Đường hướng chính của tương laiHệ thống quản lý pin (BMS): Dự đoán sức khỏe của bộ pin dựa trên AI

Khi các yêu cầu về hiệu suất pin của xe điện, hệ thống lưu trữ năng lượng, thiết bị điện, công cụ điện, v.v.những hạn chế của BMS pin lithium truyền thống đang ngày càng trở nên nổi bật, và việc giới thiệu công nghệ AI đang xác định lại ranh giới của dự đoán sức khỏe pin.Sau đây là một phân tích toàn diện dựa trên những tiến bộ công nghệ hiện có và xu hướng trong ngành:

Thứ nhất, những hạn chế của pin lithium truyền thống BMS thúc đẩy ứng dụng công nghệ AI

Các chức năng cốt lõi của BMS pin lithium truyền thống bao gồm giám sát tình trạng (đánh giá SOC / SOH), quản lý cân bằng hoạt động, kiểm soát nhiệt độ, v.v. nhưng những hạn chế của nó là đáng kể:

1Sự phụ thuộc mô hình tĩnh:Ước tính SOC/SOH truyền thống dựa trên mối tương quan điện áp và điện tích hoặc tích hợp dòng điện đơn giản,khó thích nghi với các điều kiện hoạt động năng động và có tỷ lệ lỗi cao (đặc biệt là trong các kịch bản nhiệt độ thấp hoặc nhân cao). 2. Sử dụng dữ liệu không đủ: nó chỉ dựa vào mối tương quan điện áp-thạc hoặc tích hợp dòng điện đơn giản.
2- Không sử dụng đủ dữ liệu: chỉ dựa vào các thông số cơ bản như điện áp pin, dòng điện, nhiệt độ, v.v., và thiếu phân tích tổng hợp dữ liệu dị biệt từ nhiều nguồn (ví dụ: trở ngại, căng,Thay đổi lớp SEI).
3Khả năng dự đoán và thời gian thực không đủ: Các thuật toán truyền thống chủ yếu là quản lý phản ứng, không thể cảnh báo về sự lão hóa pin hoặc nguy cơ thoát nhiệt và các mối nguy hiểm an toàn trước.
4Các hạn chế phần cứng BMS:kiến trúc có dây và sức mạnh tính toán cục bộ không đủ, dẫn đến chi phí bảo trì cao và khả năng mở rộng kém.

Công nghệ tiên đoán sức khỏe pin lithium dựa trên AI

1. Đổi mới thuật toán: học sâu và học di cư.

- LSTM và BiLSTM:lợi thế đáng kể trong việc xử lý dữ liệu chuỗi thời gian, ví dụ, một nghiên cứu đạt được lỗi dự đoán thời gian còn lại < 5% chỉ với 15 chu kỳ sạc dữ liệu thông qua mô hình LSTM,và một thí nghiệm khác kiểm soát lỗi SOH trong 1% trong khuôn khổ học tập di chuyển.
- Phối hợp dữ liệu đa phương thức:Kết hợp dữ liệu cảm biến điện áp, nhiệt độ và căng thẳng để cải thiện độ bền của mô hình. Ví dụ, dữ liệu căng thẳng cơ học có khả năng dự đoán hơn dữ liệu nhiệt độ trong điều kiện dòng điện cao.
- Học về di cư:Giải quyết vấn đề tổng quát cho các loại pin khác nhau / điều kiện. Ví dụ, một mô hình được đào tạo trước có thể được điều chỉnh cho các loại pin mới với một sai số trung bình dưới 1,4%.

2Fusion cảm biến và Edge Computing

- Tích hợp cảm biến mới:Ví dụ: giám sát độ dày lớp SEI, quang phổ trở kháng để cung cấp các số liệu lão hóa pin trực tiếp hơn.
- AI-on-chip ở cạnh:Giải pháp AI-BMS-on-chip của Eatron và Syntiant cho phép ra quyết định tại địa phương trong thời gian thực thông qua bộ xử lý năng lượng cực thấp kéo dài tuổi thọ pin 25% và giải phóng 10% dung lượng.

3. Kiến trúc cộng tác End-Cloud

- Cloud Big Data Training + Edge Real-time Reasoning:Ví dụ, hệ thống AI-BMS dựa trên đám mây của Wuling kết hợp hàng triệu dữ liệu xe để thực hiện giám sát an toàn cấp hai và 240 chiến lược cảnh báo sớm;AI BMS của Huawei cảnh báo về mất kiểm soát nhiệt 24 giờ trước thông qua tổng hợp đám mây từ đầu đến cuối, với tỷ lệ báo động sai chỉ là 0,1%.

Tiến bộ ứng dụng và thương mại hóa trong ngành công nghiệp

1. Định dạng của các nhà sản xuất chính

- Wuling:Pin được trang bị AI-BMS tự phát triển, với tổng cộng 2 triệu xe và không có hồ sơ đốt tự phát,và hỗ trợ các thuật toán bổ sung lithium năng động để duy trì mức độ sức khỏe > 95%.
- Huawei:AI BMS tích hợp cơ chế pin và học máy, áp dụng cho loạt các mô hình đặt câu hỏi, với tỷ lệ kiểm tra rủi ro là 90%.
- Ningde Times:Các thuật toán bổ sung lithium năng động được kết hợp chặt chẽ với BMS để tối ưu hóa hiệu suất của toàn bộ vòng đời pin.

2. Những bước đột phá học thuật

- Chẩn đoán tiên đoán:Chip AI-BMS của Eatron có thể xác định các lỗi tiềm năng trước vài tháng.
- Thiết kế vật liệu ở cấp độ phân tử:Phát triển các chất điện giải mới (ví dụ CF3SO2Li) với sự hỗ trợ của AI để cải thiện sự ổn định hóa học của pin.

Những thách thức và xu hướng trong tương lai

1Các thách thức kỹ thuật

- Bảo mật và bảo mật dữ liệu:Việc đào tạo dữ liệu đám mây cần tuân thủ GDPR và các quy định khác, tính toán cạnh có thể giảm bớt một phần vấn đề này.
- Mô hình có thể giải thích:Các mô hình hộp đen khó có thể đáp ứng các yêu cầu về chứng nhận an toàn ô tô và cần được kết hợp với các mô hình vật lý (ví dụ: mô hình lai điện hóa học-AI).
- Chi phí và số học:Chi phí sản xuất quy mô lớn các chip AI hiệu suất cao vẫn còn cao.

2. Xu hướng trong tương lai

- Hệ thống học tập thích nghi:Tối ưu hóa năng động các chiến lược sạc và xả bằng học tăng cường để kéo dài tuổi thọ pin.
- Quản lý toàn bộ vòng đời:Từ thiết kế vật liệu đến tái chế, AI chạy qua tất cả các khía cạnh của R & D pin, sản xuất, sử dụng và sử dụng thứ cấp.
- Tiêu chuẩn hóa và sinh thái nguồn mở:thiết lập một bộ dữ liệu pin thống nhất (ví dụ: CALCE, NASA Extension) để thúc đẩy so sánh và lặp lại các thuật toán một cách công bằng.

Kết luận

BMS dựa trên AI để quản lý pin Li-ion đang chuyển từ “ giám sát thụ động ” sang “ dự đoán và tối ưu hóa tích cực ”, với giá trị cốt lõi của những hiểu biết dựa trên dữ liệu để cải thiện an toàn, tuổi thọ,và hiệu quả năng lượngMặc dù chi phí, quyền riêng tư, và thách thức tiêu chuẩn hóa, công nghệ đang lặp lại nhanh hơn nhiều so với phương pháp truyền thống.AI-BMS sẽ không chỉ là một "người quản gia thông minh" cho pin, nhưng cũng là một nút lõi trong việc số hóa hệ thống năng lượng, thúc đẩy các ngành công nghiệp xe năng lượng mới và lưu trữ năng lượng hướng tới độ tin cậy và kinh tế cao hơn.