חיזוי בריאות הסוללה: הערכת אבולוציה ויעילות מסינון ליניארי לשיטות למידת מכונה

תַקצִיר

טכנולוגיית הערכת מצב הבריאות (SOH) עבור סוללות ליתיום-יון היא חיונית לבטיחות ומהימנות של כלי רכב חשמליים. עם הפיתוח של טכנולוגיות בינה מלאכותית (AI) ולמידת מכונה (ML), תחום ניהול הסוללות מתחיל לאמץ שיטות אלו לשיפור היעילות והיציבות. במיוחד, רשתות עצביות הראו יתרונות ביעילות גבוהה, צריכת אנרגיה נמוכה, חוסן גבוה ומדרגיות בסימולציה וחיזוי SOH. המודל ההיברידי, בשילוב עם מודלים מקבילים של מעגלים (ECMs) ולמידה עמוקה, הוכח כבעל פוטנציאל בשיפור הדיוק והביצועים בזמן אמת של הערכת SOH. כיווני מחקר עתידיים כוללים שימוש יותר בנתונים באתר לצורך בדיקת תכונות בריאות ובניית מודלים, כמו גם בדיקה חכמה ושילוב של פרמטרים של סוללה כדי לאפיין בצורה מדויקת יותר את SOH בפועל. הפיתוח של טכנולוגיות אלה ישפר עוד יותר את הניהול המדעי, האמין, היציב והחזק של סוללות רכב חשמלי.

1. בקצרה

1.1 החשיבות של סוללות ליתיום-יון עבור כלי רכב חשמליים והמשמעות הקריטית של הערכת SOH

סוללות ליתיום יון הן חיוניות לתפעול של כלי רכב חשמליים, וביצועיהן מושפעים מתהליכי השפלה שונים. אומדן מדויק של מצב הבריאות (SOH) של סוללות הוא חיוני להבטחת הפעולה הבטוחה, האמינה והחסכונית של כלי רכב חשמליים. ככל שהביקוש לרכבים חשמליים גדל, ניטור SOH הופך חשוב יותר ויותר, שכן סוללות ליתיום-יון יורדות בדרך כלל ל-80% מהקיבולת המקורית שלהן לפני תום תוחלת החיים שלהן. בנוסף, מצב הטעינה (SOC) הוא גם פרמטר מרכזי, והשינויים בו יכולים לשקף את ההזדקנות וההידרדרות של קיבולת הסוללה. חיזוי SOC מדויק מועיל להערכת SOH, אשר בתורה קובעת את אורך החיים שנותר לסוללה.

1.2 פיתוח שיטות הערכת SOH

סקירה והתקדמות של שיטות קיימות:פותחו שיטות הערכת SOH מרובות, ביניהן שיטות מבוססות SOC משלבות נתונים בזמן אמת כגון זרם, מתח וטמפרטורה כדי להשיג חיזוי SOH מדויק יותר במחזורי טעינה ופריקה מרובים, לייעל את ביצועי הסוללה, למנוע תקלות ולהאריך את חיי הסוללה. . ההתקדמות העדכנית ביותר בשיטות למידת מכונה שיפרו עוד יותר את הערכת SOH, ורשתות עצביות כגון רשתות עצביות הזנות וקונבולוציוניות מתפקדות היטב במודלים של סוללות, עולות על שיטות הרגרסיה המסורתיות במורכבות ובדיוק, עם סטיית שגיאה ממוצעת של בערך 0 .16% ושגיאה מרובעת ממוצעת של 5.57mV ברמת תא הסוללה.

1.3 סיווג ומאפיינים של שיטות מידול סוללות

שיטות ניתוח כגון שילוב זרם וטכניקות מתח מעגל פתוח (OCV) יכולות לספק הערכות SOH ברורות, אך מושפעות מרעש מצטבר ודורשות תקופות עמידה ארוכות כדי להבטיח דיוק.

גישה מבוססת מודלים

דגם קופסא לבנה:בהתבסס על עקרונות אלקטרוכימיים מפורטים, הוא מדמה התנהגות סוללה באמצעות פרמטרים בסיסיים עם דיוק גבוה. עם זאת, הדרישות החישוביות הגבוהות וההנחות הפשוטות שלו עבור דינמיקה בעולם האמיתי מפחיתות את הדיוק שלה בתנאים דינמיים, מה שהופך אותו ללא מתאים ליישומים בזמן אמת.

דגמי קופסא אפורה (כגון ECM):שילוב של תובנות פיזיות והתאמות אמפיריות, שימוש באנלוגיית מעגלים כדי להעריך את התנהגות הסוללה, יכול להעריך את ה-SOC בדיוק גבוה (בדרך כלל תוך 3% שגיאה), והם שימושיים עבור הערכת SOH בזמן אמת וחיזוי שנותר שימושי (RUL), אך עומדים בפני אתגרים באיכות הנתונים ובדרישות החישוביות. ניתן להשתמש במודל מעגל שווה ערך פשוט עבור סוללות ליתיום-יון (כולל נגדים סדרתיים ועד שני רכיבי RC) לסימולציה אמינה, בעוד ש-ECM מורכבים יותר (כולל מספר ענפי RC או רכיבי פאזה קבועים CPE) יכולים לדמות תהליכים דינמיים ביותר (כגון כהפעלת רכב חשמלי), אך הביקוש החישובי הגובר הניע את הפיתוח של שיטות הערכת SOH מתקדמות יותר.

מודל הקופסה השחורה (גישה מונעת נתונים):בהתבסס על נתוני קלט ופלט, המודל נבנה מבלי להסתמך על ידע פנימי בעבודה. טכניקות למידת מכונה יכולות לחזות את מצב הסוללה מכמות גדולה של נתוני מדידה. למידת מכונה מצטיינת בזיהוי דפוסים במערך נתונים מורכבים, כגון רשתות עצביות רב-ערוציות בעלות דיוק גבוה בהערכת קיבולת, אך מסתמכות על נתוני אימון איכותיים ומגוונים. עם זאת, ביישומי רכב מעשיים, לא ניתן למדוד באופן ישיר משתנים פנימיים רבים, ודלילות הנתונים והיעדר פרשנות מקשים על הבנה ותחזוקה של המודל.

1.4 אבולוציה של שיטות מודל ופיתוח מודלים היברידיים

האבולוציה של שיטות מבוססות מודל:בעשור האחרון התפתחו ללא הרף שיטות מבוססות מודל, כולל סינון קלמן (KF) והרחבות שלו (כגון Extended Kalman Filter EKF, Unscented Kalman Filter UKF). לשיטות אלו יש דיוק גבוה בהערכת מצב הסוללה, אך דורשות מודלים דינמיים מדויקים והן מורכבות ליישום.

עלייתם של דגמים היברידיים:על מנת לטפל במגבלות של נתונים מהעולם האמיתי ולשפר את היעילות החישובית, הופיעו מודלים היברידיים, המשלבים שיטות מבוססות מודל ושיטות מונעות נתונים כדי להכשיר מודלים של למידת מכונה באמצעות סימולציות מפורטות. במקביל, טכניקות למידת מכונה עשו התקדמות משמעותית בחמש השנים האחרונות, כולל שיטות הסתברותיות, למידת מטא, למידה נגדית, למידה מפוקחת למחצה וכו'. למידה עמוקה (תת-קבוצה של למידת מכונה) השיגה ביצועים טובים בעיבוד מובנה ו נתונים לא מובנים. רשתות עצביות של מידע פיזי (PINNs) משלבות מודלים של השפלה אמפיריים עם רשתות עצביות כדי לשפר את הערכת SOH, תוך שיפור יכולת ההסתגלות של שיטות בסוגי סוללות ותנאים שונים. עם התפתחות תעשיית הרכב, ההתקדמות הטכנולוגית הזו חיונית למיטוב ביצועי הסוללה, מניעת תקלות ותמיכה בפיתוח כלי רכב חשמליים.

1.5 סקירה כללית של הפרקים הבאים במאמר זה

סעיף 2 מספק מבוא מפורט לשיטות המיון והבחירה של ספרות סקירה, תוך הבטחת האופי השיטתי והמקיף של מתודולוגיית המחקר. סעיף 3 מספק ניתוח מעמיק של טכניקות הערכת מצב טעינה, בוחן את ההשפעה של מנגנוני פירוק סוללה על שיטות מודלים של סוללות רכב חשמלי, כולל סינון קלמן ושיטותיו המשופרות, כמו גם אינטגרציה עם מודלים מזדקנים. סעיף 4 מתמקד בטכניקות הערכת SOH, משווה בין שיטות מסורתיות לשיטות חדשות ומדגיש שיטות החלות על כלי רכב חשמליים. סעיף 5 מדגים את תפקידה של למידה עמוקה בהערכת SOH, כגון רשתות זיכרון לטווח קצר (LSTM) ומודלים היברידיים, כמו גם כיצד רשתות עצביות קונבולוציוניות (CNN) שוקלים גורמים מעשיים לשיפור דיוק הערכת הבריאות. לבסוף, סעיף 6 מסכם ומצפה לכיווני מחקר עתידיים עבור מערכות ניהול בריאות הסוללה כדי לתמוך בפיתוח שוק הרכב החשמלי ויישומי אחסון אנרגיה אחרים.

2. חומרים ושיטות

2.1 הגדרת שאלת מחקר

מחקר זה מציע חמש שאלות מפתח להנחות את היישום של טכנולוגיית למידת מכונה בהערכת SOH של סוללות ליתיום-יון בכלי רכב חשמליים.

הבהירו את טכניקות למידת המכונה העיקריות המשמשות כיום להערכת מצב הבריאות (SOH) של סוללות ליתיום-יון בכלי רכב חשמליים, וחקור את האלגוריתמים והמודלים הספציפיים שפותחו והשתמשו בחוקרים.

חקור את ההשפעה של מקורות נתונים שונים (נתוני מעבדה, רכב ושטח) על הדיוק והחוסן של מודלים של למידה חישובית של הערכת SOH, נתח כיצד מקורות נתונים משפיעים על ביצועי המודל וקבע אילו נתונים מועילים ביותר לחיזוי מדויק של SOH.

זהה את האתגרים המרכזיים של יישום טכניקות למידת מכונה בהערכת SOH של סוללות ליתיום-יון, כמו גם את הווריאציות של אתגרים אלה בתנאי סביבה ותרחישי יישום שונים, כגון תנודות טמפרטורה, הזדקנות והשפעה של מצבי שימוש שונים על דיוק של הערכת SOH.

השווה את שיטות הניתוח של הערכת SOH, ההבדלים בין השיטות המסורתיות ותהליך האבולוציה שלהן, למד כיצד ניתן לשלב שיטות למידת מכונה עם השיטות המסורתיות הללו, זהה את היתרונות, החסרונות והסינרגיה הפוטנציאלית שלהן.

מבט קדימה לכיווני מחקר עתידיים לשיפור הדיוק, יכולת ההסתגלות והיעילות החישובית של מודלים של אומדן SOH מבוססי למידת מכונה בסוללות ליתיום-יון לרכבים חשמליים, זיהוי פערי מחקר, דרישות טכניות ושיטות חדשניות.

2.2 חיפוש והקרנה בספרות

בחירת מסד נתונים ואסטרטגיית חיפוש: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 ו-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).

הקרנת ספרות ומיקוד:הספרות שאוחזרה מכסה תחומים דיסציפלינריים מרובים, כאשר תחום ההנדסה הוא בעל השיעור הגבוה ביותר (730 מאמרים), ואחריו אנרגיה, מדעי המחשב ומתמטיקה. לאחר התמקדות בתחום מדעי המחשב, זוהו 209 מסמכים רלוונטיים, מתוכם 183 פורסמו בין 2019 ל-2024, המעידים על עדכניות הנתונים. מסמכים אלה כוללים מאמרים בכנס, מאמרים, סקירות ופרקי ספרים, כאשר 72 מאמרים שפורסמו בין השנים 2009 ו-2024 כבסיס הביקורת העיקרי, תוך שילוב ידני של מאמרים ופרקי ספרים רלוונטיים מתחומי הנדסה אחרים כדי להבטיח כיסוי מקיף של תחומי מחקר וללכוד חדשניים התקדמות טכנולוגית בשימוש בבינה מלאכותית לשיפור מערכות ניהול הסוללה.

3. טכנולוגיית הערכת מצב טעינה (SOC).

3.1 מנגנון פירוק סוללה והשפעתו על הביצועים

סוללות ליתיום יון מתכלות בעיקר באמצעות שני מנגנונים:אובדן מלאי ליתיום (LLI) ואובדן חומר פעיל (LAM). LLI קשור ליצירת שכבת ממשק האלקטרוליט המוצק (SEI) על האנודה, שמקורה בתגובת הצד בין יוני ליתיום לאלקטרוליט. LAM נגרם על ידי מתח מכני פנימי בסוללה, כגון התרחבות והתכווצות חוזרות ונשנות של חומרי אלקטרודה במהלך טעינה ופריקה, מה שמוביל למיקרו סדקים וניתוק חלקיקי אלקטרודה, הפחתת שטח הפנים הפעיל הזמין לתגובות אלקטרוכימיות, ובכך מפחית את קיבולת הסוללה, הגדלת ההתנגדות הפנימית, ובסופו של דבר משפיעה על ביצועי הסוללה. מנגנוני השפלה אלו מואצים על ידי גורמים כגון מצב טעינה גבוה, טמפרטורה גבוהה ותנאי רכיבה אגרסיביים. מידע מפורט ופרטי מידול של מנגנוני הזדקנות שונים (תרמית, אלקטרוכימית וכו') ניתן למצוא בספרות הרלוונטית.

3.2. טכנולוגיית הערכה ומידול SOC עבור סוללות רכב חשמלי

בשימוש יומיומי בכלי רכב חשמליים, הסוללה נטענת לעתים קרובות ב-20% -40% SOC כדי לשמור על תקינות הסוללה, אך המאפיינים הלא-לינארים והשפלים של קיבולת הסוללה עלולים לגרום לקריאות SOC לא מדויקות, להשפיע על הערכת הסוללה קיבולת מלאה. הביצועים והתחזוקה של סוללות ליתיום-יון מושפעים גם מהאקלים, כאשר הטמפרטורה ורעננות האלקטרוליטים (נקבעים לפי תאריכי הייצור והמילוי) משפיעים על יעילות הסוללה ועל אורך החיים. המאפיינים של סוללות אלקטרוליטים חדשות עשויות להשתנות באקלים שונים, ואסטרטגיות ניהול תרמי יכולות לעזור לטפל בבעיות ביצועים הקשורות לטמפרטורה ולשפר את עמידות הסוללה.

מודל המעגל המקביל המסורתי (ECM) משמש בדרך כלל להערכת SOC, אך דורש כיול תכוף. המאמר מספק מבוא מפורט למשוואות חישוב SOC המבוססות על ECM (כולל צורות רציפות ובדידות), הכוללות משוואות מרחב מצבים, משוואות מתח פתוח ויחסי SOC, משוואות עדכון SOC של תחום זמן בדידות ומשוואות עדכון מתח. פרמטרים רלוונטיים (כגון התנגדות, קיבול, מתח מעגל פתוח וכו') קשורים קשר הדוק ל-SOC. בדיקות מעבדה סטנדרטיות (כגון בדיקת מאפיינים של כוח דופק מעורב בטמפרטורות שונות) משמשות בדרך כלל לזיהוי פרמטרים של דגם סוללה, אך אי דיוק מודל ורעשי מדידה עלולים להוביל לשגיאות קטנות בהערכת SOC. כדי לשפר את הדיוק של הערכת SOC, נעשה שימוש בטכניקות שונות כגון סינון קלמן והרחבות שלו, צופה מבוסס PI, צופה במצב הזזה וכו' כדי לפצות על השפעות אלו, וגם פותחו שיטות תיקון אינטגרליות לטיפול באי ודאות מודל ראשונית ורעש מדידה. בנוסף, למרות שספקטרוסקופיה עכבה אלקטרוכימית (EIS) יכולה להעריך את מאפייני הסוללה (כולל SOC ו-SOH), היא גוזלת זמן ואינה מעשית עבור יישומים בקנה מידה גדול (כגון ציי רכב חשמלי), מה שמקשה על ללכוד את הדינמיות והמשתנה תנאי ההפעלה של סוללות רכב חשמלי. לכן, יש צורך בשיטה אדפטיבית ויעילה יותר.

3.3. שיפור הטכנולוגיה

מסנן קלמן ושיטות השיפור שלו:פילטר קלמן (KF) והרחבות שלו (כגון Extended Kalman Filter EKF, Unscented Kalman Filter UKF, Volume Kalman Filter CKF) נמצאים בשימוש נרחב להערכת SOC. KF מספק את אומדן ה-SOC האופטימלי על ידי מזעור השגיאה הריבועית הממוצעת, פתרון הבעיות של שגיאה מצטברת ואי ודאות SOC ראשונית. עם זאת, הוא מתאים למערכות משתנות זמן ליניאריות בהן הדינמיקה הלא ליניארית של סוללות דורשת קירוב ליניאריזציה. למרות ש-EKF מרחיבה את מסגרת ה-KF לטיפול במודלים לא ליניאריים, ליניאריזציה עשויה להשפיע על הדיוק ולהוביל לסטייה באומדן. שיטות חדשות כגון UKF ו-CKF משתמשות באומדן נקודות סיגמא כדי להעריך סטטיסטיקות טרנספורמציות לא ליניאריות, בעוד ש-CKF משתמש בכלל הנפח הרדיאלי הכדורי כדי לחשב אינטגרלי רגע רב משתנים כדי לשפר את הדיוק של סינון בייסיאני לא ליניארי. עם זאת, מסננים אלה מניחים בדרך כלל שמאפייני הרעש ידועים וקבועים, וביישומים מעשיים, הרעש משתנה (כגון רעש לא גאוסי הנוצר מהפרעות חיצוניות). לכן, פותחו אסטרטגיות סינון אדפטיביות חזקות, כגון שימוש במודלים של תערובת גאוסית (GMM) למודל של רעש לא גאוסי כדי לשפר את דיוק הערכת המצב. מחקרים רלוונטיים הראו את היישומים והיתרונות של שיטות אלו בתחומים שונים. בנוסף, מסננים מבוזרים ומפוזרים (כגון מסנן קלמן מבוזר DKF, מסנן קלמן מבוזר ו-covariance cross DKF-CI) משמשים כדי לייעל את הערכת המצב של מערכות מקושרות בקנה מידה גדול. מסננים חזקים ולא ליניאריים (כגון מסנן קלמן חזק) הם בעלי ביצועים מעולים בהתמודדות עם אי-ליניאריות מורכבת במערכות סוללה (כגון תהליכים אלקטרוכימיים). טכניקות אדפטיביות (כגון אלגוריתמים אדפטיביים של EKF ואלגוריתמים של UKF) מתאימות באופן דינמי את פרמטרי המסנן כדי להסתגל לשינויי רעש ולשפר את דיוק הערכת SOC. מחקרים ודוגמאות רלוונטיות אימתו את היעילות של שיטות אלו.

שיטות שיפור נוספות:כגון שיטת Adaptive Integral Correction State of Charge Estimation (AIC-SE) המוצעת ב-2022, המבוססת על מודל ה-ECM ומשפרת את הדיוק של הערכת SOC באמצעות מנגנוני תיקון בזמן אמת (כולל התנגדות ו תיקון קיבולת הסוללה) (שגיאה מקסימלית ± 0.8%, שגיאת RMS פחות מ-0.3%). היעילות החישובית גבוהה יותר מ-UKF (AIC-SE בערך 5n פעולות, UKF בערך n ^ 2 פעולות), ומתמודדת למעשה עם אתגרי הזדקנות הסוללה והשפלה. מסנן Kalman Volume Correlation Maximum Correlation Variational (VBMCCKF) בשנת 2023 משלב טכניקות סינון מתקדמות וטכניקות סטטיסטיות כדי לשפר את הערכת שיתופיות של שגיאות מדידה בשיטת ה- Variational Bayesian. קריטריון האנטרופיית המתאם המקסימלית משמש לטיפול בחריגים של מדידת רעש לא גאוסית, ומשפר באופן משמעותי את דיוק הערכת SOC (בהשוואה ל-EKF, CKF ו- Variational Bayesian Volume Kalman Filter, השגיאה המוחלטת הממוצעת מופחתת ב-77%, 68% ו-49% , בהתאמה), ושיפור החוסן של מערכת ניהול הסוללה.

3.4 אינטגרציה עם מודלים מזדקנים

מודל הזדקנות הסוללה קשור קשר הדוק להערכת SOC, ומחקר עדכני חידש בשני ההיבטים. מודל הזדקנות הסוללה שהוצע בשנת 2024 שוקל באופן מקיף את ההשפעות של SOC, טמפרטורת הסוללה, הזמן וזמני מחזור שווים לחלוטין (NFECs) על הזדקנות הסוללה. המודל מורכב משני חלקים: החלק הראשון מתמקד בהזדקנות SOC וטמפרטורה (חישוב אובדן קיבולת באמצעות נוסחאות ספציפיות), והחלק השני מתייחס להשפעה של NFECs על ההזדקנות. דגם זה משלב באופן חדשני את הזדקנות הסוללה כתת-מערכת לרכב חשמלי עם דגם הסוללה, המכסה את כל מצבי הפעולה כגון חניה, נסיעה וטעינה. הוא משיג הדמיית אינטראקציה מדויקת בין תת-מערכות שונות באמצעות השיטה הפורמלית של ייצוג מאקרוסקופי אנרגטי (EMR) (כלי גרפי שפותח בשנת 2000 לארגון חיבורי תת-מערכת, ייצוג זרימת כוח ויחסים סיבתיים). מחקרים הראו שהפחתת תדירות הטעינה (כגון מעבר מטעינה יומית לכל ארבעה ימים) יכולה להאריך משמעותית את זמן הסוללה להגיע ל-80% SOH. גישה משולבת זו מספקת התקדמות חשובה באופטימיזציה של ניהול הסוללה והבנת ההשפעה של נוהלי הטעינה על הזדקנות הסוללה.

לשיטות חדשות כגון AIC-SE ו-VBMCCKF יש יתרונות משמעותיים בדיוק הערכת SOC וביעילות חישובית. AIC-SE מתפקד היטב ביעילות חישובית, בעוד VBMCCKF מתפקד טוב יותר בטיפול באומדן דינמי של שגיאות מדידה וסביבות רועשות. אם הדיוק ועיבוד הרעש מקבלים עדיפות, שילוב של קריטריונים בייסיאניים וריאציות ואנטרופיית מתאם מקסימלית עשוי להיות הבחירה הטובה ביותר הנוכחית; אם נתמקד ביעילות חישובית ויישומים בזמן אמת, AIC-SE היא בחירה טובה, מה שמצביע על כך שלשיטות מידול ECM עדיין יש יתרונות בתחום זה. בנוסף, מודל הזדקנות הסוללה שנחקר בשנת 2024 שוקל באופן מקיף את ההשפעה של גורמים מרובים על השפלת הסוללה, שהיא בעלת משמעות רבה לאופטימיזציה של חיי הסוללה (בהתבסס על שיטות הטעינה). בסך הכל, פיתוחים אלה לא רק משפרים את הדיוק של הערכת SOC, אלא גם תורמים להארכת חיי הסוללה ולשיפור אמינות הפעולה של הסוללה.

4. טכניקות הערכה של מצב הבריאות (SOH).

4.1 שיטות הערכת SOH מסורתיות

שיטת הערכת SOH המסורתית נמצאת בשימוש נרחב בתחומים אקדמיים ותעשייתיים, בעיקר בהתבסס על פרמטרים בסיסיים כגון ירידת קיבולת, התנגדות פנימית וחיי מחזור כדי להעריך את SOH הסוללה (ראה טבלה 4 עבור נוסחאות רלוונטיות ומשמעויות פרמטרים). שיטות אלו מספקות בסיס להערכת תקינות הסוללה ועוזרות להבין את ביצועי הסוללה. על ידי הבנת השיטות המסורתיות הללו, נוכל להבין טוב יותר את השיפורים של שיטות הערכה חדשות בפרקים הבאים. שיטות חדשות משתמשות לעתים קרובות יותר בניתוח נתונים מורכבים יותר ובטכניקות מודל חזוי כדי לטפל במגבלות של שיטות מסורתיות. השוואה בין השניים יכולה להבהיר את הפיתוח וההתפתחות של טכנולוגיית הערכת SOH ולהדגים כיצד שיטות מודרניות יכולות לשפר את הדיוק וההתאמה של מערכות ניהול סוללות.

4.2 התפתחויות חדשות בהחלפת שיטות מסורתיות

מדדי בריאות חדשים בשילוב עם למידת מכונה:כדי לשפר את הדיוק של חיזוי SOH, מחקר הציג מדדי בריאות חדשים כגון Degradation Rate Ratio (DSR). הנוסחה לחישוב DSR משיפוע עקומת מתח הטעינה היא:
 

על ידי השוואת השיפועים של מחזורי טעינה מרובים, נקבע קצב השפלה (ב-mV/s) של הסוללה בטווח מתח מסוים (כגון [3.8-3.9V]), אשר קשור קשר הדוק ל- קיבולת הסוללה וניתן להשתמש בה כאינדיקטור מרכזי לקביעת סוף חיי הסוללה. שילוב של מודלים של רגרסיה של תהליך גאוס (GPR) ו-Multi Layer Perceptron Neural Network (MLPNN) יכול להעריך בצורה מדויקת יותר את אובדן הקיבולת והשפלה. בהשוואה למודלים מסורתיים, הרגישות והדיוק משתפרים באופן משמעותי, ובכך פותרים למעשה את הבעיה של מודלים מסורתיים שקשה לזהות השפלה מוקדם.

שיפור מודל מעגל שווה ערך:שיטות מוקדמות לשיפור מודלים מסורתיים של מעגלים מקבילים (ECM) המשיכו להתפתח, כמו הערכת SOH על ידי ניתוח קיבול הגוף של מודל מעגל RC המקביל ב-2015, תוך שימוש באלגוריתמים חדשניים לחישוב גורם הנחתה של קיבול הגוף, ושילובו עם צופים לא ליניאריים דיסקרטיים כדי לשפר את הדיוק והאמינות; ב-2024, אומץ מודל מעגל היברידי שווה ערך מסדר שני בשילוב עם קצב עדכון אדפטיבי וצופה לא ליניארי כדי לשקול את השפעת הטמפרטורה, להשגת דיוק גבוה בהערכת SOH (שגיאה מוחלטת ממוצעת פחות מ-0.5%, RMS שגיאה של פחות מ-0.2%); פתרון הענן לשנת 2023 משתמש בנתוני ניטור ארוכי טווח ובנתוני זמן אמת כדי להעריך פרמטרים של מודל הסוללה על ידי התאמת אלגוריתם הריבועים הקטנים של החלון הנע. בהתבסס על מודל ה-ECM, מושגת הערכת SOH ברמת דיוק גבוהה, מה שמעיד על כך שלשיטת ה-ECM המשופרת יש עדיין חשיבות משמעותית בהערכת SOH, בהתאם למגמה של שיפור מתמיד של שיטות ECM בטכנולוגיית הערכת SOC.

שיטת מסגרת היברידית:המסגרת החדשה משלבת Linear Statistical k-Nearest Neighbor (LSKNN), חיפוש אנטרופי מידע מקסימלי (MIES) ו-Collective Sparse Variational Gaussian Process Regression (CSVGPR) לעיבוד אינטרפולציה של נתונים, סינון רעשים, בחירת תכונות וניהול אי ודאות. LSKNN מעריך נקודות נתונים חסרות ומסנן רעשים, MIES בוחר תכונות עם מתאם גבוה ל-SOH, ו-CSVGPR מעבד את אי הוודאות של הנתונים כדי לשפר את דיוק הניבוי. מסגרת זו נבדקה באמצעות מערך הנתונים של הסוללות של NASA, ובהשוואה לשיטות כגון ElasticNet, Support Vector Regression (SVR), Random Forest ו-Gradient Boosting, שגיאת ה-Root Mean Square Error (RMSE) הופחתה ב-77.8% (מ-{{3 }}.0510 ב-ElasticNet ל-0.0113). בהשוואה למודלים של תהליך גאוס עם גרעינים שונים, ה-RMSE הופחת ב-55.5% (מ-0.0254 ל-0.0113), דבר המאשר את החוסן והדיוק הגבוה של המסגרת ומספק שיטה מדויקת יותר להערכת SOH.

מגמת הפיתוח של טכנולוגיית הערכת SOH עוברת משיטות מסורתיות לדגמים מורכבים יותר המתאימים לכלי רכב חשמליים. שיטות חדשות כוללות שילוב של מודלים של השפלה עם למידת מכונה קלאסית, שיטות מבוססות ECM ושיטות היברידיות. DSR הוא חידוש חשוב שמפחית את ההסתמכות על מחזור טעינה שלם (מפחית את זמן ההמתנה בכ-84%), ובשילוב עם למידת מכונה, משפר את הדיוק של הערכת אובדן קיבולת, תוך התגברות על הקושי של זיהוי השפלה מוקדם במודלים מסורתיים. שיטת ה-ECM המשופרת השיגה תוצאות טובות בהערכת SOH, מה שעולה בקנה אחד עם החשיבות של שיטת ECM באומדן SOC. לטכנולוגיות היברידיות (כגון המסגרת החדשה שהוזכרה לעיל) יש דיוק גבוה. למרות שיישומים בזמן אמת מציבים אתגרים, פתרון יעיל של בעיות עיבוד נתונים מרכזיות הוא שיפור משמעותי לעומת שיטות הערכת SOH מסורתיות. בסך הכל, פיתוחים אלה מתמקדים ביישומים בזמן אמת ובשיטות מונעות נתונים, ומשפרים משמעותית את האמינות של מערכות ניהול סוללות לרכב חשמלי. שיטות למידה עמוקה כגון LSTM, CNNs וטכניקות היברידיות הפכו לשיטות המיינסטרים להערכת SOH. הפרקים הבאים יציגו תוצאות מחקר רלוונטיות ותרומות.

5. יישום של למידה עמוקה באומדן SOH

דגמי 5.1 LSTM והיברידית

מחקרים רבים השתמשו במודלים משופרים של הזדקנות בשילוב עם טכניקות למידה עמוקה כדי לשפר את הדיוק של הערכת SOH. למידה עמוקה היא הכרחית בניבוי חיים שימושיים שנותרו (RUL). לדוגמה, על ידי שילוב מודל הפירוק של SOH והתחשבות בתנאי הפעלה שונים כגון זרם טעינה/פריקה וטמפרטורה, ניתן להשתמש בנוסחה ספציפית כדי:

ביניהם, I2 {c} ו-I2 {d} הם זרמי טעינה ופריקה מנורמלים, T3 {c} ו-T4 {d} הם טמפרטורות סוללה וטמפרטורות סביבה מנורמלות, T3 {c} ו-T4 {d} הם זמני טעינה ופריקה, ו-(d1-d4) הוא משקל), המדמה בצורה מדויקת יותר את השפלת הסוללה. מודל החיזוי RUL המבוסס על רשת LSTM משפר את דיוק הניבוי, אך המורכבות החישובית גדלה, ויישומים בזמן אמת עומדים בפני אתגרים. רשתות עצביות יכולות להתמודד עם תהליכי סוללה משתנים בזמן, ללמוד כל הזמן להסתגל לשינויים בהתנהגות הסוללה ולשמור על אמינות המודל.

על ידי חילוץ תכונות מפתח (כגון 6 תכונות מפתח) כדי לייעל את הערכת SOH, בשילוב עם אלגוריתמים של למידת מכונה להשגת דיוק גבוה ועומס חישובי נמוך, תכונות המתח ממלאות תפקיד משמעותי בשיפור הדיוק של הערכת מצב הסוללה. שילוב של מודלים מרובים של למידה עמוקה (כגון CNN, LSTM, GRU והגרסאות הדו-כיווניות שלהם) למסגרת היברידית (כגון CNN-LSTM-DNN, CNN-GRU-DNN) כדי לחזות RUL, תוך שימוש במגוון רחב של תכונות לשיפור הדיוק, הפחית את ה-RMSE ב-90.5% בבדיקות הנתונים של נאס"א, אך החוזק החישובי והמורכבות מגבילים יישומים בזמן אמת. שיטות ריבוי מודלים (כגון ספריות מודל LSTM) ואסטרטגיות אופטימיזציה מתקדמות (כגון שילוב LSTM במסגרת AI-BMS והטמעתה על FPGA) יכולות לשפר את דיוק הניבוי ויעילות המערכת, אך היישום של FPGA בכלי רכב חשמליים מסחריים עומד בפני עלות ואתגרי פרקטיות.

לשילוב של GRU ושיטות חישה רכה יש פוטנציאל לחיזוי RUL לטווח ארוך בסביבות מעבדה, אך יישומים מעשיים דורשים התאמה לתנאי טעינה שונים. שימוש בשיטות מונעות נתונים כגון LSTM, DNN ו-GRU לעיבוד מערכי נתונים של NASA, ל-GRU יש ביצועים חזקים (RMSE של 0.003, MAE של 0.003, R-squad שגיאה של 0.004), ושילוב של רשתות GRU ו-LSTM מביא לביצועים טובים יותר. השיטה מבוססת LSTM מחלצת תכונות (כגון 5 תכונות ידניות) על ידי ניתוח עקומת פריקת טעינת הסוללה, ומשתמשת באלגוריתמי אופטימיזציה (כגון אדם) כדי לשפר את יעילות האימון ודיוק הניבוי. תחת הכשרה של נתונים חלקיים של סוללה בודדת, שגיאת הערכת SOH עבור סוללות אחרות נמוכה, וזה טוב יותר מדגמים מסורתיים.

רשת MDA-LSTM משלבת תכונות מרובות ומידע זמני, ומשפרת את הדיוק של חיזוי RUL באמצעות מודולי מיזוג תכונות מרובים ומודולי קשב כפולים. הוא מתפקד היטב באימות רב מערכי נתונים, עם חוסן והכללה. רשת BiLSTM המוערמת משמשת לניבוי SOH תוך שימוש בנתוני טעינה זרם קבוע, והמבנה הדו-כיווני משפר את אמינות החיזוי, מה שהופך אותו למתאים להערכת SOH בזמן אמת במהלך טעינה מהירה. מודל TCN-LSTM משתמש בנתונים סינתטיים ובאופטימיזציה בייסיאנית כדי לשחזר במדויק את מתח המעגל הפתוח (OCV) ולהעריך את מצב הבריאות (SOH) (MAE מתחת ל-22mV, MAPE מתחת ל-2.2%). ניתן להרחיב אותו למערכות כימיות שונות של סוללה באמצעות למידת העברה, אך ישנן מגבלות אקסטרפולציה כאשר הנתונים אינם מספיקים. שיטת ההיתוך העמוק (כגון ניצול נתונים היסטוריים ומחווני בריאות מרובים) משיגה דיוק גבוה (MAPE מתחת ל-2.97%) באמצעות בדיקות פריקת מטען מלא, והן המסגרת העולמית המבוססת על GPR והן מודל DFTN עבור כלי רכב חשמליים בודדים השיגו תוצאות טובות. .

5.2. CNN ו-CNN-LSTM מודל משולב

שיטת CNN-WNN-WLSTM משלבת רשתות CNN, WNN ו-WLSTM. CNN מחלץ תכונות, תכונות תהליך של WNN ו-WLSTM ומעריך SOH. האופטימיזציה של RMSprop משמשת לשיפור הביצועים ועולה על השיטות המסורתיות בבדיקות הנתונים של נאס"א, ומספקת גישה מבטיחה לניהול תקינות הסוללה. מודל CNN-LSTM-CRF שואב השראה מעיבוד שפה טבעית, כאשר שכבת ה-CRF לוכדת תלות משתני פלט כדי לשפר את הדיוק והאינטואיטיביות של חיזוי קיבולת הסוללה. עם זאת, הדרישות החישוביות גבוהות ועולות על היכולות של המעבדים המשולבים. בעתיד, יש צורך במחקר כדי לשפר את המעשיות שלו (כגון באמצעות למידת העברה). מודל LSTNet משפר את ביצועי חיזוי קיבולת הסוללה על-ידי פילוח נתונים, שילוב רכיבי ConvLSTM ו-AR ואופטימיזציה של המבנה (לדוגמה, בבדיקת מערכי נתונים של NASA, RMSE היה 0.65%, MAE היה 0. 58%, ו-MAPE היה 0.435% כשאומן על 40% נתונים).

על ידי שילוב אלגוריתמי אופטימיזציה משופרים של CNN ו-ECSSA כדי לחזות את ה-RUL של סוללות ליתיום-יון במצב מוצק, CNN משפר את דיוק החילוץ והניבוי של תכונות על ידי אופטימיזציה של הפרמטרים והמבנים ההיפר (כגון שימוש בשכבות פיתול מתקדמות, פונקציות הפעלה וחיבורים שיוריים), בעוד ECSSA מייעל את פרמטרי המודל באמצעות שיטות מתמטיות חדשניות (כגון Circle Chaotic מיפוי, מקדם ספיגה לא ליניארי ומוטציית Cauchy) כדי לשפר את הדיוק והחוסן של חיזוי RUL. שילוב של PCA ו-CNN לאופטימיזציה של תכונות והפחתת מימד משפר את הדיוק והיעילות של הערכת SOH (בהשוואה לדגמי CNN מסורתיים ודגמי PCA-CNN עם מימדים קבועים, MAE עולה ביותר מ-20% וה-RMSE עולה ביותר מ-30%). מודל הערכת SOH בזמן אמת משלב 1D-CNN ו-BiGRU, תוך שימוש בנתוני BMS כדי למנוע מיצוי תכונות מורכבות, והשגת דיוק גבוה באמצעות אופטימיזציה בייסיאנית של היפרפרמטרים (כגון בבדיקת מערכי נתונים של נאס"א, MAE הוא 2.080%, RMSE הוא 2.516%, ושגיאת אינדקס EOL היא אפס).

5.3. אסטרטגיות אופטימיזציה למודלים של למידה עמוקה

ראשית, נעשה שימוש באלגוריתם היער האקראי לזיהוי גורמי בריאות מרכזיים, ולאחר מכן נעשה שימוש בטכניקת אופטימיזציית נחיל חלקיקים של האלגוריתם הגנטי (GA-PSO) כדי לייעל את פרמטרי מודל רגרסיית וקטור התמיכה (SVR) להערכת מצב בריאות (SOH). היעילות אומתה על ארבע סוללות, תוך שיפור הדיוק ומהירות ההתכנסות (RMSE של 0.40%, MAPE של 0.56%), שהיא עדיפה על שיטות קשורות אחרות. השיטה ההיברידית GWO-BRNN משתמשת באופטימיזציה של זאב אפור (GWO) לבחירת היפרפרמטרים עבור רשתות עצביות מסדרות בייסיאניות (BRNN). בהתבסס על מערך הנתונים של נאס"א, שגיאת הערכת SOH היא פחות מ-1%, אך המורכבות החישובית גבוהה והיישומים המעשיים מוגבלים. שימוש ישיר בנתונים הגולמיים של כלי רכב חשמליים כדי להעריך SOH ולחזות RUL, שיפור הדיוק על ידי הצגת תכונות הערכה חדשות ושיטות תיקון אינטרפולציה (הפחתת השגיאה היחסית של אינטגרציה נוכחית ל-0.94%), בשילוב עם שיטת האופטימיזציה D-NSGA-II כדי להמשיך לייעל את הערכת SOH ולהפחית את זמן החישוב. בתגובה לקושי באומדן מצב בריאותי (SOH) הנגרם כתוצאה מטעינה ופריקה לא מלאה של סוללות ליתיום-יון ברכבים חשמליים, מוצעת שיטת אומדן עקיפה (ATAGA-BP). השיטה מנצלת את המאפיינים של שלב טעינת מתח קבוע כאינדיקטור בריאותי ומאומתת באמצעות סימולציה עם נתוני נאס"א. לשיטה יש מתאם גבוה עם קיבולת הסוללה (מעל 85%), עם טעות הערכת SOH של 3.7% ושיפור יעילות איטרטיבי של 17.8%.

למידה עמוקה התקדמה משמעותית בהערכת SOH, ומודלים מקיפים המתחשבים במספר גורמים מספקים הבנה עמוקה יותר של השפלת הסוללה. רשתות LSTM חשובות בלכידת תלות זמנית וחיזוי RUL, אך המורכבות החישובית שלהן מציבה אתגרים עבור יישומים בזמן אמת. שיטות מיצוי תכונות חשובות ויכולות לייעל את הערכת SOH. לשילוב של מודלים היברידיים וארכיטקטורות שונות של רשתות עצביות לעיבוד מורכבות נתוני הסוללה יש סיכויים מבטיחים, אך דרישות חישוביות גבוהות מגבילות יישומים מעשיים. אסטרטגיות אופטימיזציה כגון GA-PSO, GWO-BRNN ו-D-NSGA-II שיפרו את הדיוק והיעילות, אך יישום אלגוריתמים מורכבים הוא קשה ודורש איזון בין דיוק ופשטות ביצוע. טכנולוגיית AI מתקדמת חיונית ליישום סוללות משניות (חסרות נתוני שימוש מפורטים). הפרקים הבאים יספקו סקירה כללית של המצב הנוכחי של מחקר יישומים משני, במיוחד בתחום השימוש החוזר בסוללות.

6. סיכום

מאמר זה מקדם את הפיתוח של הערכת SOH ו-SOC עבור סוללות ליתיום-יון בכלי רכב חשמליים באמצעות שיטות ודגמים חדשניים, המכסים טכנולוגיות שונות החל מלמידת מכונה מסורתית ועד מודלים מתקדמים של למידה עמוקה כגון LSTM ו-CNN. עם זאת, לכל שיטה יש הבדלים ברמת הדיוק, המורכבות והישימות, מה שמקשה על השוואה ישירה. מחקר מצא שלעיבוד נתונים ומקורות יש השפעה משמעותית על ביצועי המודל, ויש צורך באימות נוסף לפריסה בפועל. למרות שמודלים של למידה עמוקה הראו יתרונות בעיבוד נתונים מורכבים, הם עדיין מתמודדים עם אתגרים כמו דרישות גבוהות של משאבי חישוב והתאמה לתרחישי יישומים מעשיים. מחקר עתידי צריך להתמקד בשיפור בחירת תכונות, זיהוי חריגות, התאמה לתנאי סביבה מגוונים, אופטימיזציה של אלגוריתמים לשיפור היעילות החישובית, השגת יישומים בזמן אמת, שילוב מקורות נתונים מרובים לשיפור ביצועי מודל הערכת SOH, תוך התייחסות לאתגרים ביישומי סוללה משנית. , פיתוח פתרונות אפקטיביים וקידום פיתוח מערכות ניהול מצברים כדי לענות על הדרישות ההולכות וגוברות בתחומי הרכב החשמלי ואגירת האנרגיה.