La direzione centrale del futurosistemi di gestione delle batterie (BMS): Previsione della salute del pacchetto di batterie basata sull'IA

Con l'aumentare dei requisiti di prestazione delle batterie dei veicoli elettrici, dei sistemi di accumulo di energia, delle apparecchiature elettriche, degli utensili elettrici, ecc.,le limitazioni delle tradizionali batterie al litio BMS stanno diventando sempre più importanti, e l'introduzione della tecnologia AI sta ridefinendo i confini della previsione della salute del pacchetto di batterie.Di seguito è riportata un'analisi completa basata sui progressi tecnologici esistenti e sulle tendenze del settore:

In primo luogo, le limitazioni delle tradizionali batterie al litio BMS spingono l'applicazione della tecnologia AI

Le funzioni fondamentali del BMS tradizionale delle batterie al litio includono il monitoraggio delle condizioni (stimazione SOC/SOH), la gestione attiva dell'equalizzazione, il controllo della temperatura, ecc., ma i suoi limiti sono significativi:

1- Dipendenza dal modello statico:la stima tradizionale SOC/SOH si basa sulla correlazione tensione-carica o sulla semplice integrazione corrente,che è difficile da adattare a condizioni di funzionamento dinamiche e ha un elevato tasso di errore (soprattutto in scenari a bassa temperatura o ad alta moltiplicazione)2. utilizzo insufficiente dei dati: si basa solo sulla correlazione tensione-carica o sulla semplice integrazione di corrente.
2- Uso insufficiente dei dati: si basano solo su parametri di base quali tensione, corrente, temperatura, ecc., e mancanza di analisi di fusione di dati eterogenei provenienti da fonti multiple (ad esempio, impedenza, deformazione,Modifiche di livello SEI).
3- Insufficiente capacità di previsione e in tempo reale: Gli algoritmi tradizionali sono per lo più una gestione reattiva, incapaci di avvertire in anticipo di rischi di invecchiamento della batteria o di fuga termica e di rischi per la sicurezza.
4. Restrizioni hardware del BMS:l'architettura cablata e l'insufficiente potenza di calcolo locale, con conseguenti elevati costi di manutenzione e scarsa scalabilità.

Innovazione tecnologica di previsione della salute delle batterie al litio basata sull'IA

1. Innovazione degli algoritmi: apprendimento profondo e apprendimento migratorio.

- LSTM e BiLSTM:vantaggi significativi nell'elaborazione dei dati delle serie temporali, ad esempio uno studio ha ottenuto un errore di previsione della durata residuo < 5% con soli 15 cicli di ricarica dei dati attraverso il modello LSTM,e un altro esperimento controllato errore SOH entro l'1% nel quadro di apprendimento migrazione.
- Fusione dei dati multimodali:Combinazione dei dati dei sensori di tensione, temperatura e deformazione per migliorare la robustezza del modello.
- Imparare la migrazione:Risolvere il problema di generalizzazione per diversi tipi/condizioni di batteria, ad esempio un modello pre-addestrato può essere adattato a nuovi tipi di batteria con un errore medio inferiore all'1,4%.

2Fusione dei sensori e edge computing

- Nuova integrazione dei sensori:Es. monitoraggio dello spessore dello strato SEI, spettroscopia di impedenza per fornire metriche più dirette dell'invecchiamento della batteria.
- AI-on-chip al limite:La soluzione AI-BMS-on-chip di Eatron e Syntiant consente un processo decisionale locale in tempo reale attraverso un processore a bassa potenza che prolunga la durata della batteria del 25% e libera il 10% della capacità.

3. Architettura collaborativa end-cloud

- Cloud big data training + edge real-time reasoning:Per esempio, il sistema AI-BMS basato sul cloud di Wuling combina milioni di dati sui veicoli per realizzare il monitoraggio della sicurezza di secondo livello e 240 strategie di allarme rapido;L'AI BMS di Huawei avverte di perdita di controllo termico 24 ore prima attraverso la fusione cloud end-to-end, con un tasso di falso allarme di solo lo 0,1%.

Progressi nell'applicazione industriale e nella commercializzazione

1. Disponibilità dei principali produttori

- Wuling:La batteria è dotata di AI-BMS sviluppato da noi, con un totale cumulativo di 2 milioni di veicoli e zero record di combustione spontanea,e supporta algoritmi dinamici di ricostituzione del litio per mantenere un grado di salute > 95%.
- Huawei:L'AI BMS integra il meccanismo della batteria e l'apprendimento automatico, applicato alla serie di modelli di interrogazione, con un tasso di controllo del rischio del 90%.
- Ningde Times:L'algoritmo dinamico di ricostituzione del litio è profondamente accoppiato con il BMS per ottimizzare le prestazioni dell'intero ciclo di vita della batteria.

2. Scoperte accademiche

- Diagnosi predittiva:Il chip AI-BMS di Eatron puo' identificare potenziali guasti mesi prima.
- Progettazione dei materiali a livello molecolare:Sviluppo assistito dall'IA di nuovi elettroliti (ad esempio CF3SO2Li) per migliorare la stabilità chimica delle batterie.

Sfide e tendenze future

1. Sfide tecniche

- Privacy e sicurezza dei dati:La formazione dei dati cloud deve essere conforme al GDPR e ad altri regolamenti, edge computing può alleviare parzialmente questo problema.
- Interpretabilità del modello:I modelli a scatola nera difficilmente possono soddisfare i requisiti di certificazione della sicurezza automobilistica e devono essere combinati con modelli fisici (ad esempio, modelli ibridi elettrochimici-IA).
- Costi e aritmetica:Il costo della produzione su scala di chip AI ad alte prestazioni è ancora elevato.

2. Tendenze future

- Sistema di apprendimento adattivo:Ottimizzare dinamicamente le strategie di ricarica e scarica con l'apprendimento del rinforzo per prolungare la durata della batteria.
- Gestione del ciclo di vita completo:Dalla progettazione dei materiali al riciclaggio, l'IA attraversa tutti gli aspetti della ricerca e sviluppo delle batterie, della produzione, dell'uso e dell'utilizzo secondario.
- Normalizzazione e ecologia open source:stabilire un set di dati unificato sulle batterie (ad esempio CALCE, NASA Extension) per promuovere un confronto eficiente e l'iterazione degli algoritmi.

Conclusioni

Il BMS basato sull'intelligenza artificiale per la gestione delle batterie agli ioni di litio si sta spostando da "monitoraggio passivo" a "previsione e ottimizzazione attiva", con il valore fondamentale di informazioni basate sui dati per migliorare la sicurezza, la longevità, la sicurezza e la sicurezza.e efficienza energeticaNonostante i costi, la privacy e le sfide di standardizzazione, la tecnologia sta iterando molto più velocemente degli approcci tradizionali.L'AI-BMS non sarà solo una "domestica intelligente" per le batterie, ma anche un nodo centrale nella digitalizzazione del sistema energetico, guidando le nuove industrie dei veicoli energetici e dello stoccaggio dell'energia verso una maggiore affidabilità ed economia.