Οι ερευνητές προτείνουν ότι η μελλοντική εργασία θα μπορούσε να περιλαμβάνει δοκιμές σε ακραίες θερμοκρασίες - Διαφορά με παραδοσιακές μεθόδους (interestingengineering.com)
Οι ερευνητές έχουν αναπτύξει ένα υβριδικό μοντέλο Τεχνητής Νοημοσύνης που συνδυάζει CNN, GRU και φίλτρα σωματιδίων, ενισχύει την ακρίβεια πρόβλεψης της διάρκειας ζωής της μπαταρίας λιθίου έως και 87%.
Το σύστημα συνδυάζει (σύμφωνα με το interestingengineering.com) νευρωνικά δίκτυα, μονάδες με πύλες και φιλτράρισμα σωματιδίων για να παρέχει πιο αξιόπιστες εκτιμήσεις της υπολειπόμενης ωφέλιμης ζωής.
Οι μπαταρίες ιόντων λιθίου φθείρονται με την πάροδο του χρόνου, χάνοντας χωρητικότητα με επαναλαμβανόμενους κύκλους φόρτισης και εκφόρτισης.
Η ακριβής πρόβλεψη του πότε θα αποτύχει μια μπαταρία παραμένει μια κρίσιμη πρόκληση για τα ηλεκτρικά οχήματα, τα ηλεκτρονικά είδη ευρείας κατανάλωσης και τα συστήματα αποθήκευσης δικτύου.
Το μοντέλο εστιάζει στην πρόβλεψη της υπολειπόμενης ωφέλιμης ζωής (ή RUL) η οποία αναφέρεται στο πόσους κύκλους μπορεί να ολοκληρώσει μια μπαταρία πριν η χωρητικότητά της πέσει κάτω από ένα όριο χρήσης. Οι ακριβείς προβλέψεις RUL βοηθούν στην πρόληψη απροσδόκητων βλαβών, στη μείωση του κόστους συντήρησης και στη βελτίωση της ασφάλειας σε όλα τα συστήματα που τροφοδοτούνται από μπαταρίες.
Διαφορά με παραδοσιακές μεθόδους
Οι παραδοσιακές μέθοδοι βασίζονται είτε σε μοντέλα που βασίζονται στη φυσική είτε σε προσεγγίσεις που βασίζονται σε δεδομένα.
Τα μοντέλα που βασίζονται στη φυσική προσομοιώνουν την εσωτερική χημεία της μπαταρίας, αλλά δυσκολεύονται με πολύπλοκες πραγματικές συνθήκες.
Τα μοντέλα που βασίζονται σε δεδομένα, όπως τα συνελικτικά νευρωνικά δίκτυα και οι πυλωμένες επαναλαμβανόμενες μονάδες, αποδίδουν καλά με μεγάλα σύνολα δεδομένων, αλλά συχνά χάνουν την ακρίβεια σε σχέση με τις μακροπρόθεσμες προβλέψεις ή όταν τα δεδομένα είναι θορυβώδη.
Για να αντιμετωπίσουν αυτά τα κενά, οι ερευνητές ανέπτυξαν ένα υβριδικό σύστημα που συνδυάζει τη βαθιά μάθηση με το φιλτράρισμα.
Η προσέγγιση ενσωματώνει συνελικτικά νευρωνικά δίκτυα για την εξαγωγή χαρακτηριστικών, πυλωμένες επαναλαμβανόμενες μονάδες για την πρόβλεψη χρονοσειρών και φίλτρα σωματιδίων για τη διόρθωση σφαλμάτων πρόβλεψης και τη σταθεροποίηση των εξόδων με την πάροδο του χρόνου.
Το υβριδικό μοντέλο ενισχύει την ακρίβεια
Το σύστημα ξεκινά με την προεπεξεργασία δεδομένων μπαταρίας χρησιμοποιώντας μια τεχνική που ονομάζεται πλήρης αποσύνθεση εμπειρικής λειτουργίας συνόλου με προσαρμοστικό θόρυβο.
Αυτό το βήμα αναλύει σύνθετα σήματα χωρητικότητας, αφαιρεί τον θόρυβο και διατηρεί ουσιαστικά μοτίβα υποβάθμισης. Ένα μονοδιάστατο συνελικτικό νευρωνικό δίκτυο εξάγει στη συνέχεια βασικά χαρακτηριστικά, ενώ η πυλωμένη επαναλαμβανόμενη μονάδα καταγράφει τον τρόπο με τον οποίο αυτά τα χαρακτηριστικά εξελίσσονται με την πάροδο του χρόνου.
Το φίλτρο σωματιδίων παίζει κρίσιμο ρόλο βελτιώνοντας τις προβλέψεις. Προσαρμόζει συνεχώς την έξοδο του μοντέλου εκτιμώντας την πιο πιθανή κατάσταση της μπαταρίας, μειώνοντας τα συσσωρευμένα σφάλματα.
Ένας μηχανισμός κινούμενου παραθύρου βελτιώνει περαιτέρω την απόδοση τροφοδοτώντας διορθωμένες προβλέψεις πίσω στο μοντέλο, επιτρέποντάς του να προσαρμόζεται δυναμικά καθώς νέα δεδομένα γίνονται διαθέσιμα.
Οι δοκιμές σε σύνολα δεδομένων αναφοράς, συμπεριλαμβανομένων ευρέως χρησιμοποιούμενων δεδομένων μπαταριών από τη NASA και το CALCE, έδειξαν σημαντικά κέρδη.
Το υβριδικό μοντέλο βελτίωσε την ακρίβεια πρόβλεψης έως και 87,27% σε σύγκριση με τις αυτόνομες επαναλαμβανόμενες μονάδες με πύλη, 82,88% σε σχέση με τα φίλτρα σωματιδίων μόνο και 55,43% σε σχέση με τους απλούστερους υβριδικούς συνδυασμούς.
Το σύστημα παρέμεινε επίσης σταθερό όταν εκπαιδεύτηκε σε περιορισμένα ή θορυβώδη σύνολα δεδομένων.
Επιπτώσεις μπαταρίας στον πραγματικό κόσμο
Οι ακριβέστερες προβλέψεις RUL θα μπορούσαν να ωφελήσουν άμεσα τα ηλεκτρικά οχήματα μειώνοντας την αβεβαιότητα της εμβέλειας και αποτρέποντας ξαφνικές βλάβες της μπαταρίας.
Για αποθήκευση σε κλίμακα δικτύου, η καλύτερη πρόβλεψη μπορεί να βελτιστοποιήσει τα χρονοδιαγράμματα συντήρησης και να ελαχιστοποιήσει τον χρόνο διακοπής λειτουργίας, βελτιώνοντας την αξιοπιστία των συστημάτων ανανεώσιμων πηγών ενέργειας.
Η ικανότητα του μοντέλου να αποδίδει καλά με μικρότερα σύνολα δεδομένων το καθιστά επίσης κατάλληλο για ανάπτυξη σε πραγματικό κόσμο, όπου σπάνια υπάρχουν ιδανικές συνθήκες δεδομένων.
Οι ερευνητές προτείνουν ότι η μελλοντική εργασία θα μπορούσε να περιλαμβάνει δοκιμές σε ακραίες θερμοκρασίες, ενσωμάτωση πρόσθετων δεικτών υγείας όπως η τάση και η θερμοκρασία, και κλιμάκωση του συστήματος σε μπαταρίες πολλαπλών στοιχείων.
www.worldenergynews.gr
