslås en indirekt uppskattningsmetod (ATAGA-BP). Metoden använder egenskaperna hos konstant spänningsladdningssteg som en hälsoindikator och valideras genom simulering med NASA-data. Metoden har en hög korrelation med batterikapacitet (över 85 %), med ett SOH-uppskattningsfel på 3,7 % och en iterativ effektivitetsförbättring på 17,8 %.
Deep learning har gjort betydande framsteg i SOH-uppskattning, och omfattande modeller som tar hänsyn till flera faktorer ger en djupare förståelse av batteriförsämring. LSTM-nätverk är viktiga för att fånga tidsmässiga beroenden och förutsäga RUL, men deras beräkningskomplexitet ställer till utmaningar för realtidsapplikationer. Funktionsextraktionsmetoder är viktiga och kan optimera SOH-uppskattningen. Kombinationen av hybridmodeller och olika neurala nätverksarkitekturer för bearbetning av batteridatakomplexitet har lovande utsikter, men höga beräkningskrav begränsar praktiska tillämpningar. Optimeringsstrategier som GA-PSO, GWO-BRNN och D-NSGA-II har förbättrat noggrannheten och effektiviteten, men att implementera komplexa algoritmer är svårt och kräver en balans mellan noggrannhet och exekveringsenkelhet. Avancerad AI-teknik är avgörande för tillämpningen av sekundära batterier (saknar detaljerad användningsdata). Efterföljande kapitel kommer att ge en översikt över det aktuella läget för sekundär tillämpningsforskning, särskilt inom området för batteriåteranvändning.
6. Sammanfattning
Den här artikeln främjar utvecklingen av SOH- och SOC-uppskattning för litiumjonbatterier i elfordon genom innovativa metoder och modeller, som täcker olika tekniker från traditionell maskininlärning till avancerade djupinlärningsmodeller som LSTM och CNN. Varje metod har dock skillnader i noggrannhet, komplexitet och tillämpbarhet, vilket gör direkt jämförelse svår. Forskning har funnit att databearbetning och källor har en betydande inverkan på modellens prestanda, och ytterligare validering behövs för faktisk implementering. Även om modeller för djupinlärning har visat fördelar med att bearbeta komplexa data, står de fortfarande inför utmaningar som höga krav på beräkningsresurser och anpassningsförmåga till praktiska tillämpningsscenarier. Framtida forskning bör fokusera på att förbättra funktionsval, anomalidetektering, anpassning till olika miljöförhållanden, optimera algoritmer för att förbättra beräkningseffektiviteten, uppnå realtidsapplikationer, integrera flera datakällor för att förbättra SOH-uppskattningsmodellens prestanda, samtidigt som man tar itu med utmaningar i sekundära batteriapplikationer , utveckla effektiva lösningar och främja utvecklingen av batterihanteringssystem för att möta de växande kraven inom elfordon och energilagring.