Основное направление будущегосистемы управления батареями (BMS): Прогноз состояния аккумуляторной батареи на основе ИИ

Поскольку требования к производительности аккумуляторов электрических транспортных средств, систем хранения энергии, электрооборудования, электроинструментов и т.д. увеличиваются,ограничения традиционных литийных батарей BMS становятся все более заметными, и внедрение технологии ИИ переопределяет границы прогнозирования состояния аккумуляторных батарей.Ниже представлен всеобъемлющий анализ, основанный на существующих технологических достижениях и тенденциях в отрасли:

Во-первых, ограничения традиционных литиевых батарей BMS стимулируют применение технологии ИИ.

Основные функции традиционных литийных батарей BMS включают мониторинг состояния (оценка SOC/SOH), управление активным выравниванием, контроль температуры и т. д., но его ограничения значительны.:

1Зависимость от статической модели:традиционная оценка SOC/SOH основана на корреляции напряжения и заряда или простой интеграции тока,которая трудно адаптируется к динамическим условиям эксплуатации и имеет высокий уровень ошибок (особенно при низких температурах или высоком множестве сценариев)Недостаточное использование данных: он основывается только на корреляции напряжения и заряда или простой интеграции тока.
2Недостаточное использование данных: опираются только на базовые параметры, такие как напряжение батареи, ток, температура и т. д., и отсутствие синтеза анализа гетерогенных данных из нескольких источников (например, импеданс, напряжение,Изменения уровня SEI).
3Недостаточная способность к реальному времени и прогнозированию Традиционные алгоритмы в основном являются реактивным управлением, не способным предупреждать о старении батареи или риске теплового отключения и рисках безопасности заранее.
4. Ограничения аппаратного обеспечения BMS:проводная архитектура и недостаточная локальная вычислительная мощность, что приводит к высоким затратам на техническое обслуживание и плохой масштабируемости.

Инновационные технологии прогнозирования состояния здоровья литийных батарей на основе ИИ

1Инновации в алгоритмах: глубокое обучение и миграционное обучение.

- LSTM и BiLSTM:значительные преимущества в обработке данных временных рядов, например, исследование достигло остаточной погрешности прогнозирования срока службы < 5% при использовании только 15 циклов зарядки данных с помощью модели LSTM,и другой эксперимент контролируемой ошибки SOH в пределах 1% в рамках обучения миграции.
- Мультимодальное слияние данных:Сочетание данных датчиков напряжения, температуры и напряжения для улучшения надежности модели. Например, данные механического напряжения более предсказуемы, чем данные температуры в условиях высокого тока.
- Обучение миграции:Решение проблемы обобщения для различных типов/условий аккумуляторов. Например, предварительно подготовленную модель можно адаптировать к новым типам аккумуляторов со средней погрешностью менее 1,4%.

2. Слияние датчиков и краевые вычисления

- Новая интеграция датчиков:Например, мониторинг толщины слоя SEI, импедансная спектроскопия для получения более прямых показателей старения батареи.
- ИИ-на-чипе на краю:Решение Eatron и Syntiant AI-BMS-on-chip позволяет принимать решения в режиме реального времени с помощью сверхнизкомощного процессора, который увеличивает срок службы батареи на 25% и освобождает 10% емкости.

3. Коллаборативная архитектура конечного облака

- Обучение большим данным в облаке + крайное рассуждение в реальном времени:Например, облачная система AI-BMS Wuling объединяет миллионы данных о транспортных средствах для мониторинга безопасности второго уровня и 240 стратегий раннего предупреждения;ИИ BMS от Huawei предупреждает о потере теплового контроля за 24 часа заранее с помощью слияния облаков с конца на конец, с уровнем ложной тревоги всего 0,1%.

Прогресс промышленного применения и коммерциализации

1. Размещение основных производителей

- Улинг:Аккумулятор оснащен самостоятельно разработанной системой AI-BMS, с суммарным количеством автомобилей 2 миллиона и нулевыми записями самопроизвольного сгорания,и поддерживает динамические алгоритмы пополнения лития для поддержания степени здоровья > 95%.
- Huawei:AI BMS объединяет механизм аккумулятора и машинное обучение, применяемое к серии моделей для опроса, с показателем проверки риска 90%.
- Ниндэ Таймс:Динамический алгоритм пополнения лития тесно связан с BMS для оптимизации производительности всего жизненного цикла батареи.

2. Академические прорывы

- Прогнозная диагностика:Чип Eatron AI-BMS может идентифицировать потенциальные сбои за месяцы.
- Молекулярное проектирование материалов:Разработка новых электролитов (например, CF3SO2Li) с помощью искусственного интеллекта для улучшения химической стабильности батареи.

Проблемы и будущие тенденции

1. Технические проблемы

- Конфиденциальность и безопасность данных:Обучение облачным данным должно соответствовать GDPR и другим правилам, краевые вычисления могут частично облегчить эту проблему.
- Интерпретируемость модели:Модели с черными ящиками вряд ли могут соответствовать требованиям сертификации безопасности автомобилей и должны быть объединены с физическими моделями (например, гибридные модели электрохимического ИИ).
- Стоимость и арифметика:Стоимость масштабного производства высокопроизводительных чипов ИИ по-прежнему высока.

2. Будущие тенденции

- Система адаптивного обучения:Динамически оптимизировать стратегии зарядки и разрядки с помощью обучения усилению для продления срока службы батареи.
- Управление полным циклом жизни:От проектирования материалов до переработки, ИИ охватывает все аспекты исследований и разработок аккумуляторов, производства, использования и вторичного использования.
- Стандартизация и экология с открытым исходным кодом:создать единый набор данных о батареях (например, CALCE, NASA Extension) для содействия справедливому сравнению и итерации алгоритмов.

Заключение

Управление литий-ионными батареями с использованием ИИ переходит от пассивного мониторинга к активному прогнозированию и оптимизации с основной ценностью данных для улучшения безопасности, долговечности,и энергоэффективностиНесмотря на затраты, конфиденциальность и проблемы стандартизации, технология итерации гораздо быстрее, чем традиционные подходы.AI-BMS станет не только "умной домохозяйкой" для батарей, но также ключевой узел в цифровизации энергетической системы, движущей новые энергетические транспортные средства и энергохранилища промышленности к более высокой надежности и экономичности.