Tóm tắt
Công nghệ ước tính Trạng thái Sức khỏe (SOH) cho pin lithium-ion rất quan trọng đối với sự an toàn và độ tin cậy của xe điện. Với sự phát triển của công nghệ trí tuệ nhân tạo (AI) và máy học (ML), lĩnh vực quản lý pin đang bắt đầu áp dụng các phương pháp này để nâng cao hiệu quả và độ ổn định. Đặc biệt, mạng nơ-ron đã cho thấy những ưu điểm về hiệu quả cao, tiêu thụ năng lượng thấp, độ bền cao và khả năng mở rộng trong mô phỏng và dự đoán SOH. Mô hình lai, kết hợp với các mô hình mạch tương đương (ECM) và học sâu, đã được chứng minh là có tiềm năng trong việc cải thiện độ chính xác và hiệu suất thời gian thực của ước tính SOH. Các hướng nghiên cứu trong tương lai bao gồm sử dụng nhiều dữ liệu tại chỗ hơn để sàng lọc tính năng sức khỏe và xây dựng mô hình, cũng như sàng lọc thông minh và kết hợp các thông số pin để mô tả chính xác hơn SOH thực tế. Sự phát triển của những công nghệ này sẽ nâng cao hơn nữa việc quản lý pin xe điện một cách khoa học, đáng tin cậy, ổn định và mạnh mẽ.
1. Tóm tắt
1.1 Tầm quan trọng của pin lithium-ion đối với xe điện và ý nghĩa quan trọng của việc ước tính SOH
Pin lithium ion rất quan trọng cho hoạt động của xe điện và hiệu suất của chúng bị ảnh hưởng bởi các quá trình xuống cấp khác nhau. Việc ước tính chính xác tình trạng sức khỏe (SOH) của pin là rất quan trọng để đảm bảo hoạt động an toàn, đáng tin cậy và tiết kiệm của xe điện. Khi nhu cầu về xe điện tăng lên, việc giám sát SOH ngày càng trở nên quan trọng, vì pin lithium-ion thường giảm xuống 80% công suất ban đầu trước khi hết tuổi thọ. Ngoài ra, Trạng thái sạc (SOC) cũng là một thông số quan trọng và những thay đổi của nó có thể phản ánh sự lão hóa và suy giảm dung lượng pin. Dự đoán SOC chính xác rất hữu ích cho việc ước tính SOH, từ đó xác định tuổi thọ còn lại của pin.
1.2 Phát triển các phương pháp ước tính SOH
Tổng quan và tiến độ của các phương pháp hiện có:Nhiều phương pháp ước tính SOH đã được phát triển, trong đó các phương pháp dựa trên SOC tích hợp dữ liệu thời gian thực như dòng điện, điện áp và nhiệt độ để đạt được dự đoán SOH chính xác hơn trong nhiều chu kỳ sạc và xả, tối ưu hóa hiệu suất pin, ngăn ngừa lỗi và kéo dài tuổi thọ pin . Những tiến bộ mới nhất trong phương pháp học máy đã nâng cao hơn nữa khả năng ước tính SOH và các mạng thần kinh như mạng thần kinh chuyển tiếp và tích chập hoạt động tốt trong mô hình hóa pin, vượt trội so với các phương pháp hồi quy truyền thống về độ phức tạp và độ chính xác, với độ lệch lỗi trung bình khoảng 0 0,16% và sai số bình phương trung bình gốc là 5,57mV ở cấp độ pin.
1.3 Phân loại và đặc điểm của phương pháp mô hình hóa pin
Các phương pháp phân tích như kỹ thuật tích phân dòng điện và điện áp mạch hở (OCV) có thể đưa ra ước tính SOH rõ ràng nhưng bị ảnh hưởng bởi tiếng ồn tích lũy và cần thời gian chờ lâu để đảm bảo độ chính xác.
Cách tiếp cận dựa trên mô hình
Mẫu hộp trắng:Dựa trên nguyên lý điện hóa chi tiết, nó mô phỏng hoạt động của pin thông qua các thông số cơ bản với độ chính xác cao. Tuy nhiên, yêu cầu tính toán cao và các giả định đơn giản hóa về động lực học trong thế giới thực làm giảm độ chính xác của nó trong điều kiện động, khiến nó không phù hợp cho các ứng dụng thời gian thực.
Các mẫu hộp màu xám (chẳng hạn như ECM):Kết hợp những hiểu biết vật lý và điều chỉnh theo kinh nghiệm, sử dụng mạch tương tự để ước tính hoạt động của pin, có thể ước tính SOC với độ chính xác cao (thường sai số trong khoảng 3%) và rất hữu ích cho việc ước tính SOH theo thời gian thực và dự đoán tuổi thọ hữu ích còn lại (RUL), nhưng phải đối mặt với nhiều thách thức về chất lượng dữ liệu và yêu cầu tính toán. Một mô hình mạch tương đương đơn giản cho pin lithium-ion (bao gồm điện trở nối tiếp và tối đa hai phần tử RC) có thể được sử dụng để mô phỏng đáng tin cậy, trong khi các ECM phức tạp hơn (bao gồm nhiều nhánh RC hoặc các phần tử pha không đổi CPE) có thể mô phỏng các quá trình rất năng động (như như vận hành xe điện), nhưng nhu cầu tính toán ngày càng tăng đã thúc đẩy sự phát triển của các phương pháp ước tính SOH tiên tiến hơn.
Mô hình hộp đen (cách tiếp cận dựa trên dữ liệu):Dựa trên dữ liệu đầu vào và đầu ra, mô hình được xây dựng mà không dựa vào kiến thức nguyên lý làm việc nội tại. Kỹ thuật học máy có thể dự đoán trạng thái pin từ một lượng lớn dữ liệu đo lường. Học máy vượt trội trong việc xác định các mẫu trong các bộ dữ liệu phức tạp, chẳng hạn như mạng thần kinh đa kênh có độ chính xác cao trong ước tính công suất nhưng dựa vào dữ liệu đào tạo đa dạng và chất lượng cao. Tuy nhiên, trong các ứng dụng thực tế cho xe, nhiều biến số nội bộ không thể đo lường trực tiếp, đồng thời dữ liệu thưa thớt và thiếu khả năng diễn giải khiến mô hình khó hiểu và khó duy trì.
1.4 Sự phát triển của phương pháp mô hình và phát triển mô hình lai
Sự phát triển của các phương pháp dựa trên mô hình:Trong thập kỷ qua, các phương pháp dựa trên mô hình đã liên tục phát triển, trong đó có lọc Kalman (KF) và các phần mở rộng của nó (như Extended Kalman Filter EKF, Unscented Kalman Filter UKF). Các phương pháp này có độ chính xác cao trong ước tính trạng thái pin nhưng yêu cầu các mô hình động chính xác và phức tạp để thực hiện.
Sự trỗi dậy của các mẫu xe hybrid:Để giải quyết những hạn chế của dữ liệu trong thế giới thực và cải thiện hiệu quả tính toán, các mô hình lai đã xuất hiện, kết hợp các phương pháp dựa trên mô hình và dựa trên dữ liệu để huấn luyện các mô hình học máy thông qua mô phỏng chi tiết. Đồng thời, các kỹ thuật học máy đã đạt được những tiến bộ đáng kể trong 5 năm qua, bao gồm các phương pháp xác suất, học meta, học đối nghịch, học bán giám sát, v.v. Học sâu (một tập hợp con của học máy) đã hoạt động tốt trong việc xử lý có cấu trúc và dữ liệu phi cấu trúc. Mạng thần kinh thông tin vật lý (PINN) kết hợp các mô hình suy giảm theo kinh nghiệm với mạng thần kinh để cải thiện ước tính SOH, nâng cao khả năng thích ứng của các phương pháp trong các loại và điều kiện pin khác nhau. Với sự phát triển của ngành công nghiệp ô tô, những tiến bộ công nghệ này rất quan trọng để tối ưu hóa hiệu suất của pin, ngăn ngừa hỏng hóc và hỗ trợ sự phát triển của xe điện.
1.5 Tổng quan về các chương tiếp theo trong bài viết này
Phần 2 giới thiệu chi tiết về các phương pháp sàng lọc và lựa chọn tài liệu tổng quan, đảm bảo tính hệ thống và toàn diện của phương pháp nghiên cứu. Phần 3 cung cấp phân tích chuyên sâu về các kỹ thuật ước tính điện tích, khám phá tác động của cơ chế suy giảm pin đối với các phương pháp mô hình hóa pin xe điện, bao gồm lọc Kalman và các phương pháp cải tiến của nó, cũng như tích hợp với các mô hình lão hóa. Phần 4 tập trung vào các kỹ thuật ước tính SOH, so sánh các phương pháp truyền thống với các phương pháp mới và nhấn mạnh các phương pháp áp dụng cho xe điện. Phần 5 trình bày vai trò của học sâu trong ước tính SOH, chẳng hạn như mạng bộ nhớ ngắn hạn dài (LSTM) và mô hình lai, cũng như cách mạng thần kinh tích chập (CNN) xem xét các yếu tố thực tế để cải thiện độ chính xác của đánh giá sức khỏe. Cuối cùng, Phần 6 tóm tắt và mong đợi những hướng nghiên cứu trong tương lai về hệ thống quản lý sức khỏe pin nhằm hỗ trợ sự phát triển của thị trường xe điện và các ứng dụng lưu trữ năng lượng khác.
2. Vật liệu và phương pháp
2.1 Định nghĩa câu hỏi nghiên cứu
Nghiên cứu này đề xuất năm câu hỏi chính để hướng dẫn ứng dụng công nghệ máy học trong ước tính SOH của pin lithium-ion trên xe điện.
Làm rõ các kỹ thuật học máy chính hiện được sử dụng để ước tính trạng thái sức khỏe (SOH) của pin lithium-ion trong xe điện, đồng thời khám phá các thuật toán và mô hình cụ thể được các nhà nghiên cứu phát triển và sử dụng.
Khám phá tác động của các nguồn dữ liệu khác nhau (dữ liệu trong phòng thí nghiệm, phương tiện và hiện trường) đến độ chính xác và độ tin cậy của mô hình học máy ước tính SOH, phân tích cách các nguồn dữ liệu ảnh hưởng đến hiệu suất mô hình và xác định dữ liệu nào có lợi nhất cho dự đoán SOH chính xác.
Xác định những thách thức chính của việc áp dụng kỹ thuật máy học trong ước tính SOH của pin lithium-ion, cũng như sự biến đổi của những thách thức này trong các điều kiện môi trường và kịch bản ứng dụng khác nhau, chẳng hạn như biến động nhiệt độ, lão hóa và tác động của các chế độ sử dụng khác nhau lên pin. độ chính xác của ước tính SOH.
So sánh các phương pháp phân tích ước tính SOH, sự khác biệt giữa các phương pháp truyền thống và quá trình phát triển của chúng, nghiên cứu cách tích hợp các phương pháp học máy với các phương pháp truyền thống này, xác định các ưu điểm, nhược điểm tương ứng và khả năng phối hợp tiềm năng của chúng.
Hướng tới các hướng nghiên cứu trong tương lai để cải thiện độ chính xác, khả năng thích ứng và hiệu quả tính toán của các mô hình ước tính SOH dựa trên học máy trong pin lithium-ion cho xe điện, xác định các lỗ hổng nghiên cứu, yêu cầu kỹ thuật và phương pháp đổi mới.
2.2 Tìm kiếm và sàng lọc tài liệu
Chiến lược lựa chọn và tìm kiếm cơ sở dữ liệu: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 VÀ 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).
Sàng lọc và tập trung tài liệu:Tài liệu được truy xuất bao gồm nhiều lĩnh vực chuyên ngành, trong đó lĩnh vực kỹ thuật có tỷ lệ cao nhất (730 bài báo), tiếp theo là năng lượng, khoa học máy tính và toán học. Sau khi tập trung vào lĩnh vực khoa học máy tính, 209 tài liệu liên quan đã được xác định, trong đó có 183 tài liệu được xuất bản từ năm 2019 đến năm 2024, cho thấy tính kịp thời của dữ liệu. Các tài liệu này bao gồm các tài liệu hội nghị, bài báo, bài đánh giá và chương sách, với 72 bài báo được xuất bản từ năm 2009 đến năm 2024 làm cơ sở đánh giá chính, đồng thời kết hợp thủ công các tài liệu và chương sách liên quan từ các lĩnh vực kỹ thuật khác để đảm bảo bao quát toàn diện các lĩnh vực nghiên cứu và nắm bắt các sáng kiến đổi mới. tiến bộ công nghệ trong việc sử dụng trí tuệ nhân tạo để cải thiện hệ thống quản lý pin.
3. Công nghệ ước tính trạng thái phí (SOC)
3.1 Cơ chế xuống cấp của pin và ảnh hưởng của nó tới hiệu năng
Pin lithium ion chủ yếu xuống cấp thông qua hai cơ chế:tổn thất tồn kho lithium (LLI) và tổn thất nguyên liệu hoạt động (LAM). LLI có liên quan đến sự hình thành lớp giao diện điện phân rắn (SEI) trên cực dương, bắt nguồn từ phản ứng phụ giữa các ion lithium và chất điện phân. LAM được gây ra bởi ứng suất cơ học bên trong pin, chẳng hạn như sự giãn nở và co lại lặp đi lặp lại của vật liệu điện cực trong quá trình sạc và xả, dẫn đến các vết nứt nhỏ và tách rời các hạt điện cực, làm giảm diện tích bề mặt hoạt động có sẵn cho các phản ứng điện hóa, do đó làm giảm dung lượng pin, tăng sức đề kháng bên trong và cuối cùng ảnh hưởng đến hiệu suất của pin. Các cơ chế suy thoái này được tăng tốc bởi các yếu tố như trạng thái sạc cao, nhiệt độ cao và điều kiện đạp xe khắc nghiệt. Thông tin chi tiết và chi tiết mô hình hóa của các cơ chế lão hóa khác nhau (nhiệt, điện hóa, v.v.) có thể được tìm thấy trong các tài liệu liên quan.
3.2. Công nghệ ước tính và mô hình hóa SOC cho pin xe điện
Khi sử dụng xe điện hàng ngày, pin thường được sạc ở mức 20% -40% SOC để duy trì tình trạng của pin, nhưng đặc tính phi tuyến tính và suy giảm dung lượng pin có thể dẫn đến kết quả đọc SOC không chính xác, ảnh hưởng đến việc ước tính pin đầy đủ năng lực. Hiệu suất và khả năng bảo trì của pin lithium-ion cũng bị ảnh hưởng bởi khí hậu, với nhiệt độ và độ mới của chất điện phân (được xác định bởi ngày sản xuất và ngày nạp) ảnh hưởng đến hiệu suất và tuổi thọ của pin. Các đặc tính của pin điện phân mới có thể thay đổi theo các vùng khí hậu khác nhau và chiến lược quản lý nhiệt có thể giúp giải quyết các vấn đề về hiệu suất liên quan đến nhiệt độ và cải thiện độ bền của pin.
Mô hình mạch tương đương truyền thống (ECM) thường được sử dụng để ước tính SOC nhưng yêu cầu hiệu chuẩn thường xuyên. Bài viết giới thiệu chi tiết về các phương trình tính toán SOC dựa trên ECM (bao gồm dạng liên tục và rời rạc), bao gồm các phương trình không gian trạng thái, điện áp mạch hở và phương trình quan hệ SOC, phương trình cập nhật SOC miền thời gian rời rạc và phương trình cập nhật điện áp. Các thông số liên quan (như điện trở, điện dung, điện áp mạch hở, v.v.) có liên quan chặt chẽ với SOC. Thử nghiệm tiêu chuẩn trong phòng thí nghiệm (chẳng hạn như thử nghiệm đặc tính công suất xung hỗn hợp ở các nhiệt độ khác nhau) thường được sử dụng để xác định thông số mô hình pin, nhưng độ thiếu chính xác của mô hình và nhiễu đo lường có thể dẫn đến các lỗi nhỏ trong ước tính SOC. Để cải thiện độ chính xác của ước tính SOC, nhiều kỹ thuật khác nhau như lọc Kalman và các phần mở rộng của nó, bộ quan sát dựa trên PI, bộ quan sát chế độ trượt, v.v. đã được sử dụng để bù cho những hiệu ứng này và các phương pháp hiệu chỉnh tích phân cũng đã được phát triển để xử lý độ không đảm bảo của mô hình ban đầu và tiếng ồn đo lường. Ngoài ra, mặc dù quang phổ trở kháng điện hóa (EIS) có thể đánh giá các đặc tính của pin (bao gồm SOC và SOH), nhưng nó tốn thời gian và không thực tế đối với các ứng dụng quy mô lớn (như đội xe điện), gây khó khăn cho việc nắm bắt động lực và sự thay đổi. điều kiện hoạt động của ắc quy xe điện. Vì vậy, cần có một phương pháp thích ứng và hiệu quả hơn.
3.3. Cải tiến công nghệ
Bộ lọc Kalman và các phương pháp cải tiến của nó:Bộ lọc Kalman (KF) và các phần mở rộng của nó (chẳng hạn như Bộ lọc Kalman mở rộng EKF, Bộ lọc Kalman không mùi UKF, Bộ lọc Kalman khối CKF) được sử dụng rộng rãi để ước tính SOC. KF cung cấp ước tính SOC tối ưu bằng cách giảm thiểu sai số bình phương trung bình, giải quyết các vấn đề về sai số tích lũy và độ không đảm bảo SOC ban đầu. Tuy nhiên, nó phù hợp với các hệ thống tuyến tính thay đổi theo thời gian trong đó động lực phi tuyến của pin yêu cầu xấp xỉ tuyến tính hóa. Mặc dù EKF mở rộng khung KF để xử lý các mô hình phi tuyến, việc tuyến tính hóa có thể ảnh hưởng đến độ chính xác và dẫn đến sự phân kỳ của công cụ ước tính. Các phương pháp mới như UKF và CKF sử dụng ước tính điểm sigma để ước tính thống kê biến đổi phi tuyến, trong khi CKF sử dụng quy tắc thể tích hướng tâm hình cầu để tính tích phân mô men đa biến nhằm cải thiện độ chính xác của quá trình lọc Bayesian phi tuyến. Tuy nhiên, các bộ lọc này thường giả định rằng các đặc tính nhiễu là đã biết và không đổi, còn trong các ứng dụng thực tế, nhiễu có thể thay đổi (chẳng hạn như nhiễu không phải Gaussian được tạo ra bởi nhiễu bên ngoài). Do đó, các chiến lược lọc thích ứng mạnh mẽ đã được phát triển, chẳng hạn như sử dụng mô hình hỗn hợp Gaussian (GMM) để mô hình hóa nhiễu không phải Gaussian để cải thiện độ chính xác của ước tính trạng thái. Các nghiên cứu liên quan đã chỉ ra ứng dụng và ưu điểm của các phương pháp này trong các lĩnh vực khác nhau. Ngoài ra, các bộ lọc phân tán và phân tán (chẳng hạn như bộ lọc Kalman phân tán DKF, bộ lọc Kalman phân tán và hiệp phương sai chéo DKF-CI) được sử dụng để tối ưu hóa ước tính trạng thái của các hệ thống kết nối quy mô lớn. Các bộ lọc mạnh mẽ và phi tuyến tính (chẳng hạn như bộ lọc Kalman mạnh mẽ) có hiệu suất vượt trội trong việc xử lý các vấn đề phi tuyến tính phức tạp trong hệ thống pin (chẳng hạn như các quá trình điện hóa). Các kỹ thuật thích ứng (như thuật toán EKF thích ứng và UKF thích ứng) tự động điều chỉnh các tham số bộ lọc để thích ứng với những thay đổi về nhiễu và cải thiện độ chính xác của ước tính SOC. Các nghiên cứu và ví dụ liên quan đã xác minh tính hiệu quả của các phương pháp này.
Các phương pháp cải tiến khác:chẳng hạn như phương pháp Ước tính trạng thái điện tích hiệu chỉnh tích phân thích ứng (AIC-SE) được đề xuất trong 2022, dựa trên mô hình ECM và cải thiện độ chính xác của ước tính SOC thông qua các cơ chế hiệu chỉnh thời gian thực (bao gồm điện trở và hiệu chỉnh dung lượng pin) (sai số tối đa ± 0,8%, lỗi RMS nhỏ hơn 0,3%). Hiệu suất tính toán cao hơn UKF (AIC-SE khoảng 5n hoạt động, UKF khoảng n^2 hoạt động), giải quyết hiệu quả các thách thức về tuổi thọ và suy giảm pin. Bộ lọc Kalman khối lượng tương quan tối đa biến thể Bayesian (VBMCCKF) vào năm 2023 kết hợp các kỹ thuật thống kê và lọc nâng cao để cải thiện ước tính hiệp phương sai lỗi đo lường bằng phương pháp Bayesian biến thiên. Tiêu chí Entropy tương quan tối đa được sử dụng để xử lý các ngoại lệ đo nhiễu không phải Gaussian, cải thiện đáng kể độ chính xác của ước tính SOC (so với EKF, CKF và Bộ lọc Kalman thể tích Bayesian biến thiên, sai số tuyệt đối trung bình giảm 77%, 68% và 49% , tương ứng) và tăng cường độ bền của hệ thống quản lý pin.
3.4 Tích hợp với các mô hình lão hóa
Mô hình lão hóa pin có liên quan chặt chẽ đến ước tính SOC và nghiên cứu gần đây đã đổi mới ở cả hai khía cạnh. Mô hình lão hóa pin được đề xuất vào năm 2024 xem xét toàn diện các tác động của SOC, nhiệt độ pin, thời gian và thời gian chu kỳ tương đương hoàn toàn (NFEC) đối với quá trình lão hóa của pin. Mô hình bao gồm hai phần: phần thứ nhất tập trung vào SOC và lão hóa liên quan đến nhiệt độ (tính toán tổn thất công suất thông qua các công thức cụ thể) và phần thứ hai xem xét tác động của NFEC đối với lão hóa. Mô hình này tích hợp một cách sáng tạo quá trình lão hóa pin như một hệ thống con xe điện với mô hình pin, bao gồm tất cả các chế độ vận hành như đỗ xe, lái xe và sạc pin. Nó đạt được sự mô phỏng tương tác chính xác giữa các hệ thống con khác nhau thông qua phương pháp chính thức biểu diễn năng lượng vĩ mô (EMR) (một công cụ đồ họa được phát triển vào năm 2000 để tổ chức các kết nối hệ thống con, biểu diễn dòng điện và các mối quan hệ nhân quả). Nghiên cứu đã chỉ ra rằng việc giảm tần suất sạc (chẳng hạn như thay đổi từ sạc hàng ngày sang bốn ngày một lần) có thể kéo dài đáng kể thời gian để pin đạt 80% SOH. Phương pháp tích hợp này mang lại tiến bộ quan trọng trong việc tối ưu hóa việc quản lý pin và hiểu rõ tác động của việc thực hành sạc đối với tình trạng lão hóa của pin.
Các phương pháp mới như AIC-SE và VBMCCKF có những ưu điểm đáng kể về độ chính xác và hiệu quả tính toán của ước tính SOC. AIC-SE hoạt động tốt về hiệu quả tính toán, trong khi VBMCCKF hoạt động tốt hơn trong việc xử lý ước tính động các lỗi đo lường và môi trường nhiễu. Nếu độ chính xác và xử lý tiếng ồn được ưu tiên, việc kết hợp các tiêu chí entropy tương quan Bayesian và tương quan tối đa có thể là lựa chọn tốt nhất hiện tại; Nếu chúng ta tập trung vào hiệu quả tính toán và các ứng dụng thời gian thực thì AIC-SE là một lựa chọn tốt, cho thấy các phương pháp lập mô hình ECM vẫn có lợi thế trong lĩnh vực này. Ngoài ra, mô hình lão hóa pin được nghiên cứu vào năm 2024 xem xét toàn diện tác động của nhiều yếu tố đến sự xuống cấp của pin, điều này có ý nghĩa rất lớn trong việc tối ưu hóa tuổi thọ pin (dựa trên thực tiễn sạc). Nhìn chung, những phát triển này không chỉ cải thiện độ chính xác của ước tính SOC mà còn góp phần kéo dài tuổi thọ pin và nâng cao độ tin cậy vận hành của pin.
4. Kỹ thuật đánh giá tình trạng sức khỏe (SOH)
4.1 Phương pháp ước tính SOH truyền thống
Phương pháp ước tính SOH truyền thống được sử dụng rộng rãi trong các lĩnh vực học thuật và công nghiệp, chủ yếu dựa trên các thông số cơ bản như suy giảm công suất, điện trở trong và vòng đời để đánh giá SOH của pin (xem Bảng 4 để biết các công thức và ý nghĩa thông số liên quan). Những phương pháp này cung cấp nền tảng để đánh giá tình trạng pin và giúp hiểu rõ hiệu suất của pin. Bằng cách hiểu các phương pháp truyền thống này, chúng ta có thể hiểu rõ hơn những cải tiến của các phương pháp ước lượng mới trong các chương tiếp theo. Các phương pháp mới thường sử dụng các kỹ thuật mô hình dự đoán và phân tích dữ liệu phức tạp hơn để giải quyết những hạn chế của các phương pháp truyền thống. So sánh cả hai có thể làm rõ sự phát triển và tiến hóa của công nghệ ước tính SOH và chứng minh các phương pháp hiện đại có thể cải thiện độ chính xác và khả năng thích ứng của hệ thống quản lý pin như thế nào.
4.2 Những phát triển mới trong việc thay thế các phương pháp truyền thống
Các chỉ số sức khỏe mới kết hợp với machine learning:Để cải thiện độ chính xác của dự đoán SOH, nghiên cứu đã đưa ra các chỉ số sức khỏe mới như Tỷ lệ tốc độ suy thoái (DSR). Công thức tính DSR từ độ dốc của đường cong điện áp sạc là:
Bằng cách so sánh độ dốc của nhiều chu kỳ sạc, tốc độ xuống cấp (tính bằng mV/s) của pin trong phạm vi điện áp cụ thể (chẳng hạn như [3.8-3.9V]) được xác định, có liên quan chặt chẽ đến dung lượng pin và có thể được sử dụng làm chỉ báo chính để xác định thời điểm hết pin. Việc kết hợp các mô hình Hồi quy quy trình Gaussian (GPR) và Mạng thần kinh Perceptron đa lớp (MLPNN) có thể ước tính chính xác hơn tình trạng mất và suy giảm công suất. So với các mô hình truyền thống, độ nhạy và độ chính xác được cải thiện đáng kể, giải quyết hiệu quả vấn đề mô hình truyền thống khó phát hiện sớm sự xuống cấp.
Cải tiến mô hình mạch tương đương:Các phương pháp ban đầu để cải tiến các mô hình mạch tương đương truyền thống (ECM) tiếp tục phát triển, chẳng hạn như ước tính SOH bằng cách phân tích điện dung cơ thể của mô hình mạch RC tương đương trong 2015, sử dụng các thuật toán cải tiến để tính toán hệ số suy giảm điện dung cơ thể, và kết hợp nó với các thiết bị quan sát phi tuyến rời rạc để cải thiện độ chính xác và độ tin cậy; Trong 2024, mô hình mạch tương đương lai bậc hai kết hợp với tốc độ cập nhật thích ứng và bộ quan sát phi tuyến đã được áp dụng để xem xét ảnh hưởng của nhiệt độ, đạt được độ chính xác cao trong ước tính SOH (sai số tuyệt đối trung bình dưới 0,5%, RMS sai số nhỏ hơn 0,2%); Giải pháp đám mây cho năm 2023 sử dụng dữ liệu giám sát dài hạn và dữ liệu thời gian thực để ước tính các thông số mô hình pin bằng cách điều chỉnh thuật toán bình phương tối thiểu cửa sổ di chuyển. Dựa trên mô hình ECM, đã đạt được đánh giá SOH có độ chính xác cao, cho thấy phương pháp ECM cải tiến vẫn có tầm quan trọng đáng kể trong ước tính SOH, phù hợp với xu hướng cải tiến liên tục của các phương pháp ECM trong công nghệ ước lượng SOC.
Phương pháp khung kết hợp:Khung mới tích hợp K-Láng giềng gần nhất thống kê tuyến tính (LSKNN), Tìm kiếm Entropy thông tin tối đa (MIES) và Hồi quy quy trình Gaussian biến đổi thưa thớt tập thể (CSVGPR) để xử lý nội suy dữ liệu, lọc nhiễu, lựa chọn tính năng và quản lý sự không chắc chắn. LSKNN ước tính các điểm dữ liệu bị thiếu và lọc nhiễu, MIES chọn các tính năng có mối tương quan cao với SOH và CSVGPR xử lý độ không chắc chắn của dữ liệu để cải thiện độ chính xác của dự đoán. Khung này đã được thử nghiệm bằng bộ dữ liệu pin của NASA và được so sánh với các phương pháp như ElasticNet, Hồi quy vectơ hỗ trợ (SVR), Rừng ngẫu nhiên và Tăng cường độ dốc, Sai số bình phương trung bình gốc (RMSE) đã giảm 77,8% (từ {{3 }}.0510 trong ElasticNet tới 0.0113). So với các mô hình quy trình Gaussian với các nhân khác nhau, RMSE đã giảm 55,5% (từ 0,0254 xuống 0,0113), khẳng định độ bền và độ chính xác cao của khung và cung cấp phương pháp ước tính SOH chính xác hơn.
Xu hướng phát triển của công nghệ ước lượng SOH là chuyển dịch từ các phương pháp truyền thống sang các mô hình phức tạp hơn phù hợp với xe điện. Các phương pháp mới bao gồm kết hợp các mô hình suy thoái với học máy cổ điển, phương pháp dựa trên ECM và phương pháp kết hợp. DSR là một cải tiến quan trọng giúp giảm sự phụ thuộc vào một chu kỳ sạc hoàn chỉnh (giảm thời gian chờ khoảng 84%) và khi kết hợp với học máy sẽ cải thiện độ chính xác của ước tính tổn thất công suất, khắc phục khó khăn trong việc phát hiện sớm suy giảm công suất trong các mô hình truyền thống. Phương pháp ECM cải tiến đã đạt được kết quả tốt trong ước lượng SOH, điều này phù hợp với tầm quan trọng của phương pháp ECM trong ước lượng SOC. Các công nghệ lai (như framework mới nêu trên) có độ chính xác cao. Mặc dù các ứng dụng thời gian thực đặt ra nhiều thách thức nhưng việc giải quyết hiệu quả các vấn đề xử lý dữ liệu quan trọng là một cải tiến đáng kể so với các phương pháp ước tính SOH truyền thống. Nhìn chung, những phát triển này tập trung vào các ứng dụng thời gian thực và phương pháp dựa trên dữ liệu, cải thiện đáng kể độ tin cậy của hệ thống quản lý pin xe điện. Các phương pháp học sâu như LSTM, CNN và các kỹ thuật lai đã trở thành phương pháp chủ đạo để ước tính SOH. Các chương tiếp theo sẽ trình bày các kết quả nghiên cứu và đóng góp có liên quan.
5. Ứng dụng Deep Learning trong ước tính SOH
5.1 LSTM và mô hình lai
Nhiều nghiên cứu đã sử dụng các mô hình lão hóa cải tiến kết hợp với kỹ thuật học sâu để nâng cao độ chính xác của ước tính SOH. Học sâu là không thể thiếu trong việc dự đoán Thời gian hữu ích còn lại (RUL). Ví dụ, bằng cách tích hợp mô hình suy giảm SOH và xem xét các điều kiện vận hành khác nhau như dòng điện nạp/xả và nhiệt độ, một công thức cụ thể có thể được sử dụng để:
Trong số đó, I2 {c} và I2 {d} là dòng sạc và xả chuẩn hóa, T3 {c} và T4 {d} là pin chuẩn hóa và nhiệt độ môi trường, T3 {c} và T4 {d} là thời gian sạc và xả, và (d{6}}d4) là trọng lượng), mô phỏng chính xác hơn tình trạng xuống cấp của pin. Mô hình dự đoán RUL dựa trên mạng LSTM cải thiện độ chính xác của dự đoán, nhưng độ phức tạp tính toán tăng lên và các ứng dụng thời gian thực phải đối mặt với nhiều thách thức. Mạng thần kinh có thể xử lý các quy trình pin thay đổi theo thời gian, liên tục học cách thích ứng với những thay đổi trong hoạt động của pin và duy trì độ tin cậy của mô hình.
Bằng cách trích xuất các tính năng chính (chẳng hạn như 6 tính năng chính) để tối ưu hóa ước tính SOH, kết hợp với thuật toán học máy để đạt được độ chính xác cao và tải tính toán thấp, các tính năng điện áp đóng vai trò quan trọng trong việc cải thiện độ chính xác của đánh giá trạng thái pin. Kết hợp nhiều mô hình deep learning (như CNN, LSTM, GRU và các biến thể hai chiều của chúng) vào một khung kết hợp (như CNN-LSTM-DNN, CNN-GRU-DNN) để dự đoán RUL, sử dụng nhiều tính năng để cải thiện độ chính xác, giảm RMSE tới 90,5% trong thử nghiệm tập dữ liệu của NASA, nhưng sức mạnh tính toán và độ phức tạp hạn chế các ứng dụng thời gian thực. Các phương pháp đa mô hình (như thư viện mô hình LSTM) và các chiến lược tối ưu hóa nâng cao (chẳng hạn như tích hợp LSTM vào khung AI-BMS và triển khai nó trên FPGA) có thể cải thiện độ chính xác dự đoán và hiệu quả hệ thống, nhưng việc ứng dụng FPGA trong xe điện thương mại phải đối mặt với chi phí và thách thức về mặt thực tiễn.
Sự kết hợp giữa GRU và phương pháp cảm biến mềm có khả năng dự đoán RUL lâu dài trong môi trường phòng thí nghiệm, nhưng các ứng dụng thực tế đòi hỏi phải thích ứng với các điều kiện sạc khác nhau. Bằng cách sử dụng các phương pháp dựa trên dữ liệu như LSTM, DNN và GRU để xử lý các tập dữ liệu của NASA, GRU có hiệu suất cao (RMSE là 0.003, MAE là 0,003, R-squared lỗi 0,004) và việc kết hợp mạng GRU và LSTM mang lại hiệu suất tốt hơn. Phương pháp dựa trên LSTM trích xuất các tính năng (chẳng hạn như 5 tính năng thủ công) bằng cách phân tích đường cong xả pin và sử dụng các thuật toán tối ưu hóa (chẳng hạn như Adam) để cải thiện hiệu quả đào tạo và độ chính xác của dự đoán. Khi đào tạo dữ liệu một phần pin, sai số ước tính SOH đối với các loại pin khác thấp, tốt hơn so với các mẫu truyền thống.
Mạng MDA-LSTM kết hợp nhiều tính năng và thông tin thời gian, đồng thời cải thiện độ chính xác của dự đoán RUL thông qua nhiều mô-đun tổng hợp tính năng và mô-đun chú ý kép. Nó hoạt động tốt trong việc xác thực nhiều tập dữ liệu, với độ mạnh mẽ và tính khái quát hóa. Mạng BiLSTM xếp chồng được sử dụng để dự đoán SOH bằng cách sử dụng dữ liệu sạc hiện tại không đổi và cấu trúc hai chiều cải thiện độ tin cậy của dự đoán, khiến nó phù hợp để ước tính SOH theo thời gian thực trong quá trình sạc nhanh. Mô hình TCN-LSTM sử dụng dữ liệu tổng hợp và tối ưu hóa Bayes để tái tạo chính xác điện áp mạch hở (OCV) và ước tính Trạng thái sức khỏe (SOH) (MAE dưới 22mV, MAPE dưới 2,2%). Nó có thể được mở rộng sang các hệ thống hóa học pin khác nhau thông qua học chuyển giao, nhưng có những hạn chế về ngoại suy khi không đủ dữ liệu. Phương pháp tổng hợp sâu (chẳng hạn như sử dụng dữ liệu lịch sử và nhiều chỉ số sức khỏe) đạt được độ chính xác cao (MAPE dưới 2,97%) thông qua thử nghiệm phóng điện đầy đủ và cả khuôn khổ toàn cầu dựa trên GPR và mô hình DFTN cho từng xe điện đều đạt được kết quả tốt .
5.2. Mô hình tích hợp CNN và CNN-LSTM
Phương pháp CNN-WNN-WLSTM tích hợp các mạng CNN, WNN và WLSTM. CNN trích xuất các tính năng, tính năng xử lý WNN và WLSTM và ước tính SOH. Trình tối ưu hóa RMSprop được sử dụng để cải thiện hiệu suất và vượt trội hơn các phương pháp truyền thống trong thử nghiệm tập dữ liệu của NASA, cung cấp một phương pháp tiếp cận đầy hứa hẹn để quản lý tình trạng pin. Mô hình CNN-LSTM-CRF được lấy cảm hứng từ quá trình xử lý ngôn ngữ tự nhiên, với lớp CRF nắm bắt các yếu tố phụ thuộc của biến đầu ra để cải thiện độ chính xác và tính trực quan của việc dự đoán dung lượng pin. Tuy nhiên, yêu cầu tính toán cao và vượt quá khả năng của bộ xử lý trên bo mạch. Trong tương lai, cần có nghiên cứu để nâng cao tính thực tiễn của nó (chẳng hạn như thông qua học tập chuyển tiếp). Mô hình LSTNet cải thiện hiệu suất dự đoán dung lượng pin bằng cách phân đoạn dữ liệu, tích hợp các thành phần ConvLSTM và AR, đồng thời tối ưu hóa cấu trúc (ví dụ: trong thử nghiệm tập dữ liệu của NASA, RMSE là 0,65%, MAE là 0. 58% và MAPE là 0,435% khi được đào tạo trên dữ liệu 40%).
Bằng cách tích hợp các thuật toán tối ưu hóa CNN và ECSSA nâng cao để dự đoán RUL của pin lithium-ion thể rắn, CNN cải thiện độ chính xác của việc trích xuất và dự đoán tính năng bằng cách tối ưu hóa các siêu tham số và cấu trúc (chẳng hạn như sử dụng các lớp chập nâng cao, chức năng kích hoạt và kết nối dư), trong khi ECSSA tối ưu hóa các tham số mô hình thông qua các phương pháp toán học cải tiến (chẳng hạn như Ánh xạ hỗn loạn vòng tròn, Hệ số hấp thụ phi tuyến và Đột biến Cauchy) để cải thiện độ chính xác và độ tin cậy của dự đoán RUL. Kết hợp PCA và CNN để tối ưu hóa tính năng và giảm kích thước giúp cải thiện độ chính xác và hiệu quả của ước tính SOH (so với CNN truyền thống và mô hình PCA-CNN chiều cố định, MAE tăng hơn 20% và RMSE tăng hơn 30%). Mô hình ước tính SOH thời gian thực tích hợp 1D-CNN và BiGRU, sử dụng dữ liệu BMS để tránh trích xuất tính năng phức tạp và đạt được độ chính xác cao thông qua tối ưu hóa siêu tham số Bayesian (chẳng hạn như trong thử nghiệm tập dữ liệu của NASA, MAE là 2,080%, RMSE là 2,516%, và lỗi chỉ số EOL bằng 0).
5.3. Chiến lược tối ưu hóa cho các mô hình học sâu
Đầu tiên, thuật toán rừng ngẫu nhiên được sử dụng để xác định các yếu tố sức khỏe chính, sau đó, kỹ thuật tối ưu hóa nhóm hạt thuật toán di truyền (GA-PSO) được sử dụng để tối ưu hóa các tham số mô hình hồi quy vectơ hỗ trợ (SVR) để ước tính Trạng thái sức khỏe (SOH). Hiệu quả đã được xác minh trên bốn pin, cải thiện độ chính xác và tốc độ hội tụ (RMSE là 0,40%, MAPE là 0,56%), vượt trội so với các phương pháp liên quan khác. Phương pháp lai GWO-BRNN sử dụng tối ưu hóa sói xám (GWO) để chọn siêu tham số cho mạng thần kinh chính quy Bayesian (BRNN). Dựa trên bộ dữ liệu của NASA, sai số ước tính SOH nhỏ hơn 1% nhưng độ phức tạp tính toán cao và ứng dụng thực tế còn hạn chế. Sử dụng trực tiếp dữ liệu thô của xe điện để đánh giá SOH và dự đoán RUL, nâng cao độ chính xác bằng cách đưa ra các tính năng đánh giá mới và phương pháp hiệu chỉnh nội suy (giảm sai số tương đối của tích phân dòng điện xuống 0,94%), kết hợp với phương pháp tối ưu hóa D-NSGA-II để nâng cao hơn nữa tối ưu hóa ước tính SOH và giảm thời gian tính toán. Để giải quyết khó khăn trong việc ước tính Tình trạng sức khỏe (SOH) do sạc và xả không đầy đủ pin lithium-ion trong xe điện, một phương pháp ước tính gián tiếp (ATAGA-BP) đã được đề xuất. Phương pháp này sử dụng các đặc tính của giai đoạn sạc điện áp không đổi làm chỉ báo tình trạng và được xác nhận thông qua mô phỏng với dữ liệu của NASA. Phương pháp này có mối tương quan cao với dung lượng pin (trên 85%), với sai số ước tính SOH là 3,7% và cải thiện hiệu suất lặp lại là 17,8%.
Học sâu đã đạt được tiến bộ đáng kể trong việc ước tính SOH và các mô hình toàn diện xem xét nhiều yếu tố giúp hiểu sâu hơn về sự xuống cấp của pin. Mạng LSTM rất quan trọng trong việc nắm bắt các phụ thuộc theo thời gian và dự đoán RUL, nhưng độ phức tạp tính toán của chúng đặt ra thách thức cho các ứng dụng thời gian thực. Các phương pháp trích xuất đặc trưng rất quan trọng và có thể tối ưu hóa ước tính SOH. Sự kết hợp giữa các mô hình lai và các kiến trúc mạng thần kinh khác nhau để xử lý độ phức tạp của dữ liệu pin có triển vọng đầy hứa hẹn, nhưng yêu cầu tính toán cao sẽ hạn chế các ứng dụng thực tế. Các chiến lược tối ưu hóa như GA-PSO, GWO-BRNN và D-NSGA-II đã cải thiện độ chính xác và hiệu quả, nhưng việc triển khai các thuật toán phức tạp rất khó và đòi hỏi sự cân bằng giữa độ chính xác và tính đơn giản khi thực thi. Công nghệ AI tiên tiến rất quan trọng cho việc ứng dụng pin thứ cấp (thiếu dữ liệu sử dụng chi tiết). Các chương tiếp theo sẽ cung cấp cái nhìn tổng quan về hiện trạng nghiên cứu ứng dụng thứ cấp, đặc biệt là trong lĩnh vực tái sử dụng pin.
6. Tóm tắt
Bài viết này thúc đẩy việc phát triển ước tính SOH và SOC cho pin lithium-ion trong xe điện thông qua các phương pháp và mô hình cải tiến, bao gồm nhiều công nghệ khác nhau từ học máy truyền thống đến các mô hình học sâu tiên tiến như LSTM và CNN. Tuy nhiên, mỗi phương pháp đều có sự khác biệt về độ chính xác, độ phức tạp và khả năng ứng dụng nên việc so sánh trực tiếp trở nên khó khăn. Nghiên cứu đã phát hiện ra rằng việc xử lý và nguồn dữ liệu có tác động đáng kể đến hiệu suất của mô hình và cần xác nhận thêm để triển khai thực tế. Mặc dù các mô hình học sâu đã cho thấy những ưu điểm trong việc xử lý dữ liệu phức tạp nhưng chúng vẫn phải đối mặt với những thách thức như yêu cầu tài nguyên tính toán cao và khả năng thích ứng với các kịch bản ứng dụng thực tế. Nghiên cứu trong tương lai nên tập trung vào việc cải thiện lựa chọn tính năng, phát hiện bất thường, thích ứng với các điều kiện môi trường đa dạng, tối ưu hóa thuật toán để nâng cao hiệu quả tính toán, đạt được các ứng dụng thời gian thực, tích hợp nhiều nguồn dữ liệu để cải thiện hiệu suất mô hình ước tính SOH, đồng thời giải quyết các thách thức trong ứng dụng pin thứ cấp , phát triển các giải pháp hiệu quả và đẩy mạnh phát triển hệ thống quản lý pin nhằm đáp ứng nhu cầu ngày càng tăng trong lĩnh vực xe điện và lưu trữ năng lượng.