Utafiti huu unatengeneza mbinu ya kukadiria hali ya afya ya betri za magari ya umeme (State of Health, SOH) kwa kutumia vipande vifupi vya kuchaji kwa kasi vilivyopatikana kwa nasibu bila kuhitaji mkondo kamili wa kuchaji. Msingi wa mbinu ni kujenga upya data ya volteji katika sehemu za SOC zenye upana wa pointi 20 za asilimia kutoka kwenye uchaji wa mkondo wa kudumu wa hatua nyingi (Multistage Constant Current, MSCC) ndani ya nafasi ya awamu yenye vipimo viwili, kutoa viashiria vinne vya afya kutoka kwenye jiometri hiyo, na kubadilisha uhusiano wa viashiria hivyo na kuzeeka kuwa thamani ya SOH kwa kutumia modeli ya DA-Transformer inayounganisha upunguzaji wa kelele na self-attention ya muda.

Hoja ya kiutendaji ya mbinu hiyo inatokana na tabia halisi za kuchaji magari ya umeme. Katika seti ya data ya EVBattery, kutoka magari 217 ya mtengenezaji mmoja, zaidi ya vipindi 90.000 vya kuchaji vilivyokamilika vilipochunguzwa, ilionekana kuwa ni %15,5 tu ya uchaji ulioanza chini ya SOC ya %20, huku %79,1 ya vipindi vikianza katika eneo la SOC la %20–80. Matokeo haya yanaonyesha kuwa watumiaji halisi mara nyingi huunganisha betri kwenye chaja kabla ya kuishusha hadi SOC ya chini sana na kwamba BMS huenda isipate mara kwa mara wasifu kamili wa kuchaji wa 0–80%.

Uthibitishaji wa kiasi wa modeli ya kukadiria SOH ulifanywa kwa seli za kibiashara za LFP zenye uwezo wa 1,1 Ah kutoka seti ya data ya kuzeeka kwa betri ya maabara ya Stanford University. Maeneo matatu huru ya kuchaji yalitumika: %20–40, %40–60 na %60–80 SOC. Katika leave-one-cell-out cross-validation chini ya hali ileile ya MSCC, wastani wa RMSE ulikuwa 0,0059, 0,0042 na 0,0041 mtawalia. Hivyo, hata kwa kutumia data ya uchaji iliyokatwa katika dirisha la pointi 20 tu za asilimia, mikondo ya SOH iliyopimwa ilifuatiliwa kwa usahihi mkubwa, hasa katika maeneo ya kati na ya juu ya SOC.

Katika uthibitishaji mgumu zaidi wa hali tofauti, modeli ilitumika moja kwa moja kwa seli zilizokuwa chini ya itifaki tofauti ya kuchaji kwa kasi ya MSCC ambayo haikuwahi kuonekana wakati wa mafunzo. Katika hali hii, katika dirisha la %40–60 SOC wastani wa RMSE ulibaki 0,0059, katika dirisha la %60–80 SOC ulibaki 0,0063, huku katika dirisha la %20–40 kosa likiongezeka hadi 0,0121. Matokeo haya yanaonyesha kuwa viashiria vya afya vinavyotegemea nafasi ya awamu vina uthabiti mkubwa zaidi dhidi ya mabadiliko ya itifaki ya kuchaji katika maeneo ya kati na ya juu ya SOC, ilhali dirisha la SOC ya chini linaendelea kuwa nyeti zaidi kwa mabadiliko ya hali za kifizikia.

Kipengele cha “ulimwengu halisi” cha utafiti kinapaswa kufasiriwa kwa uangalifu. Data za magari halisi katika EVBattery zilitumika kubainisha tabia za kuchaji za watumiaji na madirisha yanayofaa ya SOC; viwango vya usahihi wa SOH vilivyoripotiwa kwa DA-Transformer havikutokana na magari halisi barabarani, bali na seli za Stanford zilizofanyiwa kuzeeka katika maabara kwenye mazingira ya 30 °C ya kudumu. Ingawa modeli ilithibitishwa kati ya itifaki tofauti za maabara za MSCC, halijoto inayobadilika ya mazingira, historia halisi ya joto ya gari, kutosawazika kwa seli ndani ya pakiti na hali halisi za vihisi vya BMS barabarani hazikuthibitishwa moja kwa moja katika utafiti huu.

Kwa mtazamo wa Türkiye, mbinu hii ni muhimu kwa uwezekano wa kufuatilia afya ya betri za magari ya umeme wakati wa huduma au uendeshaji bila kuhitaji jaribio kamili la kuchaji na kutoa chaji. Hasa katika miundombinu ya kuchaji kwa kasi, kwa kuwa madereva huunganisha magari kwenye chaja katika viwango tofauti vya SOC, mbinu ya BMS isiyotegemea wasifu kamili wa kuchaji inaweza kuwa na thamani ya kiutendaji. Hata hivyo, kabla ya kutumiwa kwenye magari ya Türkiye, inahitaji kuthibitishwa tena kwa kemia tofauti za LFP/NMC, misimu tofauti ya joto, miundo tofauti ya pakiti za seli, vifaa vya kuchaji na data halisi za magari mengi.

Tatizo kuu ambalo utafiti unajaribu kutatua ni lipi?

Ili kubainisha SOH ya betri kwa kuaminika, jaribio kamili la uwezo linaweza kufanywa maabara; hata hivyo, tabia ya watumiaji katika magari halisi ya umeme haifai hali hiyo. Magari huunganishwa kwenye chaja katika viwango tofauti vya SOC na uchaji husitishwa kwa nyakati tofauti. Kwa hiyo, BMS mara nyingi huona vipande vya data vya ndani vilivyokatika na vyenye sehemu tofauti za kuanza na kumaliza badala ya wasifu kamili na uliosanifishwa wa kuchaji.

Baadhi ya viashiria vya kawaida vya afya hutegemea sifa maalumu kama vile madirisha ya volteji yasiyobadilika, vilele vya incremental capacity au muda kamili wa uchaji wa CC. Ikiwa kipande cha data hakina maeneo haya muhimu, sifa hizo zinaweza kupotea au zisiweze kulinganishwa. Kwa hiyo, watafiti wanatengeneza viashiria vinavyotegemea muundo wa kijiometri wa mlolongo mfupi wa volteji badala ya kutegemea nukta maalumu ya mkondo.

Watumiaji halisi wa magari huanza kuchaji katika viwango gani vya SOC?

Seti ya data ya EVBattery inajumuisha magari halisi ya umeme 464 na watengenezaji watatu tofauti; ina data za uendeshaji kama muhuri wa muda, wastani wa volteji ya seli, mkondo wa kuchaji, halijoto ya juu/chini na SOC. Katika takwimu za kina za tabia ya watumiaji, kutoka magari 217 ya mtengenezaji mmoja, zaidi ya vipindi 90.000 vya kuchaji vilivyokamilika vilichunguzwa.

Ujumbe mkuu wa mgawanyo huu ni kwamba ni %15,5 tu ya watumiaji huanza kuchaji chini ya %20 SOC. Vikundi vitatu kati ya %20–80 vikijumlishwa vinawakilisha %79,1 ya mwanzo wa vipindi vya kuchaji. Kwa hiyo, badala ya kufanya viashiria vya afya vitegemee dirisha la 0–20%, watafiti walilenga eneo la %20–80 linalopatikana kwa urahisi zaidi katika matumizi halisi.

Ni betri gani zilizotumiwa katika uthibitishaji wa SOH wa modeli?

Seti kuu ya data ya maabara kwa makadirio ya SOH ni Stanford University battery cycle dataset. Seli hizo ni seli za kibiashara za silindrika za lithium iron phosphate (LFP) zenye uwezo wa kawaida wa 1,1 Ah. Majaribio ya mzunguko yalifanywa kwa kutumia mfumo wa majaribio wa Arbin LBT.

Katika sehemu ya 0–80% SOC, sera ya kuchaji kwa kasi ya hatua sita yenye mchanganyiko tofauti wa mikondo mikubwa ya kudumu ilitumika. Baada ya seli kufikia 80% SOC, ilihamishwa kwenda kwenye uchaji wa 1 C CC-CV. Kiwango cha kutoa chaji ni zaidi ya 4 C. Vikomo vya juu na chini vya volteji ni 3,6 V na 2,0 V mtawalia, na halijoto ya jaribio ni 30 °C ya kudumu.

Kwa nini hutumiwa madirisha mafupi ya SOC yenye upana wa %20 tu?

Katika uchaji wa MSCC, hatua za mkondo hubadilika katika ongezeko lisilobadilika la 20% SOC. Utafiti unatumia muundo huu wa asili kuchagua sehemu za %20–40, %40–60 na %60–80 SOC kama madirisha huru ya uchunguzi wa afya.

Kwa njia hii, badala ya modeli kutegemea kiwango kimoja maalumu cha SOC ya kuanzia, inajaribiwa ikiwa sehemu fupi pekee inayopatikana katika mojawapo ya madirisha haya matatu wakati wa kipindi halisi cha kuchaji inaweza kutosha kukadiria SOH.

Phase Space Reconstruction inafanya nini?

Phase Space Reconstruction (PSR) hutumia nakala zilizocheleweshwa za mfululizo wa muda wa volteji wa kipimo kimoja ili kuwakilisha jiometri ya mienendo ya mfumo katika nafasi yenye vipimo vya juu zaidi.

Kwa mlolongo wa volteji:

\[ V=\{v_1,v_2,\ldots,v_n\} \]

vektori ya nafasi ya awamu iliyocheleweshwa huundwa kama:

\[ X_i=[v_i,v_{i+\tau},\ldots,v_{i+(m-1)\tau}] \]

ambapo \(m\) ni kipimo cha embedding na \(\tau\) ni ucheleweshaji wa muda.

Ucheleweshaji wa muda uliamuliwa kwa kutumia minimum ya kwanza ya ndani ya mutual information kati ya mlolongo wa awali wa volteji na mlolongo uliocheleweshwa.

Kwa nini nafasi ya awamu ya 2B ilichaguliwa badala ya vipimo vitatu au zaidi?

Kwa sababu vipande vifupi vya kuchaji vina takribani pointi 40–50 tu za sampuli, nafasi ya awamu yenye vipimo vya juu huwa chache kijiometri. Watafiti walizingatia kigezo cha Kantz–Schreiber cha \(n\geq10^m\) na kuonyesha kuwa pointi za ndani zinazoweka vikwazo vya kijiometri hupotea haraka kadiri kipimo cha embedding kinavyoongezeka.

Michoro katika kurasa 7 na 31–33 za chanzo inaonyesha tofauti hii wazi. Katika vipimo viwili, pointi nyingi za ndani zinazounga mkono mpaka wa trajectory kijiometri hubaki; katika vipimo vitatu, %92,3 ya pointi huenda kwenye uso wa nje, na katika vipimo vinne na vitano pointi zote ziko kwenye mpaka wa nje. Kwa kuwa muundo huu unaweza kufanya topolojia isiwe thabiti katika data fupi yenye kelele, utafiti ulitumia 2B PSR.

Ni viashiria gani vinne vya afya ya betri vilitolewa?

Viashiria vinne vya kijiometri vya afya (Health Indicator, HI) vilitolewa kutoka kila kipande cha ndani cha kuchaji katika nafasi ya awamu ya vipimo viwili.

HI1 — Wastani wa Kituo cha Trajectory:

\[ HI_1=\frac{C_x+C_y}{2} \]

Huwakilisha kiwango cha wastani cha jumla cha kipande cha volteji katika nafasi ya awamu.

HI2 — Uhamisho wa Kituo cha Trajectory:

\[ HI_2=C_y-C_x = \frac{1}{n-\tau} \sum_{i=1}^{n-\tau} (v_{i+\tau}-v_i) \]

Kihisabati, huhusiana na tabia ya wastani ya derivative ya kwanza ya mkondo wa volteji.

HI3 — Mtawanyiko wa Trajectory:

\[ HI_3= \frac{1}{n-\tau-1} \sum_{i=1}^{n-\tau} \left[(v_i-C_x)^2+(v_{i+\tau}-C_y)^2\right] \]

Huwakilisha wastani wa umbali wa mraba wa pointi za awamu kutoka kwenye kituo cha kijiometri.

HI4 — Eneo la 2B Convex Hull: Hufafanua mtawanyiko wa kijiometri kupitia eneo linalozungukwa na pointi za nje zaidi za mpaka wa trajectory ya awamu.

Viashiria vya afya vinahusiana kwa kiasi gani na SOH?

Kwa sababu ya mwelekeo usio wa mstari wa kuzeeka, Spearman rank correlation ilitumiwa badala ya Pearson. Kwa seli/vikundi viwili vya mfano kwenye chanzo, HI1 inaonyesha uhusiano wa juu zaidi.

Ingawa HI2 ilionyesha uhusiano dhaifu kuliko viashiria vingine vitatu, watafiti waliripoti kuwa usahihi wa jumla wa modeli ulipungua HI2 ilipoondolewa katika majaribio ya ablation, hivyo wakaendelea kutumia viashiria vyote vinne. Chanzo hakitoi jedwali la nambari la kina la ablation katika maandishi makuu; kwa hiyo hakuna asilimia ya ziada ya ablation iliyobuniwa hapa.

SOH ya betri ilifafanuliwaje?

SOH ilifafanuliwa kama uwiano wa uwezo uliopimwa katika mzunguko wa sasa dhidi ya uwezo wa kawaida:

\[ SOH_t=\frac{Q_t}{Q_n} \]

Ambapo \(Q_t\) ni uwezo halisi katika mzunguko t na \(Q_n\) ni uwezo wa kawaida.

DA-Transformer inatofautianaje na Transformer ya kawaida?

DA-Transformer inaunganisha vipengele viwili vikuu kwa mfululizo: mbele kuna Feature Purification Mapping Block (FPM-Block) inayokandamiza kelele, na nyuma kuna Temporal Aggregation Transformer Encoder inayojifunza uhusiano wa muda wa kuzeeka kwa betri katika mizunguko.

Wakati wa FPM-Block, kelele ya Gaussian huongezwa kwenye viashiria vya afya vilivyonormalishwa wakati wa mafunzo:

\[ \tilde{f}_t=f_t+\epsilon_t \]

\[ \epsilon_t\sim N(0,\sigma^2I) \]

Vipengele vilivyoharibiwa hupitishwa kwenye nafasi fiche yenye vipimo vya juu kupitia encoder:

\[ z_t=ReLU(W_{enc}\tilde{f}_t+b_{enc}) \]

na kisha kurejeshwa kwenye nafasi ya awali ya vipengele na decoder:

\[ \hat{f}_t=W_{dec}z_t+b_{dec} \]

Lengo la kazi hii ya reconstruction ni kuhakikisha kuwa uwakilishi fiche unahifadhi taarifa endelevu kuhusu kuzeeka kwa betri badala ya kelele ya nasibu ya masafa ya juu.

Sehemu ya Transformer inatumiaje historia ya kuzeeka?

Positional encoding huongezwa kwenye vipengele fiche vilivyosafishwa kutoka FPM-Block na kupelekwa kwenye multi-head self-attention:

\[ Attention(Q,K,V)= softmax\left(\frac{QK^T}{\sqrt{d_k}}\right)V \]

Muundo huu huzipa uzito kwa namna inayobadilika mizunguko ya zamani ambayo ina uhusiano mkubwa zaidi na hali ya sasa ya afya wakati SOH inakadiriwa.

Matokeo ya Transformer huunganishwa katika mwelekeo wa muda kwa global average pooling:

\[ H_{pool}=\frac{1}{T}\sum_{t=1}^{T}H_t \]

na safu ya regression hubadilisha uwakilishi huu wa jumla wa kuzeeka kuwa makadirio ya SOH.

Hasara ya jumla ya mafunzo inajumuisha kosa la utabiri wa SOH na kosa la reconstruction la FPM:

\[ L_{Total}=L_{Pred}+\alpha L_{Recon} \]

Modeli ilifunzwa kwa hyperparameter gani?

Uthibitishaji wa hali ileile ulifanywaje?

Leave-one-cell-out cross-validation (LOCO-CV) ilitumika kujaribu ikiwa modeli inaweza kufanya kazi kwa seli ambayo haijawahi kuonekana. Kila mara, seli moja kati ya No.1, No.2, No.10, No.20 na No.42 ilitengwa kabisa kama seli ya majaribio na seli nyingine nne zilitumiwa kwa mafunzo.

Katika mpangilio huu, sifa za kuzeeka za zamani au za baadaye za seli ya majaribio hazitolewi kwa modeli wakati wa mafunzo.

RMSE za hali ileile katika madirisha tofauti ya SOC ni zipi?

Madirisha ya 40–60% na 60–80% SOC yana makosa ya wastani yanayokaribiana sana na yanafanya vizuri zaidi kuliko dirisha la 20–40%. Katika grafu za SOH za chanzo, mikondo ya utabiri haifuati tu kupungua polepole kwa uwezo, bali pia kwa ujumla hufuata maeneo ya “knee” ya upotevu wa uwezo unaoharakishwa yanayotokea katika mizunguko tofauti ya seli.

Kwa nini jaribio la hali tofauti ni gumu zaidi?

Katika jaribio la hali tofauti, modeli ilifunzwa kwa seli No.1, No.2, No.10, No.20 na No.42, kisha ikatumika moja kwa moja kwa seli No.9, No.21, No.22, No.31 na No.36 zilizofanyiwa kuzeeka chini ya itifaki tofauti kabisa ya kuchaji kwa kasi.

Mpangilio wa mkondo wa kuchaji wa kundi lengwa umetolewa kwenye chanzo kama 6,6 C, 6,16 C, 4,84 C na 4,22 C. Hivyo, jaribio halijumuishi “seli mpya” pekee, bali pia itifaki ya kuchaji ambayo haikuonekana katika mafunzo.

RMSE za hali tofauti ni zipi?

Kwa nini ujanibishaji ni dhaifu zaidi katika dirisha la %20–40 SOC?

Watafiti wanaeleza kuwa katika SOC ya chini polarization ya ndani ya betri huwa dhaifu zaidi na mteremko wa mabadiliko ya viashiria vya afya kutokana na kuzeeka hupungua. Kwa hiyo, uwiano wa ishara ya kuzeeka dhidi ya kelele hupungua na unyeti wa modeli kwa mabadiliko ya domain ya kifizikia huongezeka inapotumika kwenye itifaki tofauti za kuchaji.

Hali hii inaonekana kwa kiasi katika matokeo ya hali tofauti. Wastani wa RMSE wa %20–40 SOC umeongezeka kutoka 0,0059 hadi 0,0121, zaidi ya mara mbili. Katika seli No.36 kosa lilikuwa 0,0193, na katika No.22 lilikuwa 0,0146.

Kinyume chake, wastani wa makosa katika %40–60 na %60–80 SOC ni 0,0059 na 0,0063 tu. Kwa hiyo, utafiti unapendekeza kuzipa kipaumbele madirisha ya SOC ya kati hadi juu katika matumizi halisi ya BMS.

Matokeo yanayoungwa mkono na utafiti

• Tabia halisi ya watumiaji ya kuanza kuchaji inaunga mkono kwamba upatikanaji wa mara kwa mara wa wasifu kamili wa 0–80% unaweza usiwe wa kiutendaji.
• Nafasi ya awamu ya vipimo viwili huhifadhi pointi nyingi zaidi za ndani za kijiometri katika mlolongo mfupi wa volteji wenye pointi 40–50 kuliko vipimo vitatu au zaidi.
• Viashiria vinne vya afya vya topolojia vinavyotolewa kutoka dirisha moja la %20 la MSCC SOC vinaweza kutumika kukadiria SOH.
• DA-Transformer iliweka wastani wa RMSE kuwa 0,0059 au chini katika madirisha yote matatu ya SOC chini ya itifaki ileile.
• Katika uhamishaji wa moja kwa moja kwenda itifaki tofauti ya kuchaji kwa kasi, wastani wa RMSE katika madirisha ya %40–60 na %60–80 ulikuwa 0,0059 na 0,0063 mtawalia.
• Dirisha la %20–40 SOC ni nyeti zaidi kwa mabadiliko ya hali tofauti na wastani wa RMSE umeongezeka hadi 0,0121.
• Modeli iliweza kufuatilia kwa ujumla maeneo yasiyo ya mstari ya “knee” katika upotevu wa uwezo wa seli tofauti.

Matokeo ambayo utafiti haujaonyesha

• Usahihi wa SOH ulioripotiwa haujathibitishwa moja kwa moja kwenye EV 464 zinazotumika barabarani.
• Seti ya data ya EVBattery haikutumiwa kama jaribio la moja kwa moja la usahihi wa SOH kwenye magari halisi, bali hasa kuamua tabia ya kuchaji.
• Haijaonyeshwa kuwa modeli itafanya kazi kwa usahihi uleule chini ya halijoto inayobadilika ya mazingira.
• Utafiti haujathibitisha ujanibishaji wa moja kwa moja kutoka LFP kwenda NMC au kemia nyingine za seli.
• Kutosawazika kwa seli ndani ya pakiti, gradient za joto, drift ya kihisi cha mkondo na utofauti wa kuzeeka wa kiwango cha pakiti havijajaribiwa kando.
• Mzigo wa kichakataji, matumizi ya kumbukumbu au ucheleweshaji wa wakati halisi wa modeli kwenye vifaa vya uzalishaji wa BMS havijapimwa.
• RMSE ya chini haimaanishi kuwa modeli yenyewe ni suluhisho la BMS lililoidhinishwa kwa usalama.

Mbinu na Matokeo ya Utafiti

Majukumu ya seti za data ndani ya utafiti

Idadi ya vipindi vya kuchaji kwa magari 10 yaliyochaguliwa katika uchambuzi wa magari halisi

LOCO-CV inazuia nini?

Muundo wa leave-one-cell-out unalenga kuzuia historia ya kuzeeka ya seli ya majaribio kuingia kwenye data ya mafunzo. Katika kila zamu, seli moja huwekwa kama lengo la majaribio ambalo halijaonekana kabisa na modeli hufunzwa kwa seli nyingine.

Muundo huu ni mkali zaidi kuliko mgawanyo wa kawaida wa nasibu wa train-test; kwa sababu unapunguza uvujaji wa taarifa unaoweza kutokea ikiwa mizunguko tofauti ya seli ileile ya kifizikia itaingia katika seti za mafunzo na majaribio kwa wakati mmoja.

Tofauti kuu kati ya hali ileile na hali tofauti ni ipi?

Katika jaribio la hali ileile, seli za mafunzo na majaribio ziko katika familia ileile ya itifaki ya kuchaji kwa kasi. Katika jaribio la hali tofauti, modeli hufunzwa kwa itifaki ya kundi moja la seli kisha hutumika kwenye kundi tofauti la seli zilizozungushwa kwa usanidi tofauti kabisa wa mkondo wa MSCC.

Kwa hiyo, matokeo ya hali tofauti yanatoa taarifa si tu kuhusu ujanibishaji kati ya seli, bali pia kuhusu uthabiti dhidi ya mabadiliko ya mkakati wa kuchaji.

Dirisha lenye nguvu zaidi ni lipi?

Katika hali ileile, kosa la wastani la chini zaidi kwa nambari katika dirisha la %60–80 SOC ni 0,0041; dirisha la %40–60 ni karibu sawa kwa 0,0042. Katika jaribio la hali tofauti, dirisha la %40–60 SOC lilitoa kosa la 0,0059, ambalo ni kidogo chini kuliko dirisha la %60–80 lenye 0,0063.

Kwa hiyo, chanzo hakitenganishi dirisha moja la ulimwengu mzima kama “bora kabisa”, bali kinatathmini %40–60 na %60–80 kwa pamoja kama maeneo thabiti zaidi ya SOC ya kati hadi juu.

Matokeo bora na dhaifu zaidi ya hali tofauti

Katika jaribio la hali tofauti, RMSE ya chini zaidi ya seli moja katika dirisha la %40–60 SOC ni ya seli No.9 yenye 0,0028. Katika dirisha hilo hilo, seli No.21 ilionyesha RMSE ya 0,0038.

Kosa kubwa zaidi lilitokea katika dirisha la %20–40 SOC kwa seli No.36, likiwa 0,0193, na likafuatiwa na seli No.22 yenye 0,0146. Hivyo, athari ya domain shift katika eneo la SOC ya chini pia hutofautiana sana kati ya seli.

Ujumbe mkuu wa Kielelezo 7 na Kielelezo 8 ni upi?

Kielelezo 7 cha chanzo kinaonyesha mikondo halisi na iliyotabiriwa ya SOH kwa seli No.1, No.2, No.10, No.20 na No.42 katika madirisha matatu ya SOC chini ya hali ileile ya kuchaji. Mikondo ya utabiri iliyokatika hufuata mikondo halisi kwa karibu katika sehemu kubwa ya maisha ya seli na kwa ujumla hushika maeneo ambapo seli huingia katika upotevu wa uwezo unaoharakishwa katika mizunguko tofauti.

Kielelezo 8 kinaonyesha seli No.9, No.21, No.22, No.31 na No.36 chini ya itifaki tofauti kabisa ya kuchaji. Hasa katika grafu za %40–60 na %60–80, mikondo ya utabiri hubaki karibu na umbo halisi la upotevu wa uwezo, ilhali katika grafu ya %20–40 baadhi ya seli zinaonyesha kwa uwazi zaidi mkengeuko wa kiwango cha msingi na kosa la mteremko.

Mchango muhimu zaidi wa modeli kwa matumizi halisi ya BMS ni upi?

Mchango mkuu wa kihandisi wa utafiti ni kuonyesha mbinu ya kuondoa utegemezi wa makadirio ya SOH kwa mkondo kamili wa kuchaji. Hata ikiwa gari limerekodi sehemu fupi tu ya kuchaji kwa kasi kama %40–60 au %60–80, jiometri ya nafasi ya awamu ya kipande hicho inaweza kubeba athari za kuzeeka kwa betri.

Hata hivyo, matokeo ya sasa yanaonyesha kuwa wazo hili linaweza kutekelezwa kwenye seti ya data ya maabara. Ili kuhamia kwenye BMS ya gari halisi, uthibitishaji mpana zaidi unaohusisha mabadiliko ya halijoto, utofauti wa kiwango cha pakiti na kelele ya vihisi vya uwanjani unahitajika.

Nguvu za utafiti

• Muundo wa mbinu umehalalishwa kwa takwimu za tabia halisi ya kuchaji ya watumiaji.
• Utafiti umezingatia madirisha ya SOC ya ndani yaliyopatikana kwa nasibu badala ya mkondo kamili wa kuchaji.
• Kipimo cha embedding kwa mlolongo mfupi wa data kimechambuliwa wazi kupitia upungufu wa pointi za kijiometri.
• Viashiria vinne vya afya vya kijiometri vinavyoweza kufasiriwa vimetolewa kutoka nafasi ya awamu.
• LOCO-CV imetumiwa kuzuia seli ya majaribio kuchanganyika na data ya mafunzo.
• Mbali na itifaki ileile ya kuchaji, jaribio tofauti la ujanibishaji limefanywa chini ya itifaki tofauti kabisa ya kuchaji kwa kasi.
• FPM-Block na Transformer zimeunganisha ukandamizaji wa kelele na uundaji wa modeli ya kuzeeka ya muda mrefu katika lengo moja la mafunzo.

Vikwazo vikuu

Uthibitishaji wa kiasi wa makadirio ya SOH unategemea seti ya data ya maabara ya Stanford na halijoto ya kudumu ya 30 °C. Seti ya data ya magari halisi si eneo la moja kwa moja la majaribio ya SOH ya modeli.

Utafiti umejikita kwenye seli za kibiashara za LFP za 1,1 Ah. Kemia tofauti, seli za ukubwa mkubwa na miundo ya mfululizo-sambamba katika kiwango cha pakiti hazijathibitishwa kando.

Ingawa jaribio la hali tofauti linashughulikia mabadiliko ya itifaki ya kuchaji, halijumuishi domain shift ya pamoja inayotokana na halijoto ya mazingira, wasifu wa mzigo, kuzeeka kwa kalenda na hali halisi za barabarani.

FPM-Block hutumia kelele bandia ya isotropic Gaussian wakati wa mafunzo. Usambazaji wa makosa ya vihisi vya BMS halisi huenda usiwe Gaussian au huru kila wakati.

Utafiti hautoi vipimo vya mzigo wa kompyuta, ucheleweshaji, matumizi ya nishati au mahitaji ya kumbukumbu kwenye kichakataji cha BMS kilichopachikwa cha wakati halisi.

Watafiti pia wanaeleza wazi katika hitimisho kwamba mipaka ya kimazingira yenye fizikia nyingi, kama mabadiliko ya halijoto ya mazingira, inapaswa kuingizwa katika mchakato wa embedding wa nafasi ya awamu katika kazi zijazo.

Maelezo ya Chanzo na Mbinu

Jina kamili la utafiti asilia: State of Health Estimation of Lithium-Ion Batteries Based on Real-World Charging Behavior Analysis and Phase Space Topology of Fragmented Data

Waandishi na mpangilio: Xiaofeng Sang; Junfu Li; Mei Zhao; Jiaxing Che; Tong Yao; Huaqiang Zhang.

Mchango sawa/uandishi wa kwanza wa pamoja: Hakuna taarifa ya mchango sawa au uandishi wa kwanza wa pamoja katika toleo lililochunguzwa.

Mwandishi wa mawasiliano: Xiaofeng Sang.

Barua pepe ya mwandishi wa mawasiliano: 24s130422@stu.hit.edu.cn.

Taasisi: School of New Energy, Harbin Institute of Technology (Weihai), Weihai 264209, China; School of Automotive Engineering, Harbin Institute of Technology (Weihai), Weihai 264209, China; School of Information Science and Engineering, Harbin Institute of Technology (Weihai), Weihai 264209, China.

Aina ya chanzo: Toleo la preprint la utafiti wa makadirio ya SOH unaoendeshwa na data, unaounganisha uchambuzi wa tabia halisi ya kuchaji ya magari ya umeme na data ya maabara ya kuzeeka kwa betri.

Hali ya peer review: Toleo lililochunguzwa ni preprint ambayo haijapitiwa na wakaguzi. Kila ukurasa wa faili iliyopakiwa una maneno “Preprint not peer reviewed”. Katika ukaguzi wa bibliografia, toleo tofauti la jarida lililothibitishwa na peer review lenye kichwa hicho halikupatikana katika utafutaji huu.

Jukwaa: SSRN.

Nambari ya usajili ya SSRN: 6933581.

DOI: 10.2139/ssrn.6933581.

Kiungo rasmi:SSRN 6933581

Tarehe ya uchapishaji: Siku/mwezi mahususi unaoweza kuripotiwa kwa uhakika hauonekani kibibliografia katika faili iliyochunguzwa. Kwa kuwa metadata ya tarehe katika faharasa za nje haikubaliani, tarehe mahususi ya kubuniwa haijatolewa hapa.

Seti kuu ya data ya maabara: Stanford University battery cycle dataset; seli za kibiashara za silindrika za LFP za 1,1 Ah; mfumo wa majaribio wa Arbin LBT; 30 °C; uchaji wa kasi wa MSCC.

Seti ya data ya ulimwengu halisi: EVBattery; magari halisi ya umeme 464 kutoka watengenezaji watatu. Katika utafiti, ilitumika kubainisha tabia ya kuchaji na mgawanyo wa SOC ya kuanzia badala ya kupima moja kwa moja usahihi wa SOH kwenye magari halisi.

Uchambuzi mdogo wa tabia halisi ya kuchaji: Magari 217 kutoka mtengenezaji mmoja na zaidi ya vipindi 90.000 vya kuchaji vilivyokamilika. %79,1 ya mwanzo wa kuchaji uko katika eneo la %20–80 SOC.

Mbinu ya nafasi ya awamu: PSR ya delayed coordinates; ucheleweshaji wa muda uliamuliwa kwa minimum ya kwanza ya ndani ya mutual information; kipimo cha embedding kilichaguliwa kuwa 2 kutokana na upungufu wa pointi za kijiometri katika mlolongo mfupi wa data.

Viashiria vya afya: HI1 Trajectory Center Mean; HI2 Trajectory Center Displacement; HI3 Trajectory Dispersion; HI4 2D Convex Hull Area.

Modeli: Denoising Aggregation Transformer (DA-Transformer); FPM-Block + Temporal Aggregation Transformer Encoder + global average pooling + safu za regression.

Wastani wa RMSE wa hali ileile: %20–40 SOC: 0,0059; %40–60 SOC: 0,0042; %60–80 SOC: 0,0041.

Wastani wa RMSE wa hali tofauti: %20–40 SOC: 0,0121; %40–60 SOC: 0,0059; %60–80 SOC: 0,0063.

Kikomo kikuu cha tafsiri: Utafiti unapata madirisha yanayofaa ya kuchaji kutoka tabia halisi ya watumiaji, lakini usahihi wa SOH ulioripotiwa haujathibitishwa moja kwa moja kwenye magari halisi. Uthibitishaji wa kiasi wa SOH ulifanywa kwa seli za maabara za Stanford chini ya hali thabiti ya joto.

Ufadhili: National Natural Science Foundation of China, Project 52177032; Aviation Science Foundation, ASFC-20230007077004.

Mgongano wa maslahi: Hakuna taarifa tofauti ya mgongano wa maslahi iliyobainishwa katika toleo lililochunguzwa.

Upatikanaji wa data: Hakuna taarifa tofauti ya upatikanaji wa data katika toleo lililochunguzwa; seti za data za Stanford na EVBattery zimetajwa kama tafiti tofauti katika marejeo.

CRediT/michango ya waandishi: Hakuna taarifa ya kina ya CRediT ya michango ya waandishi katika toleo lililochunguzwa.

Leseni: Hakuna taarifa ya wazi ya Creative Commons au leseni sawa ya matumizi tena iliyobainishwa katika toleo lililopakiwa. Kwa hiyo, haikudhaniwa kuwa kuchapisha tena moja kwa moja michoro asili kumeruhusiwa.

Kanuni ya maudhui ya kisayansi: Mbinu, seti za data, fomula, migawanyo ya SOC, matokeo ya RMSE, vigezo vya modeli na vikwazo katika maelezo haya ya Verianla vinategemea utafiti wa kurasa 36 uliokaguliwa. Chanzo cha nje kilitumika tu kwa ukaguzi wa bibliografia wa kitambulisho cha SSRN, DOI na hali ya sasa ya uchapishaji.