Giới thiệu: Sự gia tăng về khả năng quản lý pin trong các xe điện

Sự chuyển đổi toàn cầu đối với phương tiện điện (EV) đang tăng tốc, được điều khiển bởi các quy định khí thải phức tạp, giảm chi phí pin, và tăng nhu cầu tiêu dùng cho việc vận chuyển bền vững. Tại trung tâm của mỗi EV là một bộ ắc quy có số lượng lớn được cấu tạo bởi hàng trăm hay hàng ngàn tế bào riêng lẻ. Điều khiển hệ thống lưu trữ năng lượng phức tạp này một cách an toàn và hiệu quả là vai trò của hệ thống quản lý pin (BM-S). Truyền thống BMS phụ thuộc vào các thuật toán dựa trên quy tắc và mô hình cấu hình tương đương để ước lượng các dữ liệu quan trọng như sạc (C) và trạng thái của (H) Tuy nhiên, những cuộc đấu tranh này thường tiếp cận để nắm bắt các tính năng lượng, không phải thời gian và nhiệt độ tối ưu tiên tiến của các hoạt động cơ quan trọng của các hệ thống điện tử, và hệ thống nhận biết thêm nhiều loại pin, có khả năng thay thế, nhờ đó có khả năng dự đoán chính xác định một mô hình kỹ lưỡng và khả năng tăng mạnh, và khả năng tăng cường của các mô hình kỹ thuật phức tạp, và khả năng tiềm năng học tập tính

Hiểu hệ thống quản lý pin: Hàm lõi và hạn chế

Một BMS thực hiện một số chức năng quan trọng: kiểm tra điện áp tế bào, dòng điện và nhiệt độ; ước lượng về khả năng tiên đoán và nhiệt độ của SoC và SoH; cân bằng năng lượng tế bào; bảo vệ chống quá tải, quá tải, và chạy nhiệt chạy thoát nhiệt; và liên lạc với các đơn vị điều khiển của phương tiện điều khiển. Tính toán chính xác như Hiệp định lượng dự đoán và ngăn chặn sự xuất khẩu, trong khi SoH phản ánh khả năng không thể thay thế bị phai dần theo thời gian và thông báo thay thế. Phương pháp truyền thống, như việc đếm điện áp và tìm kiếm điện áp, bị trôi dạt từ các bảng cảm biến, cảm biến và phụ thuộc vào các điều kiện ban đầu. Nhiều hơn nữa, như bộ lọc Kalman, nhưng có thể dựa vào các mô hình hiệu ứng năng tăng cường độ, bao gồm cả những tính năng, và xác định tốc độ cao hơn, và xác định tốc độ tăng, và xác định tốc độ cao hơn nữa để xác định tốc độ, không cần thiết xác định tốc độ tăng tốc độ, và xác định tốc độ cao hơn.

Vai trò của việc học hỏi sâu sắc trong việc gia tăng sức khỏe BMS

Các thuật toán học sâu, đặc biệt lặp lại mạng thần kinh (RNN), bộ nhớ ngắn hạn (LSTM) mạng thần kinh học, mạng thần kinh tiến hóa, và các mô hình tự động, đã cho thấy thành công đáng kể trong dự đoán thời gian và các nhiệm vụ phát hiện bất thường liên quan đến quản lý pin. Bằng cách đào tạo các bộ dữ liệu lớn được thu thập từ các thử nghiệm xe đạp, hoạt động, hoặc mô phỏng chu trình điều khiển, những mô hình này học các động hóa điện hóa và các mẫu thoái hóa. Kết quả là một BMS có thể dự đoán như vậy và CH-IP với lỗi gốc khi phát hiện lỗi nhỏ, một lỗi nhỏ trong việc nâng cấp và có ích, trước khi họ còn lại, khả năng hiệu quả hóa và khả năng sử dụng năng sử dụng năng sử dụng năng sử dụng năng điều khiển.

Ước tính tiểu bang sử dụng việc học sâu

Chính xác, như vậy, tính toán là một thách thức chính yếu trong BMS bởi vì nó phụ thuộc vào phản ứng không tuyến tính, thôi miên và lão hóa. Các mô hình nghiên cứu sâu đã chứng minh rằng một máy đánh giá LSTM dựa trên thời hạn dài hơn 98% trong nhiệt độ và hồ sơ phóng nhiệt độ khác nhau. Công việc gần đây kết hợp với cơ chế CNN để lấy các tính năng trợ giúp từ hồ sơ kỹ thuật truyền thông giao tiếp [FLT: 1], cải tiến các mô hình mạnh và tăng cường độ cảm biến đổi kích cỡ.

Ước tính về tình trạng sức khỏe và dự đoán về cuộc sống hữu ích

Vì vậy, ước tính truyền thống dựa trên phân tích tăng cường hay quang phổ không tăng cường, mà đòi hỏi điều kiện sạc. Phương pháp học sâu có thể suy luận dựa trên dữ liệu định kỳ bằng cách sử dụng kỹ thuật chuyển giao như việc học và đa nhiệm vụ. Lấy thí dụ, một [FLT: 0]2021 [FLT:] 21] truy cập thấp ] sử dụng một cấu trúc lai CNN–LSTM để dự đoán khả năng giảm dần từ điện áp và phân chia hiện tại, đạt được ít hơn 2% lỗi qua nhiều bộ phận hóa học pin. Tương tự nhiên, các nhà phân tích tự động có thể tìm hiểu một mẫu báo giảm thiểu các mẫu báo gây ra sự suy giảm của các dự đoán, cho phép kết thúc của các mô hình tổng hợp tác vụ mạng. Có thể sử dụng các mô hình kết thúc điều khiển để tránh và giảm thiểu các lỗi không mong đợi.

Phát hiện lỗi và chẩn đoán

Lỗi hệ thống tập hợp - như mạch ngắn, xung điện li- tan, phân hủy điện phân, và các dữ liệu biến đổi nhiệt có thể dẫn đến những lỗi nghiêm trọng nếu không phát hiện sớm. Các mô hình nghiên cứu sâu, gồm các mô hình tự động biến đổi và mạng tự động (FL: 1) cho thấy rằng một nhóm dữ liệu nội bộ có thể phát hiện sự lệch lạc tinh vi trong vòng 30 phút trước khi khởi động vòng bảo mật trước khi thiết lập thời gian trước.

An toàn và được nâng cao nhờ học hỏi sâu sắc

Sự an toàn là chức năng quan trọng nhất của BMS. Chạy trốn nhiệt độ. Chạy trốn nhiệt độ, gây ra bởi những phản ứng ngoài không kiểm soát, gây ra nguy hiểm lớn nhất. Việc học tập sâu có thể tích hợp dòng cảm biến đa chiều, nhiệt độ, và cảm biến khí gas, để dự đoán xác suất của việc chạy nhiệt độ. Việc học trực tuyến hay tiếp tiến hành cho phép mô hình thích ứng như là thời đại pin hoặc môi trường hoạt động thay đổi, đảm bảo rằng các mạch an toàn vẫn chính xác trong suốt cả tuổi thọ. Lấy thí dụ, một số lượng lớn các cây (mặc dù không học tập mỗi chiều sâu) có thể được thay thế bằng mạng thần kinh có thể được thay thế bằng một mạng thần kinh nhỏ mà tiếp tục cập nhật trọng lượng thực sự dựa trên các phản hồi của nó. Hệ thống này có thể phân biệt mức độ an toàn và độ nóng tính toán độ nóng từ các điểm phụ thuộc vào mức độ nóng và mức độ nóng của các điểm nóng có thể giảm nhẹ có thể giảm nhẹ có thể giảm nhẹ của các điểm trong máu nóng và hiệu quả tính năng lượng nóng của hệ thống có thể giảm nhẹ của mức độ nóng

Bên ngoài nhiệt độ chạy trốn, việc học tập sâu sẽ tăng đáng tin cậy bằng cách phát hiện lỗi cảm biến và lỗi giao tiếp trong chính hệ thống BMS. Một bộ tự động lặp lại có thể tái tạo lại kết quả cảm biến và độ lệch cờ mà cho thấy bộ nhạy điện áp hoặc bộ cảm ứng nhiệt độ bị hỏng. Khả năng tự xác định này giảm thiểu báo động giả và đảm bảo rằng BMS duy trì khả năng nhận thức tình huống ngay cả khi phần cứng bị mất chức năng.

Những thử thách để học hỏi sâu sắc tại BMS

Mặc dù nó có hứa hẹn, việc triển khai việc học hỏi sâu sắc trong phần cứng máy tính BMS được đào tạo để sử dụng trong các tài nguyên, nhưng phần mềm xử lý dữ liệu được cung cấp có thể vượt qua khả năng xử lý hạn chế, bộ nhớ và ngân sách năng lượng của các thiết bị kiểm soát vi mô hình BMS. Việc lắp đặt cạnh đòi hỏi các kỹ thuật nén như là cắt tỉa, định lượng và sự chưng cất kiến thức. Thứ hai, chất lượng là tối ưu: mô hình được đào tạo trên dữ liệu sạch không thể vượt qua được khi sử dụng trong lĩnh vực phân phối (v.v. d., các thiết lập khác nhau về khí hậu, hoặc về hóa học gia tăng cường) và định lượng chính xác.

Hướng tương lai: Từ mô hình lai giả dạng đến sinh đôi số

Giới hạn kế tiếp là việc kết hợp việc học tập sâu vào chức năng mất tích, cho phép dự đoán chính xác với dữ liệu đào tạo ít hơn và chính xác hơn. Một hướng khác là sử dụng các bản sao của các bộ ắc quy số (không có tính năng hỗ trợ liên tục sử dụng dữ liệu cảm biến thực. Việc học tập là cơ chế chính xác cho phép mô hình sinh học và thực tế để cải tiến dữ liệu. Một hướng khác hứa hẹn sẽ cho phép sử dụng các đơn vị sinh đôi (không có sự dự đoán chung). Khi hệ thống này tăng cường, khi hệ thống điện tử, việc học tập tính năng tăng tốc độ.

Những nhà lãnh đạo kỹ thuật như McKinsey ) ước tính rằng AI-enhanced BMS có thể mở rộng tuổi thọ pin bằng 20% và giảm chi phí bảo mật cho 30%, đặt chúng một ưu tiên chiến lược cho các nhà sản xuất EV. Hơn nữa, việc học sâu mở cửa để các chức năng nâng cao như tăng tối ưu hóa thông minh, nơi mà BMS học cách sạc tối ưu cho mỗi tế bào dựa trên độ tuổi và nhiệt độ của nó, giảm thiểu. Trong bối cảnh của các dịch vụ xe hơi (V-V-Gd2), vì vậy việc dự đoán về năng lượng cần thiết cho việc trao đổi.

Kết luận

Việc học tập sâu chuẩn bị thay đổi hệ thống quản lý pin trong phương tiện điện bằng cách đưa ra những ước tính chính xác hơn, phát hiện lỗi trước đó và các biện pháp an toàn thích nghi. trong khi những thách thức liên quan đến sự hạn chế tính toán, chất lượng dữ liệu, và khả năng giải thích vẫn còn, tiếp tục nghiên cứu về việc nén mô hình, vật lý phối hợp, và gia tốc phần cứng đang nhanh chóng đóng khoảng cách. khi việc tiếp nhận phương tiện điện tiếp tục tăng, việc nghiên cứu sâu về phương tiện truyền thông tin vào BMS sẽ không chỉ tăng tính chất lượng xe và an toàn mà còn tăng tốc độ chuyển đổi sang hệ thống vận chuyển bền vững.