Abstrait
La technologie d’estimation de l’état de santé (SOH) des batteries lithium-ion est cruciale pour la sécurité et la fiabilité des véhicules électriques. Avec le développement des technologies d’intelligence artificielle (IA) et d’apprentissage automatique (ML), le domaine de la gestion des batteries commence à adopter ces méthodes pour améliorer l’efficacité et la stabilité. En particulier, les réseaux de neurones ont montré des avantages en termes de rendement élevé, de faible consommation d'énergie, de robustesse élevée et d'évolutivité dans la simulation et la prédiction SOH. Le modèle hybride, combiné à des modèles de circuits équivalents (ECM) et à l'apprentissage profond, s'est avéré potentiel pour améliorer la précision et les performances en temps réel de l'estimation SOH. Les orientations de recherche futures incluent l'utilisation de davantage de données sur site pour le contrôle des caractéristiques de santé et la construction de modèles, ainsi que le contrôle intelligent et la combinaison des paramètres de la batterie pour caractériser plus précisément le SOH réel. Le développement de ces technologies améliorera encore la gestion scientifique, fiable, stable et robuste des batteries de véhicules électriques.
1. En bref
1.1 L'importance des batteries lithium-ion pour les véhicules électriques et l'importance critique de l'estimation du SOH
Les batteries lithium-ion sont essentielles au fonctionnement des véhicules électriques et leurs performances sont affectées par divers processus de dégradation. L’estimation précise de l’état de santé (SOH) des batteries est cruciale pour garantir le fonctionnement sûr, fiable et économique des véhicules électriques. À mesure que la demande de véhicules électriques augmente, la surveillance du SOH devient de plus en plus importante, car les batteries lithium-ion chutent généralement à 80 % de leur capacité d'origine avant la fin de leur durée de vie. De plus, l’état de charge (SOC) est également un paramètre clé, et ses évolutions peuvent refléter le vieillissement et la dégradation de la capacité de la batterie. Une prédiction précise du SOC est utile pour l’estimation du SOH, qui à son tour détermine la durée de vie restante de la batterie.
1.2 Développement de méthodes d'estimation du SOH
Aperçu et avancées des méthodes existantes :Plusieurs méthodes d'estimation du SOH ont été développées, parmi lesquelles les méthodes basées sur le SOC intègrent des données en temps réel telles que le courant, la tension et la température pour obtenir une prévision SOH plus précise dans plusieurs cycles de charge et de décharge, optimiser les performances de la batterie, prévenir les pannes et prolonger la durée de vie de la batterie. . Les dernières avancées dans les méthodes d'apprentissage automatique ont encore amélioré l'estimation du SOH, et les réseaux de neurones tels que les réseaux de neurones à réaction et convolutifs fonctionnent bien dans la modélisation des batteries, surpassant les méthodes de régression traditionnelles en termes de complexité et de précision, avec un écart d'erreur moyen d'environ 0 0,16 % et une erreur quadratique moyenne de 5,57 mV au niveau des cellules de la batterie.
1.3 Classification et caractéristiques des méthodes de modélisation des batteries
Les méthodes d'analyse telles que les techniques d'intégration de courant et de tension en circuit ouvert (OCV) peuvent fournir des estimations claires du SOH, mais sont affectées par le bruit accumulé et nécessitent de longues périodes d'arrêt pour garantir l'exactitude.
Approche basée sur un modèle
Modèle boîte blanche :Basé sur des principes électrochimiques détaillés, il simule le comportement de la batterie grâce à des paramètres de base avec une grande précision. Cependant, ses exigences de calcul élevées et ses hypothèses simplifiées pour la dynamique du monde réel réduisent sa précision dans des conditions dynamiques, ce qui le rend impropre aux applications en temps réel.
Modèles de boîte grise (tels que ECM) :La combinaison d'informations physiques et d'ajustements empiriques, en utilisant l'analogie de circuit pour approximer le comportement de la batterie, peut estimer le SOC avec une grande précision (généralement avec une erreur de 3 %) et est utile pour l'estimation du SOH en temps réel et la prévision de la durée de vie utile restante (RUL), mais elle est confrontée à des défis. dans la qualité des données et les exigences informatiques. Un modèle de circuit équivalent simple pour les batteries lithium-ion (comprenant des résistances en série et jusqu'à deux éléments RC) peut être utilisé pour une simulation fiable, tandis que des ECM plus complexes (comprenant plusieurs branches RC ou des éléments à phase constante CPE) peuvent simuler des processus hautement dynamiques (tels que comme le fonctionnement des véhicules électriques), mais la demande croissante en matière de calcul a conduit au développement de méthodes d’estimation du SOH plus avancées.
Modèle boîte noire (approche basée sur les données) :Basé sur les données d'entrée et de sortie, le modèle est construit sans s'appuyer sur la connaissance interne des principes de fonctionnement. Les techniques d'apprentissage automatique peuvent prédire l'état de la batterie à partir d'une grande quantité de données de mesure. L'apprentissage automatique excelle dans l'identification de modèles dans des ensembles de données complexes, tels que les réseaux neuronaux multicanaux qui ont une grande précision dans l'estimation de la capacité, mais s'appuient sur des données d'entraînement diversifiées et de haute qualité. Cependant, dans les applications pratiques des véhicules, de nombreuses variables internes ne peuvent pas être mesurées directement, et la rareté des données et le manque d'interprétabilité rendent le modèle difficile à comprendre et à maintenir.
1.4 Evolution des méthodes de modélisation et développement de modèles hybrides
L’évolution des méthodes basées sur des modèles :Au cours de la dernière décennie, les méthodes basées sur des modèles se sont continuellement développées, notamment le filtrage de Kalman (KF) et ses extensions (telles que Extended Kalman Filter EKF, Unscented Kalman Filter UKF). Ces méthodes ont une grande précision dans l’estimation de l’état de la batterie, mais nécessitent des modèles dynamiques précis et sont complexes à mettre en œuvre.
L’essor des modèles hybrides :Afin de remédier aux limites des données du monde réel et d'améliorer l'efficacité des calculs, des modèles hybrides sont apparus, combinant des méthodes basées sur des modèles et des données pour former des modèles d'apprentissage automatique via des simulations détaillées. Dans le même temps, les techniques d'apprentissage automatique ont fait des progrès significatifs au cours des cinq dernières années, notamment les méthodes probabilistes, le méta-apprentissage, l'apprentissage contradictoire, l'apprentissage semi-supervisé, etc. L'apprentissage profond (un sous-ensemble de l'apprentissage automatique) a donné de bons résultats dans le traitement structuré et données non structurées. Les réseaux neuronaux d'informations physiques (PINN) combinent des modèles de dégradation empiriques avec des réseaux neuronaux pour améliorer l'estimation du SOH, améliorant ainsi l'adaptabilité des méthodes sous différents types et conditions de batterie. Avec le développement de l’industrie automobile, ces avancées technologiques sont cruciales pour optimiser les performances des batteries, prévenir les pannes et soutenir le développement des véhicules électriques.
1.5 Aperçu des chapitres suivants de cet article
La section 2 fournit une introduction détaillée aux méthodes de sélection et de sélection de la littérature de revue, garantissant la nature systématique et complète de la méthodologie de recherche. La section 3 fournit une analyse approfondie des techniques d'estimation de l'état de charge, explorant l'impact des mécanismes de dégradation des batteries sur les méthodes de modélisation des batteries de véhicules électriques, y compris le filtrage de Kalman et ses méthodes améliorées, ainsi que l'intégration avec des modèles vieillissants. La section 4 se concentre sur les techniques d'estimation du SOH, compare les méthodes traditionnelles avec les nouvelles méthodes et met l'accent sur les méthodes applicables aux véhicules électriques. La section 5 démontre le rôle de l'apprentissage profond dans l'estimation de la SOH, comme les réseaux de mémoire à long terme (LSTM) et les modèles hybrides, ainsi que la manière dont les réseaux de neurones convolutifs (CNN) prennent en compte les facteurs pratiques pour améliorer la précision de l'évaluation de la santé. Enfin, la section 6 résume et attend avec impatience les futures orientations de recherche sur les systèmes de gestion de l’état des batteries afin de soutenir le développement du marché des véhicules électriques et d’autres applications de stockage d’énergie.
2. Matériels et méthodes
2.1 Définition de la question de recherche
Cette étude propose cinq questions clés pour guider l'application de la technologie d'apprentissage automatique dans l'estimation du SOH des batteries lithium-ion dans les véhicules électriques.
Clarifier les principales techniques d'apprentissage automatique actuellement utilisées pour estimer l'état de santé (SOH) des batteries lithium-ion des véhicules électriques, et explorer les algorithmes et modèles spécifiques développés et utilisés par les chercheurs.
Explorez l'impact de différentes sources de données (données de laboratoire, de véhicule et de terrain) sur la précision et la robustesse des modèles d'apprentissage automatique d'estimation de SOH, analysez comment les sources de données affectent les performances du modèle et déterminez quelles données sont les plus utiles pour une prévision précise de SOH.
Identifier les principaux défis liés à l'application des techniques d'apprentissage automatique dans l'estimation du SOH des batteries lithium-ion, ainsi que les variations de ces défis dans différentes conditions environnementales et scénarios d'application, tels que les fluctuations de température, le vieillissement et l'impact des différents modes d'utilisation sur le précision de l’estimation du SOH.
Comparez les méthodes d'analyse de l'estimation SOH, les différences entre les méthodes traditionnelles et leur processus d'évolution, étudiez comment les méthodes d'apprentissage automatique peuvent être intégrées à ces méthodes traditionnelles, identifiez leurs avantages, inconvénients et synergies potentielles respectifs.
Anticiper les futures orientations de recherche pour améliorer la précision, l’adaptabilité et l’efficacité informatique des modèles d’estimation SOH basés sur l’apprentissage automatique dans les batteries lithium-ion pour véhicules électriques, en identifiant les lacunes de la recherche, les exigences techniques et les méthodes innovantes.
2.2 Recherche et sélection de la littérature
Sélection de base de données et stratégie de recherche :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 ET ANNÉE PUBLIQUE<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).
Examen et concentration de la littérature :La littérature récupérée couvre plusieurs domaines disciplinaires, le domaine de l'ingénierie ayant la proportion la plus élevée (730 articles), suivi de l'énergie, de l'informatique et des mathématiques. Après s'être concentré sur le domaine de l'informatique, 209 documents pertinents ont été identifiés, dont 183 ont été publiés entre 2019 et 2024, indiquant l'actualité des données. Ces documents comprennent des documents de conférence, des articles, des critiques et des chapitres de livres, avec 72 articles publiés entre 2009 et 2024 comme base de révision principale, tout en incorporant manuellement des articles et des chapitres de livres pertinents provenant d'autres domaines de l'ingénierie pour assurer une couverture complète des domaines de recherche et capturer les innovations. avancées technologiques dans l’utilisation de l’intelligence artificielle pour améliorer les systèmes de gestion des batteries.
3. Technologie d'estimation de l'état de charge (SOC)
3.1 Mécanisme de dégradation de la batterie et son impact sur les performances
Les batteries lithium-ion se dégradent principalement par deux mécanismes :perte de stock de lithium (LLI) et perte de matière active (LAM). LLI est liée à la formation de la couche d’interface électrolyte solide (SEI) sur l’anode, qui provient de la réaction secondaire entre les ions lithium et l’électrolyte. Le LAM est causé par des contraintes mécaniques internes dans la batterie, telles que l'expansion et la contraction répétées des matériaux des électrodes pendant la charge et la décharge, ce qui entraîne des microfissures et le détachement des particules d'électrode, réduisant ainsi la surface active disponible pour les réactions électrochimiques, réduisant ainsi la capacité de la batterie. augmentant la résistance interne et affectant finalement les performances de la batterie. Ces mécanismes de dégradation sont accélérés par des facteurs tels qu’un état de charge élevé, une température élevée et des conditions de cyclage agressives. Des informations détaillées et des détails de modélisation de divers mécanismes de vieillissement (thermique, électrochimique, etc.) peuvent être trouvés dans la littérature pertinente.
3.2. Technologie d’estimation et de modélisation du SOC pour les batteries de véhicules électriques
Lors de l'utilisation quotidienne des véhicules électriques, la batterie est souvent chargée à 20 % -40 % de SOC pour maintenir la santé de la batterie, mais les caractéristiques non linéaires et de dégradation de la capacité de la batterie peuvent entraîner des lectures SOC inexactes, affectant l'estimation de la batterie. pleine capacité. Les performances et l'entretien des batteries lithium-ion sont également affectés par le climat, la température et la fraîcheur de l'électrolyte (déterminées par les dates de production et de remplissage) affectant l'efficacité et la durée de vie des batteries. Les caractéristiques des nouvelles batteries à électrolyte peuvent varier selon les climats, et les stratégies de gestion thermique peuvent aider à résoudre les problèmes de performances liés à la température et à améliorer la durabilité des batteries.
Le modèle de circuit équivalent (ECM) traditionnel est couramment utilisé pour estimer le SOC, mais nécessite un étalonnage fréquent. L'article fournit une introduction détaillée aux équations de calcul SOC basées sur l'ECM (y compris les formes continues et discrètes), impliquant des équations d'espace d'état, des équations de tension en circuit ouvert et de relation SOC, des équations de mise à jour SOC dans le domaine à temps discret et des équations de mise à jour de tension. Les paramètres pertinents (tels que la résistance, la capacité, la tension en circuit ouvert, etc.) sont étroitement liés au SOC. Les tests de laboratoire standard (tels que les tests de caractéristiques de puissance d'impulsion mixte à différentes températures) sont couramment utilisés pour l'identification des paramètres du modèle de batterie, mais l'imprécision du modèle et le bruit de mesure peuvent entraîner de petites erreurs dans l'estimation du SOC. Pour améliorer la précision de l'estimation du SOC, diverses techniques telles que le filtrage de Kalman et ses extensions, l'observateur basé sur PI, l'observateur en mode glissant, etc. ont été utilisées pour compenser ces effets, et des méthodes de correction intégrale ont également été développées pour gérer l'incertitude initiale du modèle. et le bruit de mesure. De plus, bien que la spectroscopie d'impédance électrochimique (EIS) puisse évaluer les caractéristiques des batteries (y compris SOC et SOH), elle prend du temps et n'est pas pratique pour les applications à grande échelle (telles que les flottes de véhicules électriques), ce qui rend difficile la capture de la dynamique et des changements. conditions de fonctionnement des batteries des véhicules électriques. Une méthode plus adaptative et plus efficace est donc nécessaire.
3.3. Améliorer la technologie
Filtre de Kalman et ses méthodes d'amélioration :Le filtre de Kalman (KF) et ses extensions (telles que le filtre de Kalman étendu EKF, le filtre de Kalman non parfumé UKF, le filtre de Kalman volumétrique CKF) sont largement utilisés pour l'estimation du SOC. KF fournit l'estimation optimale du SOC en minimisant l'erreur quadratique moyenne, résolvant ainsi les problèmes d'erreur cumulée et d'incertitude initiale du SOC. Cependant, il convient aux systèmes linéaires variant dans le temps où la dynamique non linéaire des batteries nécessite une approximation de linéarisation. Bien que l'EKF étende le cadre KF pour gérer les modèles non linéaires, la linéarisation peut affecter la précision et conduire à une divergence des estimateurs. De nouvelles méthodes telles que UKF et CKF utilisent l'estimation de points sigma pour estimer les statistiques de transformation non linéaire, tandis que CKF utilise la règle du volume radial sphérique pour calculer les intégrales de moment multivariées afin d'améliorer la précision du filtrage bayésien non linéaire. Cependant, ces filtres supposent généralement que les caractéristiques du bruit sont connues et constantes, et que dans les applications pratiques, le bruit est variable (comme le bruit non gaussien généré par une interférence externe). Par conséquent, des stratégies de filtrage adaptatif robustes ont été développées, telles que l'utilisation de modèles de mélange gaussien (GMM) pour modéliser le bruit non gaussien afin d'améliorer la précision de l'estimation d'état. Des études pertinentes ont montré les applications et les avantages de ces méthodes dans différents domaines. De plus, des filtres distribués et distribués (tels que le filtre de Kalman distribué DKF, le filtre de Kalman distribué et le filtre de covariance croisée DKF-CI) sont utilisés pour optimiser l'estimation de l'état des systèmes interconnectés à grande échelle. Les filtres robustes et non linéaires (tels que le filtre de Kalman robuste) ont des performances supérieures pour traiter les non-linéarités complexes dans les systèmes de batterie (tels que les processus électrochimiques). Les techniques adaptatives (telles que les algorithmes adaptatifs EKF et adaptatifs UKF) ajustent dynamiquement les paramètres du filtre pour s'adapter aux changements de bruit et améliorer la précision de l'estimation du SOC. Des études et des exemples pertinents ont vérifié l’efficacité de ces méthodes.
Autres méthodes d'amélioration :comme la méthode Adaptive Integral Correction State of Charge Estimation (AIC-SE) proposée dans 2022, qui est basée sur le modèle ECM et améliore la précision de l'estimation du SOC grâce à des mécanismes de correction en temps réel (y compris la résistance et correction de la capacité de la batterie) (erreur maximale ± 0,8 %, erreur RMS inférieure à 0,3 %). L'efficacité de calcul est supérieure à celle de l'UKF (AIC-SE environ 5n opérations, UKF environ n ^ 2 opérations), répondant efficacement aux défis du vieillissement et de la dégradation de la batterie. Le filtre de Kalman de volume d'entropie de corrélation maximale bayésienne variationnelle (VBMCCKF) en 2023 combine des techniques de filtrage et statistiques avancées pour améliorer l'estimation de la covariance des erreurs de mesure à l'aide de la méthode bayésienne variationnelle. Le critère d'entropie de corrélation maximale est utilisé pour gérer les valeurs aberrantes de mesure du bruit non gaussien, améliorant ainsi considérablement la précision de l'estimation du SOC (par rapport à l'EKF, au CKF et au filtre de Kalman de volume bayésien variationnel, l'erreur absolue moyenne est réduite de 77 %, 68 % et 49 % , respectivement) et améliorer la robustesse du système de gestion de la batterie.
3.4 Intégration avec les modèles vieillissants
Le modèle de vieillissement de la batterie est étroitement lié à l’estimation du SOC, et des recherches récentes ont innové dans ces deux aspects. Le modèle de vieillissement de la batterie proposé en 2024 prend en compte de manière exhaustive les effets du SOC, de la température de la batterie, de la durée et des temps de cycle entièrement équivalents (NFEC) sur le vieillissement de la batterie. Le modèle se compose de deux parties : la première partie se concentre sur le vieillissement lié au SOC et à la température (calcul de la perte de capacité grâce à des formules spécifiques), et la deuxième partie considère l'impact des NFEC sur le vieillissement. Ce modèle intègre de manière innovante le vieillissement de la batterie en tant que sous-système du véhicule électrique avec le modèle de batterie, couvrant tous les modes de fonctionnement tels que le stationnement, la conduite et la recharge. Il permet une simulation précise des interactions entre différents sous-systèmes grâce à la méthode formelle de représentation macroscopique énergétique (EMR) (un outil graphique développé en 2000 pour organiser les connexions des sous-systèmes, représenter le flux d'énergie et les relations causales). Des recherches ont montré que la réduction de la fréquence de charge (par exemple en passant d'une charge quotidienne à une charge tous les quatre jours) peut prolonger considérablement le temps nécessaire à la batterie pour atteindre 80 % de SOH. Cette approche intégrée apporte des progrès importants dans l’optimisation de la gestion des batteries et dans la compréhension de l’impact des pratiques de recharge sur le vieillissement des batteries.
De nouvelles méthodes telles que AIC-SE et VBMCCKF présentent des avantages significatifs en termes de précision de l’estimation du SOC et d’efficacité de calcul. AIC-SE fonctionne bien en termes d'efficacité de calcul, tandis que VBMCCKF est plus performant en termes de gestion de l'estimation dynamique des erreurs de mesure et des environnements bruyants. Si la précision et le traitement du bruit sont donnés en priorité, la combinaison des critères d'entropie variationnelle bayésienne et de corrélation maximale peut être le meilleur choix actuel ; Si nous nous concentrons sur l’efficacité informatique et les applications en temps réel, AIC-SE est un bon choix, indiquant que les méthodes de modélisation ECM présentent encore des avantages dans ce domaine. De plus, le modèle de vieillissement de la batterie étudié en 2024 prend en compte de manière exhaustive l'impact de multiples facteurs sur la dégradation de la batterie, ce qui est d'une grande importance pour l'optimisation de la durée de vie de la batterie (sur la base des pratiques de charge). Dans l’ensemble, ces développements améliorent non seulement la précision de l’estimation du SOC, mais contribuent également à prolonger la durée de vie de la batterie et à améliorer sa fiabilité opérationnelle.
4. Techniques d’évaluation de l’état de santé (SOH)
4.1 Méthodes traditionnelles d'estimation du SOH
La méthode traditionnelle d'estimation du SOH est largement utilisée dans les domaines universitaires et industriels, principalement basée sur des paramètres de base tels que la dégradation de la capacité, la résistance interne et la durée de vie pour évaluer le SOH de la batterie (voir le tableau 4 pour les formules pertinentes et la signification des paramètres). Ces méthodes constituent une base pour l’évaluation de l’état de la batterie et aident à comprendre ses performances. En comprenant ces méthodes traditionnelles, nous pouvons mieux comprendre les améliorations apportées aux nouvelles méthodes d’estimation dans les chapitres suivants. Les nouvelles méthodes utilisent souvent des techniques d’analyse de données et de modélisation prédictive plus complexes pour remédier aux limites des méthodes traditionnelles. La comparaison des deux peut clarifier le développement et l’évolution de la technologie d’estimation du SOH et démontrer comment les méthodes modernes peuvent améliorer la précision et l’adaptabilité des systèmes de gestion de batterie.
4.2 Nouveaux développements visant à remplacer les méthodes traditionnelles
De nouveaux indicateurs de santé combinés au machine learning :Pour améliorer la précision de la prévision du SOH, la recherche a introduit de nouveaux indicateurs de santé tels que le taux de dégradation (DSR). La formule de calcul du DSR à partir de la pente de la courbe de tension de charge est la suivante :
En comparant les pentes de plusieurs cycles de charge, le taux de dégradation (en mV/s) de la batterie dans une plage de tension spécifique (telle que [3.8-3.9V]) est déterminé, ce qui est étroitement lié au capacité de la batterie et peut être utilisé comme indicateur clé pour déterminer la fin de la durée de vie de la batterie. La combinaison des modèles de régression de processus gaussien (GPR) et de réseau neuronal à perceptrons multicouches (MLPNN) permet d'estimer plus précisément la perte et la dégradation de capacité. Par rapport aux modèles traditionnels, la sensibilité et la précision sont considérablement améliorées, résolvant efficacement le problème des modèles traditionnels difficiles à détecter précocement la dégradation.
Amélioration du modèle de circuit équivalent :Les premières méthodes d'amélioration des modèles de circuits équivalents (ECM) traditionnels ont continué à se développer, telles que l'estimation du SOH en analysant la capacité corporelle du modèle de circuit RC équivalent en 2015, en utilisant des algorithmes innovants pour calculer le facteur d'atténuation de la capacité corporelle, et en le combinant avec des observateurs non linéaires discrets pour améliorer la précision et la fiabilité ; En 2024, un modèle de circuit équivalent hybride de second ordre combiné à un taux de mise à jour adaptatif et à un observateur non linéaire a été adopté pour prendre en compte l'influence de la température, obtenant ainsi une grande précision dans l'estimation du SOH (erreur absolue moyenne inférieure à 0,5 %, RMS erreur inférieure à 0,2 % ); La solution cloud pour 2023 utilise des données de surveillance à long terme et des données en temps réel pour estimer les paramètres du modèle de batterie en ajustant l'algorithme des moindres carrés de la fenêtre mobile. Sur la base du modèle ECM, une évaluation SOH de haute précision est obtenue, indiquant que la méthode ECM améliorée a toujours une importance significative dans l'estimation du SOH, conformément à la tendance à l'amélioration continue des méthodes ECM dans la technologie d'estimation du SOC.
Méthode du cadre hybride :Le nouveau cadre intègre le k-plus proche voisin statistique linéaire (LSKNN), la recherche d'entropie d'information maximale (MIES) et la régression collective du processus gaussien variationnel clairsemé (CSVGPR) pour le traitement de l'interpolation des données, le filtrage du bruit, la sélection des caractéristiques et la gestion des incertitudes. LSKNN estime les points de données manquants et filtre le bruit, MIES sélectionne les fonctionnalités présentant une forte corrélation avec SOH et CSVGPR traite l'incertitude des données pour améliorer la précision des prévisions. Ce cadre a été testé à l'aide de l'ensemble de données de la batterie de la NASA et comparé à des méthodes telles que ElasticNet, Support Vector Regression (SVR), Random Forest et Gradient Boosting, l'erreur quadratique moyenne (RMSE) a été réduite de 77,8 % (de {{3 }}.0510 dans ElasticNet à 0.0113). Par rapport aux modèles de processus gaussiens avec différents noyaux, le RMSE a été réduit de 55,5 % (de 0,0254 à 0,0113), confirmant la robustesse et la grande précision du cadre et fournissant une méthode plus précise pour l'estimation du SOH.
La tendance au développement de la technologie d’estimation du SOH passe des méthodes traditionnelles à des modèles plus complexes adaptés aux véhicules électriques. Les nouvelles méthodes incluent la combinaison de modèles de dégradation avec l'apprentissage automatique classique, des méthodes basées sur l'ECM et des méthodes hybrides. Le DSR est une innovation importante qui réduit le recours à un cycle de charge complet (réduisant le temps d'attente d'environ 84 %) et, lorsqu'il est combiné avec l'apprentissage automatique, améliore la précision de l'estimation de la perte de capacité, surmontant ainsi la difficulté de détection précoce de la dégradation dans les modèles traditionnels. La méthode ECM améliorée a obtenu de bons résultats dans l'estimation du SOH, ce qui concorde avec l'importance de la méthode ECM dans l'estimation du SOC. Les technologies hybrides (telles que le nouveau framework mentionné ci-dessus) ont une grande précision. Bien que les applications en temps réel posent des défis, la résolution efficace des problèmes clés de traitement des données constitue une amélioration significative par rapport aux méthodes traditionnelles d’estimation du SOH. Dans l’ensemble, ces développements se concentrent sur les applications en temps réel et les méthodes basées sur les données, améliorant considérablement la fiabilité des systèmes de gestion des batteries des véhicules électriques. Les méthodes d'apprentissage en profondeur telles que le LSTM, les CNN et les techniques hybrides sont devenues les méthodes courantes d'estimation du SOH. Les chapitres suivants présenteront les résultats de recherche et les contributions pertinentes.
5. Application du Deep Learning dans l’estimation SOH
5.1 Modèles LSTM et hybrides
Plusieurs études ont utilisé des modèles de vieillissement améliorés combinés à des techniques d’apprentissage profond pour améliorer la précision de l’estimation du SOH. L’apprentissage profond est indispensable pour prédire la durée de vie utile restante (RUL). Par exemple, en intégrant le modèle de dégradation du SOH et en considérant diverses conditions de fonctionnement telles que le courant et la température de charge/décharge, une formule spécifique peut être utilisée pour :
Parmi eux, I2 {c} et I2 {d} sont des courants de charge et de décharge normalisés, T3 {c} et T4 {d} sont des températures de batterie et ambiantes normalisées, T3 {c} et T4 {d} sont des temps de charge et de décharge, et (d1-d4) est un poids), qui simule plus précisément la dégradation de la batterie. Le modèle de prédiction RUL basé sur le réseau LSTM améliore la précision des prédictions, mais la complexité informatique augmente et les applications en temps réel sont confrontées à des défis. Les réseaux de neurones peuvent gérer des processus de batterie qui varient dans le temps, apprendre en permanence à s'adapter aux changements de comportement de la batterie et maintenir la fiabilité des modèles.
En extrayant des fonctionnalités clés (telles que 6 fonctionnalités clés) pour optimiser l'estimation du SOH, combinées à des algorithmes d'apprentissage automatique pour obtenir une haute précision et une faible charge de calcul, les fonctionnalités de tension jouent un rôle important dans l'amélioration de la précision de l'évaluation de l'état de la batterie. Combiner plusieurs modèles d'apprentissage profond (tels que CNN, LSTM, GRU et leurs variantes bidirectionnelles) dans un cadre hybride (tel que CNN-LSTM-DNN, CNN-GRU-DNN) pour prédire RUL, en utilisant un large éventail de fonctionnalités pour améliorer la précision, a réduit le RMSE de 90,5 % lors des tests des ensembles de données de la NASA, mais la puissance et la complexité des calculs limitent les applications en temps réel. Les méthodes multi-modèles (telles que les bibliothèques de modèles LSTM) et les stratégies d'optimisation avancées (telles que l'intégration de LSTM dans le cadre AI-BMS et sa mise en œuvre sur FPGA) peuvent améliorer la précision des prédictions et l'efficacité du système, mais l'application du FPGA dans les véhicules électriques commerciaux est coûteuse. et les défis pratiques.
La combinaison des méthodes GRU et de détection douce offre un potentiel de prévision RUL à long terme dans les environnements de laboratoire, mais les applications pratiques nécessitent une adaptation à différentes conditions de charge. En utilisant des méthodes basées sur les données telles que LSTM, DNN et GRU pour traiter les ensembles de données de la NASA, GRU présente de solides performances (RMSE de 0.003, MAE de 0,003, R au carré erreur de 0,004), et la combinaison des réseaux GRU et LSTM permet d'obtenir de meilleures performances. La méthode basée sur LSTM extrait des fonctionnalités (telles que 5 fonctionnalités manuelles) en analysant la courbe de charge et de décharge de la batterie et utilise des algorithmes d'optimisation (tels qu'Adam) pour améliorer l'efficacité de l'entraînement et la précision des prévisions. Grâce à l'entraînement des données partielles d'une seule batterie, l'erreur d'estimation SOH pour les autres batteries est faible, ce qui est meilleur que les modèles traditionnels.
Le réseau MDA-LSTM combine plusieurs fonctionnalités et informations temporelles, et améliore la précision de la prédiction RUL grâce à plusieurs modules de fusion de fonctionnalités et des modules à double attention. Il fonctionne bien en validation multi-ensembles de données, avec robustesse et généralisation. Le réseau BiLSTM empilé est utilisé pour prédire le SOH à l'aide de données de charge à courant constant, et la structure bidirectionnelle améliore la fiabilité de la prédiction, ce qui le rend adapté à l'estimation du SOH en temps réel pendant une charge rapide. Le modèle TCN-LSTM utilise des données synthétiques et une optimisation bayésienne pour reconstruire avec précision la tension en circuit ouvert (OCV) et estimer l'état de santé (SOH) (MAE inférieur à 22 mV, MAPE inférieur à 2,2 %). Il peut être étendu à différents systèmes chimiques de batterie grâce à l’apprentissage par transfert, mais il existe des limites d’extrapolation lorsque les données sont insuffisantes. La méthode de fusion profonde (telle que l'utilisation de données historiques et de plusieurs indicateurs de santé) atteint une grande précision (MAPE inférieure à 2,97 %) grâce à des tests de décharge complète, et le cadre mondial basé sur le GPR et le modèle DFTN pour les véhicules électriques individuels ont obtenu de bons résultats. .
5.2. Modèle intégré CNN et CNN-LSTM
La méthode CNN-WNN-WLSTM intègre les réseaux CNN, WNN et WLSTM. CNN extrait les fonctionnalités, les fonctionnalités des processus WNN et WLSTM et estime le SOH. L'optimiseur RMSprop est utilisé pour améliorer les performances et surpasse les méthodes traditionnelles de test des ensembles de données de la NASA, offrant ainsi une approche prometteuse pour la gestion de l'état de la batterie. Le modèle CNN-LSTM-CRF s'inspire du traitement du langage naturel, la couche CRF capturant les dépendances des variables de sortie pour améliorer la précision et l'intuitivité de la prédiction de la capacité de la batterie. Cependant, les exigences informatiques sont élevées et dépassent les capacités des processeurs embarqués. À l’avenir, des recherches seront nécessaires pour améliorer sa praticité (par exemple grâce à l’apprentissage par transfert). Le modèle LSTNet améliore les performances de prédiction de la capacité de la batterie en segmentant les données, en intégrant les composants ConvLSTM et AR et en optimisant la structure (par exemple, lors des tests d'ensemble de données de la NASA, le RMSE était de 0,65 %, le MAE était de 0. 58 %, et MAPE était de 0,435 % lorsqu'il était entraîné sur 40 % de données).
En intégrant des algorithmes d'optimisation CNN et ECSSA améliorés pour prédire le RUL des batteries lithium-ion à semi-conducteurs, CNN améliore l'extraction des caractéristiques et la précision de la prédiction en optimisant les hyperparamètres et les structures (comme l'utilisation de couches convolutives avancées, de fonctions d'activation et de connexions résiduelles), tandis que ECSSA optimise les paramètres du modèle grâce à des méthodes mathématiques innovantes (telles que la cartographie chaotique du cercle, le coefficient d'absorption non linéaire et la mutation de Cauchy) pour améliorer la précision et la robustesse des prédictions RUL. La combinaison de PCA et CNN pour l'optimisation des fonctionnalités et la réduction de la dimensionnalité améliore la précision et l'efficacité de l'estimation SOH (par rapport aux modèles CNN traditionnels et PCA-CNN à dimensions fixes, le MAE augmente de plus de 20 % et le RMSE augmente de plus de 30 %). Le modèle d'estimation SOH en temps réel intègre 1D-CNN et BiGRU, utilise les données BMS pour éviter l'extraction de caractéristiques complexes et atteint une grande précision grâce à l'optimisation bayésienne des hyperparamètres (comme dans les tests d'ensembles de données de la NASA, le MAE est de 2,080 %, le RMSE est de 2,516 %). et l'erreur d'index EOL est nulle).
5.3. Stratégies d'optimisation pour les modèles d'apprentissage profond
Tout d’abord, l’algorithme de forêt aléatoire a été utilisé pour identifier les facteurs de santé clés, puis la technique d’optimisation des essaims de particules par algorithme génétique (GA-PSO) a été utilisée pour optimiser les paramètres du modèle de régression vectorielle de support (SVR) pour estimer l’état de santé (SOH). L'efficacité a été vérifiée sur quatre batteries, améliorant la précision et la vitesse de convergence (RMSE de 0,40 %, MAPE de 0,56 %), ce qui est supérieur aux autres méthodes associées. La méthode hybride GWO-BRNN utilise l'optimisation du loup gris (GWO) pour sélectionner des hyperparamètres pour les réseaux neuronaux régularisés bayésiens (BRNN). Sur la base de l'ensemble de données de la NASA, l'erreur d'estimation du SOH est inférieure à 1 %, mais la complexité informatique est élevée et les applications pratiques sont limitées. Utiliser directement les données brutes des véhicules électriques pour évaluer le SOH et prédire le RUL, en améliorant la précision en introduisant de nouvelles fonctionnalités d'évaluation et des méthodes de correction d'interpolation (réduisant l'erreur relative d'intégration actuelle à 0,94 %), combinée à la méthode d'optimisation D-NSGA-II pour poursuivre optimiser l'estimation du SOH et réduire le temps de calcul. En réponse à la difficulté d'estimer l'état de santé (SOH) causé par une charge et une décharge incomplètes des batteries lithium-ion dans les véhicules électriques, une méthode d'estimation indirecte (ATAGA-BP) est proposée. La méthode utilise les caractéristiques de l’étape de charge à tension constante comme indicateur de santé et est validée par simulation avec les données de la NASA. La méthode présente une forte corrélation avec la capacité de la batterie (plus de 85 %), avec une erreur d'estimation SOH de 3,7 % et une amélioration de l'efficacité itérative de 17,8 %.
L'apprentissage profond a fait des progrès significatifs dans l'estimation du SOH, et des modèles complets prenant en compte plusieurs facteurs permettent une compréhension plus approfondie de la dégradation des batteries. Les réseaux LSTM sont importants pour capturer les dépendances temporelles et prédire RUL, mais leur complexité informatique pose des défis pour les applications en temps réel. Les méthodes d’extraction de caractéristiques sont importantes et peuvent optimiser l’estimation du SOH. La combinaison de modèles hybrides et de différentes architectures de réseaux neuronaux pour traiter la complexité des données des batteries présente des perspectives prometteuses, mais les exigences informatiques élevées limitent les applications pratiques. Les stratégies d'optimisation telles que GA-PSO, GWO-BRNN et D-NSGA-II ont amélioré la précision et l'efficacité, mais la mise en œuvre d'algorithmes complexes est difficile et nécessite un équilibre entre précision et simplicité d'exécution. La technologie avancée de l’IA est cruciale pour l’application des batteries secondaires (manque de données d’utilisation détaillées). Les chapitres suivants donneront un aperçu de l'état actuel de la recherche sur les applications secondaires, en particulier dans le domaine de la réutilisation des batteries.
6. Résumé
Cet article fait progresser le développement de l'estimation du SOH et du SOC pour les batteries lithium-ion des véhicules électriques grâce à des méthodes et des modèles innovants, couvrant diverses technologies allant de l'apprentissage automatique traditionnel aux modèles avancés d'apprentissage en profondeur tels que LSTM et CNN. Cependant, chaque méthode présente des différences en termes de précision, de complexité et d’applicabilité, ce qui rend la comparaison directe difficile. Des recherches ont montré que le traitement et les sources des données ont un impact significatif sur les performances du modèle et qu'une validation plus approfondie est nécessaire pour le déploiement réel. Bien que les modèles d’apprentissage profond aient montré des avantages dans le traitement de données complexes, ils restent confrontés à des défis tels que des besoins élevés en ressources informatiques et une adaptabilité à des scénarios d’application pratiques. Les recherches futures devraient se concentrer sur l'amélioration de la sélection des fonctionnalités, de la détection des anomalies, de l'adaptation à diverses conditions environnementales, de l'optimisation des algorithmes pour améliorer l'efficacité des calculs, de la réalisation d'applications en temps réel, de l'intégration de plusieurs sources de données pour améliorer les performances du modèle d'estimation SOH, tout en abordant les défis liés aux applications de batteries secondaires. , développant des solutions efficaces et favorisant le développement de systèmes de gestion de batteries pour répondre aux demandes croissantes dans les domaines des véhicules électriques et du stockage d'énergie.