Новая технология позволяет определить, доедет ли ваш электромобиль до дома
Аккумулятор Challenger G12-200H
Исследователи из Калифорнии создали новую диагностическую метрику, которая, как сообщается, позволяет предсказать, сможет ли аккумулятор успешно выполнить определённую задачу. Предложенную модель можно использовать в электромобилях, беспилотных летательных аппаратах и системах хранения энергии.
Ученые из Калифорнийского университета в Риверсайде разработали новый диагностический показатель для электромобилей (EV), который позволяет определить, смогут ли они завершить предстоящую поездку.
Система под названием State of Mission (SOM) использует данные об аккумуляторе и факторах окружающей среды, таких как интенсивность движения, перепады высот или температура окружающей среды, для составления прогнозов в режиме реального времени с учётом конкретной задачи. Кроме того, команда разработала математические и вычислительные методы для расчёта SOM.
«Это ориентированная на выполнение задачи мера, которая объединяет данные и физические законы, чтобы спрогнозировать, сможет ли аккумулятор выполнить запланированную задачу в реальных условиях, — говорится в заявлении соавтора исследования Михри Озкан. — Наш подход можно обобщить. Та же гибридная методология может обеспечить ориентированные на выполнение задачи прогнозы, которые повысят надёжность, безопасность и эффективность широкого спектра энергетических технологий — от автомобилей и дронов до домашних аккумуляторных систем и даже космических миссий».
Для расчета SOM новая модель использует три класса входных данных, связанных с профилем миссии, условиями окружающей среды и динамикой батареи. Она начинается с обработки исторических данных временных рядов для оценки начального вектора внутреннего состояния батареи. Затем нейронные обыкновенные дифференциальные уравнения (neural ODE) моделируют непрерывную эволюцию электрохимических, тепловых состояний и состояний деградации. Используя нейронные сети, основанные на физике (PINNs), модель соответствует результатам, основанным на физических законах. В конечном счёте использование последовательностей обучения позволяет создать целостную систему оценки состояния аккумулятора.
Новая модель дает три результата: первый - двоичный SOM, который указывает, может ли батарея выполнить задание. Следующий - количественный SOM, показывающий, насколько легко и безопасно батарея может выполнить задание. Наконец, это также дает вероятностный SOM, представляющий вероятность успешного завершения миссии. Группа использовала данные из набора данных Oxford battery degradation dataset и набора данных NASA PCoE battery ageing dataset для обучения модели. Часть полученных данных в конечном итоге также была использована для тестирования.
«Модель обучается на основе данных о том, как аккумуляторы заряжаются, разряжаются и нагреваются с течением времени, но при этом она учитывает законы электрохимии и термодинамики. Такой двойной интеллект позволяет ей делать надёжные прогнозы даже в стрессовых ситуациях, таких как резкое понижение температуры или подъём в крутой гору, — сказал соавтор исследования Дженгиз Озкан. — Объединив эти два подхода, мы получили лучшее из обоих миров: модель, которая гибко обучается на основе данных, но при этом всегда опирается на физическую реальность. Это делает прогнозы не только более точными, но и более надёжными».
Используя вычислительный фреймворк, реализованный на Python, группа смоделировала два тематических исследования для изучения своей модели SOM. Первый включал легковой автомобиль, проехавший 23 км по городскому маршруту туда и обратно при температуре окружающей среды от 18 до 32 ° C. Начальный уровень заряда батареи (SOC) составлял 58%, начальное состояние работоспособности (SOH) составляло 87%, состояние сопротивления (SOR) составляло около 12%, а средняя температура элемента (SOT) составляла 26 C. Модель сочла задачу выполнимой, набрав 92,4 % баллов по количественному показателю SOM.
Вторая миссия предполагала использование грузового электромобиля для дальних перевозок, который преодолел 275 км по смешанному маршруту, включавшему 110 км в горных условиях, при температуре окружающей среды от 26 до 42 °C. Уровень заряда в этом случае составил 87 %, уровень работоспособности — 78 %, а температура — 33,6 °C. Модель также показала, что эта миссия выполнима, с количественным показателем уровня заряда 73,5 %. «В рамках оцениваемого набора данных модель обеспечивает среднеквадратичную ошибку (RMSE) в 0,018 В для напряжения, 1,37 °C для температуры и 2,42 % для уровня заряда, что свидетельствует о хорошем соответствии эмпирическим данным», — добавили исследователи.
«На данный момент основным ограничением является вычислительная сложность, — говорит Михри Озкан. — Платформа требует большей вычислительной мощности, чем обычно предоставляют современные легковесные встроенные системы управления аккумуляторами». Однако она подчеркнула, что настроена оптимистично и что эту модель вскоре можно будет применять в электромобилях, беспилотных летательных аппаратах, системах хранения энергии и других областях.
Новая система была представлена в статье «Состояние задачи: управление батареями с помощью нейронных сетей и электрохимического искусственного интеллекта», опубликованной в iScience.