Giriş: Elektrikli Araçlar Yönetiminin Büyütmesi

Elektrikli araçlara (EV) yönelik küresel dönüşüm, katı emisyon düzenlemeleri, azalan batarya maliyetleri ve sürdürülebilir ulaşım için tüketici talebi ile hızlanıyor. Her EV'nin kalbinde yüzlerce veya binlerce bireysel hücreden oluşan yüksek gerilimli batarya paketin yer aldığı gibi önemli parametreleri tahmin etmek için.Bu karmaşık enerji depolama sistemini güvenli bir şekilde yönetmek, böylece batarya yönetimi sistemini (BMS) Geleneksel BMSSüresel olarak kontrol etmek için mücadele etmek, modern bir öğrenme modellerine ve çok yönlü öğrenme modellerine ve doğru giden yöntemlerine bağlıdır.

Battery Management Systems'i Anlamak: Core Functions and Limitations

Bir BMS birkaç kritik işlevi yerine getiriyor: Hücre gerilimlerini, mevcutları ve sıcaklıkları izlemek; SoC ve SoH; hücre enerjisini dengelemek; aşırı şarjlara karşı korumak, ve ısıtmak gibi; ve araç kontrol birimleriyle iletişim kurmak, tahmin etmek ve derin deşarjları önlemek için önemlidir, böylece zaman içinde geri dönüşümlü kapasiteleri geri almak ve gerçek zamanlı olarak kontrol etmek için doğrulanmış verileri artırmak için doğrulanmış ve gerçekleştirilmiş verileri doğrulayan ve doğrulayan farklı yöntemlere bağlıdır.

BMS'yi Teşvik Etmekte Derin Öğrenmenin Rolü

Derin öğrenme algoritmaları, özellikle de tekrarlayan sinir ağları (RNNs), uzun kısa vadeli bellek (LSTM) ağlar, konvolutional sinir ağları (CNNs), ve otoencoders, zaman serisi tahmin ve bir anomali tespit görevlerinin, laboratuvar testlerinden toplanan büyük veri setlerinde yapılan analizlerle, saha operasyonlarında veya simülasyonlu motorlar üzerinde yapılan bu modeller, özellikle de elektrokimyasal dinamikleri ve bozulma modelleri öğrenir. Sonuç, SoC ve SoH'yi tahmin edebilir ve bu yüzden kök algılama görevlerine göre yüksek oranda başarısız olur.

Devlet-Charge Estimation Using Deep Learning

Doğru SoC tahminleri BMS'de birincil bir meydan okumadır, çünkü lineer olmayan elektrokimyasal tepkilere bağlıdır, histerilere ve yaşlanma. Deep learning modellerine, özellikle LSTM ağlarına, uzun vadeli bağımlılıklara bağlı olarak, mevcut ve sıcaklık verileriyle birleştirir.A 2020'de yapılan bir çalışma:0) Bilimsel raporlar), bu LSTM tabanlı bir estimatörün farklı sıcaklık ve dinamik deşarj profillerine doğru %98 oranındaki doğruluk elde ettiğini göstermiştir.

Devlet-Sağlık Estimasyon ve Yararlı Yaşam Önlemini Kalan

Bu nedenle, geleneksel olarak artan kapasite analizi veya yetersizlik spektroskopuna dayanır, kontrollü şarj koşullarını gerektiren bir karma CNN-LSTM mimarisini doğrudan birden fazla batarya kimyası ile ilgili tekniklerden uzak tutmalı.Örneğin, aİLFLT:02021 IEEE Access paper[FLT], düşük boyutlu bir bozulma modelinin gecikme süresini tahmin edebilir ve olası hataların azaltılması için, olası hataların azaltılması gibi proaktif olarak kullanılması için gerekli hataların azaltılmasını sağlar.

Hata Tespiti ve Tanık

Battery hataları - iç kısa devreler, lityum kaplama, elektrolit dekompozisyon ve termal runaway öncüleri gibi - erken tespit edilmemiş olsa felaket başarısızlıklara yol açabilir. Deep learning models, including revisional autoencoders and jeneratif adversarial networks (GANs), uzun süre boyunca anormallikler tespit etmede son derece etkili olduğunu gösterdi. AurFLT:0).2023 Çalışmaya Enerji Depolama Dergisinde (FLT:1), normal bir GAN normal işlem verileri üzerinde eğitilmiş bir GAN, sabit bir gerilimin, sabit devrelerin, geleneksel güvenlik kontrol cihazının sabit devrelerinin, zamanlayıcı güvenlik kontrollerini erken tetikleyebilmesi için 30 dakikaya neden olduğunu gösterdi.

Adaptif Deep Learning ile Geliştirilmiş Güvenlik ve Güvenilirlik

Güvenlik, kontrol edilemeyen eski tepkilerin neden olduğu BMS. Thermal runaway'in en kritik fonksiyonudur, güvenlik riskini oluşturur. Derin öğrenme modelleri birden fazla sensör akışını entegre edebilir - hücre gerilimi, sıcaklıkları ve gaz sensörleri – ısıtımı olasılığını tahmin etmek için - modelin şarj edilebilir veya sürekli öğrenme yaklaşımlarının, batarya yaşlarına veya işletim ortamı değişikliklerine dayalı olarak adapte olmasını sağlar. Örneğin, tüm yaşam boyu doğru bir şekilde sabitlenebilir.

Termal runaway'in ötesinde, derin öğrenme, BMS'nin içindeki sensör hataları ve iletişim hataları tespit ederek güvenilirliğini geliştirir. Bir tekrarlayan otomatikencoder, başarısız bir gerilim veya sıcaklık sensörünü gösteren sensör çıktılarını yeniden yapılandırabilir. Bu kendini-gnostic kapasite yanlış alarmları azaltır ve BMS'nin donanım degradları zaman bile durumsal farkındalığın korunmasına olanak sağlar.

BMS'de Deep Learning Entegrasyonu Karşılamalarına Karşı Mücadele Ediyor

Sözcülüğe rağmen, kaynaklanmış otomotiv BMS donanımı içinde derin öğrenmeyi dağıtma, çeşitli engeller sunar. Birincisi, karmaşık sinir ağlarının hesaplama gereksinimleri - sınırlı işlem gücü, hafıza ve enerji bütçesini aşıyorken - otomatik olarak BMS mikrokontrolörleri. Edge dağıtım modeli, ölçümleme ve bilgi ayrıştırma sistemleri gibi karmaşık sistemlerde kullanılan modeller - modern veri kalitesi ile ilgili olarak kullanılan modeller - temelleştirilmiş veri toplama sistemleri.

Future: Hibrit Modellerden Dijital Twins'e

Bir sonraki sınır, fiziksel batarya modelleriyle fizik bilgilendirilmiş sinir ağları (kırıklar) oluşturmak için derin öğrenme ile ilgilidir.Bu hibrit modeller, koruma yasaları (örneğin, şarj koruma, termodinamik) dijital ikiz için öğrenme işlevine, daha az eğitim verilere ve daha iyi ekpolasyona olanak sağlar. Başka bir umut verici yön dijital ikizlerin kullanımıdır - gerçek sensör verileri kullanarak sürekli olarak güncel bir şekilde erişim sağlayan fiziksel bataryanın kullanılmasıdır.

Endüstri liderleri,% 20'ye kadar batarya ömrünü uzatabilir ve garanti maliyetlerini% 30 oranında azaltır, onları EV üreticileri için stratejik bir öncelik haline getirir. Dahası, derin öğrenme akıllı şarj optimizasyonu gibi gelişmiş işlevlerine açar, BMS her bir hücreye göre en uygun şarj profilinin yaş ve sıcaklıka göre en iyi şarj profili öğrenebileceğini tahmin eder, araç-grid (V2G) hizmetleri kapsamında, doğru SoH tahminleri güvenilir enerji ticareti için kritik öneme sahiptir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Derin öğrenme, batarya yönetim sistemlerini daha doğru devlet tahminlerini sağlayarak dönüştürmek için hazırlanmaktadır, daha önce hata algılaması ve uyarlanabilir güvenlik önlemleri.Bilgesel kısıtlamalarla ilgili sorunlarla ilgili olarak, veri kalitesi ve yorumlanabilirlik devam eden, model sıkıştırma, hibrit fizik-ML yaklaşımlarında devam eden araştırma ve donanım ivmesi, her bataryanın yakın insan süper hassaslığı ve güvenlikle yönetildiği bir gelecek vaat ediyor.