La dirección central del futuroSistemas de gestión de baterías (BMS): Predicción de la salud del paquete de baterías impulsada por IA

A medida que aumentan los requisitos de rendimiento de las baterías de los vehículos eléctricos, los sistemas de almacenamiento de energía, los equipos eléctricos, las herramientas eléctricas, etc.,Las limitaciones de los BMS de baterías de litio tradicionales se están volviendo cada vez más prominentes, y la introducción de la tecnología de IA está redefiniendo los límites de la predicción de la salud del paquete de baterías.El siguiente es un análisis exhaustivo basado en los avances tecnológicos existentes y las tendencias de la industria:

En primer lugar, las limitaciones de las baterías de litio tradicionales BMS impulsan la aplicación de la tecnología de IA

Las funciones centrales del BMS de baterías de litio tradicionales incluyen el monitoreo de la condición (estimación de SOC/SOH), la gestión activa de la ecualización, el control de la temperatura, etc., pero sus limitaciones son significativas.:

1Dependencia del modelo estático:la estimación tradicional de SOC/SOH se basa en la correlación voltaje-carga o en la simple integración de corriente,que es difícil de adaptar a condiciones de funcionamiento dinámicas y tiene una alta tasa de error (especialmente en escenarios de baja temperatura o de alta multiplicación)2. Uso insuficiente de los datos: sólo se basa en la correlación voltaje-carga o en la simple integración de corriente.
2- Uso insuficiente de los datos: Se basan únicamente en parámetros básicos como el voltaje de la batería, la corriente, la temperatura, etc., y la falta de análisis de fusión de datos heterogéneos de múltiples fuentes (por ejemplo, impedancia, deformación,Cambios de la capa de la SEI).
3Capacidad insuficiente de tiempo real y predicción: Los algoritmos tradicionales son en su mayoría de gestión reactiva, incapaces de advertir de antemano sobre el envejecimiento de la batería o el riesgo de fuga térmica y los peligros de seguridad.
4. Restricciones de hardware del BMS:la arquitectura cableada y la potencia informática local insuficiente, lo que resulta en altos costes de mantenimiento y escasa escalabilidad.

Innovación en tecnología de predicción de la salud de las baterías de litio basadas en IA

1Innovación de algoritmos: aprendizaje profundo y aprendizaje migratorio.

- LSTM y BiLSTM:ventajas significativas en el procesamiento de datos de series temporales, por ejemplo, un estudio logró un error de predicción de vida residual < 5% con solo 15 ciclos de carga de datos a través del modelo LSTM,y otro experimento controlado error SOH dentro del 1% en el marco de la migración de aprendizaje.
- Fusión de datos multimodal:Combinar datos de los sensores de voltaje, temperatura y deformación para mejorar la robustez del modelo. Por ejemplo, los datos de deformación mecánica son más predictivos que los datos de temperatura en condiciones de alta corriente.
- Aprendizaje de la migración:Resolver el problema de generalización para diferentes tipos/condiciones de baterías. Por ejemplo, un modelo pre-entrenado puede adaptarse a nuevos tipos de baterías con un error promedio inferior al 1,4%.

2Fusión de sensores y computación de borde

- Integración de nuevos sensores:Por ejemplo, el monitoreo del espesor de la capa SEI, la espectroscopia de impedancia para proporcionar métricas más directas del envejecimiento de la batería.
- AI-on-chip en el borde:La solución AI-BMS-on-chip de Eatron y Syntiant permite la toma de decisiones locales en tiempo real a través de un procesador de muy baja potencia que prolonga la vida útil de la batería en un 25% y libera un 10% de la capacidad.

3. Arquitectura colaborativa de nube de extremo

- Entrenamiento de big data en la nube + razonamiento en tiempo real:Por ejemplo, el sistema AI-BMS basado en la nube de Wuling combina millones de datos de vehículos para realizar un seguimiento de seguridad de segundo nivel y 240 estrategias de alerta temprana.El BMS de inteligencia artificial de Huawei advierte de la pérdida de control térmico 24 horas antes a través de la fusión de nube de extremo a extremo, con una tasa de falsa alarma de sólo el 0,1%.

Progreso de la aplicación y comercialización en la industria

1. Disposición de los principales fabricantes

- ¿ Qué es eso?La batería está equipada con AI-BMS desarrollado por ellos mismos, con un total acumulado de 2 millones de vehículos y cero registros de combustión espontánea,y admite algoritmos dinámicos de reposición de litio para mantener un grado de salud > 95%.
- Huawei:AI BMS integra el mecanismo de la batería y el aprendizaje automático, aplicado a la serie de modelos de interrogación, con una tasa de comprobación de riesgos del 90%.
- Los tiempos de Ningde:El algoritmo dinámico de reposición de litio está profundamente acoplado con BMS para optimizar el rendimiento de todo el ciclo de vida de la batería.

2Descubrimientos académicos

- Diagnóstico predictivo:El chip AI-BMS de Eatron puede identificar posibles fallas con meses de anticipación.
- Diseño del material a nivel molecular:Desarrollo asistido por IA de nuevos electrolitos (por ejemplo, CF3SO2Li) para mejorar la estabilidad química de las baterías.

Desafíos y tendencias futuras

1Desafíos técnicos

- Privacidad y seguridad de los datos:La formación de datos en la nube debe cumplir con el RGPD y otras regulaciones, la computación de borde puede aliviar parcialmente este problema.
- Interpretabilidad del modelo:Los modelos de caja negra difícilmente pueden cumplir con los requisitos de certificación de seguridad automotriz y deben combinarse con modelos físicos (por ejemplo, modelos híbridos electroquímicos-IA).
- Costo y aritmética:El coste de la producción a escala de chips de IA de alto rendimiento sigue siendo elevado.

2Tendencias futuras

- Sistema de aprendizaje adaptativo:Optimice dinámicamente las estrategias de carga y descarga con aprendizaje de refuerzo para extender la vida útil de la batería.
- Gestión de todo el ciclo de vida:Desde el diseño de materiales hasta el reciclaje, la IA se ejecuta a través de todos los aspectos de la I + D de la batería, la fabricación, el uso y la utilización secundaria.
- Normalización y ecología de código abierto:establecer un conjunto de datos de baterías unificado (por ejemplo, CALCE, NASA Extension) para promover una comparación justa e iteración de algoritmos.

Conclusión

El BMS basado en inteligencia artificial para la gestión de baterías de iones de litio está cambiando de "monitoreo pasivo" a "predicción y optimización activas", con el valor central de los conocimientos basados en datos para mejorar la seguridad, la longevidad, la eficiencia y la eficiencia.y eficiencia energéticaA pesar de los costos, la privacidad y los desafíos de estandarización, la tecnología se está iterando mucho más rápido que los enfoques tradicionales.AI-BMS no sólo será una "mamá inteligente" para las baterías, pero también un nodo central en la digitalización del sistema energético, impulsando las nuevas industrias de vehículos energéticos y almacenamiento de energía hacia una mayor fiabilidad y economía.