Abstrak
Teknologi estimasi Status Kesehatan (SOH) untuk baterai lithium-ion sangat penting untuk keselamatan dan keandalan kendaraan listrik. Dengan berkembangnya teknologi kecerdasan buatan (AI) dan pembelajaran mesin (ML), bidang manajemen baterai mulai mengadopsi metode ini untuk meningkatkan efisiensi dan stabilitas. Khususnya, jaringan saraf telah menunjukkan keunggulan dalam efisiensi tinggi, konsumsi energi rendah, ketahanan tinggi, dan skalabilitas dalam simulasi dan prediksi SOH. Model hybrid, dikombinasikan dengan model sirkuit setara (ECM) dan pembelajaran mendalam, telah terbukti memiliki potensi dalam meningkatkan akurasi dan kinerja estimasi SOH secara real-time. Arah penelitian di masa depan mencakup pemanfaatan lebih banyak data di lokasi untuk pemeriksaan fitur kesehatan dan konstruksi model, serta pemeriksaan cerdas dan kombinasi parameter baterai untuk mengkarakterisasi SOH sebenarnya dengan lebih akurat. Perkembangan teknologi ini akan semakin meningkatkan pengelolaan baterai kendaraan listrik yang ilmiah, andal, stabil, dan tangguh.
1. Secara singkat
1.1 Pentingnya baterai lithium-ion untuk kendaraan listrik dan pentingnya estimasi SOH
Baterai lithium ion sangat penting untuk pengoperasian kendaraan listrik, dan kinerjanya dipengaruhi oleh berbagai proses degradasi. Memperkirakan kondisi kesehatan (SOH) baterai secara akurat sangat penting untuk memastikan pengoperasian kendaraan listrik yang aman, andal, dan ekonomis. Seiring dengan meningkatnya permintaan kendaraan listrik, pemantauan SOH menjadi semakin penting, karena baterai lithium-ion biasanya turun hingga 80% dari kapasitas aslinya sebelum masa pakainya berakhir. Selain itu, State of Charge (SOC) juga merupakan parameter utama, dan perubahannya dapat mencerminkan penuaan dan penurunan kapasitas baterai. Prediksi SOC yang akurat berguna untuk estimasi SOH, yang selanjutnya menentukan sisa masa pakai baterai.
1.2 Pengembangan metode estimasi SOH
Ikhtisar dan kemajuan metode yang ada:Berbagai metode estimasi SOH telah dikembangkan, di antaranya metode berbasis SOC yang mengintegrasikan data real-time seperti arus, tegangan, dan suhu untuk mencapai prediksi SOH yang lebih akurat dalam beberapa siklus pengisian dan pengosongan, mengoptimalkan kinerja baterai, mencegah kesalahan, dan memperpanjang masa pakai baterai. . Kemajuan terbaru dalam metode pembelajaran mesin semakin meningkatkan estimasi SOH, dan jaringan saraf seperti jaringan saraf feedforward dan konvolusional berkinerja baik dalam pemodelan baterai, mengungguli metode regresi tradisional dalam kompleksitas dan akurasi, dengan deviasi kesalahan rata-rata sekitar 0 0,16% dan kesalahan akar rata-rata kuadrat 5,57mV pada tingkat sel baterai.
1.3 Klasifikasi dan Karakteristik Metode Pemodelan Baterai
Metode analisis seperti teknik integrasi arus dan tegangan rangkaian terbuka (OCV) dapat memberikan perkiraan SOH yang jelas, namun dipengaruhi oleh akumulasi kebisingan dan memerlukan waktu berdiri yang lama untuk memastikan keakuratannya.
Pendekatan berbasis model
Model kotak putih:Berdasarkan prinsip elektrokimia terperinci, ini mensimulasikan perilaku baterai melalui parameter dasar dengan akurasi tinggi. Namun, persyaratan komputasi yang tinggi dan asumsi yang disederhanakan untuk dinamika dunia nyata mengurangi keakuratannya dalam kondisi dinamis, sehingga tidak cocok untuk aplikasi waktu nyata.
Model kotak abu-abu (seperti ECM):Menggabungkan wawasan fisik dan penyesuaian empiris, menggunakan analogi sirkuit untuk memperkirakan perilaku baterai, dapat memperkirakan SOC dengan akurasi tinggi (biasanya dalam kesalahan 3%), dan berguna untuk estimasi SOH secara real-time dan prediksi sisa masa manfaat (RUL), tetapi menghadapi tantangan dalam kualitas data dan persyaratan komputasi. Model rangkaian ekivalen sederhana untuk baterai lithium-ion (termasuk resistor seri dan hingga dua elemen RC) dapat digunakan untuk simulasi yang andal, sementara ECM yang lebih kompleks (termasuk beberapa cabang RC atau elemen fase konstan CPE) dapat mensimulasikan proses yang sangat dinamis (seperti sebagai pengoperasian kendaraan listrik), namun meningkatnya permintaan komputasi telah mendorong pengembangan metode estimasi SOH yang lebih maju.
Model kotak hitam (pendekatan berbasis data):Berdasarkan data masukan dan keluaran, model dibangun tanpa mengandalkan pengetahuan prinsip kerja internal. Teknik pembelajaran mesin dapat memprediksi status baterai dari sejumlah besar data pengukuran. Pembelajaran mesin unggul dalam mengidentifikasi pola dalam kumpulan data yang kompleks, seperti jaringan neural multisaluran yang memiliki akurasi tinggi dalam estimasi kapasitas, namun mengandalkan data pelatihan berkualitas tinggi dan beragam. Namun, dalam aplikasi kendaraan praktis, banyak variabel internal yang tidak dapat diukur secara langsung, dan ketersebaran data serta kurangnya kemampuan interpretasi membuat model sulit untuk dipahami dan dipelihara.
1.4 Evolusi Metode Model dan Perkembangan Model Hybrid
Evolusi metode berbasis model:Dalam dekade terakhir, metode berbasis model terus berkembang, termasuk Kalman Filtering (KF) dan perluasannya (seperti Extended Kalman Filter EKF, Unscented Kalman Filter UKF). Metode ini memiliki akurasi tinggi dalam estimasi status baterai, namun memerlukan model dinamis yang presisi dan rumit untuk diterapkan.
Munculnya model hybrid:Untuk mengatasi keterbatasan data dunia nyata dan meningkatkan efisiensi komputasi, model hybrid telah muncul, menggabungkan metode berbasis model dan berbasis data untuk melatih model pembelajaran mesin melalui simulasi terperinci. Pada saat yang sama, teknik pembelajaran mesin telah mengalami kemajuan yang signifikan dalam lima tahun terakhir, termasuk metode probabilistik, pembelajaran meta, pembelajaran permusuhan, pembelajaran semi diawasi, dll. Pembelajaran mendalam (bagian dari pembelajaran mesin) telah berkinerja baik dalam pemrosesan terstruktur dan data tidak terstruktur. Jaringan Neural Informasi Fisik (PINN) menggabungkan model degradasi empiris dengan jaringan saraf untuk meningkatkan estimasi SOH, meningkatkan kemampuan adaptasi metode dalam jenis dan kondisi baterai yang berbeda. Dengan berkembangnya industri otomotif, kemajuan teknologi ini sangat penting untuk mengoptimalkan kinerja baterai, mencegah kegagalan, dan mendukung pengembangan kendaraan listrik.
1.5 Ikhtisar bab-bab selanjutnya dalam artikel ini
Bagian 2 memberikan pengenalan rinci tentang metode penyaringan dan pemilihan literatur tinjauan, memastikan sifat metodologi penelitian yang sistematis dan komprehensif. Bagian 3 memberikan analisis mendalam tentang teknik estimasi status muatan, mengeksplorasi dampak mekanisme degradasi baterai pada metode pemodelan baterai kendaraan listrik, termasuk pemfilteran Kalman dan metode yang ditingkatkan, serta integrasi dengan model lama. Bagian 4 berfokus pada teknik estimasi SOH, membandingkan metode tradisional dengan metode baru, dan menekankan metode yang dapat diterapkan pada kendaraan listrik. Bagian 5 menunjukkan peran pembelajaran mendalam dalam estimasi SOH, seperti jaringan memori jangka pendek (LSTM) dan model hibrid, serta bagaimana jaringan saraf konvolusional (CNN) mempertimbangkan faktor-faktor praktis untuk meningkatkan akurasi penilaian kesehatan. Terakhir, Bagian 6 merangkum dan menantikan arah penelitian di masa depan untuk sistem manajemen kesehatan baterai guna mendukung pengembangan pasar kendaraan listrik dan aplikasi penyimpanan energi lainnya.
2. Bahan dan Metode
2.1 Definisi Pertanyaan Penelitian
Studi ini mengusulkan lima pertanyaan kunci untuk memandu penerapan teknologi pembelajaran mesin dalam estimasi SOH baterai lithium-ion pada kendaraan listrik.
Memperjelas teknik pembelajaran mesin utama yang saat ini digunakan untuk memperkirakan kondisi kesehatan (SOH) baterai lithium-ion pada kendaraan listrik, dan mengeksplorasi algoritma dan model spesifik yang dikembangkan dan digunakan oleh para peneliti.
Jelajahi dampak berbagai sumber data (data laboratorium, kendaraan, dan lapangan) terhadap keakuratan dan ketahanan model pembelajaran mesin estimasi SOH, analisis bagaimana sumber data memengaruhi performa model, dan tentukan data mana yang paling bermanfaat untuk prediksi SOH yang akurat.
Identifikasi tantangan utama penerapan teknik pembelajaran mesin dalam estimasi SOH baterai lithium-ion, serta variasi tantangan ini dalam kondisi lingkungan dan skenario aplikasi yang berbeda, seperti fluktuasi suhu, penuaan, dan dampak mode penggunaan yang berbeda pada baterai lithium-ion. keakuratan estimasi SOH.
Bandingkan metode analisis estimasi SOH, perbedaan antara metode tradisional, dan proses evolusinya, pelajari bagaimana metode pembelajaran mesin dapat diintegrasikan dengan metode tradisional ini, identifikasi kelebihan, kekurangan, dan potensi sinergi masing-masing.
Menatap arah penelitian di masa depan untuk meningkatkan akurasi, kemampuan beradaptasi, dan efisiensi komputasi model estimasi SOH berbasis pembelajaran mesin pada baterai litium-ion untuk kendaraan listrik, mengidentifikasi kesenjangan penelitian, persyaratan teknis, dan metode inovatif.
2.2 Pencarian dan penyaringan literatur
Pemilihan basis data dan strategi pencarian: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 DAN TAHUN PUB<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).
Penyaringan dan pemfokusan literatur:Literatur yang diambil mencakup berbagai bidang disiplin ilmu, dengan bidang teknik memiliki proporsi tertinggi (730 artikel), diikuti oleh bidang energi, ilmu komputer, dan matematika. Setelah berfokus pada bidang ilmu komputer, 209 dokumen relevan diidentifikasi, 183 di antaranya diterbitkan antara tahun 2019 dan 2024, yang menunjukkan ketepatan waktu data. Dokumen-dokumen ini mencakup makalah konferensi, artikel, ulasan, dan bab buku, dengan 72 artikel diterbitkan antara tahun 2009 dan 2024 sebagai dasar tinjauan utama, sambil secara manual menggabungkan makalah dan bab buku yang relevan dari bidang teknik lain untuk memastikan cakupan bidang penelitian yang komprehensif dan menangkap inovasi. kemajuan teknologi dalam penggunaan kecerdasan buatan untuk meningkatkan sistem manajemen baterai.
3. Teknologi estimasi State of Charge (SOC).
3.1 Mekanisme degradasi baterai dan dampaknya terhadap kinerja
Baterai lithium ion terutama terdegradasi melalui dua mekanisme:kehilangan persediaan litium (LLI) dan kehilangan bahan aktif (LAM). LLI terkait dengan pembentukan lapisan antarmuka elektrolit padat (SEI) pada anoda, yang berasal dari reaksi samping antara ion litium dan elektrolit. LAM disebabkan oleh tekanan mekanis internal pada baterai, seperti ekspansi dan kontraksi berulang bahan elektroda selama pengisian dan pengosongan, yang menyebabkan retakan mikro dan pelepasan partikel elektroda, mengurangi luas permukaan aktif yang tersedia untuk reaksi elektrokimia, sehingga mengurangi kapasitas baterai, meningkatkan resistansi internal, dan pada akhirnya memengaruhi kinerja baterai. Mekanisme degradasi ini dipercepat oleh faktor-faktor seperti kondisi pengisian daya yang tinggi, suhu tinggi, dan kondisi siklus yang agresif. Informasi terperinci dan detail pemodelan berbagai mekanisme penuaan (termal, elektrokimia, dll.) dapat ditemukan dalam literatur yang relevan.
3.2. Estimasi SOC dan teknologi pemodelan untuk baterai kendaraan listrik
Dalam penggunaan kendaraan listrik sehari-hari, baterai sering kali diisi pada 20% -40% SOC untuk menjaga kesehatan baterai, namun karakteristik non-linier dan penurunan kapasitas baterai dapat mengakibatkan pembacaan SOC tidak akurat, sehingga memengaruhi estimasi baterai kapasitas penuh. Kinerja dan pemeliharaan baterai litium-ion juga dipengaruhi oleh iklim, sedangkan suhu dan kesegaran elektrolit (ditentukan oleh tanggal produksi dan pengisian) memengaruhi efisiensi dan masa pakai baterai. Karakteristik baterai elektrolit baru dapat bervariasi pada iklim yang berbeda, dan strategi manajemen termal dapat membantu mengatasi masalah kinerja terkait suhu dan meningkatkan daya tahan baterai.
Model sirkuit ekivalen tradisional (ECM) biasanya digunakan untuk memperkirakan SOC, tetapi memerlukan kalibrasi yang sering. Artikel ini memberikan pengenalan rinci tentang persamaan perhitungan SOC berdasarkan ECM (termasuk bentuk kontinu dan diskrit), yang melibatkan persamaan ruang keadaan, tegangan rangkaian terbuka dan persamaan hubungan SOC, persamaan pembaruan SOC domain waktu diskrit, dan persamaan pembaruan tegangan. Parameter yang relevan (seperti resistansi, kapasitansi, tegangan rangkaian terbuka, dll.) berkaitan erat dengan SOC. Pengujian laboratorium standar (seperti pengujian karakteristik daya pulsa campuran pada suhu berbeda) biasanya digunakan untuk identifikasi parameter model baterai, namun ketidakakuratan model dan gangguan pengukuran dapat menyebabkan kesalahan kecil dalam estimasi SOC. Untuk meningkatkan akurasi estimasi SOC, berbagai teknik seperti penyaringan Kalman dan ekstensinya, pengamat berbasis PI, pengamat mode geser, dll. telah digunakan untuk mengkompensasi efek ini, dan metode koreksi integral juga telah dikembangkan untuk menangani ketidakpastian model awal. dan kebisingan pengukuran. Selain itu, meskipun spektroskopi impedansi elektrokimia (EIS) dapat mengevaluasi karakteristik baterai (termasuk SOC dan SOH), hal ini memakan waktu dan tidak praktis untuk aplikasi skala besar (seperti armada kendaraan listrik), sehingga sulit untuk menangkap dinamika dan perubahan. kondisi pengoperasian baterai kendaraan listrik. Oleh karena itu, diperlukan metode yang lebih adaptif dan efisien.
3.3. Meningkatkan Teknologi
Filter Kalman dan metode perbaikannya:Filter Kalman (KF) dan ekstensinya (seperti Extended Kalman Filter EKF, Unscented Kalman Filter UKF, Volume Kalman Filter CKF) banyak digunakan untuk estimasi SOC. KF memberikan estimasi SOC yang optimal dengan meminimalkan mean square error, memecahkan masalah kesalahan kumulatif dan ketidakpastian SOC awal. Namun, ini cocok untuk sistem perubahan waktu linier di mana dinamika baterai nonlinier memerlukan pendekatan linierisasi. Meskipun EKF memperluas kerangka KF untuk menangani model nonlinier, linearisasi dapat mempengaruhi akurasi dan menyebabkan divergensi estimator. Metode baru seperti UKF dan CKF menggunakan estimasi titik sigma untuk memperkirakan statistik transformasi nonlinier, sedangkan CKF menggunakan aturan volume radial bola untuk menghitung integral momen multivariat guna meningkatkan akurasi pemfilteran Bayesian nonlinier. Namun, filter ini biasanya berasumsi bahwa karakteristik derau diketahui dan konstan, dan dalam aplikasi praktis, derau tersebut bervariasi (seperti derau non Gaussian yang dihasilkan oleh interferensi eksternal). Oleh karena itu, strategi penyaringan adaptif yang kuat telah dikembangkan, seperti menggunakan model campuran Gaussian (GMM) untuk memodelkan kebisingan non Gaussian guna meningkatkan akurasi estimasi keadaan. Studi yang relevan telah menunjukkan penerapan dan keuntungan metode ini di berbagai bidang. Selain itu, filter terdistribusi dan terdistribusi (seperti filter Kalman terdistribusi DKF, filter Kalman terdistribusi, dan kovarians lintas DKF-CI) digunakan untuk mengoptimalkan estimasi keadaan sistem interkoneksi skala besar. Filter yang kuat dan nonlinier (seperti filter Kalman yang kuat) memiliki kinerja yang unggul dalam menangani nonlinier kompleks dalam sistem baterai (seperti proses elektrokimia). Teknik adaptif (seperti algoritma EKF adaptif dan UKF adaptif) secara dinamis menyesuaikan parameter filter untuk beradaptasi dengan perubahan kebisingan dan meningkatkan akurasi estimasi SOC. Studi dan contoh yang relevan telah membuktikan keefektifan metode ini.
Metode perbaikan lainnya:seperti metode Adaptive Integral Correction State of Charge Estimation (AIC-SE) yang diusulkan pada 2022, yang didasarkan pada model ECM dan meningkatkan akurasi estimasi SOC melalui mekanisme koreksi waktu nyata (termasuk resistensi dan koreksi kapasitas baterai) (kesalahan maksimum ± 0,8%, kesalahan RMS kurang dari 0,3%). Efisiensi komputasinya lebih tinggi dibandingkan UKF (AIC-SE sekitar 5n operasi, UKF sekitar n^2 operasi), secara efektif mengatasi tantangan penuaan dan degradasi baterai. Variational Bayesian Maximum Correlation Entropy Volume Kalman Filter (VBMCCKF) pada tahun 2023 menggabungkan teknik penyaringan dan statistik tingkat lanjut untuk meningkatkan estimasi kovarians kesalahan pengukuran menggunakan metode Variational Bayesian. Kriteria Entropi Korelasi Maksimum digunakan untuk menangani outlier pengukuran kebisingan non Gaussian, yang secara signifikan meningkatkan akurasi estimasi SOC (dibandingkan dengan EKF, CKF, dan Variational Bayesian Volume Kalman Filter, kesalahan absolut rata-rata berkurang sebesar 77%, 68%, dan 49% , masing-masing), dan meningkatkan ketahanan sistem manajemen baterai.
3.4 Integrasi dengan Model Penuaan
Model penuaan baterai berkaitan erat dengan estimasi SOC, dan penelitian terbaru telah berinovasi dalam kedua aspek tersebut. Model penuaan baterai yang diusulkan pada tahun 2024 secara komprehensif mempertimbangkan pengaruh SOC, suhu baterai, waktu, dan waktu siklus setara penuh (NFEC) terhadap penuaan baterai. Model ini terdiri dari dua bagian: bagian pertama berfokus pada SOC dan penuaan terkait suhu (menghitung kehilangan kapasitas melalui formula tertentu), dan bagian kedua mempertimbangkan dampak NFEC terhadap penuaan. Model ini secara inovatif mengintegrasikan penuaan baterai sebagai subsistem kendaraan listrik dengan model baterai, yang mencakup semua mode pengoperasian seperti parkir, mengemudi, dan pengisian daya. Ini mencapai simulasi interaksi yang akurat antara subsistem yang berbeda melalui metode formal representasi makroskopis energi (EMR) (alat grafis yang dikembangkan pada tahun 2000 untuk mengatur koneksi subsistem, mewakili aliran daya, dan hubungan sebab akibat). Penelitian telah menunjukkan bahwa mengurangi frekuensi pengisian daya (seperti mengubah dari pengisian harian menjadi setiap empat hari) dapat memperpanjang waktu baterai secara signifikan untuk mencapai 80% SOH. Pendekatan terpadu ini memberikan kemajuan penting dalam mengoptimalkan manajemen baterai dan memahami dampak praktik pengisian daya terhadap penuaan baterai.
Metode baru seperti AIC-SE dan VBMCCKF memiliki keunggulan signifikan dalam akurasi estimasi SOC dan efisiensi komputasi. AIC-SE berkinerja baik dalam efisiensi komputasi, sementara VBMCCKF berkinerja lebih baik dalam menangani estimasi dinamis kesalahan pengukuran dan lingkungan yang bising. Jika akurasi dan pemrosesan kebisingan diprioritaskan, menggabungkan kriteria Bayesian variasional dan entropi korelasi maksimum mungkin merupakan pilihan terbaik saat ini; Jika kita fokus pada efisiensi komputasi dan aplikasi real-time, AIC-SE adalah pilihan yang baik, yang menunjukkan bahwa metode pemodelan ECM masih memiliki keunggulan dalam bidang ini. Selain itu, model penuaan baterai yang dipelajari pada tahun 2024 secara komprehensif mempertimbangkan dampak berbagai faktor terhadap degradasi baterai, yang sangat penting untuk mengoptimalkan masa pakai baterai (berdasarkan praktik pengisian daya). Secara keseluruhan, perkembangan ini tidak hanya meningkatkan keakuratan estimasi SOC, namun juga berkontribusi dalam memperpanjang masa pakai baterai dan meningkatkan keandalan operasional baterai.
4. Teknik penilaian Keadaan Kesehatan (SOH).
4.1 Metode estimasi SOH tradisional
Metode estimasi SOH tradisional banyak digunakan di bidang akademik dan industri, terutama berdasarkan parameter dasar seperti penurunan kapasitas, resistansi internal, dan siklus hidup untuk mengevaluasi SOH baterai (lihat Tabel 4 untuk rumus dan arti parameter yang relevan). Metode ini memberikan landasan untuk penilaian kesehatan baterai dan membantu memahami kinerja baterai. Dengan memahami metode tradisional ini, kita dapat lebih memahami perbaikan metode estimasi baru di bab-bab berikutnya. Metode baru sering kali menggunakan analisis data yang lebih kompleks dan teknik pemodelan prediktif untuk mengatasi keterbatasan metode tradisional. Membandingkan keduanya dapat memperjelas perkembangan dan evolusi teknologi estimasi SOH dan menunjukkan bagaimana metode modern dapat meningkatkan akurasi dan kemampuan beradaptasi sistem manajemen baterai.
4.2 Perkembangan Baru Menggantikan Metode Tradisional
Indikator kesehatan baru yang dikombinasikan dengan pembelajaran mesin:Untuk meningkatkan akurasi prediksi SOH, penelitian telah memperkenalkan indikator kesehatan baru seperti Degradation Rate Ratio (DSR). Rumus menghitung DSR dari kemiringan kurva tegangan pengisian adalah:
Dengan membandingkan kemiringan beberapa siklus pengisian daya, laju degradasi (dalam mV/s) baterai dalam rentang voltase tertentu (seperti [3.8-3.9V]) ditentukan, yang berkaitan erat dengan kapasitas baterai dan dapat digunakan sebagai indikator utama untuk menentukan akhir masa pakai baterai. Menggabungkan model Gaussian Process Regression (GPR) dan Multi Layer Perceptron Neural Network (MLPNN) dapat memperkirakan kehilangan dan degradasi kapasitas dengan lebih akurat. Dibandingkan dengan model tradisional, sensitivitas dan akurasi meningkat secara signifikan, sehingga secara efektif memecahkan masalah model tradisional yang sulit mendeteksi degradasi sejak dini.
Peningkatan model rangkaian ekivalen:Metode awal untuk meningkatkan model rangkaian ekivalen tradisional (ECM) terus berkembang, seperti memperkirakan SOH dengan menganalisis kapasitansi badan model rangkaian RC ekuivalen pada 2015, menggunakan algoritme inovatif untuk menghitung faktor atenuasi kapasitansi badan, dan menggabungkannya dengan pengamat nonlinier terpisah untuk meningkatkan akurasi dan keandalan; Pada tahun 2024, model sirkuit ekuivalen hibrid orde kedua dikombinasikan dengan kecepatan pembaruan adaptif dan pengamat nonlinier diadopsi untuk mempertimbangkan pengaruh suhu, sehingga mencapai akurasi tinggi dalam estimasi SOH (kesalahan absolut rata-rata kurang dari 0,5%, RMS kesalahan kurang dari 0,2%); Solusi cloud untuk tahun 2023 menggunakan data pemantauan jangka panjang dan data real-time untuk memperkirakan parameter model baterai dengan menyesuaikan algoritma moving window Least Squares. Berdasarkan model ECM, evaluasi SOH dengan presisi tinggi dapat dicapai, yang menunjukkan bahwa metode ECM yang ditingkatkan masih memiliki arti penting dalam estimasi SOH, konsisten dengan tren peningkatan berkelanjutan metode ECM dalam teknologi estimasi SOC.
Metode Kerangka Hibrid:Kerangka kerja baru ini mengintegrasikan Linear Statistical k-Nearest Neighbor (LSKNN), Maximum Information Entropy Search (MIES), dan Collective Sparse Variational Gaussian Process Regression (CSVGPR) untuk memproses interpolasi data, penyaringan kebisingan, pemilihan fitur, dan manajemen ketidakpastian. LSKNN memperkirakan titik data yang hilang dan memfilter noise, MIES memilih fitur dengan korelasi tinggi dengan SOH, dan CSVGPR memproses ketidakpastian data untuk meningkatkan akurasi prediksi. Kerangka kerja ini diuji menggunakan kumpulan data baterai NASA, dan dibandingkan dengan metode seperti ElasticNet, Support Vector Regression (SVR), Random Forest, dan Gradient Boosting, Root Mean Square Error (RMSE) berkurang sebesar 77,8% (dari {{3 }}.0510 di ElasticNet ke 0.0113). Dibandingkan dengan model proses Gaussian dengan kernel yang berbeda, RMSE berkurang sebesar 55,5% (dari 0,0254 menjadi 0,0113), yang menegaskan ketahanan dan akurasi tinggi kerangka kerja serta menyediakan metode yang lebih akurat untuk estimasi SOH.
Tren perkembangan teknologi estimasi SOH beralih dari metode tradisional ke model yang lebih kompleks yang sesuai untuk kendaraan listrik. Metode baru mencakup penggabungan model degradasi dengan pembelajaran mesin klasik, metode berbasis ECM, dan metode hibrid. DSR adalah inovasi penting yang mengurangi ketergantungan pada siklus pengisian daya yang lengkap (mengurangi waktu tunggu sekitar 84%) dan, jika dikombinasikan dengan pembelajaran mesin, meningkatkan akurasi estimasi kehilangan kapasitas, mengatasi kesulitan deteksi degradasi dini pada model tradisional. Metode ECM yang ditingkatkan telah mencapai hasil yang baik dalam estimasi SOH, yang konsisten dengan pentingnya metode ECM dalam estimasi SOC. Teknologi hibrida (seperti kerangka baru yang disebutkan di atas) memiliki akurasi yang tinggi. Meskipun aplikasi real-time menimbulkan tantangan, penyelesaian masalah pemrosesan data utama secara efektif merupakan peningkatan yang signifikan dibandingkan metode estimasi SOH tradisional. Secara keseluruhan, pengembangan ini berfokus pada aplikasi real-time dan metode berbasis data, sehingga secara signifikan meningkatkan keandalan sistem manajemen baterai kendaraan listrik. Metode pembelajaran mendalam seperti LSTM, CNN, dan teknik hybrid telah menjadi metode utama untuk estimasi SOH. Bab-bab selanjutnya akan menyajikan hasil dan kontribusi penelitian yang relevan.
5. Penerapan Deep Learning dalam Estimasi SOH
5.1 Model LSTM dan Hibrida
Berbagai penelitian telah menggunakan model penuaan yang ditingkatkan dikombinasikan dengan teknik pembelajaran mendalam untuk meningkatkan akurasi estimasi SOH. Pembelajaran mendalam sangat diperlukan dalam memprediksi Sisa Umur Berguna (RUL). Misalnya, dengan mengintegrasikan model degradasi SOH dan mempertimbangkan berbagai kondisi pengoperasian seperti arus pengisian/pengosongan dan suhu, rumus tertentu dapat digunakan untuk:
Diantaranya, I2 {c} dan I2 {d} adalah arus pengisian dan pengosongan yang dinormalisasi, T3 {c} dan T4 {d} adalah suhu baterai dan lingkungan yang dinormalisasi, T3 {c} dan T4 {d} adalah waktu pengisian dan pengosongan, dan (d1-d4) adalah bobot), yang mensimulasikan degradasi baterai dengan lebih akurat. Model prediksi RUL berdasarkan jaringan LSTM meningkatkan akurasi prediksi, namun kompleksitas komputasi meningkat, dan aplikasi real-time menghadapi tantangan. Jaringan neural dapat menangani proses baterai yang berubah-ubah waktu, terus belajar beradaptasi terhadap perubahan perilaku baterai, dan menjaga keandalan model.
Dengan mengekstraksi fitur-fitur utama (seperti 6 fitur utama) untuk mengoptimalkan estimasi SOH, dikombinasikan dengan algoritme pembelajaran mesin untuk mencapai akurasi tinggi dan beban komputasi rendah, fitur voltase memainkan peran penting dalam meningkatkan akurasi penilaian status baterai. Menggabungkan beberapa model pembelajaran mendalam (seperti CNN, LSTM, GRU, dan varian dua arahnya) ke dalam kerangka kerja hibrid (seperti CNN-LSTM-DNN, CNN-GRU-DNN) untuk memprediksi RUL, memanfaatkan berbagai fitur untuk meningkatkan akurasi, mengurangi RMSE sebesar 90,5% dalam pengujian kumpulan data NASA, tetapi kekuatan komputasi dan kompleksitas membatasi aplikasi waktu nyata. Metode multi model (seperti pustaka model LSTM) dan strategi pengoptimalan tingkat lanjut (seperti mengintegrasikan LSTM ke dalam kerangka AI-BMS dan menerapkannya pada FPGA) dapat meningkatkan akurasi prediksi dan efisiensi sistem, namun penerapan FPGA pada kendaraan listrik komersial memerlukan biaya. dan tantangan kepraktisan.
Kombinasi metode GRU dan penginderaan lunak memiliki potensi untuk prediksi RUL jangka panjang di lingkungan laboratorium, namun aplikasi praktis memerlukan adaptasi terhadap kondisi pengisian daya yang berbeda. Menggunakan metode berbasis data seperti LSTM, DNN, dan GRU untuk memproses kumpulan data NASA, GRU memiliki kinerja yang kuat (RMSE sebesar 0.003, MAE 0,003, R-squared kesalahan 0,004), dan menggabungkan jaringan GRU dan LSTM menghasilkan kinerja yang lebih baik. Metode berbasis LSTM mengekstrak fitur (seperti 5 fitur manual) dengan menganalisis kurva pelepasan daya baterai, dan menggunakan algoritme pengoptimalan (seperti Adam) untuk meningkatkan efisiensi pelatihan dan akurasi prediksi. Dalam pelatihan data parsial baterai tunggal, kesalahan estimasi SOH untuk baterai lain rendah, lebih baik daripada model tradisional.
Jaringan MDA-LSTM menggabungkan banyak fitur dan informasi temporal, dan meningkatkan akurasi prediksi RUL melalui beberapa modul fusi fitur dan modul perhatian ganda. Ia berkinerja baik dalam validasi multi kumpulan data, dengan ketahanan dan generalisasi. Jaringan BiLSTM bertumpuk digunakan untuk memprediksi SOH menggunakan data pengisian daya arus konstan, dan struktur dua arah meningkatkan keandalan prediksi, sehingga cocok untuk estimasi SOH waktu nyata selama pengisian cepat. Model TCN-LSTM menggunakan data sintetik dan optimasi Bayesian untuk secara akurat merekonstruksi tegangan rangkaian terbuka (OCV) dan memperkirakan Status Kesehatan (SOH) (MAE di bawah 22mV, MAPE di bawah 2,2%). Hal ini dapat diperluas ke sistem kimia baterai yang berbeda melalui pembelajaran transfer, namun ada batasan ekstrapolasi ketika data tidak mencukupi. Metode fusi mendalam (seperti memanfaatkan data historis dan berbagai indikator kesehatan) mencapai akurasi tinggi (MAPE di bawah 2,97%) melalui pengujian pelepasan muatan penuh, dan kerangka kerja global berdasarkan GPR dan model DFTN untuk kendaraan listrik individual telah mencapai hasil yang baik. .
5.2. Model Terintegrasi CNN dan CNN-LSTM
Metode CNN-WNN-WLSTM mengintegrasikan jaringan CNN, WNN, dan WLSTM. CNN mengekstrak fitur, fitur proses WNN dan WLSTM, dan memperkirakan SOH. Pengoptimal RMSprop digunakan untuk meningkatkan kinerja dan mengungguli metode tradisional dalam pengujian kumpulan data NASA, sehingga memberikan pendekatan yang menjanjikan untuk manajemen kesehatan baterai. Model CNN-LSTM-CRF terinspirasi oleh pemrosesan bahasa alami, dengan lapisan CRF menangkap dependensi variabel keluaran untuk meningkatkan akurasi dan intuisi prediksi kapasitas baterai. Namun, persyaratan komputasinya tinggi dan melebihi kemampuan prosesor onboard. Kedepannya diperlukan penelitian untuk meningkatkan kepraktisan (misalnya melalui transfer learning). Model LSTNet meningkatkan performa prediksi kapasitas baterai dengan melakukan segmentasi data, mengintegrasikan komponen ConvLSTM dan AR, serta mengoptimalkan struktur (misalnya, dalam pengujian kumpulan data NASA, RMSE adalah 0,65%, MAE adalah 0. 58%, dan MAPE adalah 0,435% saat dilatih pada 40% data).
Dengan mengintegrasikan algoritme pengoptimalan CNN dan ECSSA yang ditingkatkan untuk memprediksi RUL baterai lithium-ion solid-state, CNN meningkatkan ekstraksi fitur dan akurasi prediksi dengan mengoptimalkan hyperparameter dan struktur (seperti menggunakan lapisan konvolusional tingkat lanjut, fungsi aktivasi, dan koneksi sisa), sementara ECSSA mengoptimalkan parameter model melalui metode matematika inovatif (seperti Pemetaan Chaotic Lingkaran, Koefisien Penyerapan Nonlinier, dan Mutasi Cauchy) untuk meningkatkan akurasi dan ketahanan prediksi RUL. Menggabungkan PCA dan CNN untuk optimasi fitur dan pengurangan dimensi meningkatkan akurasi dan efisiensi estimasi SOH (dibandingkan dengan CNN tradisional dan model PCA-CNN dimensi tetap, MAE meningkat lebih dari 20% dan RMSE meningkat lebih dari 30%). Model estimasi SOH real-time mengintegrasikan 1D-CNN dan BiGRU, menggunakan data BMS untuk menghindari ekstraksi fitur yang kompleks, dan mencapai akurasi tinggi melalui optimasi hiperparameter Bayesian (seperti dalam pengujian kumpulan data NASA, MAE adalah 2,080%, RMSE adalah 2,516%, dan kesalahan indeks EOL adalah nol).
5.3. Strategi Optimasi untuk Model Pembelajaran Mendalam
Pertama, algoritma hutan acak digunakan untuk mengidentifikasi faktor-faktor kesehatan utama, dan kemudian teknik optimasi kawanan partikel algoritma genetika (GA-PSO) digunakan untuk mengoptimalkan parameter model regresi vektor dukungan (SVR) untuk memperkirakan Keadaan Kesehatan (SOH). Efektivitasnya diverifikasi pada empat baterai, meningkatkan akurasi dan kecepatan konvergensi (RMSE sebesar 0.40%, MAPE sebesar 0.56%), yang lebih unggul dibandingkan metode terkait lainnya. Metode hibrid GWO-BRNN menggunakan optimasi serigala abu-abu (GWO) untuk memilih hyperparameter untuk jaringan neural terregulasi Bayesian (BRNN). Berdasarkan dataset NASA, kesalahan estimasi SOH kurang dari 1%, namun kompleksitas komputasinya tinggi dan penerapan praktisnya terbatas. Langsung menggunakan data mentah kendaraan listrik untuk mengevaluasi SOH dan memprediksi RUL, meningkatkan akurasi dengan memperkenalkan fitur evaluasi baru dan metode koreksi interpolasi (mengurangi kesalahan relatif integrasi saat ini menjadi 0,94%), dikombinasikan dengan metode optimasi D-NSGA-II untuk lebih lanjut mengoptimalkan estimasi SOH dan mengurangi waktu komputasi. Menanggapi kesulitan dalam memperkirakan Keadaan Kesehatan (SOH) yang disebabkan oleh pengisian dan pengosongan baterai lithium-ion yang tidak lengkap pada kendaraan listrik, diusulkan metode estimasi tidak langsung (ATAGA-BP). Metode ini memanfaatkan karakteristik tahap pengisian tegangan konstan sebagai indikator kesehatan dan divalidasi melalui simulasi dengan data NASA. Metode ini memiliki korelasi yang tinggi dengan kapasitas baterai (lebih dari 85%), dengan kesalahan estimasi SOH sebesar 3,7% dan peningkatan efisiensi berulang sebesar 17,8%.
Pembelajaran mendalam telah mencapai kemajuan yang signifikan dalam estimasi SOH, dan model komprehensif yang mempertimbangkan berbagai faktor memberikan pemahaman yang lebih mendalam tentang degradasi baterai. Jaringan LSTM penting dalam menangkap ketergantungan temporal dan memprediksi RUL, namun kompleksitas komputasinya menimbulkan tantangan untuk aplikasi real-time. Metode ekstraksi fitur penting dan dapat mengoptimalkan estimasi SOH. Kombinasi model hibrida dan arsitektur jaringan saraf yang berbeda untuk memproses kompleksitas data baterai memiliki prospek yang menjanjikan, namun persyaratan komputasi yang tinggi membatasi penerapan praktis. Strategi optimasi seperti GA-PSO, GWO-BRNN, dan D-NSGA-II telah meningkatkan akurasi dan efisiensi, namun penerapan algoritma yang kompleks sulit dilakukan dan memerlukan keseimbangan antara akurasi dan kesederhanaan eksekusi. Teknologi AI yang canggih sangat penting untuk penerapan baterai sekunder (kurangnya data penggunaan yang terperinci). Bab-bab berikutnya akan memberikan ikhtisar mengenai kondisi penelitian aplikasi sekunder saat ini, khususnya di bidang penggunaan kembali baterai.
6. Ringkasan
Artikel ini memajukan pengembangan estimasi SOH dan SOC untuk baterai litium-ion pada kendaraan listrik melalui metode dan model inovatif, yang mencakup berbagai teknologi mulai dari pembelajaran mesin tradisional hingga model pembelajaran mendalam tingkat lanjut seperti LSTM dan CNN. Namun, setiap metode memiliki perbedaan dalam akurasi, kompleksitas, dan penerapan, sehingga membuat perbandingan langsung menjadi sulit. Penelitian telah menemukan bahwa pemrosesan dan sumber data memiliki dampak signifikan terhadap performa model, dan validasi lebih lanjut diperlukan untuk penerapan sebenarnya. Meskipun model pembelajaran mendalam telah menunjukkan keunggulan dalam memproses data yang kompleks, model tersebut masih menghadapi tantangan seperti kebutuhan sumber daya komputasi yang tinggi dan kemampuan beradaptasi terhadap skenario aplikasi praktis. Penelitian di masa depan harus fokus pada peningkatan pemilihan fitur, deteksi anomali, beradaptasi dengan beragam kondisi lingkungan, mengoptimalkan algoritma untuk meningkatkan efisiensi komputasi, mencapai aplikasi real-time, mengintegrasikan berbagai sumber data untuk meningkatkan kinerja model estimasi SOH, dan juga mengatasi tantangan dalam aplikasi baterai sekunder. , mengembangkan solusi efektif, dan mendorong pengembangan sistem manajemen baterai untuk memenuhi permintaan yang terus meningkat di bidang kendaraan listrik dan penyimpanan energi.