Główny kierunek przyszłościsystemy zarządzania akumulatorami (BMS): Przewidywanie stanu baterii sterowane przez AI

Wraz ze wzrostem wymogów dotyczących wydajności baterii pojazdów elektrycznych, systemów magazynowania energii, urządzeń energetycznych, narzędzi elektrycznych itp.,Ograniczenia tradycyjnych BMS z akumulatorami litowymi są coraz bardziej widoczne, a wprowadzenie technologii sztucznej inteligencji redefiniuje granice przewidywania stanu baterii.Poniżej przedstawiono kompleksową analizę opartą na istniejących postępach technologicznych i tendencjach w branży:

Po pierwsze, ograniczenia tradycyjnych baterii litowych BMS napędzają zastosowanie technologii sztucznej inteligencji

Podstawowe funkcje tradycyjnego BMS baterii litowej obejmują monitorowanie stanu (oszacowanie SOC/SOH), zarządzanie aktywnym wyrównaniem, kontrolę temperatury itp., ale jego ograniczenia są znaczące:

1Zależność modelu statycznego:tradycyjne szacunki SOC/SOH opierają się na korelacji napięcie - ładunek lub prostej integracji prądu,który jest trudny do dostosowania do dynamicznych warunków pracy i ma wysoki wskaźnik błędu (zwłaszcza w scenariuszach niskiej temperatury lub wysokiego mnożenia)Niewystarczające wykorzystanie danych: opiera się tylko na korelacji napięcie - ładunek lub prostej integracji prądu.
2Niewystarczające wykorzystanie danych: W przypadku, gdy wprowadzono nowe rozwiązania, w przypadku gdy wprowadzono nowe rozwiązania, w przypadku gdy wprowadzono nowe rozwiązania, w przypadku gdy wprowadzono nowe rozwiązania, w przypadku gdy wprowadzono nowe rozwiązania, w przypadku gdy wprowadzono nowe rozwiązania, w przypadku gdy wprowadzono nowe rozwiązania.Zmiany warstwy SEI).
3- Niewystarczająca zdolność do przewidywania w czasie rzeczywistym: Tradycyjne algorytmy są w większości zarządzane reakcyjnie, nie są w stanie uprzednio ostrzec przed starzeniem się baterii lub ryzykiem wyładowania cieplnego oraz zagrożeniami dla bezpieczeństwa.
4. Ograniczenia sprzętowe BMS:Architektura przewodowa i niewystarczająca lokalna moc obliczeniowa powodujące wysokie koszty utrzymania i niską skalowalność.

Innowacja technologii przewidywania stanu zdrowia baterii litowej opartej na sztucznej inteligencji

1Innowacje algorytmiczne: uczenie się głębokiego i uczenie się migracji.

- LSTM i BiLSTM:znaczące zalety w przetwarzaniu danych z serii czasowych, na przykład badanie osiągnęło pozostały błąd w przewidywaniu trwałości < 5% za pomocą modelu LSTM za pomocą zaledwie 15 cykli ładowania danych,i inny eksperyment kontrolowany błąd SOH w zakresie 1% w ramach migracji uczenia się.
- Fuzja multimodalna danych:Łączenie danych czujników napięcia, temperatury i naprężenia w celu poprawy wytrzymałości modelu.
- Nauka o migracji:Rozwiązanie problemu uogólnienia dla różnych typów/warunków akumulatorów.

2Fuzja czujników i edge computing

- Nowa integracja czujników:Na przykład monitorowanie grubości warstwy SEI, spektroskopia impedancyjna w celu zapewnienia bardziej bezpośrednich wskaźników starzenia się baterii.
- AI na chipie na krawędzi:Rozwiązanie AI-BMS-on-chip firmy Eatron i Syntiant umożliwia podejmowanie lokalnych decyzji w czasie rzeczywistym za pomocą procesora o bardzo niskim zużyciu energii, który wydłuża żywotność baterii o 25% i uwalnia 10% pojemności.

3Architektura współpracy End-Cloud

- Szkolenie w chmurze z dużymi danymi + rozumowanie w czasie rzeczywistym:Na przykład oparty na chmurze system AI-BMS firmy Wuling łączy miliony danych dotyczących pojazdów w celu monitorowania bezpieczeństwa drugiego poziomu i 240 strategii wczesnego ostrzegania;AI BMS Huawei ostrzega przed utratą kontroli termicznej 24 godziny wcześniej poprzez fuzję chmury od końca do końca, z wskaźnikiem fałszywego alarmu wynoszącym zaledwie 0,1%.

Wdrożenie w przemyśle i postęp w komercjalizacji

1. Układ głównych producentów

- Wuling:Akumulator jest wyposażony w samodzielnie opracowany AI-BMS, z łącznym łącznym łącznym łącznym 2 milionów pojazdów i zero zapasów spalania spontanicznego,i obsługuje dynamiczne algorytmy uzupełniania litu w celu utrzymania stopnia zdrowia > 95%.
- Huawei:AI BMS łączy mechanizm baterii i uczenie maszynowe, stosowane do serii badań modeli, przy wskaźniku sprawdzania ryzyka wynoszącym 90%.
- Ningde Times:Algorytm dynamicznego uzupełniania litu jest ściśle połączony z BMS w celu optymalizacji wydajności całego cyklu życia baterii.

2Przełomy naukowe

- Diagnoza predykcyjna:Czip Eatrona AI-BMS może zidentyfikować potencjalne awarie miesiące wcześniej.
- Projekt materiału na poziomie molekularnym:Rozwój nowych elektrolitów (np. CF3SO2Li) wspomaganych sztuczną inteligencją w celu poprawy stabilności chemicznej baterii.

Wyzwania i przyszłe trendy

1Wyzwania techniczne

- prywatność i bezpieczeństwo danych:Szkolenia w zakresie danych chmurowych muszą być zgodne z RODO i innymi przepisami, edge computing może częściowo złagodzić ten problem.
- Interpretacja modelu:Modele z czarną skrzynką nie mogą spełniać wymogów certyfikacji bezpieczeństwa samochodów i muszą być łączone z modelami fizycznymi (np. modele hybrydowe elektrochemiczne i sztucznej inteligencji).
- Koszt i Arytmetyka:Koszt produkcji na skalę wysokiej wydajności układów sztucznej inteligencji jest nadal wysoki.

2. Przyszłe trendy

- Adaptacyjny system uczenia się:Dynamicznie zoptymalizować strategie ładowania i rozładowywania dzięki nauce wzmacniania, aby wydłużyć żywotność baterii.
- Zarządzanie całym cyklem życia:Od projektowania materiałów po recykling, sztuczna inteligencja obejmuje wszystkie aspekty badań i rozwoju baterii, produkcji, wykorzystania i wtórnego wykorzystania.
- Standaryzacja i ekologia open source:ustanowienie zjednoczonego zestawu danych dotyczących baterii (np. CALCE, NASA Extension) w celu promowania uczciwego porównania i iteracji algorytmów.

Wniosek

BMS oparty na sztucznej inteligencji dla zarządzania akumulatorami litowo-jonowymi zmienia się z "pasywnego monitorowania" na "aktywną prognozę i optymalizację", przy czym podstawową wartością są wglądów opartych na danych w celu poprawy bezpieczeństwa, długowieczności, stabilności i bezpieczeństwa.i efektywności energetycznejPomimo kosztów, prywatności i wyzwań związanych ze standaryzacją, technologia iteruje się znacznie szybciej niż tradycyjne podejścia.AI-BMS będzie nie tylko "inteligentnym gospodarzem domowym" baterii, ale także głównym węzłem cyfryzacji systemu energetycznego, napędzającym nowe pojazdy energetyczne i przemysł magazynowania energii w kierunku większej niezawodności i ekonomiczności.