De kernrichting van de toekomstbatterijbeheersystemen (BMS): AI-gedreven voorspelling van de gezondheid van batterijpakketten

Naarmate de vereisten voor de prestaties van batterijen van elektrische voertuigen, energieopslagsystemen, energieapparatuur, elektrisch gereedschap enz. toenemen,de beperkingen van traditionele lithiumbatterij-BMS's worden steeds duidelijker, en de introductie van AI-technologie herdefinieert de grenzen van voorspelling van de gezondheid van de batterij.Hieronder volgt een uitgebreide analyse op basis van de bestaande technologische vooruitgang en de industrietrends:

Ten eerste zijn de beperkingen van de traditionele lithiumbatterij BMS de aanleiding voor de toepassing van AI-technologie.

De kernfuncties van de traditionele lithiumbatterij-BMS zijn onder meer conditiemonitoring (SOC/SOH-schatting), actief evenwichtbeheer, temperatuurregeling, enz., maar de beperkingen zijn aanzienlijk.:

1. Afhankelijkheid van statisch model:de traditionele SOC/SOH-schatting is gebaseerd op spannings-ladingcorrelatie of eenvoudige stroomintegratie;die moeilijk aan te passen is aan dynamische bedrijfsomstandigheden en een hoog foutenpercentage heeft (vooral bij scenario's met lage temperaturen of hoge vermenigvuldiging).2 Onvoldoende data-uitgebruik: het berust alleen op spannings-ladingcorrelatie of eenvoudige stroomintegratie.
2Onvoldoende gebruik van gegevens: alleen afhankelijk zijn van basisparameters zoals batterijspanning, stroom, temperatuur, enz., en het ontbreken van fusieanalyse van heterogene gegevens uit meerdere bronnen (bijv. impedance, spanning,Veranderingen in de SEI-laag).
3Onvoldoende real-time en voorspellend vermogen: Traditionele algoritmen zijn voornamelijk reactief beheer, niet in staat om vooraf te waarschuwen voor veroudering van de batterij of het risico van thermische ontsnapping en veiligheidsrisico's.
4. BMS-hardwarebeperkingen:de draadloze architectuur en onvoldoende lokale rekenkracht, wat resulteert in hoge onderhoudskosten en slechte schaalbaarheid.

Innovatie op het gebied van technologie voor de voorspelling van de gezondheid van lithiumbatterijen op basis van AI

1. Algorithme-innovatie: diep leren en migratie leren.

- LSTM en BiLSTM:aanzienlijke voordelen in de verwerking van tijdreeksgegevens, bijvoorbeeld een studie waarbij met slechts 15 laadcycli van gegevens via het LSTM-model een resterende levensduurvoorspellingsfout van < 5% werd bereikt,en een ander experiment controleerde SOH fout binnen 1% in het kader van migratie leren.
- Multimodal data fusie:Het combineren van spannings-, temperatuur- en spanningssensorgegevens om de robuustheid van het model te verbeteren.
- Migraties:Het oplossen van het generalisatieprobleem voor verschillende batterijsoorten/omstandigheden.

2Sensor Fusion en Edge Computing

- Nieuwe sensorintegratie:Bijv. SEI-laagdiktebewaking, impedantiespectroscopie om meer directe metingen van batterijveroudering te geven.
- AI-op-chip aan de rand:De AI-BMS-op-chip-oplossing van Eatron en Syntiant maakt lokale real-time besluitvorming mogelijk door middel van een ultra-low-power processor die de levensduur van de batterij met 25% verlengt en 10% van de capaciteit vrijmaakt.

3. End-cloud collaboratieve architectuur

- Cloud big data training + edge real-time reasoning:Zo combineert het op de cloud gebaseerde AI-BMS-systeem van Wuling miljoenen voertuiggegevens om veiligheidsbewaking op het tweede niveau en 240 strategieën voor vroegtijdige waarschuwing te realiseren.Huawei's AI BMS waarschuwt 24 uur van tevoren voor thermisch verlies van controle door end-to-end cloud fusie, met een vals alarmeringspercentage van slechts 0,1%.

Toepassing in de industrie en commercialisering

1. Opmaak van de belangrijkste fabrikanten

- Wuling:De batterij is uitgerust met zelf ontwikkeld AI-BMS, met een cumulatief totaal van 2 miljoen voertuigen en nul spontane verbrandingsrecords,en ondersteunt dynamische lithiumherstelalgoritmen om een gezondheidsgraad van > 95% te behouden.
- Huawei:AI BMS integreert batterijmechanisme en machine learning, toegepast op de vragenreeks van modellen, met een risicocontrolepercentage van 90%.
- Ningde Times:Het dynamische lithium-aanvulalgoritme is nauw verbonden met BMS om de prestaties van de hele levenscyclus van de batterij te optimaliseren.

2Academische doorbraken

- Predictieve diagnose:Eatron's AI-BMS chip kan mogelijke storingen maanden van tevoren identificeren.
- Materiaalontwerp op moleculair niveau:AI-ondersteunde ontwikkeling van nieuwe elektrolyten (bv. CF3SO2Li) om de chemische stabiliteit van batterijen te verbeteren.

Uitdagingen en toekomstige trends

1. Technische uitdagingen

- Gegevensbescherming en privacy:Cloud data training moet voldoen aan de AVG en andere regelgeving, edge computing kan dit probleem gedeeltelijk verlichten.
- Interpretatie van het model:Black-box-modellen kunnen nauwelijks voldoen aan de eisen van de certificering van de veiligheid van auto's en moeten worden gecombineerd met fysieke modellen (bijv. elektrochemische-AI-hybride modellen).
- Kosten en rekenkunde:De kosten van grootschalige productie van krachtige AI-chips zijn nog steeds hoog.

2. Toekomstige trends

- Adaptief leer systeem:Dynamisch optimaliseren van oplaad- en ontlaadstrategieën met versterkingsleren om de levensduur van de batterij te verlengen.
- Levenscyclusbeheer:Van materiaalontwerp tot recycling loopt AI door alle aspecten van batterijonderzoek en -ontwikkeling, productie, gebruik en secundair gebruik.
- Normalisatie en open source ecologie:een uniforme batterijgegevensset (bijv. CALCE, NASA Extension) op te stellen om een eerlijke vergelijking en iteratie van algoritmes te bevorderen.

Conclusies

AI-gedreven BMS voor het beheer van lithium-ionbatterijen verschuift van 'passief toezicht' naar 'actieve voorspelling en optimalisatie', met de kernwaarde van data-gedreven inzichten om de veiligheid, levensduur,en energie-efficiëntieOndanks de kosten, privacy en standaardisatie uitdagingen, de technologie is het itereren veel sneller dan traditionele benaderingen.AI-BMS zal niet alleen een "intelligente huishoudster" zijn voor batterijen, maar ook een kernknooppunt in de digitalisering van het energiesysteem, waardoor de nieuwe energievoertuigen- en energieopslagindustrie meer betrouwbaarheid en economie krijgt.