A direcção central do futuroSistemas de gestão de baterias (BMS): Previsão da saúde do pacote de baterias baseada em IA

À medida que aumentam os requisitos de desempenho das baterias dos veículos elétricos, dos sistemas de armazenamento de energia, dos equipamentos de energia, das ferramentas elétricas, etc.,As limitações dos BMS tradicionais de baterias de lítio estão a tornar-se cada vez mais proeminentes, e a introdução da tecnologia de IA está redefinindo os limites da previsão da saúde da bateria.A seguir, uma análise abrangente baseada nos avanços tecnológicos existentes e nas tendências do sector.:

Em primeiro lugar, as limitações do BMS de baterias de lítio tradicionais conduzem à aplicação da tecnologia de IA

As funções principais do BMS de bateria de lítio tradicional incluem o monitoramento da condição (estimação SOC/SOH), gestão ativa de equalização, controlo de temperatura, etc., mas as suas limitações são significativas.:

1Dependência do modelo estático:A estimativa tradicional SOC/SOH baseia-se na correlação tensão-carga ou na integração simples de corrente,que é difícil de adaptar a condições de funcionamento dinâmicas e tem uma elevada taxa de erro (especialmente em cenários de baixa temperatura ou de alta multiplicação)2. Utilização insuficiente dos dados: baseia-se apenas na correlação tensão-carga ou na simples integração de corrente.
2Utilização insuficiente dos dados: dependem apenas de parâmetros básicos, tais como tensão, corrente, temperatura, etc. da bateria e falta de análise de fusão de dados heterogéneos de várias fontes (por exemplo, impedância, tensão,Alterações da camada SEI).
3- Capacidade insuficiente de previsão em tempo real: Os algoritmos tradicionais são geralmente de gestão reativa, incapazes de avisar antecipadamente do envelhecimento da bateria ou do risco de fuga térmica e dos riscos de segurança.
4Restrições de hardware do BMS:Arquitetura com fios e poder de computação local insuficiente, o que resulta em elevados custos de manutenção e escassez de escalabilidade.

Inovação tecnológica de previsão da saúde das baterias de lítio baseada em IA

1. Inovação de algoritmos: aprendizagem profunda e aprendizagem migratória.

- LSTM e BiLSTM:vantagens significativas no processamento de dados de séries temporais, por exemplo, um estudo obteve um erro de previsão de vida útil residual < 5% com apenas 15 ciclos de carregamento de dados através do modelo LSTM,e outro experimento controlado erro SOH dentro de 1% sob o quadro de aprendizagem de migração.
- Fusão multimodal de dados:Combinar dados de sensores de tensão, temperatura e tensão para melhorar a robustez do modelo. Por exemplo, os dados de tensão mecânica são mais preditivos do que os dados de temperatura sob condições de alta corrente.
- Aprendizagem da migração:Resolver o problema de generalização para diferentes tipos/condições de baterias. Por exemplo, um modelo pré-treinado pode ser adaptado a novos tipos de baterias com um erro médio inferior a 1,4%.

2Fusão de sensores e Edge Computing

- Integração de sensores:Por exemplo, monitorização da espessura da camada SEI, espectroscopia de impedância para fornecer métricas mais diretas de envelhecimento da bateria.
- Inteligência Artificial no chip:A solução AI-BMS-on-chip da Eatron e da Syntiant permite a tomada de decisão local em tempo real através de um processador de ultra baixa potência que estende a vida útil da bateria em 25% e libera 10% da capacidade.

3Arquitetura colaborativa de nuvem final

- Treinamento de Big Data em nuvem + raciocínio em tempo real:Por exemplo, o sistema AI-BMS da Wuling, baseado na nuvem, combina milhões de dados de veículos para realizar o monitoramento da segurança de segundo nível e 240 estratégias de alerta precoce;O AI BMS da Huawei avisa de perda de controle térmico 24 horas antes através da fusão de nuvem de ponta a ponta, com uma taxa de falso alarme de apenas 0,1%.

Aplicação industrial e progresso da comercialização

1. Disposição dos principais fabricantes

- Wuling:A bateria está equipada com o AI-BMS, com um total acumulado de 2 milhões de veículos e zero registos de combustão espontânea.e suporta algoritmos dinâmicos de reposição de lítio para manter um grau de saúde de > 95%.
- Huawei:O AI BMS integra o mecanismo da bateria e o aprendizado de máquina, aplicados à série de modelos de questionamento, com uma taxa de verificação de risco de 90%.
- Ningde Times:O algoritmo dinâmico de reabastecimento de lítio está profundamente acoplado ao BMS para otimizar o desempenho de todo o ciclo de vida da bateria.

2Descobertas académicas

- Diagnóstico preditivo:O chip AI-BMS da Eatron pode identificar falhas potenciais meses antes.
- Projeto de material a nível molecular:Desenvolvimento assistido por IA de novos eletrólitos (por exemplo, CF3SO2Li) para melhorar a estabilidade química da bateria.

Desafios e tendências futuras

1Desafios técnicos

- Privacidade e segurança dos dados:O treinamento de dados em nuvem precisa estar em conformidade com o GDPR e outros regulamentos, a computação de borda pode aliviar parcialmente esse problema.
- Interpretabilidade do modelo:Os modelos de caixa negra dificilmente podem satisfazer os requisitos da certificação de segurança automotiva e precisam ser combinados com modelos físicos (por exemplo, modelos híbridos eletroquímicos-IA).
- Custo e Aritmética:O custo da produção em escala de chips de IA de alto desempenho continua a ser elevado.

2. Tendências futuras

- Sistema de Aprendizagem Adaptativa:Otimizar dinamicamente as estratégias de carregamento e descarga com aprendizado de reforço para prolongar a vida útil da bateria.
- Gestão do ciclo de vida completo:Do projeto de materiais à reciclagem, a IA percorre todos os aspectos da pesquisa e desenvolvimento de baterias, fabricação, uso e utilização secundária.
- Normalização e ecologia de código aberto:Estabelecer um conjunto de dados unificado de baterias (por exemplo, CALCE, NASA Extension) para promover a comparação e a iteração equitativas de algoritmos.

Conclusão

O BMS baseado em IA para o gerenciamento de baterias de iões de lítio está mudando de "monitorização passiva" para "previsão e otimização ativas", com o valor central de insights baseados em dados para melhorar a segurança, a longevidade, a eficiência e a eficiência.e eficiência energéticaApesar do custo, privacidade e desafios de padronização, a tecnologia está a ser iterada muito mais rapidamente do que as abordagens tradicionais.O AI-BMS não será apenas uma "casa inteligente" para baterias, mas também um nó central na digitalização do sistema energético, impulsionando as indústrias de veículos de energia nova e armazenamento de energia para uma maior confiabilidade e economia.