Abstrakt
Die State of Health (SOH)-Schätztechnologie für Lithium-Ionen-Batterien ist entscheidend für die Sicherheit und Zuverlässigkeit von Elektrofahrzeugen. Mit der Entwicklung von Technologien für künstliche Intelligenz (KI) und maschinelles Lernen (ML) beginnt der Bereich Batteriemanagement, diese Methoden zu übernehmen, um Effizienz und Stabilität zu verbessern. Insbesondere neuronale Netze haben Vorteile in Bezug auf hohe Effizienz, geringen Energieverbrauch, hohe Robustheit und Skalierbarkeit bei der SOH-Simulation und -Vorhersage gezeigt. Das Hybridmodell hat in Kombination mit Ersatzschaltkreismodellen (ECMs) und Deep Learning nachweislich das Potenzial, die Genauigkeit und Echtzeitleistung der SOH-Schätzung zu verbessern. Zukünftige Forschungsrichtungen umfassen die Nutzung weiterer Vor-Ort-Daten für das Screening von Gesundheitsmerkmalen und die Modellkonstruktion sowie ein intelligentes Screening und die Kombination von Batterieparametern, um den tatsächlichen SOH genauer zu charakterisieren. Die Entwicklung dieser Technologien wird das wissenschaftliche, zuverlässige, stabile und robuste Management von Elektrofahrzeugbatterien weiter verbessern.
1. Kurz
1.1 Die Bedeutung von Lithium-Ionen-Batterien für Elektrofahrzeuge und die entscheidende Bedeutung der SOH-Schätzung
Lithium-Ionen-Batterien sind für den Betrieb von Elektrofahrzeugen von entscheidender Bedeutung und ihre Leistung wird durch verschiedene Degradationsprozesse beeinträchtigt. Die genaue Schätzung des Gesundheitszustands (SOH) von Batterien ist entscheidend für den sicheren, zuverlässigen und wirtschaftlichen Betrieb von Elektrofahrzeugen. Da die Nachfrage nach Elektrofahrzeugen steigt, wird die SOH-Überwachung immer wichtiger, da Lithium-Ionen-Batterien typischerweise vor dem Ende ihrer Lebensdauer auf 80 % ihrer ursprünglichen Kapazität abfallen. Darüber hinaus ist auch der Ladezustand (State of Charge, SOC) ein wichtiger Parameter, dessen Änderungen die Alterung und Verschlechterung der Batteriekapazität widerspiegeln können. Eine genaue SOC-Vorhersage ist hilfreich für die SOH-Schätzung, die wiederum die verbleibende Lebensdauer der Batterie bestimmt.
1.2 Entwicklung von SOH-Schätzmethoden
Überblick und Fortschritt bestehender Methoden:Es wurden mehrere SOH-Schätzmethoden entwickelt, darunter SOC-basierte Methoden, die Echtzeitdaten wie Strom, Spannung und Temperatur integrieren, um eine genauere SOH-Vorhersage in mehreren Lade- und Entladezyklen zu erreichen, die Batterieleistung zu optimieren, Fehler zu verhindern und die Batterielebensdauer zu verlängern . Die neuesten Fortschritte bei Methoden des maschinellen Lernens haben die SOH-Schätzung weiter verbessert, und neuronale Netze wie Feedforward- und Faltungs-Neuronale Netze schneiden bei der Batteriemodellierung gut ab und übertreffen herkömmliche Regressionsmethoden in Komplexität und Genauigkeit mit einer durchschnittlichen Fehlerabweichung von etwa 0. 0,16 % und ein quadratischer Mittelwertfehler von 5,57 mV auf Batteriezellenebene.
1.3 Klassifizierung und Eigenschaften von Batteriemodellierungsmethoden
Analysemethoden wie Stromintegration und Leerlaufspannungstechniken (OCV) können klare SOH-Schätzungen liefern, werden jedoch durch akkumuliertes Rauschen beeinträchtigt und erfordern lange Standzeiten, um die Genauigkeit sicherzustellen.
Modellbasierter Ansatz
White-Box-Modell:Basierend auf detaillierten elektrochemischen Prinzipien simuliert es das Batterieverhalten anhand grundlegender Parameter mit hoher Genauigkeit. Der hohe Rechenaufwand und die vereinfachten Annahmen für die Dynamik in der realen Welt verringern jedoch die Genauigkeit unter dynamischen Bedingungen, sodass es für Echtzeitanwendungen ungeeignet ist.
Gray-Box-Modelle (z. B. ECM):Durch die Kombination von physikalischen Erkenntnissen und empirischen Anpassungen unter Verwendung von Schaltkreisanalogien zur Annäherung an das Batterieverhalten kann der Ladezustand mit hoher Genauigkeit geschätzt werden (in der Regel innerhalb einer Fehlergrenze von 3 %) und ist für die SOH-Schätzung in Echtzeit und die Vorhersage der verbleibenden Nutzungsdauer (RUL) nützlich, steht jedoch vor Herausforderungen in Datenqualität und Rechenanforderungen. Ein einfaches Ersatzschaltbildmodell für Lithium-Ionen-Batterien (einschließlich Vorwiderständen und bis zu zwei RC-Elementen) kann zur zuverlässigen Simulation verwendet werden, während komplexere ECMs (einschließlich mehrerer RC-Zweige oder Konstantphasenelemente CPE) hochdynamische Prozesse simulieren können (z. B wie der Betrieb von Elektrofahrzeugen), aber der steigende Rechenbedarf hat die Entwicklung fortschrittlicherer SOH-Schätzmethoden vorangetrieben.
Black-Box-Modell (datengesteuerter Ansatz):Basierend auf Eingabe- und Ausgabedaten wird das Modell erstellt, ohne auf interne Kenntnisse der Arbeitsprinzipien zurückzugreifen. Techniken des maschinellen Lernens können den Batteriestatus aus einer großen Menge an Messdaten vorhersagen. Maschinelles Lernen zeichnet sich durch die Erkennung von Mustern in komplexen Datensätzen aus, beispielsweise in mehrkanaligen neuronalen Netzen, die eine hohe Genauigkeit bei der Kapazitätsschätzung aufweisen, aber auf qualitativ hochwertigen und vielfältigen Trainingsdaten basieren. In praktischen Fahrzeuganwendungen können jedoch viele interne Variablen nicht direkt gemessen werden, und die spärliche Datendichte und mangelnde Interpretierbarkeit erschweren das Verständnis und die Wartung des Modells.
1.4 Evolution von Modellmethoden und Entwicklung hybrider Modelle
Die Entwicklung modellbasierter Methoden:Im letzten Jahrzehnt haben sich modellbasierte Methoden kontinuierlich weiterentwickelt, darunter die Kalman-Filterung (KF) und ihre Erweiterungen (wie Extended Kalman Filter EKF, Unscented Kalman Filter UKF). Diese Methoden weisen eine hohe Genauigkeit bei der Schätzung des Batteriezustands auf, erfordern jedoch präzise dynamische Modelle und sind komplex in der Implementierung.
Der Aufstieg der Hybridmodelle:Um die Einschränkungen realer Daten zu überwinden und die Recheneffizienz zu verbessern, sind Hybridmodelle entstanden, die modellbasierte und datengesteuerte Methoden kombinieren, um Modelle für maschinelles Lernen durch detaillierte Simulationen zu trainieren. Gleichzeitig haben die Techniken des maschinellen Lernens in den letzten fünf Jahren erhebliche Fortschritte gemacht, darunter probabilistische Methoden, Meta-Lernen, kontradiktorisches Lernen, halbüberwachtes Lernen usw. Deep Learning (eine Teilmenge des maschinellen Lernens) hat sich bei der Verarbeitung strukturierter und strukturierter Methoden bewährt unstrukturierte Daten. Physical Information Neural Networks (PINNs) kombinieren empirische Degradationsmodelle mit neuronalen Netzwerken, um die SOH-Schätzung zu verbessern und die Anpassungsfähigkeit von Methoden an verschiedene Batterietypen und -bedingungen zu verbessern. Mit der Entwicklung der Automobilindustrie sind diese technologischen Fortschritte von entscheidender Bedeutung für die Optimierung der Batterieleistung, die Vermeidung von Ausfällen und die Unterstützung der Entwicklung von Elektrofahrzeugen.
1.5 Übersicht über die nachfolgenden Kapitel dieses Artikels
Abschnitt 2 bietet eine detaillierte Einführung in die Methoden zum Screening und Auswählen von Übersichtsliteratur, um den systematischen und umfassenden Charakter der Forschungsmethodik sicherzustellen. Abschnitt 3 bietet eine eingehende Analyse der Techniken zur Schätzung des Ladezustands und untersucht die Auswirkungen von Batterieverschlechterungsmechanismen auf Modellierungsmethoden für Batterien von Elektrofahrzeugen, einschließlich der Kalman-Filterung und ihrer verbesserten Methoden, sowie der Integration mit Alterungsmodellen. Abschnitt 4 konzentriert sich auf SOH-Schätztechniken, vergleicht traditionelle Methoden mit neuen Methoden und betont Methoden, die auf Elektrofahrzeuge anwendbar sind. Abschnitt 5 zeigt die Rolle von Deep Learning bei der SOH-Schätzung, wie z. B. LSTM-Netzwerke (Long Short-Term Memory) und Hybridmodelle, und wie Convolutional Neural Networks (CNN) praktische Faktoren berücksichtigen, um die Genauigkeit der Gesundheitsbewertung zu verbessern. Abschließend fasst Abschnitt 6 zusammen und gibt einen Ausblick auf zukünftige Forschungsrichtungen für Batteriezustandsmanagementsysteme, um die Entwicklung des Marktes für Elektrofahrzeuge und andere Energiespeicheranwendungen zu unterstützen.
2. Materialien und Methoden
2.1 Definition der Forschungsfrage
Diese Studie schlägt fünf Schlüsselfragen vor, um die Anwendung der Technologie des maschinellen Lernens bei der SOH-Schätzung von Lithium-Ionen-Batterien in Elektrofahrzeugen zu leiten.
Klären Sie die wichtigsten Techniken des maschinellen Lernens, die derzeit zur Schätzung des Gesundheitszustands (SOH) von Lithium-Ionen-Batterien in Elektrofahrzeugen verwendet werden, und erkunden Sie die spezifischen Algorithmen und Modelle, die von Forschern entwickelt und verwendet werden.
Erkunden Sie die Auswirkungen verschiedener Datenquellen (Labor-, Fahrzeug- und Felddaten) auf die Genauigkeit und Robustheit von Modellen für maschinelles Lernen zur SOH-Schätzung, analysieren Sie, wie sich Datenquellen auf die Modellleistung auswirken, und ermitteln Sie, welche Daten für eine genaue SOH-Vorhersage am vorteilhaftesten sind.
Identifizieren Sie die wichtigsten Herausforderungen bei der Anwendung maschineller Lerntechniken bei der SOH-Schätzung von Lithium-Ionen-Batterien sowie die Variationen dieser Herausforderungen in verschiedenen Umgebungsbedingungen und Anwendungsszenarien, wie z. B. Temperaturschwankungen, Alterung und die Auswirkungen verschiedener Nutzungsmodi auf die Genauigkeit der SOH-Schätzung.
Vergleichen Sie die Analysemethoden der SOH-Schätzung, die Unterschiede zwischen traditionellen Methoden und ihren Entwicklungsprozess, untersuchen Sie, wie Methoden des maschinellen Lernens in diese traditionellen Methoden integriert werden können, identifizieren Sie ihre jeweiligen Vor- und Nachteile sowie potenziellen Synergien.
Ausblick auf zukünftige Forschungsrichtungen zur Verbesserung der Genauigkeit, Anpassungsfähigkeit und Recheneffizienz von auf maschinellem Lernen basierenden SOH-Schätzmodellen in Lithium-Ionen-Batterien für Elektrofahrzeuge, Identifizierung von Forschungslücken, technischen Anforderungen und innovativen Methoden.
2.2 Literaturrecherche und -screening
Datenbankauswahl und Suchstrategie: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 UND 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).
Literatursichtung und Fokussierung:Die abgerufene Literatur deckt mehrere Fachgebiete ab, wobei der Ingenieurbereich den höchsten Anteil hat (730 Artikel), gefolgt von Energie, Informatik und Mathematik. Nach Fokussierung auf den Bereich Informatik wurden 209 relevante Dokumente identifiziert, von denen 183 zwischen 2019 und 2024 veröffentlicht wurden, was die Aktualität der Daten belegt. Zu diesen Dokumenten gehören Konferenzbeiträge, Artikel, Rezensionen und Buchkapitel, wobei 72 Artikel, die zwischen 2009 und 2024 veröffentlicht wurden, die Hauptrezensionsbasis bilden, während relevante Beiträge und Buchkapitel aus anderen Ingenieurbereichen manuell eingebunden werden, um eine umfassende Abdeckung der Forschungsbereiche sicherzustellen und Innovationen zu erfassen technologische Fortschritte bei der Nutzung künstlicher Intelligenz zur Verbesserung von Batteriemanagementsystemen.
3. Technologie zur Schätzung des Ladezustands (SOC).
3.1 Batterieverschlechterungsmechanismus und seine Auswirkungen auf die Leistung
Lithium-Ionen-Batterien verschlechtern sich hauptsächlich durch zwei Mechanismen:Lithium-Bestandsverlust (LLI) und Aktivmaterialverlust (LAM). LLI hängt mit der Bildung der Festelektrolyt-Grenzflächenschicht (SEI) auf der Anode zusammen, die durch die Nebenreaktion zwischen Lithiumionen und dem Elektrolyten entsteht. LAM wird durch interne mechanische Spannungen in der Batterie verursacht, wie z. B. wiederholte Ausdehnung und Kontraktion von Elektrodenmaterialien während des Ladens und Entladens, was zu Mikrorissen und der Ablösung von Elektrodenpartikeln führt, wodurch die aktive Oberfläche, die für elektrochemische Reaktionen zur Verfügung steht, verringert wird, wodurch die Batteriekapazität verringert wird. Dies erhöht den Innenwiderstand und beeinträchtigt letztendlich die Batterieleistung. Diese Abbaumechanismen werden durch Faktoren wie einen hohen Ladezustand, hohe Temperaturen und aggressive Zyklenbedingungen beschleunigt. Ausführliche Informationen und Modellierungsdetails zu verschiedenen Alterungsmechanismen (thermisch, elektrochemisch usw.) finden sich in der einschlägigen Literatur.
3.2. SOC-Schätzung und Modellierungstechnologie für Batterien von Elektrofahrzeugen
Im täglichen Einsatz von Elektrofahrzeugen wird die Batterie oft mit 20 % -40 % SOC geladen, um den Zustand der Batterie aufrechtzuerhalten. Die nichtlinearen Eigenschaften und die Verschlechterungscharakteristik der Batteriekapazität können jedoch zu ungenauen SOC-Messwerten führen, die sich auf die Batterieschätzung auswirken volle Kapazität. Die Leistung und Wartung von Lithium-Ionen-Batterien wird auch vom Klima beeinflusst, wobei Temperatur und Elektrolytfrische (bestimmt durch Produktions- und Fülldatum) die Effizienz und Lebensdauer der Batterie beeinflussen. Die Eigenschaften neuer Elektrolytbatterien können je nach Klima variieren. Wärmemanagementstrategien können dabei helfen, temperaturbedingte Leistungsprobleme zu beheben und die Batterielebensdauer zu verbessern.
Das traditionelle Ersatzschaltkreismodell (ECM) wird üblicherweise zur Schätzung des Ladezustands verwendet, erfordert jedoch eine häufige Kalibrierung. Der Artikel bietet eine detaillierte Einführung in die auf ECM basierenden SOC-Berechnungsgleichungen (einschließlich kontinuierlicher und diskreter Formen), einschließlich Zustandsraumgleichungen, Leerlaufspannungs- und SOC-Beziehungsgleichungen, zeitdiskrete SOC-Aktualisierungsgleichungen und Spannungsaktualisierungsgleichungen. Relevante Parameter (wie Widerstand, Kapazität, Leerlaufspannung usw.) stehen in engem Zusammenhang mit dem SOC. Zur Identifizierung von Batteriemodellparametern werden üblicherweise Standardlabortests (z. B. gemischte Impulsleistungscharakteristiktests bei verschiedenen Temperaturen) verwendet, aber Modellungenauigkeiten und Messrauschen können zu kleinen Fehlern bei der SOC-Schätzung führen. Um die Genauigkeit der SOC-Schätzung zu verbessern, wurden verschiedene Techniken wie die Kalman-Filterung und ihre Erweiterungen, PI-basierte Beobachter, Sliding-Mode-Beobachter usw. verwendet, um diese Effekte zu kompensieren, und es wurden auch integrale Korrekturmethoden entwickelt, um die anfängliche Modellunsicherheit zu bewältigen und Messrauschen. Darüber hinaus ist die elektrochemische Impedanzspektroskopie (EIS) zwar in der Lage, Batterieeigenschaften (einschließlich SOC und SOH) zu bewerten, sie ist jedoch zeitaufwändig und für groß angelegte Anwendungen (z. B. Flotten von Elektrofahrzeugen) unpraktisch, was es schwierig macht, die Dynamik und Veränderungen zu erfassen Betriebsbedingungen von Elektrofahrzeugbatterien. Daher ist eine adaptivere und effizientere Methode erforderlich.
3.3. Verbesserung der Technologie
Kalman-Filter und seine Verbesserungsmethoden:Der Kalman-Filter (KF) und seine Erweiterungen (z. B. erweiterter Kalman-Filter EKF, geruchsneutraler Kalman-Filter UKF, Volumen-Kalman-Filter CKF) werden häufig zur SOC-Schätzung verwendet. KF bietet die optimale SOC-Schätzung durch Minimierung des mittleren quadratischen Fehlers und löst so die Probleme des kumulativen Fehlers und der anfänglichen SOC-Unsicherheit. Es eignet sich jedoch für lineare zeitveränderliche Systeme, bei denen die nichtlineare Dynamik von Batterien eine Linearisierungsnäherung erfordert. Obwohl EKF das KF-Framework erweitert, um nichtlineare Modelle zu verarbeiten, kann die Linearisierung die Genauigkeit beeinträchtigen und zu einer Divergenz des Schätzers führen. Neue Methoden wie UKF und CKF verwenden die Sigma-Punktschätzung, um nichtlineare Transformationsstatistiken zu schätzen, während CKF die sphärische Radialvolumenregel zur Berechnung multivariater Momentintegrale verwendet, um die Genauigkeit der nichtlinearen Bayes'schen Filterung zu verbessern. Allerdings gehen diese Filter typischerweise davon aus, dass die Rauscheigenschaften bekannt und konstant sind, und in praktischen Anwendungen ist das Rauschen variabel (z. B. nicht-Gaußsches Rauschen, das durch externe Interferenz erzeugt wird). Daher wurden robuste adaptive Filterstrategien entwickelt, beispielsweise die Verwendung von Gaußschen Mischungsmodellen (GMM), um nicht-Gaußsches Rauschen zu modellieren und die Genauigkeit der Zustandsschätzung zu verbessern. Einschlägige Studien haben die Einsatzmöglichkeiten und Vorteile dieser Methoden in verschiedenen Bereichen aufgezeigt. Darüber hinaus werden verteilte und verteilte Filter (wie das verteilte Kalman-Filter DKF, das verteilte Kalman-Filter und das Kovarianzkreuz DKF-CI) verwendet, um die Zustandsschätzung großer miteinander verbundener Systeme zu optimieren. Robuste und nichtlineare Filter (z. B. robuste Kalman-Filter) weisen eine überlegene Leistung beim Umgang mit komplexen Nichtlinearitäten in Batteriesystemen (z. B. elektrochemischen Prozessen) auf. Adaptive Techniken (wie adaptive EKF- und adaptive UKF-Algorithmen) passen Filterparameter dynamisch an, um sich an Rauschänderungen anzupassen und die Genauigkeit der SOC-Schätzung zu verbessern. Einschlägige Studien und Beispiele haben die Wirksamkeit dieser Methoden bestätigt.
Weitere Verbesserungsmethoden:wie die in 2022 vorgeschlagene Adaptive Integral Correction State of Charge Estimation (AIC-SE)-Methode, die auf dem ECM-Modell basiert und die Genauigkeit der SOC-Schätzung durch Echtzeit-Korrekturmechanismen (einschließlich Widerstand und) verbessert Batteriekapazitätskorrektur) (maximaler Fehler ± 0,8 %, RMS-Fehler weniger als 0,3 %). Die Recheneffizienz ist höher als bei UKF (AIC-SE etwa 5n Operationen, UKF etwa n ^ 2 Operationen) und bewältigt effektiv die Herausforderungen der Batteriealterung und -verschlechterung. Der Variational Bayesian Maximum Correlation Entropy Volume Kalman Filter (VBMCCKF) im Jahr 2023 kombiniert fortschrittliche Filter- und Statistiktechniken, um die Messfehler-Kovarianzschätzung mithilfe der Variational Bayesian-Methode zu verbessern. Das Kriterium „Maximale Korrelationsentropie“ wird verwendet, um Ausreißer bei der Messung von Nicht-Gauß-Rauschen zu verarbeiten, wodurch die Genauigkeit der SOC-Schätzung deutlich verbessert wird (im Vergleich zu EKF, CKF und Variational Bayesian Volume Kalman Filter wird der durchschnittliche absolute Fehler um 77 %, 68 % und 49 % reduziert. ) und die Erhöhung der Robustheit des Batteriemanagementsystems.
3.4 Integration mit Alterungsmodellen
Das Batteriealterungsmodell steht in engem Zusammenhang mit der SOC-Schätzung, und neuere Forschungen haben in beiden Aspekten Innovationen hervorgebracht. Das im Jahr 2024 vorgeschlagene Batteriealterungsmodell berücksichtigt umfassend die Auswirkungen von SOC, Batterietemperatur, Zeit und vollständig äquivalenten Zykluszeiten (NFECs) auf die Batteriealterung. Das Modell besteht aus zwei Teilen: Der erste Teil konzentriert sich auf den SOC und die temperaturbedingte Alterung (Berechnung des Kapazitätsverlusts anhand spezifischer Formeln), und der zweite Teil berücksichtigt die Auswirkungen von NFECs auf die Alterung. Dieses Modell integriert die Batteriealterung als Subsystem für Elektrofahrzeuge auf innovative Weise in das Batteriemodell und deckt alle Betriebsmodi wie Parken, Fahren und Laden ab. Es erreicht eine genaue Interaktionssimulation zwischen verschiedenen Subsystemen durch die formale Methode der energiemakroskopischen Darstellung (EMR) (ein im Jahr 2000 entwickeltes grafisches Tool zur Organisation von Subsystemverbindungen, Darstellung des Leistungsflusses und kausalen Zusammenhängen). Untersuchungen haben gezeigt, dass eine Verringerung der Ladehäufigkeit (z. B. die Umstellung von täglicher Aufladung auf alle vier Tage) die Zeit, bis die Batterie einen SOH von 80 % erreicht, erheblich verlängern kann. Dieser integrierte Ansatz liefert wichtige Fortschritte bei der Optimierung des Batteriemanagements und beim Verständnis der Auswirkungen von Ladepraktiken auf die Batteriealterung.
Neue Methoden wie AIC-SE und VBMCCKF bieten erhebliche Vorteile hinsichtlich der Genauigkeit der SOC-Schätzung und der Recheneffizienz. AIC-SE schneidet bei der Recheneffizienz gut ab, während VBMCCKF bei der dynamischen Schätzung von Messfehlern und verrauschten Umgebungen besser abschneidet. Wenn Genauigkeit und Rauschverarbeitung Vorrang haben, kann die Kombination von Variations-Bayes'schen und maximalen Korrelationsentropiekriterien die derzeit beste Wahl sein; Wenn wir uns auf Recheneffizienz und Echtzeitanwendungen konzentrieren, ist AIC-SE eine gute Wahl, was darauf hinweist, dass ECM-Modellierungsmethoden in diesem Bereich immer noch Vorteile haben. Darüber hinaus berücksichtigt das im Jahr 2024 untersuchte Batteriealterungsmodell umfassend den Einfluss mehrerer Faktoren auf die Batteriedegradation, was für die Optimierung der Batterielebensdauer (basierend auf der Ladepraxis) von großer Bedeutung ist. Insgesamt verbessern diese Entwicklungen nicht nur die Genauigkeit der SOC-Schätzung, sondern tragen auch zur Verlängerung der Batterielebensdauer und zur Verbesserung der Betriebszuverlässigkeit der Batterie bei.
4. Techniken zur Bewertung des Gesundheitszustands (State of Health, SOH).
4.1 Traditionelle SOH-Schätzmethoden
Die traditionelle SOH-Schätzmethode wird in akademischen und industriellen Bereichen häufig verwendet und basiert hauptsächlich auf grundlegenden Parametern wie Kapazitätsabbau, Innenwiderstand und Lebensdauer, um den Batterie-SOH zu bewerten (relevante Formeln und Parameterbedeutungen finden Sie in Tabelle 4). Diese Methoden bilden eine Grundlage für die Bewertung des Batteriezustands und helfen dabei, die Batterieleistung zu verstehen. Durch das Verständnis dieser traditionellen Methoden können wir die Verbesserungen neuer Schätzmethoden in den folgenden Kapiteln besser verstehen. Neue Methoden nutzen häufig komplexere Datenanalyse- und Vorhersagemodellierungstechniken, um die Einschränkungen traditioneller Methoden zu überwinden. Ein Vergleich der beiden kann die Entwicklung und Entwicklung der SOH-Schätztechnologie verdeutlichen und zeigen, wie moderne Methoden die Genauigkeit und Anpassungsfähigkeit von Batteriemanagementsystemen verbessern können.
4.2 Neue Entwicklungen beim Ersatz traditioneller Methoden
Neue Gesundheitsindikatoren kombiniert mit maschinellem Lernen:Um die Genauigkeit der SOH-Vorhersage zu verbessern, hat die Forschung neue Gesundheitsindikatoren wie das Degradation Rate Ratio (DSR) eingeführt. Die Formel zur Berechnung des DSR aus der Steigung der Ladespannungskurve lautet:
Durch den Vergleich der Steigungen mehrerer Ladezyklen wird die Verschlechterungsrate (in mV/s) der Batterie innerhalb eines bestimmten Spannungsbereichs (z. B. [3.8-3.9V]) bestimmt, die eng mit der verknüpft ist Die Batteriekapazität kann als wichtiger Indikator zur Bestimmung des Endes der Batterielebensdauer verwendet werden. Durch die Kombination von Gaussian Process Regression (GPR) und Multi Layer Perceptron Neural Network (MLPNN)-Modellen können Kapazitätsverluste und -verschlechterungen genauer geschätzt werden. Im Vergleich zu herkömmlichen Modellen sind Empfindlichkeit und Genauigkeit erheblich verbessert, wodurch das Problem wirksam gelöst wird, dass es bei herkömmlichen Modellen schwierig ist, eine Verschlechterung frühzeitig zu erkennen.
Verbesserung des Ersatzschaltbildmodells:Frühe Methoden zur Verbesserung traditioneller Ersatzschaltkreismodelle (ECM) wurden weiterentwickelt, wie etwa die Schätzung des SOH durch Analyse der Körperkapazität des äquivalenten RC-Schaltkreismodells in 2015, die Verwendung innovativer Algorithmen zur Berechnung des Körperkapazitätsdämpfungsfaktors, und die Kombination mit diskreten nichtlinearen Beobachtern zur Verbesserung der Genauigkeit und Zuverlässigkeit; In 2024 wurde ein hybrides Ersatzschaltbild zweiter Ordnung in Kombination mit adaptiver Aktualisierungsrate und nichtlinearem Beobachter eingesetzt, um den Einfluss der Temperatur zu berücksichtigen und eine hohe Genauigkeit bei der SOH-Schätzung zu erreichen (durchschnittlicher absoluter Fehler weniger als 0,5 %, RMS). Fehler kleiner als 0,2 %); Die Cloud-Lösung für 2023 nutzt Langzeitüberwachungsdaten und Echtzeitdaten, um die Parameter des Batteriemodells durch Anpassung des Algorithmus der kleinsten Quadrate des beweglichen Fensters abzuschätzen. Basierend auf dem ECM-Modell wird eine hochpräzise SOH-Bewertung erreicht, was darauf hinweist, dass die verbesserte ECM-Methode immer noch eine erhebliche Bedeutung bei der SOH-Schätzung hat, was im Einklang mit dem Trend der kontinuierlichen Verbesserung der ECM-Methoden in der SOC-Schätztechnologie steht.
Hybrid-Framework-Methode:Das neue Framework integriert Linear Statistical k-Nearest Neighbor (LSKNN), Maximum Information Entropy Search (MIES) und Collective Sparse Variational Gaußian Process Regression (CSVGPR) zur Verarbeitung von Dateninterpolation, Rauschfilterung, Merkmalsauswahl und Unsicherheitsmanagement. LSKNN schätzt fehlende Datenpunkte und filtert Rauschen, MIES wählt Merkmale mit hoher Korrelation zum SOH aus und CSVGPR verarbeitet Datenunsicherheiten, um die Vorhersagegenauigkeit zu verbessern. Dieses Framework wurde mit dem NASA-Batteriedatensatz getestet und im Vergleich mit Methoden wie ElasticNet, Support Vector Regression (SVR), Random Forest und Gradient Boosting wurde der Root Mean Square Error (RMSE) um 77,8 % (von {{3 }}.0510 in ElasticNet bis 0.0113). Im Vergleich zu Gaußschen Prozessmodellen mit unterschiedlichen Kerneln wurde der RMSE um 55,5 % (von 0,0254 auf 0,0113) reduziert, was die Robustheit und hohe Genauigkeit des Frameworks bestätigt und eine genauere Methode zur SOH-Schätzung bietet.
Der Entwicklungstrend der SOH-Schätztechnologie verlagert sich von traditionellen Methoden hin zu komplexeren Modellen, die für Elektrofahrzeuge geeignet sind. Zu den neuen Methoden gehört die Kombination von Degradationsmodellen mit klassischem maschinellem Lernen, ECM-basierten Methoden und Hybridmethoden. DSR ist eine wichtige Innovation, die die Abhängigkeit von einem vollständigen Ladezyklus verringert (die Wartezeit um ca. 84 % verkürzt) und in Kombination mit maschinellem Lernen die Genauigkeit der Schätzung des Kapazitätsverlusts verbessert, wodurch die Schwierigkeit einer frühzeitigen Degradationserkennung bei herkömmlichen Modellen überwunden wird. Die verbesserte ECM-Methode hat gute Ergebnisse bei der SOH-Schätzung erzielt, was mit der Bedeutung der ECM-Methode bei der SOC-Schätzung übereinstimmt. Hybridtechnologien (wie das oben erwähnte neue Framework) weisen eine hohe Genauigkeit auf. Obwohl Echtzeitanwendungen Herausforderungen mit sich bringen, stellt die effektive Lösung wichtiger Datenverarbeitungsprobleme eine erhebliche Verbesserung gegenüber herkömmlichen SOH-Schätzmethoden dar. Insgesamt konzentrieren sich diese Entwicklungen auf Echtzeitanwendungen und datengesteuerte Methoden, wodurch die Zuverlässigkeit von Batteriemanagementsystemen für Elektrofahrzeuge erheblich verbessert wird. Deep-Learning-Methoden wie LSTM, CNNs und Hybridtechniken sind zu den gängigen Methoden für die SOH-Schätzung geworden. In den folgenden Kapiteln werden relevante Forschungsergebnisse und Beiträge vorgestellt.
5. Anwendung von Deep Learning bei der SOH-Schätzung
5.1 LSTM- und Hybridmodelle
In mehreren Studien wurden verbesserte Alterungsmodelle in Kombination mit Deep-Learning-Techniken verwendet, um die Genauigkeit der SOH-Schätzung zu verbessern. Deep Learning ist für die Vorhersage der verbleibenden Nutzungsdauer (Remaining Useful Life, RUL) unverzichtbar. Durch die Integration des SOH-Degradationsmodells und die Berücksichtigung verschiedener Betriebsbedingungen wie Lade-/Entladestrom und Temperatur kann beispielsweise eine spezifische Formel verwendet werden, um:
Darunter sind I2 {c} und I2 {d} normalisierte Lade- und Entladeströme, T3 {c} und T4 {d} normalisierte Batterie- und Umgebungstemperaturen, T3 {c} und T4 {d} sind Lade- und Entladezeiten, und (d1-d4) ist ein Gewicht), das die Batterieverschlechterung genauer simuliert. Das auf dem LSTM-Netzwerk basierende RUL-Vorhersagemodell verbessert die Vorhersagegenauigkeit, aber die Rechenkomplexität nimmt zu und Echtzeitanwendungen stehen vor Herausforderungen. Neuronale Netze können zeitlich variierende Batterieprozesse bewältigen, kontinuierlich lernen, sich an Änderungen im Batterieverhalten anzupassen und die Modellzuverlässigkeit aufrechtzuerhalten.
Durch die Extraktion von Schlüsselmerkmalen (z. B. 6 Schlüsselmerkmalen) zur Optimierung der SOH-Schätzung, kombiniert mit Algorithmen für maschinelles Lernen, um eine hohe Genauigkeit und eine geringe Rechenlast zu erreichen, spielen Spannungsmerkmale eine wichtige Rolle bei der Verbesserung der Genauigkeit der Batteriezustandsbewertung. Kombination mehrerer Deep-Learning-Modelle (wie CNN, LSTM, GRU und ihre bidirektionalen Varianten) in einem Hybrid-Framework (wie CNN-LSTM-DNN, CNN-GRU-DNN) zur Vorhersage von RUL unter Nutzung einer Vielzahl von Funktionen zur Verbesserung Die Genauigkeit reduzierte RMSE bei NASA-Datensatztests um 90,5 %, aber die Rechenleistung und Komplexität schränken Echtzeitanwendungen ein. Multimodellmethoden (wie LSTM-Modellbibliotheken) und fortschrittliche Optimierungsstrategien (wie die Integration von LSTM in das AI-BMS-Framework und dessen Implementierung auf FPGA) können die Vorhersagegenauigkeit und Systemeffizienz verbessern, aber die Anwendung von FPGA in kommerziellen Elektrofahrzeugen ist mit Kosten verbunden und praktische Herausforderungen.
Die Kombination von GRU- und Soft-Sensing-Methoden bietet das Potenzial für eine langfristige RUL-Vorhersage in Laborumgebungen, praktische Anwendungen erfordern jedoch eine Anpassung an unterschiedliche Ladebedingungen. Durch die Verwendung datengesteuerter Methoden wie LSTM, DNN und GRU zur Verarbeitung von NASA-Datensätzen weist GRU eine starke Leistung auf (RMSE von 0.003, MAE von 0,003, R-Quadrat). Fehler von 0,004) und die Kombination von GRU- und LSTM-Netzwerken führt zu einer besseren Leistung. Die auf LSTM basierende Methode extrahiert Merkmale (z. B. 5 manuelle Merkmale) durch Analyse der Batterielade-Entladekurve und verwendet Optimierungsalgorithmen (z. B. Adam), um die Trainingseffizienz und Vorhersagegenauigkeit zu verbessern. Beim Training einzelner Batterieteildaten ist der SOH-Schätzfehler für andere Batterien gering, was besser ist als bei herkömmlichen Modellen.
Das MDA-LSTM-Netzwerk kombiniert mehrere Features und zeitliche Informationen und verbessert die Genauigkeit der RUL-Vorhersage durch mehrere Feature-Fusion-Module und Dual-Attention-Module. Es schneidet bei der Validierung mehrerer Datensätze gut ab und zeichnet sich durch Robustheit und Generalisierung aus. Das gestapelte BiLSTM-Netzwerk wird zur Vorhersage des SOH mithilfe von Konstantstrom-Ladedaten verwendet. Die bidirektionale Struktur verbessert die Vorhersagezuverlässigkeit, sodass es für die Echtzeit-SOH-Schätzung während des Schnellladens geeignet ist. Das TCN-LSTM-Modell nutzt synthetische Daten und Bayes'sche Optimierung, um die Leerlaufspannung (OCV) genau zu rekonstruieren und den Gesundheitszustand (SOH) abzuschätzen (MAE unter 22 mV, MAPE unter 2,2 %). Es kann durch Transferlernen auf verschiedene chemische Batteriesysteme ausgeweitet werden, es gibt jedoch Einschränkungen bei der Extrapolation, wenn die Daten nicht ausreichen. Die Deep-Fusion-Methode (z. B. die Nutzung historischer Daten und mehrerer Gesundheitsindikatoren) erreicht durch Vollladungs-Entladetests eine hohe Genauigkeit (MAPE unter 2,97 %), und sowohl das auf GPR basierende globale Rahmenwerk als auch das DFTN-Modell für einzelne Elektrofahrzeuge haben gute Ergebnisse erzielt .
5.2. Integriertes CNN- und CNN-LSTM-Modell
Die CNN-WNN-WLSTM-Methode integriert CNN-, WNN- und WLSTM-Netzwerke. CNN extrahiert Merkmale, WNN und WLSTM verarbeiten Merkmale und schätzen den SOH. Der RMSprop-Optimierer wird zur Leistungsverbesserung eingesetzt und übertrifft herkömmliche Methoden beim Testen von NASA-Datensätzen und bietet einen vielversprechenden Ansatz für das Batteriezustandsmanagement. Das CNN-LSTM-CRF-Modell ist von der Verarbeitung natürlicher Sprache inspiriert, wobei die CRF-Schicht Abhängigkeiten von Ausgabevariablen erfasst, um die Genauigkeit und Intuitivität der Vorhersage der Batteriekapazität zu verbessern. Der Rechenaufwand ist jedoch hoch und übersteigt die Leistungsfähigkeit der Onboard-Prozessoren. Zukünftig ist Forschung erforderlich, um die praktische Anwendbarkeit zu verbessern (z. B. durch Transferlernen). Das LSTNet-Modell verbessert die Vorhersageleistung der Batteriekapazität durch Segmentierung von Daten, Integration von ConvLSTM- und AR-Komponenten und Optimierung der Struktur (z. B. betrug RMSE bei NASA-Datensatztests 0,65 %, MAE 0). 58 % und MAPE betrug 0,435 %, wenn auf 40 % der Daten trainiert wurde.
Durch die Integration verbesserter CNN- und ECSSA-Optimierungsalgorithmen zur Vorhersage des RUL von Festkörper-Lithium-Ionen-Batterien verbessert CNN die Merkmalsextraktion und Vorhersagegenauigkeit durch die Optimierung von Hyperparametern und Strukturen (z. B. durch die Verwendung fortschrittlicher Faltungsschichten, Aktivierungsfunktionen und Restverbindungen). ECSSA optimiert Modellparameter durch innovative mathematische Methoden (wie Circle Chaotic Mapping, Nonlinear Absorption Coefficient und Cauchy Mutation), um die Genauigkeit und Robustheit der RUL-Vorhersage zu verbessern. Die Kombination von PCA und CNN zur Merkmalsoptimierung und Dimensionsreduzierung verbessert die Genauigkeit und Effizienz der SOH-Schätzung (im Vergleich zu herkömmlichen CNN- und festdimensionalen PCA-CNN-Modellen erhöht sich MAE um mehr als 20 % und RMSE um mehr als 30 %). Das Echtzeit-SOH-Schätzmodell integriert 1D-CNN und BiGRU, verwendet BMS-Daten, um eine komplexe Merkmalsextraktion zu vermeiden, und erreicht eine hohe Genauigkeit durch Bayes'sche Optimierung von Hyperparametern (z. B. beim Testen von NASA-Datensätzen beträgt MAE 2,080 %, RMSE 2,516 %). und EOL-Indexfehler ist Null).
5.3. Optimierungsstrategien für Deep-Learning-Modelle
Zunächst wurde der Random Forest-Algorithmus verwendet, um wichtige Gesundheitsfaktoren zu identifizieren, und dann wurde die Technik der Partikelschwarmoptimierung des genetischen Algorithmus (GA-PSO) verwendet, um die Parameter des Support Vector Regression (SVR)-Modells zur Schätzung des Gesundheitszustands (State of Health, SOH) zu optimieren. Die Wirksamkeit wurde an vier Batterien überprüft und verbesserte die Genauigkeit und Konvergenzgeschwindigkeit (RMSE von 0,40 %, MAPE von 0,56 %), was anderen verwandten Methoden überlegen ist. Die GWO-BRNN-Hybridmethode nutzt die Gray-Wolf-Optimierung (GWO), um Hyperparameter für bayesianisch regulierte neuronale Netze (BRNN) auszuwählen. Basierend auf dem NASA-Datensatz beträgt der SOH-Schätzfehler weniger als 1 %, aber die Rechenkomplexität ist hoch und die praktischen Anwendungen sind begrenzt. Direkte Nutzung der Rohdaten von Elektrofahrzeugen zur Bewertung von SOH und Vorhersage von RUL, Verbesserung der Genauigkeit durch Einführung neuer Bewertungsfunktionen und Interpolationskorrekturmethoden (Reduzierung des relativen Fehlers der Stromintegration auf 0,94 %), kombiniert mit der D-NSGA-II-Optimierungsmethode zur weiteren Verbesserung Optimieren Sie die SOH-Schätzung und reduzieren Sie die Rechenzeit. Als Reaktion auf die Schwierigkeit, den Gesundheitszustand (State of Health, SOH) abzuschätzen, die durch unvollständiges Laden und Entladen von Lithium-Ionen-Batterien in Elektrofahrzeugen verursacht wird, wird eine indirekte Schätzmethode (ATAGA-BP) vorgeschlagen. Die Methode nutzt die Eigenschaften der Ladestufe mit konstanter Spannung als Gesundheitsindikator und wird durch Simulation mit NASA-Daten validiert. Die Methode weist eine hohe Korrelation mit der Batteriekapazität auf (über 85 %), mit einem SOH-Schätzfehler von 3,7 % und einer iterativen Effizienzverbesserung von 17,8 %.
Deep Learning hat bei der SOH-Schätzung erhebliche Fortschritte gemacht, und umfassende Modelle, die mehrere Faktoren berücksichtigen, ermöglichen ein tieferes Verständnis der Batterieverschlechterung. LSTM-Netzwerke sind wichtig für die Erfassung zeitlicher Abhängigkeiten und die Vorhersage von RUL, ihre Rechenkomplexität stellt jedoch Echtzeitanwendungen vor Herausforderungen. Methoden zur Merkmalsextraktion sind wichtig und können die SOH-Schätzung optimieren. Die Kombination von Hybridmodellen und verschiedenen neuronalen Netzwerkarchitekturen zur Verarbeitung der Batteriedatenkomplexität bietet vielversprechende Aussichten, hohe Rechenanforderungen schränken jedoch praktische Anwendungen ein. Optimierungsstrategien wie GA-PSO, GWO-BRNN und D-NSGA-II haben die Genauigkeit und Effizienz verbessert, die Implementierung komplexer Algorithmen ist jedoch schwierig und erfordert ein Gleichgewicht zwischen Genauigkeit und einfacher Ausführung. Fortschrittliche KI-Technologie ist für den Einsatz von Sekundärbatterien von entscheidender Bedeutung (es fehlen detaillierte Nutzungsdaten). Die folgenden Kapitel geben einen Überblick über den aktuellen Stand der Sekundäranwendungsforschung, insbesondere im Bereich der Batteriewiederverwendung.
6. Zusammenfassung
Dieser Artikel treibt die Entwicklung der SOH- und SOC-Schätzung für Lithium-Ionen-Batterien in Elektrofahrzeugen durch innovative Methoden und Modelle voran und deckt verschiedene Technologien vom traditionellen maschinellen Lernen bis hin zu fortschrittlichen Deep-Learning-Modellen wie LSTM und CNN ab. Allerdings weist jede Methode Unterschiede in Genauigkeit, Komplexität und Anwendbarkeit auf, was einen direkten Vergleich erschwert. Untersuchungen haben ergeben, dass Datenverarbeitung und -quellen einen erheblichen Einfluss auf die Modellleistung haben und für die tatsächliche Bereitstellung eine weitere Validierung erforderlich ist. Obwohl Deep-Learning-Modelle bei der Verarbeitung komplexer Daten Vorteile gezeigt haben, stehen sie immer noch vor Herausforderungen wie hohen Anforderungen an Rechenressourcen und Anpassungsfähigkeit an praktische Anwendungsszenarien. Zukünftige Forschung sollte sich auf die Verbesserung der Funktionsauswahl, der Anomalieerkennung, die Anpassung an verschiedene Umgebungsbedingungen, die Optimierung von Algorithmen zur Verbesserung der Recheneffizienz, die Erzielung von Echtzeitanwendungen, die Integration mehrerer Datenquellen zur Verbesserung der Leistung des SOH-Schätzmodells sowie auf die Bewältigung von Herausforderungen bei Sekundärbatterieanwendungen konzentrieren , Entwicklung effektiver Lösungen und Förderung der Entwicklung von Batteriemanagementsystemen, um den wachsenden Anforderungen in den Bereichen Elektrofahrzeuge und Energiespeicherung gerecht zu werden.