Η βασική κατεύθυνση του μέλλοντοςΣυστήματα διαχείρισης μπαταριών (BMS): Προβλέπεται η υγεία της μπαταρίας με βάση την ΤΝ

Καθώς αυξάνονται οι απαιτήσεις απόδοσης των μπαταριών των ηλεκτρικών οχημάτων, των συστημάτων αποθήκευσης ενέργειας, των ηλεκτρικών εξοπλισμών, των ηλεκτρικών εργαλείων κλπ.,Οι περιορισμοί των παραδοσιακών BMS μπαταρίας λιθίου γίνονται όλο και πιο εμφανείς, και η εισαγωγή της τεχνολογίας τεχνητής νοημοσύνης επαναπροσδιορίζει τα όρια της πρόβλεψης της υγείας των μπαταριών.Η ακόλουθη είναι μια ολοκληρωμένη ανάλυση που βασίζεται στις υπάρχουσες τεχνολογικές εξελίξεις και τις τάσεις της βιομηχανίας:

Πρώτον, οι περιορισμοί των παραδοσιακών μπαταριών λιθίου BMS οδηγούν στην εφαρμογή της τεχνολογίας AI

Οι βασικές λειτουργίες του παραδοσιακού BMS μπαταρίας λιθίου περιλαμβάνουν την παρακολούθηση της κατάστασης (εκτίμηση SOC/SOH), τη διαχείριση ενεργού εξισορρόπησης, τον έλεγχο της θερμοκρασίας κλπ., αλλά οι περιορισμοί του είναι σημαντικοί:

1. Στατική εξάρτηση μοντέλου:η παραδοσιακή εκτίμηση SOC/SOH βασίζεται στη συσχέτιση τάσης-φόρτισης ή στην απλή ολοκλήρωση ρεύματος,που είναι δύσκολο να προσαρμοστεί σε δυναμικές συνθήκες λειτουργίας και έχει υψηλό ποσοστό σφάλματος (ειδικά σε σενάρια χαμηλών θερμοκρασιών ή υψηλών πολλαπλασιασμών)2. Ανεπαρκής χρήση δεδομένων: βασίζεται μόνο στη συσχέτιση τάσης-φορτίου ή στην απλή ολοκλήρωση ρεύματος.
2Ανεπαρκής χρήση των δεδομένων: βασίζονται μόνο σε βασικές παραμέτρους όπως η τάση της μπαταρίας, το ρεύμα, η θερμοκρασία κλπ. και η έλλειψη ανάλυσης σύντηξης ετερογενών δεδομένων από πολλαπλές πηγές (π.χ. αντίσταση, πίεση,Αλλαγές στρώματος SEI).
3Ανεπαρκής ικανότητα πραγματικού χρόνου και πρόβλεψης: Οι παραδοσιακοί αλγόριθμοι είναι κυρίως αντιδραστική διαχείριση, ανίκανοι να προειδοποιήσουν εκ των προτέρων για την γήρανση της μπαταρίας ή τον κίνδυνο θερμικής εκτόξευσης και κινδύνους για την ασφάλεια.
4. Περιορισμοί υλικού BMS:Η Επιτροπή διαπίστωσε ότι οι εν λόγω ενισχύσεις δεν συνιστούν κρατική ενίσχυση.

Καινοτομία στην τεχνολογία πρόβλεψης της υγείας των μπαταριών λιθίου με βάση την τεχνητή νοημοσύνη

1. Καινοτομία αλγορίθμων: βαθιά μάθηση και μάθηση μετανάστευσης.

- LSTM και BiLSTM:σημαντικά πλεονεκτήματα στην επεξεργασία δεδομένων χρονοσειρών, για παράδειγμα μια μελέτη επιτεύχθηκε μείον σφάλμα πρόβλεψης ζωής < 5% με μόνο 15 κύκλους φόρτισης δεδομένων μέσω του μοντέλου LSTM,και ένα άλλο πείραμα ελεγχόμενο σφάλμα SOH εντός 1% στο πλαίσιο της εκμάθησης μετανάστευσης.
- Πολυμερή συγχώνευση δεδομένων:Συνδυάζοντας δεδομένα αισθητήρων τάσης, θερμοκρασίας και τάσης για τη βελτίωση της ανθεκτικότητας του μοντέλου.
- Μετανάστευση:Λύση του προβλήματος γενίκευσης για διαφορετικούς τύπους/καταστάσεις μπαταριών.

2Η σύντηξη αισθητήρων και η υπολογιστική άκρη

- Νέα ενσωμάτωση αισθητήρων:π.χ. παρακολούθηση πάχους στρώματος SEI, φασματοσκόπηση παρεμπόδισης για την παροχή πιο άμεσων μετρήσεων γήρανσης της μπαταρίας.
- Εικονική νοημοσύνη στο τσιπ.Η λύση AI-BMS-on-chip της Eatron και της Syntiant επιτρέπει την τοπική λήψη αποφάσεων σε πραγματικό χρόνο μέσω ενός επεξεργαστή εξαιρετικά χαμηλής κατανάλωσης ενέργειας που επεκτείνει τη διάρκεια ζωής της μπαταρίας κατά 25% και απελευθερώνει το 10% της χωρητικότητας.

3Συνεργατική αρχιτεκτονική End-Cloud

- Εκπαίδευση Big Data Cloud + σκέψη σε πραγματικό χρόνο:Για παράδειγμα, το cloud-based σύστημα AI-BMS της Wuling συνδυάζει εκατομμύρια δεδομένα οχημάτων για την επίτευξη παρακολούθησης ασφάλειας δεύτερου επιπέδου και 240 στρατηγικών έγκαιρης προειδοποίησης.Το AI BMS της Huawei προειδοποιεί για απώλεια θερμικού ελέγχου 24 ώρες νωρίτερα μέσω της σύντηξης από άκρο σε άκρο., με ποσοστό ψευδούς συναγερμού μόλις 0,1%.

Πρόοδος στην βιομηχανική εφαρμογή και εμπορίαση

1. Διαμόρφωση των κύριων κατασκευαστών

- Γούλινγκ:Η μπαταρία είναι εξοπλισμένη με αυτο-αναπτυγμένο AI-BMS, με συνολικά 2 εκατομμύρια οχήματα και μηδενικά αρχεία αυθόρμητης καύσης,και υποστηρίζει δυναμικούς αλγόριθμους αναπλήρωσης λιθίου για τη διατήρηση βαθμού υγείας > 95%.
- Η Huawei:Το AI BMS ενσωματώνει μηχανισμό μπαταρίας και μηχανική μάθηση, που εφαρμόζεται στη σειρά ερωτήσεων μοντέλων, με ποσοστό ελέγχου κινδύνου 90%.
- Νίνγκντε Τάιμς:Ο δυναμικός αλγόριθμος αναπλήρωσης λιθίου είναι στενά συνδεδεμένος με το BMS για τη βελτιστοποίηση της απόδοσης ολόκληρου του κύκλου ζωής της μπαταρίας.

2Ακαδημαϊκές ανακαλύψεις

- Προγνωστική διάγνωση:Το τσιπ AI-BMS της Eatron μπορεί να εντοπίσει πιθανές βλάβες μήνες νωρίτερα.
- Σχεδιασμός υλικού σε μοριακό επίπεδο:Ανάπτυξη νέων ηλεκτρολυτών (π.χ. CF3SO2Li) με τη βοήθεια τεχνητής νοημοσύνης για τη βελτίωση της χημικής σταθερότητας της μπαταρίας.

Προκλήσεις και μελλοντικές τάσεις

1Τεχνικές προκλήσεις

- Προστασία και ασφάλεια των δεδομένων:Η εκπαίδευση δεδομένων cloud πρέπει να συμμορφώνεται με το GDPR και άλλους κανονισμούς, η edge computing μπορεί εν μέρει να ανακουφίσει αυτό το πρόβλημα.
- Ερμηνευσιμότητα μοντέλου:Τα μοντέλα μαύρου κουτιού δύσκολα μπορούν να ανταποκριθούν στις απαιτήσεις πιστοποίησης ασφάλειας αυτοκινήτων και πρέπει να συνδυάζονται με φυσικά μοντέλα (π.χ. υβριδικά μοντέλα ηλεκτροχημικής-AI).
- Κόστος και Αριθμητική:Το κόστος παραγωγής σε μεγάλη κλίμακα τσιπ υψηλής απόδοσης τεχνητής νοημοσύνης εξακολουθεί να είναι υψηλό.

2. Μελλοντικές τάσεις

- Προσαρμοστικό σύστημα μάθησης:Δυναμικά βελτιστοποιήστε τις στρατηγικές φόρτισης και εκφόρτισης με μάθηση ενίσχυσης για την παράταση της ζωής της μπαταρίας.
- Διαχείριση πλήρους κύκλου ζωής:Από το σχεδιασμό υλικών έως την ανακύκλωση, η ΤΝ εκτελεί όλες τις πτυχές της έρευνας και ανάπτυξης μπαταριών, της κατασκευής, της χρήσης και της δευτερογενούς χρήσης.
- Τυποποίηση και οικολογία ανοιχτού κώδικα:να δημιουργήσει ένα ενιαίο σύνολο δεδομένων για τις μπαταρίες (π.χ. CALCE, NASA Extension) για την προώθηση της δίκαιης σύγκρισης και επανάληψης αλγορίθμων.

Συμπεράσματα

Το BMS που βασίζεται στην τεχνητή νοημοσύνη για τη διαχείριση των μπαταριών ιόντων λιθίου μετατοπίζεται από την "παθητική παρακολούθηση" στην "ενεργή πρόβλεψη και βελτιστοποίηση", με την βασική αξία των γνώσεων που βασίζονται σε δεδομένα για τη βελτίωση της ασφάλειας, της μακροζωίας, της ποιότητας και της ποιότητας των μπαταριών.και ενεργειακής απόδοσηςΠαρά το κόστος, την ιδιωτικότητα και τις προκλήσεις τυποποίησης, η τεχνολογία επαναλαμβάνεται πολύ πιο γρήγορα από τις παραδοσιακές προσεγγίσεις.Το AI-BMS δεν θα είναι μόνο μια "έξυπνη οικονόμος" για τις μπαταρίες, αλλά και βασικός κόμβος στην ψηφιοποίηση του ενεργειακού συστήματος, οδηγώντας τις νέες βιομηχανίες οχημάτων ενέργειας και αποθήκευσης ενέργειας προς υψηλότερη αξιοπιστία και οικονομία.