La direction centrale de l'avenirsystèmes de gestion des batteries (BMS): Prédiction de l'état de santé des batteries basée sur l'IA

À mesure que les exigences en matière de performances des batteries des véhicules électriques, des systèmes de stockage d'énergie, des équipements électriques, des outils électriques, etc., augmentent,les limites des BMS traditionnels à batterie au lithium deviennent de plus en plus évidentes, et l'introduction de la technologie de l'IA redéfinit les limites de la prédiction de la santé des batteries.Voici une analyse exhaustive basée sur les progrès technologiques et les tendances de l'industrie:

Tout d'abord, les limites des BMS traditionnels à batterie au lithium conduisent à l'application de la technologie IA

Les principales fonctions du BMS de batterie au lithium traditionnel comprennent la surveillance de l'état (estimation SOC/SOH), la gestion active de l'égalisation, le contrôle de la température, etc., mais ses limites sont importantes.:

1. Dépendance du modèle statique:L'estimation traditionnelle de la SOC/SOH est basée sur une corrélation tension-charge ou une simple intégration de courant,qui est difficile à adapter à des conditions de fonctionnement dynamiques et a un taux d'erreur élevé (en particulier dans les scénarios à basse température ou à multiplication élevée)2. utilisation insuffisante des données: elle repose uniquement sur la corrélation tension-charge ou sur une simple intégration de courant.
2- Utilisation insuffisante des données: s'appuient uniquement sur des paramètres de base tels que la tension, le courant, la température, etc., et l'absence d'analyse de fusion de données hétérogènes provenant de sources multiples (impédance, contrainte,Modifications de couche de l'ESI).
3- Insuffisante capacité de prévision en temps réel: Les algorithmes traditionnels sont principalement de gestion réactive, incapables d'avertir à l'avance du vieillissement de la batterie ou du risque de fuite thermique et des risques pour la sécurité.
4. Restrictions matérielles du BMS:l'architecture câblée et une puissance de calcul locale insuffisante, ce qui entraîne des coûts de maintenance élevés et une faible évolutivité.

Innovation technologique de prédiction de la santé des batteries au lithium basée sur l'IA

1. Innovation des algorithmes: apprentissage en profondeur et apprentissage par migration.

- LSTM et BiLSTM:des avantages significatifs dans le traitement des données de séries temporelles, par exemple une étude a obtenu une erreur de prédiction de durée de vie résiduelle < 5% avec seulement 15 cycles de charge de données à travers le modèle LSTM,et une autre expérience contrôlée d'erreur de SOH à l'intérieur de 1% dans le cadre de l'apprentissage de migration.
- Fusion de données multimodales:Combiner les données des capteurs de tension, de température et de contrainte pour améliorer la robustesse du modèle. Par exemple, les données de contrainte mécanique sont plus prédictives que les données de température dans des conditions de courant élevé.
- Apprentissage des migrations:Résolution du problème de généralisation pour différents types/conditions de batterie. Par exemple, un modèle pré-entraîné peut être adapté à de nouveaux types de batterie avec une erreur moyenne inférieure à 1,4%.

2Fusion de capteurs et informatique d'extrémité

- Une nouvelle intégration de capteurs:Par exemple, la surveillance de l'épaisseur de la couche SEI, la spectroscopie d'impédance pour fournir des mesures plus directes du vieillissement de la batterie.
- L'IA sur la puce au bord:La solution AI-BMS-on-chip d'Eatron et de Syntiant permet une prise de décision locale en temps réel grâce à un processeur ultra-faible en puissance qui prolonge la durée de vie de la batterie de 25% et libère 10% de la capacité.

3. Architecture collaborative du cloud de bout en bout

- Formation en big data dans le cloud + raisonnement en temps réel:Par exemple, le système AI-BMS basé sur le cloud de Wuling combine des millions de données sur les véhicules pour réaliser une surveillance de la sécurité de deuxième niveau et 240 stratégies d'alerte précoce;L'IA BMS de Huawei prévient de la perte de contrôle thermique 24 heures à l'avance grâce à la fusion nuageuse de bout en bout., avec un taux de fausse alerte de seulement 0,1%.

Application industrielle et progrès de commercialisation

1. Layout des principaux fabricants

- Je ne sais pas.La batterie est équipée d'un AI-BMS auto-développé, avec un total cumulé de 2 millions de véhicules et zéro enregistrement de combustion spontanée,et prend en charge des algorithmes dynamiques de reconstitution du lithium pour maintenir un degré de santé > 95%.
- Huawei: qui est là?L'IA BMS intègre le mécanisme de la batterie et l'apprentissage automatique, appliqué à la série de modèles d'interrogatoire, avec un taux de vérification des risques de 90%.
- Le quotidien Ningde:L'algorithme de reconstitution dynamique du lithium est étroitement couplé au BMS pour optimiser les performances de l'ensemble du cycle de vie de la batterie.

2Les percées académiques

- Diagnostic prédictif:La puce AI-BMS d'Eatron peut identifier les défaillances potentielles des mois à l'avance.
- Conception des matériaux au niveau moléculaire:Développement assisté par l'IA de nouveaux électrolytes (par exemple CF3SO2Li) pour améliorer la stabilité chimique des batteries.

Défis et tendances à venir

1. Défis techniques

- Confidentialité et sécurité des donnéesLa formation des données en nuage doit être conforme au RGPD et à d'autres réglementations, l'informatique de bord peut partiellement atténuer ce problème.
- Interprétation du modèle:Les modèles à boîte noire peuvent difficilement répondre aux exigences de la certification de la sécurité automobile et doivent être combinés avec des modèles physiques (par exemple, des modèles hybrides électrochimiques-IA).
- Coût et Arithmétique:Le coût de la production à grande échelle de puces d'IA hautes performances est encore élevé.

2. Tendances à venir

- Système d'apprentissage adaptatif:Optimiser dynamiquement les stratégies de charge et de décharge grâce à l'apprentissage par renforcement pour prolonger la durée de vie de la batterie.
- Gestion du cycle de vie complet:De la conception des matériaux au recyclage, l'IA traverse tous les aspects de la R&D, de la fabrication, de l'utilisation et de l'utilisation secondaire des batteries.
- La normalisation et l'écologie open source:établir un ensemble de données unifié sur les batteries (par exemple, CALCE, NASA Extension) afin de promouvoir une comparaison et une itération équitables des algorithmes.

Conclusion

Le BMS basé sur l'intelligence artificielle pour la gestion des batteries Li-ion passe de la surveillance passive à la prédiction et à l'optimisation actives, avec la valeur fondamentale des connaissances basées sur les données pour améliorer la sécurité, la longévité, la durabilité et l'efficacité.et l'efficacité énergétiqueMalgré les défis liés au coût, à la confidentialité et à la normalisation, la technologie est en constante évolution beaucoup plus rapidement que les approches traditionnelles.L'IA-BMS ne sera pas seulement une "maîtresse de maison intelligente" pour les batteries, mais aussi un nœud central de la numérisation du système énergétique, poussant les industries des véhicules et du stockage d'énergie vers une fiabilité et une économie plus élevées.