เชิงนามธรรม
เทคโนโลยีการประมาณค่าสภาวะสุขภาพ (SOH) สำหรับแบตเตอรี่ลิเธียมไอออนมีความสำคัญอย่างยิ่งต่อความปลอดภัยและความน่าเชื่อถือของยานพาหนะไฟฟ้า ด้วยการพัฒนาเทคโนโลยีปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (ML) ในด้านการจัดการแบตเตอรี่เริ่มนำวิธีการเหล่านี้มาใช้เพื่อปรับปรุงประสิทธิภาพและความเสถียร โดยเฉพาะอย่างยิ่ง โครงข่ายประสาทเทียมได้แสดงให้เห็นถึงข้อได้เปรียบในด้านประสิทธิภาพสูง การใช้พลังงานต่ำ ความทนทานสูง และความสามารถในการปรับขนาดในการจำลองและการทำนาย SOH โมเดลไฮบริดเมื่อรวมกับโมเดลวงจรสมมูล (ECM) และการเรียนรู้เชิงลึก ได้รับการพิสูจน์แล้วว่ามีศักยภาพในการปรับปรุงความแม่นยำและประสิทธิภาพแบบเรียลไทม์ของการประมาณค่า SOH แนวทางการวิจัยในอนาคต ได้แก่ การใช้ข้อมูลในสถานที่มากขึ้นสำหรับการคัดกรองคุณสมบัติด้านสุขภาพและการสร้างแบบจำลอง รวมถึงการคัดกรองอัจฉริยะและการผสมผสานพารามิเตอร์แบตเตอรี่เพื่อระบุลักษณะ SOH จริงได้แม่นยำยิ่งขึ้น การพัฒนาเทคโนโลยีเหล่านี้จะช่วยยกระดับการจัดการแบตเตอรี่รถยนต์ไฟฟ้าที่เป็นวิทยาศาสตร์ เชื่อถือได้ มีเสถียรภาพ และมีประสิทธิภาพยิ่งขึ้น
1. สั้นๆ
1.1 ความสำคัญของแบตเตอรี่ลิเธียมไอออนสำหรับยานพาหนะไฟฟ้าและความสำคัญที่สำคัญของการประมาณค่า SOH
แบตเตอรี่ลิเธียมไอออนมีความสำคัญอย่างยิ่งต่อการทำงานของยานพาหนะไฟฟ้า และประสิทธิภาพของแบตเตอรี่จะได้รับผลกระทบจากกระบวนการย่อยสลายต่างๆ การประมาณสภาวะสุขภาพ (SOH) ของแบตเตอรี่อย่างแม่นยำเป็นสิ่งสำคัญอย่างยิ่งในการรับประกันการทำงานที่ปลอดภัย เชื่อถือได้ และประหยัดของยานพาหนะไฟฟ้า เมื่อความต้องการรถยนต์ไฟฟ้าเพิ่มมากขึ้น การตรวจสอบ SOH จึงมีความสำคัญมากขึ้น เนื่องจากโดยทั่วไปแล้วแบตเตอรี่ลิเธียมไอออนจะลดลงเหลือ 80% ของความจุเดิมก่อนที่จะหมดอายุการใช้งาน นอกจากนี้ สถานะการชาร์จ (SOC) ยังเป็นพารามิเตอร์หลัก และการเปลี่ยนแปลงสามารถสะท้อนถึงอายุและการเสื่อมสภาพของความจุของแบตเตอรี่ การคาดการณ์ SOC ที่แม่นยำมีประโยชน์สำหรับการประมาณค่า SOH ซึ่งจะกำหนดอายุการใช้งานที่เหลืออยู่ของแบตเตอรี่
1.2 การพัฒนาวิธีการประมาณค่า SOH
ภาพรวมและความคืบหน้าของวิธีการที่มีอยู่:วิธีการประมาณค่า SOH หลายวิธีได้รับการพัฒนา โดยวิธีการที่ใช้ SOC จะรวมข้อมูลแบบเรียลไทม์ เช่น กระแสไฟฟ้า แรงดันไฟฟ้า และอุณหภูมิ เพื่อให้คาดการณ์ SOH ได้แม่นยำยิ่งขึ้นในรอบการชาร์จและคายประจุหลายรอบ เพิ่มประสิทธิภาพการทำงานของแบตเตอรี่ ป้องกันข้อผิดพลาด และยืดอายุแบตเตอรี่ . ความก้าวหน้าล่าสุดในวิธีการเรียนรู้ของเครื่องได้ปรับปรุงการประมาณค่า SOH ให้ดียิ่งขึ้น และโครงข่ายประสาทเทียม เช่น โครงข่ายประสาทเทียมแบบป้อนไปข้างหน้าและแบบหมุนวนทำงานได้ดีในการสร้างแบบจำลองแบตเตอรี่ ซึ่งมีประสิทธิภาพเหนือกว่าวิธีการถดถอยแบบดั้งเดิมในด้านความซับซ้อนและความแม่นยำ โดยมีค่าเบี่ยงเบนข้อผิดพลาดโดยเฉลี่ยประมาณ 0 .16% และค่าคลาดเคลื่อนกำลังสองเฉลี่ยรากที่ 5.57mV ที่ระดับเซลล์แบตเตอรี่
1.3 การจำแนกประเภทและลักษณะของวิธีการสร้างแบบจำลองแบตเตอรี่
วิธีการวิเคราะห์ เช่น เทคนิคการรวมกระแสและแรงดันไฟฟ้าวงจรเปิด (OCV) สามารถให้ค่าประมาณ SOH ที่ชัดเจน แต่จะได้รับผลกระทบจากสัญญาณรบกวนที่สะสม และต้องใช้เวลายืนเป็นเวลานานเพื่อให้มั่นใจในความถูกต้อง
แนวทางตามแบบจำลอง
รุ่นกล่องสีขาว:ตามหลักการไฟฟ้าเคมีโดยละเอียด อุปกรณ์จะจำลองพฤติกรรมของแบตเตอรี่ผ่านพารามิเตอร์พื้นฐานด้วยความแม่นยำสูง อย่างไรก็ตาม ข้อกำหนดในการคำนวณที่สูงและสมมติฐานที่เรียบง่ายสำหรับไดนามิกในโลกแห่งความเป็นจริงลดความแม่นยำลงภายใต้สภาวะไดนามิก ทำให้ไม่เหมาะสำหรับการใช้งานแบบเรียลไทม์
รุ่นกล่องสีเทา (เช่น ECM):การรวมข้อมูลเชิงลึกทางกายภาพและการปรับเปลี่ยนเชิงประจักษ์ โดยใช้การเปรียบเทียบวงจรเพื่อประมาณพฤติกรรมของแบตเตอรี่ สามารถประมาณ SOC ได้ด้วยความแม่นยำสูง (โดยปกติจะเกิดข้อผิดพลาดภายใน 3%) และมีประโยชน์สำหรับการประมาณค่า SOH แบบเรียลไทม์และการทำนายอายุการใช้งานที่เหลืออยู่ (RUL) แต่ต้องเผชิญกับความท้าทาย ในคุณภาพข้อมูลและข้อกำหนดด้านการคำนวณ แบบจำลองวงจรสมมูลอย่างง่ายสำหรับแบตเตอรี่ลิเธียมไอออน (รวมถึงตัวต้านทานแบบอนุกรมและองค์ประกอบ RC สูงสุดสองตัว) สามารถใช้สำหรับการจำลองที่เชื่อถือได้ ในขณะที่ ECM ที่ซับซ้อนมากขึ้น (รวมถึง RC Branch หลายกิ่งหรือ CPE องค์ประกอบเฟสคงที่) สามารถจำลองกระบวนการที่มีไดนามิกสูง (เช่น เช่น การใช้งานรถยนต์ไฟฟ้า) แต่ความต้องการในการคำนวณที่เพิ่มขึ้นได้ผลักดันการพัฒนาวิธีการประมาณค่า SOH ขั้นสูงมากขึ้น
โมเดลกล่องดำ (แนวทางที่ขับเคลื่อนด้วยข้อมูล):จากข้อมูลอินพุตและเอาท์พุต แบบจำลองนี้สร้างขึ้นโดยไม่ต้องอาศัยความรู้หลักการทำงานภายใน เทคนิคการเรียนรู้ของเครื่องสามารถทำนายสถานะแบตเตอรี่ได้จากข้อมูลการวัดจำนวนมาก การเรียนรู้ของเครื่องเป็นเลิศในการระบุรูปแบบในชุดข้อมูลที่ซับซ้อน เช่น โครงข่ายประสาทเทียมแบบหลายช่องสัญญาณซึ่งมีความแม่นยำสูงในการประมาณความจุ แต่อาศัยข้อมูลการฝึกอบรมคุณภาพสูงและหลากหลาย อย่างไรก็ตาม ในการใช้งานจริงของยานพาหนะ ตัวแปรภายในจำนวนมากไม่สามารถวัดได้โดยตรง และความกระจัดกระจายของข้อมูลและการขาดความสามารถในการตีความทำให้แบบจำลองนี้เข้าใจและบำรุงรักษาได้ยาก
1.4 วิวัฒนาการของวิธีแบบจำลองและการพัฒนาแบบจำลองไฮบริด
วิวัฒนาการของวิธีการตามแบบจำลอง:ในทศวรรษที่ผ่านมา วิธีการตามแบบจำลองได้รับการพัฒนาอย่างต่อเนื่อง รวมถึงการกรองคาลมาน (KF) และส่วนขยาย (เช่น Extended Kalman Filter EKF, Unscented Kalman Filter UKF) วิธีการเหล่านี้มีความแม่นยำสูงในการประมาณสถานะแบตเตอรี่ แต่ต้องใช้แบบจำลองไดนามิกที่แม่นยำและมีความซับซ้อนในการนำไปใช้
การเพิ่มขึ้นของรุ่นไฮบริด:เพื่อที่จะแก้ไขข้อจำกัดของข้อมูลในโลกแห่งความเป็นจริงและปรับปรุงประสิทธิภาพในการคำนวณ โมเดลไฮบริดจึงได้เกิดขึ้น โดยผสมผสานวิธีการตามโมเดลและวิธีที่ขับเคลื่อนด้วยข้อมูลเพื่อฝึกโมเดลการเรียนรู้ของเครื่องผ่านการจำลองโดยละเอียด ในเวลาเดียวกัน เทคนิคการเรียนรู้ของเครื่องมีความก้าวหน้าอย่างมากในช่วงห้าปีที่ผ่านมา รวมถึงวิธีการความน่าจะเป็น การเรียนรู้เมตา การเรียนรู้แบบตรงข้าม การเรียนรู้แบบกึ่งภายใต้การดูแล ฯลฯ การเรียนรู้เชิงลึก (ชุดย่อยของการเรียนรู้ของเครื่อง) ทำงานได้ดีในการประมวลผลที่มีโครงสร้างและ ข้อมูลที่ไม่มีโครงสร้าง โครงข่ายประสาทเทียมข้อมูลทางกายภาพ (PINN) รวมแบบจำลองการย่อยสลายเชิงประจักษ์เข้ากับโครงข่ายประสาทเทียมเพื่อปรับปรุงการประมาณค่า SOH ซึ่งเพิ่มความสามารถในการปรับตัวของวิธีการภายใต้ประเภทและเงื่อนไขของแบตเตอรี่ที่แตกต่างกัน ด้วยการพัฒนาของอุตสาหกรรมยานยนต์ ความก้าวหน้าทางเทคโนโลยีเหล่านี้มีความสำคัญอย่างยิ่งในการเพิ่มประสิทธิภาพแบตเตอรี่ ป้องกันความล้มเหลว และสนับสนุนการพัฒนารถยนต์ไฟฟ้า
1.5 ภาพรวมของบทต่อๆ ไปในบทความนี้
ส่วนที่ 2 จะให้การแนะนำโดยละเอียดเกี่ยวกับวิธีการคัดกรองและคัดเลือกบทความทบทวน เพื่อให้มั่นใจว่าวิธีการวิจัยมีความเป็นระบบและครอบคลุม ส่วนที่ 3 ให้การวิเคราะห์เชิงลึกของเทคนิคการประมาณค่าสถานะของประจุ สำรวจผลกระทบของกลไกการเสื่อมสภาพของแบตเตอรี่ต่อวิธีการสร้างแบบจำลองสำหรับแบตเตอรี่รถยนต์ไฟฟ้า รวมถึงการกรองคาลมานและวิธีการที่ได้รับการปรับปรุง รวมถึงการบูรณาการกับแบบจำลองอายุ ส่วนที่ 4 มุ่งเน้นไปที่เทคนิคการประมาณค่า SOH เปรียบเทียบวิธีการดั้งเดิมกับวิธีการใหม่ และเน้นวิธีการที่ใช้ได้กับยานพาหนะไฟฟ้า ส่วนที่ 5 แสดงให้เห็นถึงบทบาทของการเรียนรู้เชิงลึกในการประมาณค่า SOH เช่น เครือข่ายหน่วยความจำระยะสั้นระยะยาว (LSTM) และโมเดลไฮบริด รวมถึงวิธีที่โครงข่ายประสาทเทียมแบบหมุน (CNN) พิจารณาปัจจัยเชิงปฏิบัติเพื่อปรับปรุงความแม่นยำในการประเมินสุขภาพ สุดท้ายนี้ ส่วนที่ 6 จะสรุปและตั้งตารอทิศทางการวิจัยในอนาคตสำหรับระบบการจัดการสุขภาพแบตเตอรี่เพื่อสนับสนุนการพัฒนาตลาดรถยนต์ไฟฟ้าและการใช้งานกักเก็บพลังงานอื่นๆ
2. วัสดุและวิธีการ
2.1 คำจำกัดความของคำถามวิจัย
การศึกษานี้เสนอคำถามสำคัญห้าข้อเพื่อเป็นแนวทางในการประยุกต์ใช้เทคโนโลยีการเรียนรู้ของเครื่องจักรในการประมาณค่า SOH ของแบตเตอรี่ลิเธียมไอออนในยานพาหนะไฟฟ้า
ชี้แจงเทคนิคการเรียนรู้ของเครื่องหลักที่ใช้ในปัจจุบันเพื่อประมาณสภาวะสุขภาพ (SOH) ของแบตเตอรี่ลิเธียมไอออนในยานพาหนะไฟฟ้า และสำรวจอัลกอริธึมและแบบจำลองเฉพาะที่พัฒนาและใช้โดยนักวิจัย
สำรวจผลกระทบของแหล่งข้อมูลต่างๆ (ห้องปฏิบัติการ ยานพาหนะ และข้อมูลภาคสนาม) ต่อความถูกต้องและความทนทานของโมเดลแมชชีนเลิร์นนิงการประมาณค่า SOH วิเคราะห์ว่าแหล่งข้อมูลส่งผลต่อประสิทธิภาพของโมเดลอย่างไร และพิจารณาว่าข้อมูลใดมีประโยชน์มากที่สุดสำหรับการทำนาย SOH ที่แม่นยำ
ระบุความท้าทายที่สำคัญของการใช้เทคนิคการเรียนรู้ของเครื่องในการประมาณค่า SOH ของแบตเตอรี่ลิเธียมไอออน ตลอดจนการเปลี่ยนแปลงของความท้าทายเหล่านี้ในสภาพแวดล้อมและสถานการณ์การใช้งานที่แตกต่างกัน เช่น ความผันผวนของอุณหภูมิ การเสื่อมสภาพ และผลกระทบของโหมดการใช้งานที่แตกต่างกันที่มีต่อ ความแม่นยำของการประมาณค่า SOH
เปรียบเทียบวิธีการวิเคราะห์ของการประมาณค่า SOH ความแตกต่างระหว่างวิธีดั้งเดิม และกระบวนการวิวัฒนาการ ศึกษาว่าวิธีการเรียนรู้ของเครื่องสามารถบูรณาการเข้ากับวิธีดั้งเดิมเหล่านี้ได้อย่างไร ระบุข้อดี ข้อเสีย และการทำงานร่วมกันที่เป็นไปได้ตามลำดับ
มองไปข้างหน้าถึงทิศทางการวิจัยในอนาคตเพื่อปรับปรุงความแม่นยำ ความสามารถในการปรับตัว และประสิทธิภาพการคำนวณของแบบจำลองการประมาณค่า SOH บนพื้นฐานการเรียนรู้ของเครื่องจักรในแบตเตอรี่ลิเธียมไอออนสำหรับยานพาหนะไฟฟ้า การระบุช่องว่างในการวิจัย ข้อกำหนดทางเทคนิค และวิธีการที่เป็นนวัตกรรมใหม่
2.2 การค้นหาและคัดกรองวรรณกรรม
การเลือกฐานข้อมูลและกลยุทธ์การค้นหา: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 และ 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).
การคัดกรองและการเน้นวรรณกรรม:วรรณกรรมที่ได้รับมาครอบคลุมสาขาวิชาหลายสาขา โดยสาขาวิศวกรรมศาสตร์มีสัดส่วนสูงสุด (730 บทความ) รองลงมาคือสาขาพลังงาน วิทยาการคอมพิวเตอร์ และคณิตศาสตร์ หลังจากมุ่งเน้นไปที่สาขาวิทยาการคอมพิวเตอร์แล้ว ก็ได้มีการระบุเอกสารที่เกี่ยวข้อง 209 ฉบับ โดยในจำนวนนี้ 183 ฉบับได้รับการตีพิมพ์ระหว่างปี 2562 ถึง 2567 ซึ่งบ่งชี้ถึงความทันเวลาของข้อมูล เอกสารเหล่านี้ประกอบด้วยเอกสารการประชุม บทความ บทวิจารณ์ และบทในหนังสือ โดยมีบทความ 72 บทความที่ตีพิมพ์ระหว่างปี 2009 ถึง 2024 เป็นเกณฑ์การทบทวนหลัก ขณะเดียวกันก็ผสมผสานเอกสารที่เกี่ยวข้องและบทในหนังสือจากสาขาวิศวกรรมอื่นๆ ด้วยตนเอง เพื่อให้มั่นใจว่าครอบคลุมขอบเขตการวิจัยอย่างครอบคลุมและรวบรวมนวัตกรรม ความก้าวหน้าทางเทคโนโลยีในการใช้ปัญญาประดิษฐ์เพื่อปรับปรุงระบบการจัดการแบตเตอรี่
3. เทคโนโลยีการประมาณค่าสถานะการชาร์จ (SOC)
3.1 กลไกการเสื่อมสภาพของแบตเตอรี่และผลกระทบต่อประสิทธิภาพ
แบตเตอรี่ลิเธียมไอออนส่วนใหญ่จะสลายตัวด้วยกลไกสองประการ:การสูญเสียสินค้าคงคลังลิเธียม (LLI) และการสูญเสียวัสดุที่ใช้งาน (LAM) LLI เกี่ยวข้องกับการก่อตัวของชั้นส่วนต่อประสานอิเล็กโทรไลต์แข็ง (SEI) บนขั้วบวก ซึ่งเกิดจากปฏิกิริยาด้านข้างระหว่างลิเธียมไอออนกับอิเล็กโทรไลต์ LAM เกิดจากความเครียดเชิงกลภายในแบตเตอรี่ เช่น การขยายตัวและการหดตัวซ้ำๆ ของวัสดุอิเล็กโทรดระหว่างการชาร์จและการคายประจุ ซึ่งนำไปสู่การแตกร้าวขนาดเล็กและการหลุดออกของอนุภาคอิเล็กโทรด ส่งผลให้พื้นที่ผิวแอคทีฟสำหรับปฏิกิริยาเคมีไฟฟ้าลดลง จึงทำให้ความจุของแบตเตอรี่ลดลง เพิ่มความต้านทานภายใน และส่งผลต่อประสิทธิภาพของแบตเตอรี่ในที่สุด กลไกการย่อยสลายเหล่านี้ถูกเร่งโดยปัจจัยต่างๆ เช่น สถานะการชาร์จสูง อุณหภูมิสูง และสภาวะการปั่นจักรยานที่รุนแรง ข้อมูลโดยละเอียดและรายละเอียดการสร้างแบบจำลองของกลไกการชราภาพต่างๆ (ความร้อน เคมีไฟฟ้า ฯลฯ) มีอยู่ในเอกสารประกอบที่เกี่ยวข้อง
3.2. เทคโนโลยีการประมาณค่าและการสร้างแบบจำลอง SOC สำหรับแบตเตอรี่รถยนต์ไฟฟ้า
ในการใช้งานยานพาหนะไฟฟ้าในแต่ละวัน แบตเตอรี่มักจะชาร์จที่ 20% -40% SOC เพื่อรักษาสุขภาพแบตเตอรี่ แต่คุณลักษณะที่ไม่เป็นเชิงเส้นและการเสื่อมสภาพของความจุของแบตเตอรี่อาจส่งผลให้การอ่าน SOC ไม่ถูกต้อง ซึ่งส่งผลต่อการประมาณค่าของแบตเตอรี่ ความจุเต็ม ประสิทธิภาพและการบำรุงรักษาแบตเตอรี่ลิเธียมไอออนยังได้รับผลกระทบจากสภาพอากาศด้วย อุณหภูมิและความสดของอิเล็กโทรไลต์ (พิจารณาจากวันที่ผลิตและวันที่บรรจุ) ส่งผลต่อประสิทธิภาพและอายุการใช้งานของแบตเตอรี่ คุณลักษณะของแบตเตอรี่อิเล็กโทรไลต์ใหม่อาจแตกต่างกันไปตามสภาพอากาศที่แตกต่างกัน และกลยุทธ์การจัดการความร้อนสามารถช่วยแก้ไขปัญหาด้านประสิทธิภาพที่เกี่ยวข้องกับอุณหภูมิและปรับปรุงความทนทานของแบตเตอรี่
แบบจำลองวงจรสมมูล (ECM) แบบดั้งเดิมมักใช้ในการประมาณ SOC แต่ต้องมีการสอบเทียบบ่อยครั้ง บทความนี้ให้ข้อมูลเบื้องต้นโดยละเอียดเกี่ยวกับสมการการคำนวณ SOC ตาม ECM (รวมถึงรูปแบบต่อเนื่องและแบบไม่ต่อเนื่อง) ที่เกี่ยวข้องกับสมการพื้นที่สถานะ แรงดันไฟฟ้าวงจรเปิดและสมการความสัมพันธ์ SOC สมการการอัปเดต SOC โดเมนเวลาไม่ต่อเนื่อง และสมการการอัปเดตแรงดันไฟฟ้า พารามิเตอร์ที่เกี่ยวข้อง (เช่น ความต้านทาน ความจุ แรงดันไฟฟ้าวงจรเปิด ฯลฯ) มีความสัมพันธ์อย่างใกล้ชิดกับ SOC การทดสอบในห้องปฏิบัติการมาตรฐาน (เช่น การทดสอบคุณลักษณะพลังงานพัลส์ผสมที่อุณหภูมิต่างๆ) มักใช้สำหรับการระบุพารามิเตอร์รุ่นแบตเตอรี่ แต่ความไม่ถูกต้องของโมเดลและสัญญาณรบกวนจากการวัดอาจทำให้เกิดข้อผิดพลาดเล็กน้อยในการประมาณค่า SOC เพื่อปรับปรุงความแม่นยำของการประมาณค่า SOC จึงมีการใช้เทคนิคต่างๆ เช่น การกรองคาลมานและส่วนขยายของมัน ผู้สังเกตการณ์ที่ใช้ PI ผู้สังเกตการณ์ในโหมดเลื่อน ฯลฯ ได้ถูกนำมาใช้เพื่อชดเชยผลกระทบเหล่านี้ และวิธีการแก้ไขเชิงบูรณาการยังได้รับการพัฒนาเพื่อรองรับความไม่แน่นอนของแบบจำลองเริ่มต้นอีกด้วย และเสียงรบกวนในการวัด นอกจากนี้ แม้ว่าสเปกโทรสโกปีอิมพีแดนซ์อิมพีแดนซ์เคมีไฟฟ้า (EIS) จะสามารถประเมินคุณลักษณะของแบตเตอรี่ได้ (รวมถึง SOC และ SOH) แต่ก็ใช้เวลานานและไม่สามารถทำได้สำหรับการใช้งานขนาดใหญ่ (เช่น กลุ่มยานพาหนะไฟฟ้า) ทำให้ยากต่อการจับภาพไดนามิกและการเปลี่ยนแปลง สภาพการทำงานของแบตเตอรี่รถยนต์ไฟฟ้า ดังนั้นจึงจำเป็นต้องมีวิธีการปรับตัวและมีประสิทธิภาพมากขึ้น
3.3. การปรับปรุงเทคโนโลยี
ตัวกรองคาลมานและวิธีการปรับปรุง:ตัวกรองคาลมาน (KF) และส่วนขยาย (เช่น Extended Kalman Filter EKF, Unscented Kalman Filter UKF, Volume Kalman Filter CKF) ถูกนำมาใช้กันอย่างแพร่หลายสำหรับการประมาณค่า SOC KF ให้การประมาณค่า SOC ที่เหมาะสมที่สุดโดยการลดความคลาดเคลื่อนกำลังสองเฉลี่ยให้เหลือน้อยที่สุด แก้ไขปัญหาข้อผิดพลาดสะสมและความไม่แน่นอนของ SOC เริ่มต้น อย่างไรก็ตาม เหมาะสำหรับระบบที่แปรผันตามเวลาเชิงเส้นซึ่งการเปลี่ยนแปลงแบบไม่เชิงเส้นของแบตเตอรี่จำเป็นต้องมีการประมาณเชิงเส้น แม้ว่า EKF จะขยายกรอบงาน KF เพื่อรองรับโมเดลที่ไม่เป็นเชิงเส้น แต่การทำให้เชิงเส้นตรงอาจส่งผลต่อความแม่นยำและนำไปสู่ความแตกต่างของตัวประมาณค่า วิธีการใหม่ๆ เช่น UKF และ CKF ใช้การประมาณค่าจุดซิกมาเพื่อประมาณสถิติการเปลี่ยนแปลงแบบไม่เชิงเส้น ในขณะที่ CKF ใช้กฎปริมาตรรัศมีทรงกลมเพื่อคำนวณอินทิกรัลโมเมนต์หลายตัวแปร เพื่อปรับปรุงความแม่นยำของการกรองแบบเบย์แบบไม่เชิงเส้น อย่างไรก็ตาม โดยทั่วไปตัวกรองเหล่านี้สันนิษฐานว่าลักษณะเฉพาะของสัญญาณรบกวนเป็นที่รู้จักและคงที่ และในการใช้งานจริง สัญญาณรบกวนจะแปรผันได้ (เช่น สัญญาณรบกวนที่ไม่ใช่แบบเกาส์เซียนที่เกิดจากการรบกวนจากภายนอก) ดังนั้นจึงมีการพัฒนากลยุทธ์การกรองแบบปรับตัวที่มีประสิทธิภาพ เช่น การใช้แบบจำลองผสมแบบเกาส์เซียน (GMM) เพื่อสร้างแบบจำลองเสียงที่ไม่ใช่แบบเกาส์เซียน เพื่อปรับปรุงความแม่นยำในการประมาณค่าสถานะ การศึกษาที่เกี่ยวข้องได้แสดงให้เห็นการใช้งานและข้อดีของวิธีการเหล่านี้ในสาขาต่างๆ นอกจากนี้ ตัวกรองแบบกระจายและแบบกระจาย (เช่น ตัวกรองคาลมานแบบกระจาย DKF, ตัวกรองคาลมานแบบกระจาย และความแปรปรวนร่วมข้าม DKF-CI) ถูกนำมาใช้เพื่อเพิ่มประสิทธิภาพการประมาณค่าสถานะของระบบที่เชื่อมต่อระหว่างกันขนาดใหญ่ ตัวกรองที่แข็งแกร่งและไม่เชิงเส้น (เช่น ตัวกรองคาลมานที่แข็งแกร่ง) มีประสิทธิภาพที่เหนือกว่าในการจัดการกับความไม่เชิงเส้นที่ซับซ้อนในระบบแบตเตอรี่ (เช่น กระบวนการไฟฟ้าเคมี) เทคนิคการปรับเปลี่ยน (เช่น EKF แบบปรับได้และอัลกอริธึม UKF แบบปรับได้) ปรับพารามิเตอร์ตัวกรองแบบไดนามิกเพื่อปรับให้เข้ากับการเปลี่ยนแปลงของสัญญาณรบกวนและปรับปรุงความแม่นยำในการประมาณค่า SOC การศึกษาและตัวอย่างที่เกี่ยวข้องได้ตรวจสอบประสิทธิผลของวิธีการเหล่านี้แล้ว
วิธีการปรับปรุงอื่นๆ:เช่น วิธี Adaptive Integral Correction State of Charge Estimation (AIC-SE) ที่เสนอใน 2022 ซึ่งใช้โมเดล ECM และปรับปรุงความแม่นยำของการประมาณค่า SOC ผ่านกลไกการแก้ไขแบบเรียลไทม์ (รวมถึงความต้านทานและ การแก้ไขความจุแบตเตอรี่) (ข้อผิดพลาดสูงสุด ± 0.8%, ข้อผิดพลาด RMS น้อยกว่า 0.3%) ประสิทธิภาพการคำนวณสูงกว่า UKF (AIC-SE ประมาณ 5n การดำเนินงาน, UKF ประมาณ n ^ 2 การดำเนินงาน) จัดการกับความท้าทายของอายุแบตเตอรี่และการเสื่อมสภาพได้อย่างมีประสิทธิภาพ ตัวกรองคาลมานเอนโทรปีสหสัมพันธ์สูงสุดแบบเบย์แบบแปรผัน (VBMCCKF) ในปี 2023 ผสมผสานการกรองขั้นสูงและเทคนิคทางสถิติเพื่อปรับปรุงการประมาณค่าความแปรปรวนร่วมของข้อผิดพลาดในการวัดโดยใช้วิธีแบบเบย์แบบแปรผัน เกณฑ์เอนโทรปีสหสัมพันธ์สูงสุดใช้เพื่อจัดการค่าผิดปกติในการวัดสัญญาณรบกวนที่ไม่ใช่แบบเกาส์เซียน ซึ่งปรับปรุงความแม่นยำในการประมาณค่า SOC อย่างมีนัยสำคัญ (เมื่อเทียบกับ EKF, CKF และตัวกรองคาลมานปริมาตร Bayesian แบบแปรผัน ข้อผิดพลาดสัมบูรณ์โดยเฉลี่ยจะลดลง 77%, 68% และ 49% ตามลำดับ) และเสริมความแข็งแกร่งของระบบการจัดการแบตเตอรี่
3.4 การบูรณาการกับโมเดลผู้สูงอายุ
แบบจำลองอายุแบตเตอรี่มีความเกี่ยวข้องอย่างใกล้ชิดกับการประมาณค่า SOC และการวิจัยล่าสุดได้ก่อให้เกิดนวัตกรรมในทั้งสองแง่มุม แบบจำลองอายุของแบตเตอรี่ที่เสนอในปี 2024 จะพิจารณาผลกระทบของ SOC อุณหภูมิของแบตเตอรี่ เวลา และเวลาวงจรเทียบเท่า (NFEC) ที่มีต่ออายุของแบตเตอรี่อย่างครอบคลุม แบบจำลองประกอบด้วยสองส่วน: ส่วนแรกมุ่งเน้นไปที่ SOC และอายุที่เกี่ยวข้องกับอุณหภูมิ (การคำนวณการสูญเสียกำลังการผลิตผ่านสูตรเฉพาะ) และส่วนที่สองพิจารณาผลกระทบของ NFEC ต่อการเสื่อมสภาพ รถรุ่นนี้ผสมผสานการเสื่อมสภาพของแบตเตอรี่เป็นระบบย่อยของรถยนต์ไฟฟ้าเข้ากับรุ่นแบตเตอรี่อย่างสร้างสรรค์ ครอบคลุมโหมดการทำงานทั้งหมด เช่น การจอดรถ การขับขี่ และการชาร์จไฟ ช่วยให้บรรลุการจำลองปฏิสัมพันธ์ที่แม่นยำระหว่างระบบย่อยต่างๆ ผ่านวิธีการอย่างเป็นทางการของการแสดงพลังงานขนาดมหภาค (EMR) (เครื่องมือกราฟิกที่พัฒนาขึ้นในปี 2000 สำหรับการจัดการการเชื่อมต่อระบบย่อย การแสดงการไหลของพลังงาน และความสัมพันธ์เชิงสาเหตุ) ผลการวิจัยพบว่าการลดความถี่ในการชาร์จ (เช่น เปลี่ยนจากการชาร์จรายวันเป็นทุกๆ 4 วัน) จะทำให้แบตเตอรี่มี SOH ถึง 80% ได้นานขึ้นอย่างมาก วิธีการบูรณาการนี้ให้ความก้าวหน้าที่สำคัญในการเพิ่มประสิทธิภาพการจัดการแบตเตอรี่ และทำความเข้าใจผลกระทบของแนวทางปฏิบัติในการชาร์จที่มีต่ออายุแบตเตอรี่
วิธีการใหม่ๆ เช่น AIC-SE และ VBMCCKF มีข้อได้เปรียบที่สำคัญในด้านความแม่นยำในการประมาณค่า SOC และประสิทธิภาพในการคำนวณ AIC-SE ทำงานได้ดีในด้านประสิทธิภาพการคำนวณ ในขณะที่ VBMCCKF ทำงานได้ดีกว่าในการจัดการการประมาณค่าแบบไดนามิกของข้อผิดพลาดในการวัดและสภาพแวดล้อมที่มีเสียงดัง หากให้ความสำคัญกับการประมวลผลความแม่นยำและเสียง การรวมเกณฑ์เอนโทรปีแบบเบย์และความสัมพันธ์สูงสุดเข้าด้วยกันอาจเป็นทางเลือกที่ดีที่สุดในปัจจุบัน หากเรามุ่งเน้นไปที่ประสิทธิภาพการคำนวณและแอปพลิเคชันแบบเรียลไทม์ AIC-SE เป็นตัวเลือกที่ดี ซึ่งบ่งชี้ว่าวิธีการสร้างแบบจำลอง ECM ยังคงมีข้อได้เปรียบในด้านนี้ นอกจากนี้ โมเดลอายุแบตเตอรี่ที่ศึกษาในปี 2024 ยังพิจารณาผลกระทบของปัจจัยหลายประการต่อการเสื่อมสภาพของแบตเตอรี่อย่างครอบคลุม ซึ่งมีความสำคัญอย่างยิ่งในการยืดอายุการใช้งานแบตเตอรี่ให้เหมาะสม (ตามแนวทางปฏิบัติในการชาร์จ) โดยรวมแล้ว การพัฒนาเหล่านี้ไม่เพียงแต่ปรับปรุงความแม่นยำของการประมาณค่า SOC เท่านั้น แต่ยังช่วยยืดอายุแบตเตอรี่และเพิ่มความน่าเชื่อถือในการใช้งานแบตเตอรี่อีกด้วย
4. เทคนิคการประเมินภาวะสุขภาพ (SOH)
4.1 วิธีการประมาณค่า SOH แบบดั้งเดิม
วิธีการประมาณค่า SOH แบบดั้งเดิมมีการใช้กันอย่างแพร่หลายในแวดวงวิชาการและอุตสาหกรรม โดยอิงตามพารามิเตอร์พื้นฐานเป็นหลัก เช่น การลดความจุ ความต้านทานภายใน และอายุการใช้งานของวงจรเพื่อประเมิน SOH ของแบตเตอรี่ (ดูตารางที่ 4 สำหรับสูตรที่เกี่ยวข้องและความหมายของพารามิเตอร์) วิธีการเหล่านี้เป็นรากฐานสำหรับการประเมินสภาพแบตเตอรี่และช่วยให้เข้าใจประสิทธิภาพของแบตเตอรี่ โดยการทำความเข้าใจวิธีการแบบดั้งเดิมเหล่านี้ เราจะสามารถเข้าใจการปรับปรุงวิธีการประมาณค่าใหม่ๆ ได้ดีขึ้นในบทต่อๆ ไป วิธีการใหม่ๆ มักจะใช้การวิเคราะห์ข้อมูลที่ซับซ้อนมากขึ้นและเทคนิคการสร้างแบบจำลองเชิงคาดการณ์เพื่อแก้ไขข้อจำกัดของวิธีการแบบเดิมๆ การเปรียบเทียบทั้งสองสามารถให้ความกระจ่างเกี่ยวกับการพัฒนาและวิวัฒนาการของเทคโนโลยีการประมาณค่า SOH และแสดงให้เห็นว่าวิธีการสมัยใหม่สามารถปรับปรุงความแม่นยำและความสามารถในการปรับตัวของระบบการจัดการแบตเตอรี่ได้อย่างไร
4.2 การพัฒนาใหม่ในการแทนที่วิธีการแบบเดิม
ตัวชี้วัดสุขภาพใหม่รวมกับการเรียนรู้ของเครื่อง:เพื่อปรับปรุงความแม่นยำของการทำนาย SOH การวิจัยได้แนะนำตัวบ่งชี้ด้านสุขภาพใหม่ๆ เช่น อัตราส่วนอัตราการย่อยสลาย (DSR) สูตรคำนวณ DSR จากความชันของกราฟแรงดันไฟฟ้าในการชาร์จคือ:
เมื่อเปรียบเทียบความชันของรอบการชาร์จหลายรอบ อัตราการสลายตัว (เป็น mV/s) ของแบตเตอรี่ภายในช่วงแรงดันไฟฟ้าเฉพาะ (เช่น [3.8-3.9V]) จะถูกกำหนด ซึ่งสัมพันธ์อย่างใกล้ชิดกับ ความจุของแบตเตอรี่และสามารถใช้เป็นตัวบ่งชี้ที่สำคัญในการระบุการสิ้นสุดของอายุการใช้งานแบตเตอรี่ การรวมโมเดล Gaussian Process Regression (GPR) และ Multi Layer Perceptron Neural Network (MLPNN) เข้าด้วยกัน จึงสามารถประมาณการสูญเสียความจุและการเสื่อมสภาพได้แม่นยำยิ่งขึ้น เมื่อเปรียบเทียบกับรุ่นดั้งเดิม ความไวและความแม่นยำได้รับการปรับปรุงอย่างมีนัยสำคัญ ซึ่งช่วยแก้ปัญหาของรุ่นดั้งเดิมซึ่งยากต่อการตรวจจับการเสื่อมสภาพตั้งแต่เนิ่นๆ ได้อย่างมีประสิทธิภาพ
การปรับปรุงรูปแบบวงจรสมมูล:วิธีการขั้นต้นในการปรับปรุงแบบจำลองวงจรสมมูลแบบดั้งเดิม (ECM) ยังคงพัฒนาต่อไป เช่น การประมาณค่า SOH โดยการวิเคราะห์ความจุของร่างกายของแบบจำลองวงจร RC ที่เทียบเท่ากันใน 2015 โดยใช้อัลกอริธึมที่เป็นนวัตกรรมใหม่ในการคำนวณปัจจัยการลดทอนของความจุของร่างกาย และรวมเข้ากับผู้สังเกตการณ์แบบไม่เชิงเส้นแบบแยกส่วนเพื่อปรับปรุงความแม่นยำและความน่าเชื่อถือ ในปี 2024 มีการใช้แบบจำลองวงจรสมมูลไฮบริดอันดับสองรวมกับอัตราการอัปเดตแบบปรับได้และผู้สังเกตแบบไม่เชิงเส้นถูกนำมาใช้เพื่อพิจารณาอิทธิพลของอุณหภูมิ ทำให้ได้รับความแม่นยำสูงในการประมาณค่า SOH (ข้อผิดพลาดสัมบูรณ์โดยเฉลี่ยน้อยกว่า 0.5%, RMS ข้อผิดพลาดน้อยกว่า 0.2%); โซลูชันระบบคลาวด์สำหรับปี 2023 ใช้ข้อมูลการตรวจสอบในระยะยาวและข้อมูลแบบเรียลไทม์เพื่อประมาณค่าพารามิเตอร์รุ่นแบตเตอรี่โดยการปรับอัลกอริธึมกำลังสองน้อยที่สุดของหน้าต่างที่กำลังเคลื่อนที่ จากแบบจำลอง ECM ทำให้สามารถประเมิน SOH ที่มีความแม่นยำสูงได้ ซึ่งบ่งชี้ว่าวิธี ECM ที่ปรับปรุงแล้วยังคงมีความสำคัญอย่างมีนัยสำคัญในการประมาณค่า SOH ซึ่งสอดคล้องกับแนวโน้มของการปรับปรุงวิธี ECM อย่างต่อเนื่องในเทคโนโลยีการประมาณค่า SOC
วิธีการกรอบงานแบบไฮบริด:กรอบงานใหม่ผสานรวม Linear Statistical k-Nearest Neighbor (LSKNN), Maximum Information Entropy Search (MIES) และ Collective Sparse Variational Gaussian Process Regression (CSVGPR) เพื่อประมวลผลการแก้ไขข้อมูล การกรองสัญญาณรบกวน การเลือกคุณลักษณะ และการจัดการความไม่แน่นอน LSKNN ประมาณการจุดข้อมูลที่ขาดหายไปและกรองสัญญาณรบกวน MIES เลือกคุณสมบัติที่มีความสัมพันธ์สูงกับ SOH และ CSVGPR ประมวลผลความไม่แน่นอนของข้อมูลเพื่อปรับปรุงความแม่นยำในการทำนาย เฟรมเวิร์กนี้ได้รับการทดสอบโดยใช้ชุดข้อมูลแบตเตอรี่ของ NASA และเมื่อเปรียบเทียบกับวิธีการต่างๆ เช่น ElasticNet, Support Vector Regression (SVR), Random Forest และ Gradient Boosting พบว่า Root Mean Square Error (RMSE) ลดลง 77.8% (จาก {{3 }}.0510 ใน ElasticNet ถึง 0.0113) เมื่อเปรียบเทียบกับแบบจำลองกระบวนการแบบเกาส์เซียนที่มีเคอร์เนลต่างกัน RMSE ลดลง 55.5% (จาก 0.0254 เป็น 0.0113) ซึ่งยืนยันถึงความทนทานและความแม่นยำสูงของเฟรมเวิร์ก และให้วิธีการประมาณค่า SOH ที่แม่นยำยิ่งขึ้น
แนวโน้มการพัฒนาเทคโนโลยีการประมาณค่า SOH กำลังเปลี่ยนจากวิธีการแบบเดิมไปสู่แบบจำลองที่ซับซ้อนมากขึ้นซึ่งเหมาะสำหรับรถยนต์ไฟฟ้า วิธีการใหม่รวมถึงการรวมแบบจำลองการย่อยสลายเข้ากับการเรียนรู้ของเครื่องแบบคลาสสิก วิธีการที่ใช้ ECM และวิธีการแบบไฮบริด DSR เป็นนวัตกรรมที่สำคัญที่ลดการพึ่งพาวงจรการชาร์จที่สมบูรณ์ (ลดเวลารอคอยลงประมาณ 84%) และเมื่อรวมกับการเรียนรู้ของเครื่อง จะปรับปรุงความแม่นยำของการประมาณการสูญเสียความจุ เอาชนะความยากลำบากในการตรวจจับการย่อยสลายตั้งแต่เนิ่นๆ ในรุ่นดั้งเดิม วิธี ECM ที่ปรับปรุงแล้วให้ผลลัพธ์ที่ดีในการประมาณค่า SOH ซึ่งสอดคล้องกับความสำคัญของวิธี ECM ในการประมาณค่า SOC เทคโนโลยีไฮบริด (เช่นเฟรมเวิร์กใหม่ที่กล่าวถึงข้างต้น) มีความแม่นยำสูง แม้ว่าแอปพลิเคชันแบบเรียลไทม์ก่อให้เกิดความท้าทาย แต่การแก้ปัญหาการประมวลผลข้อมูลที่สำคัญอย่างมีประสิทธิภาพนั้นเป็นการปรับปรุงที่สำคัญกว่าวิธีการประมาณค่า SOH แบบเดิม โดยรวมแล้ว การพัฒนาเหล่านี้มุ่งเน้นไปที่แอปพลิเคชันแบบเรียลไทม์และวิธีการขับเคลื่อนด้วยข้อมูล ซึ่งช่วยปรับปรุงความน่าเชื่อถือของระบบการจัดการแบตเตอรี่รถยนต์ไฟฟ้าได้อย่างมาก วิธีการเรียนรู้เชิงลึก เช่น LSTM, CNN และเทคนิคแบบไฮบริด ได้กลายเป็นวิธีการหลักสำหรับการประมาณค่า SOH บทต่อๆ ไปจะนำเสนอผลการวิจัยและผลงานที่เกี่ยวข้อง
5. การประยุกต์ใช้การเรียนรู้เชิงลึกในการประมาณค่า SOH
5.1 LSTM และรุ่นไฮบริด
การศึกษาหลายชิ้นได้ใช้แบบจำลองอายุที่ได้รับการปรับปรุงร่วมกับเทคนิคการเรียนรู้เชิงลึกเพื่อเพิ่มความแม่นยำของการประมาณค่า SOH การเรียนรู้เชิงลึกเป็นสิ่งที่ขาดไม่ได้ในการทำนายอายุการใช้งานที่เหลืออยู่ (RUL) ตัวอย่างเช่น โดยการผสานรวมแบบจำลองการสลายตัวของ SOH และการพิจารณาสภาวะการทำงานต่างๆ เช่น กระแสการชาร์จ/การคายประจุ และอุณหภูมิ จึงสามารถใช้สูตรเฉพาะเพื่อ:
ในหมู่พวกเขา I2 {c} และ I2 {d} คือกระแสประจุและคายประจุที่ทำให้เป็นมาตรฐาน, T3 {c} และ T4 {d} คือแบตเตอรี่และอุณหภูมิโดยรอบที่ทำให้เป็นมาตรฐาน, T3 {c} และ T4 {d} คือเวลาในการชาร์จและคายประจุ และ (d1-d4) คือน้ำหนัก) ซึ่งจำลองการเสื่อมสภาพของแบตเตอรี่ได้แม่นยำยิ่งขึ้น โมเดลการทำนาย RUL ที่ใช้เครือข่าย LSTM ช่วยปรับปรุงความแม่นยำในการทำนาย แต่ความซับซ้อนในการคำนวณเพิ่มขึ้น และแอปพลิเคชันแบบเรียลไทม์เผชิญกับความท้าทาย โครงข่ายประสาทเทียมสามารถรองรับกระบวนการของแบตเตอรี่ที่แปรผันตามเวลา เรียนรู้อย่างต่อเนื่องเพื่อปรับให้เข้ากับการเปลี่ยนแปลงพฤติกรรมของแบตเตอรี่ และรักษาความน่าเชื่อถือของโมเดล
ด้วยการแยกคุณสมบัติหลัก (เช่น คุณสมบัติหลัก 6 ประการ) เพื่อเพิ่มประสิทธิภาพการประมาณค่า SOH รวมกับอัลกอริธึมการเรียนรู้ของเครื่องเพื่อให้ได้ความแม่นยำสูงและโหลดการคำนวณต่ำ คุณสมบัติแรงดันไฟฟ้ามีบทบาทสำคัญในการปรับปรุงความแม่นยำของการประเมินสถานะแบตเตอรี่ การรวมโมเดลการเรียนรู้เชิงลึกหลายรูปแบบ (เช่น CNN, LSTM, GRU และตัวแปรแบบสองทิศทาง) เข้ากับเฟรมเวิร์กไฮบริด (เช่น CNN-LSTM-DNN, CNN-GRU-DNN) เพื่อทำนาย RUL โดยใช้คุณสมบัติที่หลากหลายเพื่อปรับปรุง ความแม่นยำลดลง RMSE ลง 90.5% ในการทดสอบชุดข้อมูลของ NASA แต่ความแข็งแกร่งในการคำนวณและความซับซ้อนจะจำกัดแอปพลิเคชันแบบเรียลไทม์ วิธีการหลายโมเดล (เช่น ไลบรารีโมเดล LSTM) และกลยุทธ์การปรับให้เหมาะสมขั้นสูง (เช่น การรวม LSTM เข้ากับกรอบงาน AI-BMS และการใช้งานบน FPGA) สามารถปรับปรุงความแม่นยำในการทำนายและประสิทธิภาพของระบบได้ แต่การใช้ FPGA ในยานพาหนะไฟฟ้าเชิงพาณิชย์ต้องเผชิญกับต้นทุน และความท้าทายในทางปฏิบัติ
การผสมผสานระหว่าง GRU และวิธีการตรวจจับแบบนุ่มนวลมีศักยภาพในการทำนาย RUL ในระยะยาวในสภาพแวดล้อมของห้องปฏิบัติการ แต่การใช้งานจริงจำเป็นต้องมีการปรับให้เข้ากับสภาวะการชาร์จที่แตกต่างกัน ด้วยการใช้วิธีการที่ขับเคลื่อนด้วยข้อมูล เช่น LSTM, DNN และ GRU เพื่อประมวลผลชุดข้อมูล NASA ทำให้ GRU มีประสิทธิภาพที่แข็งแกร่ง (RMSE ที่ 0.003, MAE ที่ 0.003, R-squared ข้อผิดพลาด 0.004) และการรวมเครือข่าย GRU และ LSTM ส่งผลให้ประสิทธิภาพดีขึ้น วิธีการที่ใช้ LSTM จะแยกคุณสมบัติต่างๆ (เช่น คุณสมบัติแบบแมนนวล 5 แบบ) โดยการวิเคราะห์เส้นโค้งการคายประจุแบตเตอรี่ และใช้อัลกอริธึมการปรับให้เหมาะสม (เช่น Adam) เพื่อปรับปรุงประสิทธิภาพการฝึกอบรมและความแม่นยำในการคาดการณ์ ภายใต้การฝึกอบรมข้อมูลบางส่วนของแบตเตอรี่เดี่ยว ข้อผิดพลาดในการประมาณค่า SOH สำหรับแบตเตอรี่อื่นๆ อยู่ในระดับต่ำ ซึ่งดีกว่ารุ่นทั่วไป
เครือข่าย MDA-LSTM รวมคุณสมบัติและข้อมูลชั่วคราวหลายอย่าง และปรับปรุงความแม่นยำของการทำนาย RUL ผ่านโมดูลการรวมคุณสมบัติหลายรายการและโมดูลความสนใจแบบคู่ ทำงานได้ดีในการตรวจสอบความถูกต้องของชุดข้อมูลหลายชุด โดยมีความทนทานและลักษณะทั่วไป เครือข่าย BiLSTM แบบเรียงซ้อนใช้เพื่อทำนาย SOH โดยใช้ข้อมูลการชาร์จกระแสคงที่ และโครงสร้างแบบสองทิศทางช่วยเพิ่มความน่าเชื่อถือในการทำนาย ทำให้เหมาะสำหรับการประมาณค่า SOH แบบเรียลไทม์ในระหว่างการชาร์จแบบเร็ว โมเดล TCN-LSTM ใช้ข้อมูลสังเคราะห์และการเพิ่มประสิทธิภาพแบบเบย์เพื่อสร้างแรงดันไฟฟ้าวงจรเปิด (OCV) ใหม่อย่างแม่นยำ และประมาณการสภาวะสุขภาพ (SOH) (MAE ต่ำกว่า 22mV, MAPE ต่ำกว่า 2.2%) สามารถขยายไปยังระบบเคมีของแบตเตอรี่ที่แตกต่างกันผ่านการเรียนรู้แบบถ่ายโอน แต่มีข้อจำกัดในการคาดการณ์เมื่อข้อมูลไม่เพียงพอ วิธีการฟิวชั่นเชิงลึก (เช่น การใช้ข้อมูลในอดีตและตัวชี้วัดด้านสุขภาพหลายรายการ) ทำให้ได้รับความแม่นยำสูง (MAPE ต่ำกว่า 2.97%) ผ่านการทดสอบการปล่อยประจุเต็ม และทั้งกรอบงานระดับโลกที่ใช้ GPR และรุ่น DFTN สำหรับยานยนต์ไฟฟ้าแต่ละประเภทก็ได้รับผลลัพธ์ที่ดี .
5.2. โมเดลรวมของ CNN และ CNN-LSTM
วิธีการ CNN-WNN-WLSTM รวมเครือข่าย CNN, WNN และ WLSTM CNN แยกคุณสมบัติ คุณลักษณะกระบวนการ WNN และ WLSTM และประมาณการ SOH เครื่องมือเพิ่มประสิทธิภาพ RMSprop ใช้เพื่อปรับปรุงประสิทธิภาพและเหนือกว่าวิธีดั้งเดิมในการทดสอบชุดข้อมูลของ NASA ซึ่งเป็นแนวทางที่น่าหวังสำหรับการจัดการสุขภาพแบตเตอรี่ โมเดล CNN-LSTM-CRF ได้รับแรงบันดาลใจจากการประมวลผลภาษาธรรมชาติ โดยเลเยอร์ CRF จะบันทึกการขึ้นต่อกันของตัวแปรเอาต์พุต เพื่อปรับปรุงความแม่นยำและสัญชาตญาณของการทำนายความจุของแบตเตอรี่ อย่างไรก็ตาม ข้อกำหนดด้านการคำนวณมีสูงและเกินความสามารถของโปรเซสเซอร์ออนบอร์ด ในอนาคต จำเป็นต้องมีการวิจัยเพื่อปรับปรุงการปฏิบัติจริง (เช่น ผ่านการเรียนรู้แบบถ่ายโอน) โมเดล LSTNet ปรับปรุงประสิทธิภาพการคาดการณ์ความจุของแบตเตอรี่โดยการแบ่งส่วนข้อมูล บูรณาการส่วนประกอบ ConvLSTM และ AR และปรับโครงสร้างให้เหมาะสม (ตัวอย่างเช่น ในการทดสอบชุดข้อมูลของ NASA RMSE คือ 0.65%, MAE คือ 0 58% และ MAPE อยู่ที่ 0.435% เมื่อฝึกกับข้อมูล 40%)
ด้วยการผสานรวมอัลกอริธึมการปรับให้เหมาะสมของ CNN และ ECSSA ที่ปรับปรุงแล้วเพื่อทำนาย RUL ของแบตเตอรี่ลิเธียมไอออนโซลิดสเตต CNN ปรับปรุงการแยกคุณสมบัติและความแม่นยำในการทำนายโดยการปรับไฮเปอร์พารามิเตอร์และโครงสร้างให้เหมาะสม (เช่น การใช้เลเยอร์ขั้นสูง ฟังก์ชันการเปิดใช้งาน และการเชื่อมต่อที่เหลือ) ในขณะที่ ECSSA ปรับพารามิเตอร์โมเดลให้เหมาะสมด้วยวิธีทางคณิตศาสตร์ที่เป็นนวัตกรรมใหม่ (เช่น Circle Chaotic Mapping, ค่าสัมประสิทธิ์การดูดซับแบบไม่เชิงเส้น และการกลายพันธุ์ของ Cauchy) เพื่อปรับปรุงความแม่นยำในการทำนาย RUL และ ความทนทาน การรวม PCA และ CNN เข้าด้วยกันเพื่อการเพิ่มประสิทธิภาพคุณลักษณะและการลดขนาดจะช่วยเพิ่มความแม่นยำและประสิทธิภาพของการประมาณค่า SOH (เมื่อเปรียบเทียบกับ CNN แบบดั้งเดิมและโมเดล PCA-CNN ที่มีมิติคงที่ MAE เพิ่มขึ้นมากกว่า 20% และ RMSE เพิ่มขึ้นมากกว่า 30%) โมเดลการประมาณค่า SOH แบบเรียลไทม์ผสานรวม 1D-CNN และ BiGRU โดยใช้ข้อมูล BMS เพื่อหลีกเลี่ยงการแยกคุณสมบัติที่ซับซ้อน และบรรลุความแม่นยำสูงผ่านการเพิ่มประสิทธิภาพไฮเปอร์พารามิเตอร์แบบเบย์เซียน (เช่น ในการทดสอบชุดข้อมูลของ NASA MAE คือ 2.080%, RMSE คือ 2.516% และข้อผิดพลาดดัชนี EOL เป็นศูนย์)
5.3. กลยุทธ์การเพิ่มประสิทธิภาพสำหรับโมเดลการเรียนรู้เชิงลึก
ประการแรก อัลกอริธึมฟอเรสต์แบบสุ่มถูกใช้เพื่อระบุปัจจัยด้านสุขภาพที่สำคัญ จากนั้นจึงใช้เทคนิคการหาค่าเหมาะที่สุดของฝูงอนุภาคของอัลกอริทึมทางพันธุกรรม (GA-PSO) เพื่อปรับพารามิเตอร์แบบจำลองการถดถอยเวกเตอร์สนับสนุน (SVR) ให้เหมาะสมสำหรับการประมาณสภาวะสุขภาพ (SOH) ประสิทธิภาพได้รับการตรวจสอบโดยใช้แบตเตอรี่สี่ก้อน ซึ่งปรับปรุงความแม่นยำและความเร็วในการลู่เข้า (RMSE ที่ 0.40%, MAPE ที่ 0.56%) ซึ่งเหนือกว่าวิธีการอื่นๆ ที่เกี่ยวข้อง วิธีไฮบริด GWO-BRNN ใช้การเพิ่มประสิทธิภาพหมาป่าสีเทา (GWO) เพื่อเลือกไฮเปอร์พารามิเตอร์สำหรับโครงข่ายประสาทเทียมแบบเบย์เซียน (BRNN) จากชุดข้อมูลของ NASA ข้อผิดพลาดในการประมาณค่า SOH น้อยกว่า 1% แต่ความซับซ้อนในการคำนวณสูงและการใช้งานจริงมีจำกัด ใช้ข้อมูลดิบของยานพาหนะไฟฟ้าโดยตรงเพื่อประเมิน SOH และทำนาย RUL ปรับปรุงความแม่นยำโดยแนะนำคุณสมบัติการประเมินใหม่และวิธีการแก้ไขการประมาณค่า (ลดข้อผิดพลาดสัมพัทธ์ของการบูรณาการในปัจจุบันเหลือ 0.94%) รวมกับวิธีการเพิ่มประสิทธิภาพ D-NSGA-II เพื่อเพิ่มเติม ปรับการประมาณค่า SOH ให้เหมาะสมและลดเวลาในการคำนวณ เพื่อตอบสนองต่อความยากลำบากในการประมาณสภาวะสุขภาพ (SOH) ที่เกิดจากการชาร์จและการคายประจุแบตเตอรี่ลิเธียมไอออนในยานพาหนะไฟฟ้าที่ไม่สมบูรณ์ จึงเสนอวิธีการประมาณค่าทางอ้อม (ATAGA-BP) วิธีการนี้ใช้คุณลักษณะของระยะการชาร์จด้วยแรงดันไฟฟ้าคงที่เป็นตัวบ่งชี้ด้านสุขภาพ และได้รับการตรวจสอบผ่านการจำลองด้วยข้อมูลของ NASA วิธีการนี้มีความสัมพันธ์สูงกับความจุของแบตเตอรี่ (มากกว่า 85%) โดยมีข้อผิดพลาดในการประมาณ SOH 3.7% และการปรับปรุงประสิทธิภาพซ้ำ 17.8%
การเรียนรู้เชิงลึกทำให้เกิดความก้าวหน้าอย่างมากในการประมาณค่า SOH และแบบจำลองที่ครอบคลุมเมื่อพิจารณาจากปัจจัยหลายประการ ช่วยให้เข้าใจการเสื่อมสภาพของแบตเตอรี่ได้ลึกซึ้งยิ่งขึ้น เครือข่าย LSTM มีความสำคัญในการจับภาพการพึ่งพาชั่วคราวและการทำนาย RUL แต่ความซับซ้อนในการคำนวณทำให้เกิดความท้าทายสำหรับแอปพลิเคชันแบบเรียลไทม์ วิธีการแยกคุณลักษณะมีความสำคัญและสามารถเพิ่มประสิทธิภาพการประมาณค่า SOH ได้ การรวมกันของโมเดลไฮบริดและสถาปัตยกรรมเครือข่ายประสาทเทียมที่แตกต่างกันสำหรับการประมวลผลความซับซ้อนของข้อมูลแบตเตอรี่มีแนวโน้มที่ดี แต่ความต้องการในการคำนวณสูงจะจำกัดการใช้งานจริง กลยุทธ์การเพิ่มประสิทธิภาพ เช่น GA-PSO, GWO-BRNN และ D-NSGA-II ได้รับการปรับปรุงความแม่นยำและประสิทธิภาพ แต่การนำอัลกอริทึมที่ซับซ้อนไปใช้เป็นเรื่องยาก และต้องมีความสมดุลระหว่างความแม่นยำและความเรียบง่ายในการดำเนินการ เทคโนโลยี AI ขั้นสูงมีความสำคัญอย่างยิ่งต่อการใช้งานแบตเตอรี่สำรอง (ขาดข้อมูลการใช้งานโดยละเอียด) บทต่อๆ ไปจะให้ภาพรวมของสถานะปัจจุบันของการวิจัยการใช้งานขั้นทุติยภูมิ โดยเฉพาะอย่างยิ่งในด้านการนำแบตเตอรี่กลับมาใช้ใหม่
6. สรุป
บทความนี้เป็นความก้าวหน้าในการพัฒนาการประมาณค่า SOH และ SOC สำหรับแบตเตอรี่ลิเธียมไอออนในยานพาหนะไฟฟ้าผ่านวิธีการและแบบจำลองที่เป็นนวัตกรรมใหม่ ซึ่งครอบคลุมเทคโนโลยีต่างๆ ตั้งแต่การเรียนรู้ของเครื่องแบบดั้งเดิมไปจนถึงโมเดลการเรียนรู้เชิงลึกขั้นสูง เช่น LSTM และ CNN อย่างไรก็ตาม แต่ละวิธีมีความแม่นยำ ความซับซ้อน และการบังคับใช้ที่แตกต่างกัน ทำให้การเปรียบเทียบโดยตรงทำได้ยาก การวิจัยพบว่าการประมวลผลข้อมูลและแหล่งที่มามีผลกระทบอย่างมากต่อประสิทธิภาพของโมเดล และจำเป็นต้องมีการตรวจสอบเพิ่มเติมสำหรับการปรับใช้จริง แม้ว่าโมเดลการเรียนรู้เชิงลึกได้แสดงให้เห็นถึงข้อได้เปรียบในการประมวลผลข้อมูลที่ซับซ้อน แต่ก็ยังเผชิญกับความท้าทาย เช่น ความต้องการทรัพยากรในการคำนวณที่สูง และความสามารถในการปรับตัวให้เข้ากับสถานการณ์การใช้งานจริง การวิจัยในอนาคตควรมุ่งเน้นไปที่การปรับปรุงการเลือกคุณลักษณะ การตรวจจับความผิดปกติ การปรับให้เข้ากับสภาพแวดล้อมที่หลากหลาย การเพิ่มประสิทธิภาพอัลกอริธึมเพื่อเพิ่มประสิทธิภาพในการคำนวณ การบรรลุแอปพลิเคชันแบบเรียลไทม์ การบูรณาการแหล่งข้อมูลหลายแหล่งเพื่อปรับปรุงประสิทธิภาพของแบบจำลองการประมาณค่า SOH ในขณะเดียวกันก็จัดการกับความท้าทายในการใช้งานแบตเตอรี่สำรอง การพัฒนาโซลูชั่นที่มีประสิทธิภาพ และส่งเสริมการพัฒนาระบบการจัดการแบตเตอรี่เพื่อตอบสนองความต้องการที่เพิ่มขึ้นในด้านยานพาหนะไฟฟ้าและการจัดเก็บพลังงาน