Astratt
It-teknoloġija tal-istima tal-Istat tas-Saħħa (SOH) għall-batteriji tal-jone tal-litju hija kruċjali għas-sikurezza u l-affidabbiltà tal-vetturi elettriċi. Bl-iżvilupp ta 'teknoloġiji ta' intelliġenza artifiċjali (AI) u tagħlim tal-magni (ML), il-qasam tal-ġestjoni tal-batteriji qed jibda jadotta dawn il-metodi biex itejjeb l-effiċjenza u l-istabbiltà. Speċjalment, in-netwerks newrali wrew vantaġġi f'effiċjenza għolja, konsum baxx ta 'enerġija, robustezza għolja, u skalabbiltà fis-simulazzjoni u t-tbassir tas-SOH. Il-mudell ibridu, flimkien ma 'mudelli ta' ċirkwit ekwivalenti (ECMs) u tagħlim fil-fond, ġie ppruvat li għandu potenzjal fit-titjib tal-eżattezza u l-prestazzjoni f'ħin reali tal-istima SOH. Id-direzzjonijiet ta 'riċerka futuri jinkludu l-użu ta' aktar data fuq il-post għall-iskrinjar tal-karatteristiċi tas-saħħa u l-kostruzzjoni tal-mudelli, kif ukoll screening intelliġenti u kombinazzjoni ta 'parametri tal-batterija biex jikkaratterizzaw b'mod aktar preċiż SOH attwali. L-iżvilupp ta 'dawn it-teknoloġiji se jkompli jtejjeb il-ġestjoni xjentifika, affidabbli, stabbli u robusta tal-batteriji tal-vetturi elettriċi.
1. Fil-qosor
1.1 L-importanza tal-batteriji tal-jone tal-litju għal vetturi elettriċi u s-sinifikat kritiku tal-istima SOH
Il-batteriji tal-jone tal-litju huma kruċjali għat-tħaddim ta 'vetturi elettriċi, u l-prestazzjoni tagħhom hija affettwata minn diversi proċessi ta' degradazzjoni. L-istima preċiża tal-istat tas-saħħa (SOH) tal-batteriji hija kruċjali biex tiżgura t-tħaddim sikur, affidabbli u ekonomiku tal-vetturi elettriċi. Hekk kif id-domanda għall-vetturi elettriċi tikber, il-monitoraġġ tas-SOH isir dejjem aktar importanti, peress li l-batteriji tal-jone tal-litju tipikament jinżlu għal 80% tal-kapaċità oriġinali tagħhom qabel it-tmiem tal-ħajja tagħhom. Barra minn hekk, State of Charge (SOC) huwa wkoll parametru ewlieni, u l-bidliet tiegħu jistgħu jirriflettu t-tixjiħ u d-degradazzjoni tal-kapaċità tal-batterija. Tbassir preċiż tas-SOC huwa ta 'għajnuna għall-istima tas-SOH, li mbagħad tiddetermina l-ħajja li fadal tal-batterija.
1.2 Żvilupp ta 'metodi ta' stima SOH
Ħarsa ġenerali u progress tal-metodi eżistenti:Ġew żviluppati metodi ta' stima ta' SOH multipli, fosthom metodi bbażati fuq SOC jintegraw data f'ħin reali bħal kurrent, vultaġġ u temperatura biex jiksbu tbassir SOH aktar preċiż f'ċikli multipli ta' ċarġ u skariku, jottimizzaw il-prestazzjoni tal-batterija, jipprevjenu l-ħsarat u jestendu l-ħajja tal-batterija. . L-aħħar avvanzi fil-metodi tat-tagħlim tal-magni tejbu aktar l-istima tas-SOH, u netwerks newrali bħal feedforward u netwerks newrali konvoluzzjonali jaħdmu tajjeb fl-immudellar tal-batteriji, jaqbżu l-metodi ta 'rigressjoni tradizzjonali fil-kumplessità u l-eżattezza, b'devjazzjoni medja ta' żball ta 'madwar 0 .16% u żball kwadru medju ta 'għeruq ta' 5.57mV fil-livell taċ-ċellula tal-batterija.
1.3 Klassifikazzjoni u Karatteristiċi tal-Metodi tal-Immudellar tal-Batterija
Metodi ta 'analiżi bħal integrazzjoni kurrenti u tekniki ta' vultaġġ ta 'ċirkwit miftuħ (OCV) jistgħu jipprovdu stimi SOH ċari, iżda huma affettwati minn storbju akkumulat u jeħtieġu perjodi twal ta' wieqfa biex tiġi żgurata l-eżattezza.
Approċċ ibbażat fuq mudell
Mudell ta' kaxxa bajda:Ibbażat fuq prinċipji elettrokimiċi dettaljati, jissimula l-imġieba tal-batterija permezz ta 'parametri bażiċi bi preċiżjoni għolja. Madankollu, ir-rekwiżiti komputazzjonali għolja tagħha u s-suppożizzjonijiet simplifikati għad-dinamika tad-dinja reali jnaqqsu l-eżattezza tagħha taħt kundizzjonijiet dinamiċi, u jagħmluha mhux adattata għal applikazzjonijiet f'ħin reali.
Mudelli ta' kaxxa griża (bħal ECM):Li tgħaqqad għarfien fiżiku u aġġustamenti empiriċi, bl-użu ta 'analoġija taċ-ċirkwit biex tapprossima l-imġieba tal-batterija, tista' tistma SOC bi preċiżjoni għolja (ġeneralment fi żmien żball ta '3%), u huma utli għall-istima SOH f'ħin reali u tbassir tal-ħajja utli li jifdal (RUL), iżda jiffaċċjaw sfidi fil-kwalità tad-data u rekwiżiti komputazzjonali. Mudell ta’ ċirkwit ekwivalenti sempliċi għal batteriji tal-jone tal-litju (inklużi resistors tas-serje u sa żewġ elementi RC) jista’ jintuża għal simulazzjoni affidabbli, filwaqt li ECMs aktar kumplessi (inklużi fergħat multipli RC jew elementi ta’ fażi kostanti CPE) jistgħu jissimulaw proċessi dinamiċi ħafna (bħal dawn bħala tħaddim ta 'vettura elettrika), iżda d-domanda komputazzjonali dejjem tiżdied wasslet l-iżvilupp ta' metodi ta 'stima SOH aktar avvanzati.
Mudell tal-kaxxa s-sewda (approċċ immexxi mid-dejta):Ibbażat fuq data ta 'input u output, il-mudell huwa mibni mingħajr ma jiddependi fuq l-għarfien tal-prinċipju ta' ħidma intern. It-tekniki tat-tagħlim bil-magni jistgħu jbassru l-istatus tal-batterija minn ammont kbir ta 'dejta tal-kejl. It-tagħlim bil-magni jeċċella fl-identifikazzjoni ta' mudelli f'settijiet ta' dejta kumplessi, bħal netwerks newrali b'ħafna kanali li għandhom preċiżjoni għolja fl-istima tal-kapaċità, iżda jiddependu fuq data ta 'taħriġ ta' kwalità għolja u diversa. Madankollu, f'applikazzjonijiet prattiċi tal-vetturi, ħafna varjabbli interni ma jistgħux jitkejlu direttament, u l-isparsità tad-dejta u n-nuqqas ta 'interpretabilità jagħmlu l-mudell diffiċli biex jinftiehem u jinżamm.
1.4 Evoluzzjoni ta' Metodi ta' Mudell u Żvilupp ta' Mudelli Ibridi
L-evoluzzjoni tal-metodi bbażati fuq mudell:Fl-aħħar għaxar snin, metodi bbażati fuq mudell żviluppaw kontinwament, inkluż il-filtrazzjoni Kalman (KF) u l-estensjonijiet tiegħu (bħal Extended Kalman Filter EKF, Unscented Kalman Filter UKF). Dawn il-metodi għandhom preċiżjoni għolja fl-istima tal-istat tal-batterija, iżda jeħtieġu mudelli dinamiċi preċiżi u huma kumplessi biex jiġu implimentati.
Iż-żieda ta 'mudelli ibridi:Sabiex jiġu indirizzati l-limitazzjonijiet tad-dejta tad-dinja reali u tittejjeb l-effiċjenza tal-komputazzjoni, ħarġu mudelli ibridi, li jgħaqqdu metodi bbażati fuq mudelli u mmexxija mid-dejta biex iħarrġu mudelli ta 'tagħlim bil-magni permezz ta' simulazzjonijiet dettaljati. Fl-istess ħin, it-tekniki tat-tagħlim tal-magni għamlu progress sinifikanti f'dawn l-aħħar ħames snin, inklużi metodi probabilistiċi, tagħlim meta, tagħlim kontradittorju, tagħlim semi sorveljat, eċċ. data mhux strutturata. Netwerks Newrali ta 'Informazzjoni Fiżika (PINNs) jgħaqqdu mudelli ta' degradazzjoni empirika ma 'netwerks newrali biex itejbu l-istima ta' SOH, u jtejbu l-adattabilità tal-metodi taħt tipi u kundizzjonijiet differenti ta 'batteriji. Bl-iżvilupp tal-industrija tal-karozzi, dawn l-avvanzi teknoloġiċi huma kruċjali għall-ottimizzazzjoni tal-prestazzjoni tal-batterija, il-prevenzjoni tal-fallimenti, u l-appoġġ tal-iżvilupp ta 'vetturi elettriċi.
1.5 Ħarsa ġenerali lejn il-kapitoli sussegwenti f'dan l-artikolu
It-Taqsima 2 tipprovdi introduzzjoni dettaljata għall-metodi għall-iskrinjar u l-għażla tal-letteratura tar-reviżjoni, li tiżgura n-natura sistematika u komprensiva tal-metodoloġija tar-riċerka. It-Taqsima 3 tipprovdi analiżi fil-fond tat-tekniki tal-istima tal-istat tal-ħlas, tesplora l-impatt tal-mekkaniżmi tad-degradazzjoni tal-batterija fuq metodi ta 'mudellar għal batteriji ta' vetturi elettriċi, inkluż il-filtrazzjoni Kalman u l-metodi mtejba tiegħu, kif ukoll integrazzjoni ma 'mudelli li qed jixjieħu. It-Taqsima 4 tiffoka fuq tekniki ta 'stima ta' SOH, tqabbel metodi tradizzjonali ma 'metodi ġodda, u tenfasizza metodi applikabbli għal vetturi elettriċi. It-Taqsima 5 turi r-rwol ta 'tagħlim fil-fond fl-istima SOH, bħal netwerks ta' memorja fit-tul għal żmien qasir (LSTM) u mudelli ibridi, kif ukoll kif in-netwerks newrali konvoluzzjonali (CNN) jikkunsidraw fatturi prattiċi biex itejbu l-eżattezza tal-valutazzjoni tas-saħħa. Fl-aħħarnett, it-Taqsima 6 tiġbor fil-qosor u tistenna bil-ħerqa direzzjonijiet ta 'riċerka futuri għal sistemi ta' ġestjoni tas-saħħa tal-batteriji biex tappoġġja l-iżvilupp tas-suq tal-vetturi elettriċi u applikazzjonijiet oħra għall-ħażna tal-enerġija.
2. Materjali u Metodi
2.1 Definizzjoni ta' Mistoqsija ta' Riċerka
Dan l-istudju jipproponi ħames mistoqsijiet ewlenin biex jiggwidaw l-applikazzjoni tat-teknoloġija tat-tagħlim tal-magni fl-istima SOH ta 'batteriji tal-jone tal-litju f'vetturi elettriċi.
Iċċara t-tekniki ewlenin tat-tagħlim tal-magni użati bħalissa għall-istima tal-istat tas-saħħa (SOH) tal-batteriji tal-jone tal-litju f'vetturi elettriċi, u tesplora l-algoritmi u l-mudelli speċifiċi żviluppati u użati mir-riċerkaturi.
Esplora l-impatt ta 'sorsi ta' dejta differenti (dejta tal-laboratorju, tal-vettura, u tal-post) fuq l-eżattezza u r-robustezza ta 'mudelli ta' tagħlim tal-magni tal-istima SOH, tanalizza kif is-sorsi tad-dejta jaffettwaw il-prestazzjoni tal-mudell, u tiddetermina liema dejta hija l-aktar ta 'benefiċċju għal tbassir SOH preċiż.
Identifika l-isfidi ewlenin tal-applikazzjoni tat-tekniki tat-tagħlim tal-magni fl-istima SOH tal-batteriji tal-jone tal-litju, kif ukoll il-varjazzjonijiet ta 'dawn l-isfidi f'kundizzjonijiet ambjentali differenti u xenarji ta' applikazzjoni, bħal varjazzjonijiet fit-temperatura, tixjiħ, u l-impatt ta 'modi ta' użu differenti fuq il- preċiżjoni tal-istima SOH.
Qabbel il-metodi ta 'analiżi ta' stima SOH, id-differenzi bejn il-metodi tradizzjonali, u l-proċess ta 'evoluzzjoni tagħhom, studja kif metodi ta' tagħlim bil-magni jistgħu jiġu integrati ma 'dawn il-metodi tradizzjonali, identifika l-vantaġġi, l-iżvantaġġi u s-sinerġiji potenzjali rispettivi tagħhom.
Ħarsa 'l quddiem lejn direzzjonijiet ta' riċerka futuri biex itejbu l-eżattezza, l-adattabilità u l-effiċjenza komputazzjonali ta 'mudelli ta' stima SOH bbażati fuq it-tagħlim tal-magni f'batteriji tal-jone tal-litju għal vetturi elettriċi, identifikazzjoni ta 'lakuni fir-riċerka, rekwiżiti tekniċi u metodi innovattivi.
2.2 Tfittxija u screening tal-letteratura
Għażla tad-database u strateġija ta' tfittxija: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 U 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).
Skrinjar u fokus tal-letteratura:Il-letteratura rkuprata tkopri oqsma dixxiplinarji multipli, bil-qasam tal-inġinerija jkollu l-ogħla proporzjon (730 artiklu), segwit mill-enerġija, ix-xjenza tal-kompjuter u l-matematika. Wara li ffoka fuq il-qasam tax-xjenza tal-kompjuter, ġew identifikati 209 dokument rilevanti, li minnhom 183 ġew ippubblikati bejn l-2019 u l-2024, li jindikaw il-puntwalità tad-dejta. Dawn id-dokumenti jinkludu dokumenti tal-konferenzi, artikli, reviżjonijiet, u kapitoli tal-kotba, bi 72 artiklu ppubblikati bejn l-2009 u l-2024 bħala l-bażi ta’ reviżjoni ewlenija, filwaqt li jinkorporaw manwalment karti rilevanti u kapitoli tal-kotba minn oqsma oħra tal-inġinerija biex jiżguraw kopertura komprensiva ta’ oqsma ta’ riċerka u jinqabdu innovattivi. avvanzi teknoloġiċi fl-użu ta 'intelliġenza artifiċjali biex ittejjeb is-sistemi ta' ġestjoni tal-batteriji.
3. Teknoloġija tal-istima tal-Istat tal-Ħlas (SOC).
3.1 Il-mekkaniżmu tad-degradazzjoni tal-batterija u l-impatt tiegħu fuq il-prestazzjoni
Il-batteriji tal-jone tal-litju jiddegradaw prinċipalment permezz ta 'żewġ mekkaniżmi:telf ta 'inventarju tal-litju (LLI) u telf ta' materjal attiv (LAM). LLI huwa relatat mal-formazzjoni tas-saff tal-interface tal-elettroliti solidi (SEI) fuq l-anodu, li joriġina mir-reazzjoni tal-ġenb bejn il-jonji tal-litju u l-elettrolit. LAM huwa kkawżat minn stress mekkaniku intern fil-batterija, bħal espansjoni ripetuta u kontrazzjoni ta 'materjali ta' l-elettrodu waqt l-iċċarġjar u l-ħatt, li jwassal għal mikroxquq u distakk ta 'partiċelli ta' l-elettrodu, tnaqqas l-erja tal-wiċċ attiva disponibbli għal reazzjonijiet elettrokimiċi, u b'hekk tnaqqas il-kapaċità tal-batterija, tiżdied ir-reżistenza interna, u fl-aħħar mill-aħħar taffettwa l-prestazzjoni tal-batterija. Dawn il-mekkaniżmi ta 'degradazzjoni huma aċċellerati minn fatturi bħal stat ta' ċċarġjar għoli, temperatura għolja u kundizzjonijiet ta 'ċikliżmu aggressivi. Informazzjoni dettaljata u dettalji tal-immudellar ta 'diversi mekkaniżmi ta' tixjiħ (termali, elettrokimiċi, eċċ.) jistgħu jinstabu fil-letteratura rilevanti.
3.2. SOC stima u teknoloġija tal-immudellar għall-batteriji tal-vetturi elettriċi
Fl-użu ta 'kuljum ta' vetturi elettriċi, il-batterija ħafna drabi tiġi ċċarġjata b'20% -40% SOC biex iżżomm is-saħħa tal-batterija, iżda l-karatteristiċi mhux lineari u ta 'degradazzjoni tal-kapaċità tal-batterija jistgħu jirriżultaw f'qari SOC mhux preċiż, li jaffettwa l-istima tal-batterija kapaċità sħiħa. Il-prestazzjoni u l-manutenzjoni tal-batteriji tal-jone tal-litju huma affettwati wkoll mill-klima, bit-temperatura u l-freskezza tal-elettroliti (determinati mid-dati tal-produzzjoni u l-mili) li jaffettwaw l-effiċjenza u l-ħajja tal-batterija. Il-karatteristiċi ta 'batteriji elettroliti ġodda jistgħu jvarjaw taħt klimi differenti, u strateġiji ta' ġestjoni termali jistgħu jgħinu biex jindirizzaw kwistjonijiet ta 'prestazzjoni relatati mat-temperatura u jtejbu d-durabilità tal-batterija.
Il-mudell ta 'ċirkwit ekwivalenti tradizzjonali (ECM) huwa komunement użat biex jistma SOC, iżda jeħtieġ kalibrazzjoni frekwenti. L-artikolu jipprovdi introduzzjoni dettaljata għall-ekwazzjonijiet tal-kalkolu SOC ibbażati fuq ECM (inklużi forom kontinwi u diskreti), li jinvolvu ekwazzjonijiet tal-ispazju tal-istat, vultaġġ ta 'ċirkwit miftuħ u ekwazzjonijiet ta' relazzjoni SOC, ekwazzjonijiet ta 'aġġornament SOC ta' dominju ta 'ħin diskret, u ekwazzjonijiet ta' aġġornament tal-vultaġġ. Parametri rilevanti (bħal reżistenza, kapaċità, vultaġġ ta 'ċirkwit miftuħ, eċċ.) Huma relatati mill-qrib ma' SOC. L-ittestjar standard tal-laboratorju (bħal ttestjar tal-karatteristika tal-qawwa tal-polz imħallat f'temperaturi differenti) huwa komunement użat għall-identifikazzjoni tal-parametri tal-mudell tal-batterija, iżda l-ineżattezza tal-mudell u l-istorbju tal-kejl jistgħu jwasslu għal żbalji żgħar fl-istima tal-SOC. Biex tittejjeb l-eżattezza tal-istima SOC, intużaw diversi tekniki bħall-filtrazzjoni ta' Kalman u l-estensjonijiet tiegħu, osservatur ibbażat fuq PI, osservatur tal-mod li jiżżerżaq, eċċ. biex jikkumpensaw għal dawn l-effetti, u ġew żviluppati wkoll metodi ta' korrezzjoni integrali biex jimmaniġġaw l-inċertezza inizjali tal-mudell u l-ħoss tal-kejl. Barra minn hekk, għalkemm spettroskopija ta 'impedenza elettrokimika (EIS) tista' tevalwa l-karatteristiċi tal-batterija (inklużi SOC u SOH), hija tieħu ħafna ħin u mhux prattiku għal applikazzjonijiet fuq skala kbira (bħal flotot ta 'vetturi elettriċi), li jagħmilha diffiċli biex jaqbdu l-dinamiċi u li qed jinbidlu. kundizzjonijiet operattivi tal-batteriji tal-vetturi elettriċi. Għalhekk, huwa meħtieġ metodu aktar adattiv u effiċjenti.
3.3. Titjib tat-Teknoloġija
Filtru Kalman u l-metodi ta 'titjib tiegħu:Il-filtru Kalman (KF) u l-estensjonijiet tiegħu (bħal Extended Kalman Filter EKF, Unscented Kalman Filter UKF, Volum Kalman Filter CKF) jintużaw ħafna għall-istima SOC. KF jipprovdi l-aħjar stima SOC billi jimminimizza l-iżball kwadru medju, isolvi l-problemi ta 'żball kumulattiv u inċertezza SOC inizjali. Madankollu, huwa adattat għal sistemi lineari li jvarjaw fil-ħin fejn id-dinamika mhux lineari tal-batteriji teħtieġ approssimazzjoni ta 'linearizzazzjoni. Għalkemm EKF jestendi l-qafas KF biex jimmaniġġa mudelli mhux lineari, il-linearizzazzjoni tista 'taffettwa l-eżattezza u twassal għal diverġenza tal-istimatur. Metodi ġodda bħal UKF u CKF jużaw stima tal-punt sigma biex jistmaw l-istatistika tat-trasformazzjoni mhux lineari, filwaqt li CKF juża r-regola tal-volum radjali sferiku biex jikkalkula l-integrali tal-mument multivarjati biex itejjeb l-eżattezza tal-filtrazzjoni Bayesjana mhux lineari. Madankollu, dawn il-filtri tipikament jassumu li l-karatteristiċi tal-ħoss huma magħrufa u kostanti, u f'applikazzjonijiet prattiċi, il-ħoss huwa varjabbli (bħal storbju mhux Gaussian iġġenerat minn interferenza esterna). Għalhekk, ġew żviluppati strateġiji ta 'filtrazzjoni adattivi robusti, bħall-użu ta' mudelli ta 'taħlita Gaussian (GMM) biex jimmudellaw storbju mhux Gaussian biex itejbu l-eżattezza tal-istima tal-istat. Studji rilevanti wrew l-applikazzjonijiet u l-vantaġġi ta 'dawn il-metodi f'oqsma differenti. Barra minn hekk, filtri distribwiti u distribwiti (bħal filtru Kalman distribwit DKF, filtru Kalman distribwit u kovarjanza cross DKF-CI) huma użati biex jottimizzaw l-istima tal-istat ta 'sistemi interkonnessi fuq skala kbira. Filtri robusti u mhux lineari (bħal filtru Kalman robust) għandhom prestazzjoni superjuri fit-trattament ta 'nonlinearities kumplessi f'sistemi ta' batteriji (bħal proċessi elettrokimiċi). Tekniki adattivi (bħal EKF adattivi u algoritmi adattivi UKF) jaġġustaw b'mod dinamiku l-parametri tal-filtru biex jadattaw għall-bidliet tal-istorbju u jtejbu l-eżattezza tal-istima tas-SOC. Studji u eżempji rilevanti vverifikaw l-effettività ta 'dawn il-metodi.
Metodi oħra ta' titjib:bħall-metodu Adaptive Integral Correction State of Charge Estimation (AIC-SE) propost f'2022, li huwa bbażat fuq il-mudell ECM u jtejjeb l-eżattezza tal-istima SOC permezz ta' mekkaniżmi ta' korrezzjoni f'ħin reali (inkluża reżistenza u korrezzjoni tal-kapaċità tal-batterija) (iżball massimu ± 0.8%, żball RMS inqas minn 0.3%). L-effiċjenza tal-komputazzjoni hija ogħla minn UKF (AIC-SE madwar 5n operazzjonijiet, UKF madwar n ^ 2 operazzjonijiet), li tindirizza b'mod effettiv l-isfidi tat-tixjiħ u d-degradazzjoni tal-batterija. Il-Varjazzjonali Bayesian Maximum Correlation Entropy Volume Kalman Filter (VBMCCKF) fl-2023 jgħaqqad iffiltrar avvanzat u tekniki statistiċi biex itejjeb l-istima tal-kovarjanza tal-iżball tal-kejl bl-użu tal-metodu Varjazzjonali Bayesjan. Il-kriterju ta' Entropija ta' Korrelazzjoni Massima jintuża biex jimmaniġġja l-outliers tal-kejl tal-istorbju mhux Gaussian, u jtejjeb b'mod sinifikanti l-eżattezza tal-istima tas-SOC (meta mqabbel ma' EKF, CKF, u Variational Bayesian Volume Kalman Filter, l-iżball assolut medju jitnaqqas b'77%, 68% u 49% , rispettivament), u t-tisħiħ tar-robustezza tas-sistema ta 'ġestjoni tal-batterija.
3.4 Integrazzjoni mal-Mudelli tat-Tixjiħ
Il-mudell tat-tixjiħ tal-batterija huwa relatat mill-qrib mal-istima tas-SOC, u riċerka reċenti innovat fiż-żewġ aspetti. Il-mudell tat-tixjiħ tal-batterija propost fl-2024 jikkunsidra b'mod komprensiv l-effetti tas-SOC, it-temperatura tal-batterija, il-ħin, u l-ħinijiet taċ-ċiklu kompletament ekwivalenti (NFECs) fuq it-tixjiħ tal-batterija. Il-mudell jikkonsisti f'żewġ partijiet: l-ewwel parti tiffoka fuq SOC u t-tixjiħ relatat mat-temperatura (il-kalkolu tat-telf tal-kapaċità permezz ta 'formuli speċifiċi), u t-tieni parti tikkunsidra l-impatt tal-NFECs fuq it-tixjiħ. Dan il-mudell jintegra b'mod innovattiv it-tixjiħ tal-batterija bħala sottosistema ta 'vettura elettrika mal-mudell tal-batterija, li jkopri l-modi operattivi kollha bħall-ipparkjar, is-sewqan u l-iċċarġjar. Jikseb simulazzjoni ta 'interazzjoni preċiża bejn sottosistemi differenti permezz tal-metodu formali ta' rappreżentazzjoni makroskopika tal-enerġija (EMR) (għodda grafika żviluppata fl-2000 għall-organizzazzjoni tal-konnessjonijiet tas-subsistema, li tirrappreżenta l-fluss tal-enerġija, u relazzjonijiet kawżali). Ir-riċerka wriet li t-tnaqqis tal-frekwenza tal-iċċarġjar (bħal bidla minn iċċarġjar ta 'kuljum għal kull erbat ijiem) jista' jtawwal b'mod sinifikanti l-ħin biex il-batterija tilħaq 80% SOH. Dan l-approċċ integrat jipprovdi progress importanti fl-ottimizzazzjoni tal-ġestjoni tal-batterija u l-fehim tal-impatt tal-prattiki tal-iċċarġjar fuq it-tixjiħ tal-batterija.
Metodi ġodda bħal AIC-SE u VBMCCKF għandhom vantaġġi sinifikanti fil-preċiżjoni tal-istima SOC u l-effiċjenza tal-komputazzjoni. AIC-SE jaħdem tajjeb fl-effiċjenza tal-komputazzjoni, filwaqt li VBMCCKF jaħdem aħjar fl-immaniġġjar tal-istima dinamika ta 'żbalji ta' kejl u ambjenti storbjużi. Jekk l-eżattezza u l-ipproċessar tal-istorbju jingħataw prijorità, il-kombinazzjoni tal-kriterji Bayesjani variazzjonali u ta 'entropija ta' korrelazzjoni massima tista 'tkun l-aħjar għażla attwali; Jekk niffukaw fuq l-effiċjenza tal-komputazzjoni u l-applikazzjonijiet f'ħin reali, AIC-SE hija għażla tajba, li tindika li l-metodi ta 'mudellar ECM għad għandhom vantaġġi f'dan il-qasam. Barra minn hekk, il-mudell tat-tixjiħ tal-batterija studjat fl-2024 jikkunsidra b'mod komprensiv l-impatt ta 'fatturi multipli fuq id-degradazzjoni tal-batterija, li huwa ta' sinifikat kbir għall-ottimizzazzjoni tal-ħajja tal-batterija (ibbażat fuq il-prattika tal-iċċarġjar). B'mod ġenerali, dawn l-iżviluppi mhux biss itejbu l-eżattezza tal-istima SOC, iżda jikkontribwixxu wkoll biex jestendu l-ħajja tal-batterija u jtejbu l-affidabbiltà operattiva tal-batterija.
4. Tekniki ta' valutazzjoni tal-Istat tas-Saħħa (SOH).
4.1 Metodi tradizzjonali ta' stima tas-SOH
Il-metodu ta 'stima SOH tradizzjonali huwa użat ħafna f'oqsma akkademiċi u industrijali, prinċipalment ibbażat fuq parametri bażiċi bħal degradazzjoni tal-kapaċità, reżistenza interna, u ħajja taċ-ċiklu biex tevalwa SOH tal-batterija (ara Tabella 4 għal formuli rilevanti u tifsiriet tal-parametri). Dawn il-metodi jipprovdu pedament għall-valutazzjoni tas-saħħa tal-batterija u jgħinu biex jifhmu l-prestazzjoni tal-batterija. Billi nifhmu dawn il-metodi tradizzjonali, nistgħu nifhmu aħjar it-titjib ta 'metodi ġodda ta' stima fil-kapitoli sussegwenti. Metodi ġodda ħafna drabi jużaw analiżi tad-dejta aktar kumplessa u tekniki ta 'mudellar ta' tbassir biex jindirizzaw il-limitazzjonijiet tal-metodi tradizzjonali. It-tqabbil tat-tnejn jista 'jiċċara l-iżvilupp u l-evoluzzjoni tat-teknoloġija tal-istima SOH u juri kif metodi moderni jistgħu jtejbu l-eżattezza u l-adattabilità tas-sistemi ta' ġestjoni tal-batteriji.
4.2 Żviluppi ġodda fis-sostituzzjoni tal-metodi tradizzjonali
Indikaturi tas-saħħa ġodda flimkien mat-tagħlim tal-magni:Biex ittejjeb l-eżattezza tat-tbassir tas-SOH, ir-riċerka introduċiet indikaturi tas-saħħa ġodda bħal Proporzjon tar-Rata ta 'Degradazzjoni (DSR). Il-formula għall-kalkolu tad-DSR mill-inklinazzjoni tal-kurva tal-vultaġġ tal-iċċarġjar hija:
Billi tqabbel l-għoljiet ta 'ċikli ta' ċċarġjar multipli, ir-rata ta 'degradazzjoni (f'mV/s) tal-batterija f'firxa ta' vultaġġ speċifiku (bħal [3.8-3.9V]) hija determinata, li hija relatata mill-qrib mal- kapaċità tal-batterija u jista 'jintuża bħala indikatur ewlieni biex jiddetermina t-tmiem tal-ħajja tal-batterija. Li tgħaqqad il-mudelli ta 'Regressjoni tal-Proċess Gaussian (GPR) u Multi Layer Perceptron Neural Network (MLPNN) jistgħu jistmaw b'mod aktar preċiż it-telf u d-degradazzjoni tal-kapaċità. Meta mqabbla ma 'mudelli tradizzjonali, is-sensittività u l-eżattezza huma mtejba b'mod sinifikanti, issolvi b'mod effettiv il-problema tal-mudelli tradizzjonali li huma diffiċli biex jinstabu degradazzjoni kmieni.
Titjib tal-mudell taċ-ċirkwit ekwivalenti:Metodi bikrija għat-titjib tal-mudelli tradizzjonali ta 'ċirkwit ekwivalenti (ECM) komplew jiżviluppaw, bħall-istima ta' SOH billi analizzat il-kapaċità tal-ġisem tal-mudell ta 'ċirkwit RC ekwivalenti f'2015, bl-użu ta' algoritmi innovattivi biex jikkalkulaw il-fattur ta 'attenwazzjoni tal-kapaċità tal-ġisem, u tgħaqqadha ma 'osservaturi diskreti mhux lineari biex itejbu l-eżattezza u l-affidabbiltà; F'2024, ġie adottat mudell ta' ċirkwit ekwivalenti ibridu tat-tieni ordni flimkien ma' rata ta' aġġornament adattivi u osservatur mhux lineari biex tikkunsidra l-influwenza tat-temperatura, u kisbet preċiżjoni għolja fl-istima SOH (żball assolut medju inqas minn 0.5%, RMS żball inqas minn 0.2%); Is-soluzzjoni sħaba għall-2023 tutilizza dejta ta 'monitoraġġ fit-tul u dejta f'ħin reali biex tistma l-parametri tal-mudell tal-batterija billi taġġusta l-algoritmu tal-inqas kwadri tat-tieqa li tiċċaqlaq. Ibbażat fuq il-mudell ECM, tinkiseb evalwazzjoni SOH ta 'preċiżjoni għolja, li tindika li l-metodu ECM imtejjeb għad għandu importanza sinifikanti fl-istima SOH, konsistenti mat-tendenza ta' titjib kontinwu tal-metodi ECM fit-teknoloġija tal-istima SOC.
Metodu ta' Qafas Ibridu:Il-qafas il-ġdid jintegra Linear Statistical k-Nearest Neighbor (LSKNN), Maximum Information Entropy Search (MIES), u Collective Sparse Variational Gaussian Process Regression (CSVGPR) għall-ipproċessar ta 'interpolazzjoni tad-dejta, filtrazzjoni tal-istorbju, għażla tal-karatteristiċi u ġestjoni tal-inċertezza. LSKNN jistma l-punti tad-dejta nieqsa u jiffiltra l-istorbju, il-MIES jagħżel karatteristiċi b'korrelazzjoni għolja ma' SOH, u CSVGPR jipproċessa l-inċertezza tad-dejta biex itejjeb l-eżattezza tat-tbassir. Dan il-qafas ġie ttestjat bl-użu tad-dataset tal-batterija tan-NASA, u meta mqabbel ma 'metodi bħal ElasticNet, Support Vector Regression (SVR), Random Forest, u Gradient Boosting, il-Root Mean Square Error (RMSE) tnaqqas b'77.8% (minn {{3 }}.0510 f'ElasticNet għal 0.0113). Meta mqabbel ma 'mudelli ta' proċess Gaussian b'qlub differenti, l-RMSE tnaqqset b'55.5% (minn 0.0254 għal 0.0113), li tikkonferma r-robustezza u l-eżattezza għolja tal-qafas u tipprovdi metodu aktar preċiż għall-istima SOH.
Ix-xejra ta 'żvilupp tat-teknoloġija tal-istima SOH qed tinbidel minn metodi tradizzjonali għal mudelli aktar kumplessi adattati għal vetturi elettriċi. Metodi ġodda jinkludu l-kombinazzjoni ta 'mudelli ta' degradazzjoni ma 'tagħlim klassiku tal-magni, metodi bbażati fuq ECM, u metodi ibridi. DSR hija innovazzjoni importanti li tnaqqas id-dipendenza fuq ċiklu sħiħ ta 'ċċarġjar (tnaqqas il-ħin ta' stennija b'madwar 84%) u, meta kkombinat mat-tagħlim tal-magni, ittejjeb l-eżattezza tal-istima tat-telf tal-kapaċità, tegħleb id-diffikultà ta 'detezzjoni bikrija tad-degradazzjoni f'mudelli tradizzjonali. Il-metodu ECM imtejjeb kiseb riżultati tajbin fl-istima SOH, li hija konsistenti mal-importanza tal-metodu ECM fl-istima SOC. It-teknoloġiji ibridi (bħall-qafas il-ġdid imsemmi hawn fuq) għandhom preċiżjoni għolja. Għalkemm l-applikazzjonijiet f'ħin reali joħolqu sfidi, is-soluzzjoni effettiva tal-problemi ewlenin tal-ipproċessar tad-dejta hija titjib sinifikanti fuq il-metodi tradizzjonali ta 'stima tas-SOH. B'mod ġenerali, dawn l-iżviluppi jiffokaw fuq applikazzjonijiet f'ħin reali u metodi mmexxija mid-dejta, li jtejbu b'mod sinifikanti l-affidabbiltà tas-sistemi ta 'ġestjoni tal-batteriji tal-vetturi elettriċi. Metodi ta 'tagħlim profond bħal LSTM, CNNs, u tekniki ibridi saru l-metodi prinċipali għall-istima SOH. Il-kapitoli sussegwenti se jippreżentaw ir-riżultati u l-kontribuzzjonijiet rilevanti tar-riċerka.
5. Applikazzjoni ta' Tagħlim Profond fl-Istima SOH
5.1 Mudelli LSTM u Ibridi
Studji multipli użaw mudelli ta 'tixjiħ imtejba flimkien ma' tekniki ta 'tagħlim fil-fond biex itejbu l-eżattezza tal-istima SOH. It-tagħlim fil-fond huwa indispensabbli fit-tbassir tal-Ħajja Utli li Fadal (RUL). Pereżempju, billi jiġi integrat il-mudell tad-degradazzjoni tas-SOH u jiġu kkunsidrati diversi kundizzjonijiet operattivi bħall-iċċarġjar/il-ħruġ tal-kurrent u t-temperatura, formula speċifika tista’ tintuża biex:
Fosthom, I2 {c} u I2 {d} huma kurrenti ta 'ċarġ u skariku normalizzati, T3 {c} u T4 {d} huma batterija normalizzata u temperaturi ambjentali, T3 {c} u T4 {d} huma ħinijiet ta' ċarġ u skariku, u (d1-d4) huwa piż), li jissimula b'mod aktar preċiż id-degradazzjoni tal-batterija. Il-mudell ta 'tbassir RUL ibbażat fuq in-netwerk LSTM itejjeb l-eżattezza tat-tbassir, iżda l-kumplessità tal-komputazzjoni tiżdied, u l-applikazzjonijiet f'ħin reali jiffaċċjaw sfidi. Netwerks newrali jistgħu jimmaniġġjaw proċessi ta 'batteriji li jvarjaw fil-ħin, jitgħallmu kontinwament jadattaw għal bidliet fl-imġieba tal-batterija, u jżommu l-affidabilità tal-mudell.
Billi jiġu estratti karatteristiċi ewlenin (bħal 6 karatteristiċi ewlenin) biex tiġi ottimizzata l-istima SOH, flimkien ma 'algoritmi ta' tagħlim tal-magni biex tinkiseb preċiżjoni għolja u tagħbija komputazzjonali baxxa, il-karatteristiċi tal-vultaġġ għandhom rwol sinifikanti fit-titjib tal-eżattezza tal-valutazzjoni tal-istat tal-batterija. Il-kombinazzjoni ta' mudelli multipli ta' tagħlim profond (bħal CNN, LSTM, GRU, u l-varjanti bidirezzjonali tagħhom) f'qafas ibridu (bħal CNN-LSTM-DNN, CNN-GRU-DNN) biex tbassar RUL, billi tuża firxa wiesgħa ta' karatteristiċi biex titjieb preċiżjoni, RMSE mnaqqsa b'90.5% fl-ittestjar tas-sett tad-data tan-NASA, iżda s-saħħa tal-komputazzjoni u l-kumplessità jillimitaw l-applikazzjonijiet f'ħin reali. Metodi ta 'mudelli multipli (bħal libreriji ta' mudelli LSTM) u strateġiji avvanzati ta 'ottimizzazzjoni (bħall-integrazzjoni ta' LSTM fil-qafas AI-BMS u l-implimentazzjoni tiegħu fuq FPGA) jistgħu jtejbu l-eżattezza tat-tbassir u l-effiċjenza tas-sistema, iżda l-applikazzjoni ta 'FPGA f'vetturi elettriċi kummerċjali tiffaċċja l-ispiża u l-isfidi tal-prattiċità.
Il-kombinazzjoni ta 'GRU u metodi ta' sensing artab għandha l-potenzjal għal tbassir RUL fit-tul f'ambjenti tal-laboratorju, iżda applikazzjonijiet prattiċi jeħtieġu adattament għal kundizzjonijiet ta 'ċċarġjar differenti. Bl-użu ta' metodi mmexxija mid-dejta bħal LSTM, DNN, u GRU biex jipproċessa settijiet tad-dejta tan-NASA, il-GRU għandu prestazzjoni b'saħħitha (RMSE ta' 0.003, MAE ta' 0.003, R-squared żball ta '0.004), u l-kombinazzjoni tan-netwerks GRU u LSTM tirriżulta f'prestazzjoni aħjar. Il-metodu bbażat fuq LSTM estratti karatteristiċi (bħal 5 karatteristiċi manwali) billi janalizza l-kurva tal-ħruġ tal-ħlas tal-batterija, u juża algoritmi ta 'ottimizzazzjoni (bħal Adam) biex itejjeb l-effiċjenza tat-taħriġ u l-eżattezza tat-tbassir. Taħt it-taħriġ ta 'dejta parzjali ta' batterija waħda, l-iżball ta 'stima SOH għal batteriji oħra huwa baxx, li huwa aħjar minn mudelli tradizzjonali.
In-netwerk MDA-LSTM jgħaqqad karatteristiċi multipli u informazzjoni temporali, u jtejjeb l-eżattezza tat-tbassir RUL permezz ta 'moduli ta' fużjoni ta 'karatteristiċi multipli u moduli ta' attenzjoni doppja. Jagħmel tajjeb fil-validazzjoni ta' multi dataset, b'robustezza u ġeneralizzazzjoni. In-netwerk BiLSTM f'munzelli jintuża biex ibassar SOH bl-użu ta 'dejta tal-iċċarġjar kurrenti kostanti, u l-istruttura bidirezzjonali ttejjeb l-affidabbiltà tat-tbassir, u tagħmilha adattata għal stima SOH f'ħin reali waqt iċċarġjar veloċi. Il-mudell TCN-LSTM juża data sintetika u ottimizzazzjoni Bayesjana biex jirrikostitwixxi b'mod preċiż il-vultaġġ taċ-ċirkwit miftuħ (OCV) u jistma l-Istat tas-Saħħa (SOH) (MAE taħt 22mV, MAPE taħt 2.2%). Jista 'jiġi estiż għal sistemi kimiċi ta' batteriji differenti permezz ta 'tagħlim ta' trasferiment, iżda hemm limitazzjonijiet ta 'estrapolazzjoni meta d-dejta ma tkunx biżżejjed. Il-metodu ta 'fużjoni fil-fond (bħall-użu ta' data storika u indikaturi tas-saħħa multipli) jikseb preċiżjoni għolja (MAPE taħt 2.97%) permezz ta 'ttestjar ta' skariku ta 'ċarġ sħiħ, u kemm il-qafas globali bbażat fuq GPR kif ukoll il-mudell DFTN għal vetturi elettriċi individwali kisbu riżultati tajbin .
5.2. Mudell Integrat tas-CNN u CNN-LSTM
Il-metodu CNN-WNN-WLSTM jintegra netwerks CNN, WNN, u WLSTM. CNN estratti karatteristiċi, karatteristiċi tal-proċess WNN u WLSTM u jistma SOH. L-RMSprop optimizer jintuża biex itejjeb il-prestazzjoni u jegħleb il-metodi tradizzjonali fl-ittestjar tas-sett tad-dejta tan-NASA, li jipprovdi approċċ promettenti għall-ġestjoni tas-saħħa tal-batterija. Il-mudell CNN-LSTM-CRF huwa ispirat mill-ipproċessar tal-lingwa naturali, bis-saff CRF jaqbad dipendenzi varjabbli tal-output biex itejjeb l-eżattezza u l-intuwittività tal-previżjoni tal-kapaċità tal-batterija. Madankollu, ir-rekwiżiti komputazzjonali huma għoljin u jaqbżu l-kapaċitajiet tal-proċessuri abbord. Fil-ġejjieni, ir-riċerka hija meħtieġa biex ittejjeb il-prattiċità tagħha (bħal permezz tat-tagħlim tat-trasferiment). Il-mudell LSTNet itejjeb il-prestazzjoni tat-tbassir tal-kapaċità tal-batterija billi jissegmenta d-dejta, jintegra l-komponenti ConvLSTM u AR, u jottimizza l-istruttura (pereżempju, fl-ittestjar tas-sett tad-dejta tan-NASA, RMSE kien 0.65%, MAE kien 0. 58%, u MAPE kien 0.435% meta mħarreġ fuq 40% data).
Billi jintegra algoritmi mtejba ta' ottimizzazzjoni CNN u ECSSA biex ibassar ir-RUL ta' batteriji tal-jone tal-litju fi stat solidu, CNN itejjeb l-estrazzjoni tal-karatteristiċi u l-eżattezza tat-tbassir billi jottimizza l-iperparametri u l-istrutturi (bħall-użu ta' saffi konvoluzzjonali avvanzati, funzjonijiet ta' attivazzjoni u konnessjonijiet residwi), filwaqt L-ECSSA jottimizza l-parametri tal-mudell permezz ta’ metodi matematiċi innovattivi (bħal Circle Chaotic Mapping, Koeffiċjent ta 'Assorbiment Mhux Lineari, u Mutazzjoni Cauchy) biex itejbu l-eżattezza u r-robustezza tat-tbassir RUL. Il-kombinazzjoni tal-PCA u CNN għall-ottimizzazzjoni tal-karatteristiċi u t-tnaqqis tad-dimensjoni ttejjeb l-eżattezza u l-effiċjenza tal-istima SOH (meta mqabbla ma 'mudelli CNN tradizzjonali u PCA-CNN dimensjonali fissi, MAE jiżdied b'aktar minn 20% u RMSE jiżdied b'aktar minn 30%). Il-mudell ta 'stima ta' SOH f'ħin reali jintegra 1D-CNN u BiGRU, billi juża data BMS biex jevita estrazzjoni ta 'karatteristiċi kumplessi, u jikseb preċiżjoni għolja permezz ta' ottimizzazzjoni Bayesjana ta 'iperparametri (bħal fl-ittestjar tas-sett tad-dejta tan-NASA, MAE huwa 2.080%, RMSE huwa 2.516%, u żball fl-indiċi EOL huwa żero).
5.3. Strateġiji ta' Ottimizzazzjoni għal Mudelli ta' Tagħlim Profond
L-ewwelnett, l-algoritmu tal-foresti każwali intuża biex jidentifika fatturi ewlenin tas-saħħa, u mbagħad intużat it-teknika tal-ottimizzazzjoni tal-partiċelli tal-partiċelli tal-algoritmu ġenetiku (GA-PSO) biex tottimizza l-parametri tal-mudell tar-rigressjoni tal-vettur ta 'appoġġ (SVR) għall-istima tal-Istat tas-Saħħa (SOH). L-effettività ġiet ivverifikata fuq erba 'batteriji, ittejjeb l-eżattezza u l-veloċità tal-konverġenza (RMSE ta' 0.40%, MAPE ta '0.56%), li hija superjuri għal metodi oħra relatati. Il-metodu ibridu GWO-BRNN juża l-ottimizzazzjoni tal-lupu griż (GWO) biex jagħżel iperparametri għal netwerks newrali regolarizzati Bayesjani (BRNN). Ibbażat fuq is-sett tad-dejta tan-NASA, l-iżball tal-istima SOH huwa inqas minn 1%, iżda l-kumplessità komputazzjonali hija għolja u l-applikazzjonijiet prattiċi huma limitati. L-użu dirett tad-dejta mhux ipproċessata ta 'vetturi elettriċi biex jevalwa SOH u jbassar RUL, ittejjeb il-preċiżjoni billi tintroduċi karatteristiċi ġodda ta' evalwazzjoni u metodi ta 'korrezzjoni tal-interpolazzjoni (tnaqqis tal-iżball relattiv tal-integrazzjoni kurrenti għal 0.94%), flimkien mal-metodu ta' ottimizzazzjoni D-NSGA-II biex tkompli tkompli ottimizza l-istima tas-SOH u tnaqqas il-ħin tal-komputazzjoni. Bi tweġiba għad-diffikultà fl-istima tal-Istat tas-Saħħa (SOH) ikkawżat minn iċċarġjar u ħatt mhux komplut ta 'batteriji tal-jone tal-litju f'vetturi elettriċi, huwa propost metodu ta' stima indiretta (ATAGA-BP). Il-metodu juża l-karatteristiċi tal-istadju tal-iċċarġjar ta 'vultaġġ kostanti bħala indikatur tas-saħħa u huwa vvalidat permezz ta' simulazzjoni bid-dejta tan-NASA. Il-metodu għandu korrelazzjoni għolja mal-kapaċità tal-batterija (aktar minn 85%), bi żball ta 'stima ta' SOH ta '3.7% u titjib tal-effiċjenza iterattiv ta' 17.8%.
It-tagħlim fil-fond għamel progress sinifikanti fl-istima tas-SOH, u mudelli komprensivi li jqisu fatturi multipli jipprovdu fehim aktar profond tad-degradazzjoni tal-batterija. In-netwerks LSTM huma importanti biex jinqabdu dipendenzi temporali u jbassru RUL, iżda l-kumplessità komputazzjonali tagħhom toħloq sfidi għal applikazzjonijiet f'ħin reali. Il-metodi ta 'estrazzjoni tal-karatteristiċi huma importanti u jistgħu jottimizzaw l-istima tas-SOH. Il-kombinazzjoni ta 'mudelli ibridi u arkitetturi differenti tan-netwerk newrali għall-ipproċessar tal-kumplessità tad-dejta tal-batterija għandha prospetti promettenti, iżda rekwiżiti komputazzjonali għoljin jillimitaw applikazzjonijiet prattiċi. Strateġiji ta 'ottimizzazzjoni bħal GA-PSO, GWO-BRNN, u D-NSGA-II tejbu l-eżattezza u l-effiċjenza, iżda l-implimentazzjoni ta' algoritmi kumplessi hija diffiċli u teħtieġ bilanċ bejn l-eżattezza u s-sempliċità tal-eżekuzzjoni. It-teknoloġija avvanzata tal-AI hija kruċjali għall-applikazzjoni ta’ batteriji sekondarji (li m’għandhomx dejta dettaljata dwar l-użu). Il-kapitoli sussegwenti se jipprovdu ħarsa ġenerali lejn l-istat attwali tar-riċerka tal-applikazzjoni sekondarja, partikolarment fil-qasam tal-użu mill-ġdid tal-batteriji.
6. Sommarju
Dan l-artikolu javvanza l-iżvilupp ta 'stima SOH u SOC għal batteriji tal-jone tal-litju f'vetturi elettriċi permezz ta' metodi u mudelli innovattivi, li jkopru diversi teknoloġiji minn tagħlim tradizzjonali bil-magni għal mudelli avvanzati ta 'tagħlim fil-fond bħal LSTM u CNN. Madankollu, kull metodu għandu differenzi fl-eżattezza, il-kumplessità, u l-applikabilità, li jagħmlu t-tqabbil dirett diffiċli. Ir-riċerka sabet li l-ipproċessar tad-dejta u s-sorsi għandhom impatt sinifikanti fuq il-prestazzjoni tal-mudell, u hija meħtieġa validazzjoni ulterjuri għall-iskjerament attwali. Għalkemm il-mudelli ta' tagħlim fil-fond urew vantaġġi fl-ipproċessar ta' data kumplessa, għadhom jiffaċċjaw sfidi bħal rekwiżiti ta' riżorsi komputazzjonali għoljin u adattabilità għal xenarji ta' applikazzjoni prattika. Ir-riċerka futura għandha tiffoka fuq it-titjib tal-għażla tal-karatteristiċi, l-iskoperta tal-anomaliji, l-adattament għal kundizzjonijiet ambjentali diversi, l-ottimizzazzjoni tal-algoritmi biex tissaħħaħ l-effiċjenza tal-komputazzjoni, il-kisba ta’ applikazzjonijiet f’ħin reali, l-integrazzjoni ta’ sorsi ta’ dejta multipli biex ittejjeb il-prestazzjoni tal-mudell ta’ stima SOH, filwaqt li tindirizza wkoll l-isfidi f’applikazzjonijiet sekondarji tal-batteriji , jiżviluppaw soluzzjonijiet effettivi, u jippromwovu l-iżvilupp ta 'sistemi ta' ġestjoni tal-batteriji biex jissodisfaw it-talbiet dejjem jikbru fl-oqsma tal-vetturi elettriċi u l-ħażna tal-enerġija.