DOI: https://doi.org/10.1016/j.est.2026.120673
تاريخ النشر: 2026-01-23
المؤلف: Spyridon Giazitzis وآخرون
الموضوع الرئيسي: أبحاث تقنيات البطاريات المتقدمة
نظرة عامة
تقدم البحث نهجًا جديدًا لأنظمة إدارة البطاريات (BMS) من خلال تطوير نماذج TinyML المتقدمة لتقدير حالة الشحن (SoC) وحالة الصحة (SoH) بدقة. يقدم المؤلفون أربع هياكل تعلم عميق – الشبكة العصبية التلافيفية (CNN)، وحدة التكرار المغلقة (GRU)، الذاكرة طويلة وقصيرة المدى (LSTM)، والطبقات الكثيفة – القادرة على معالجة تسلسلات إدخال ذات طول متغير لـ SoH ومدخلات ثابتة الطول لـ SoC. تم تحسين هذه النماذج باستخدام تقنية ضغط تعتمد على إسقاط الشبكة العصبية، مما يقلل بشكل كبير من حجمها وزمن الاستجابة مع الحفاظ على الدقة. حقق نموذج Pr_LSTM لـ SoC متوسط خطأ مطلق (MAE) قدره 0.0114 وخطأ الجذر التربيعي المتوسط (RMSE) قدره 0.0286، مع بصمة ذاكرة تبلغ 4.0 كيلوبايت وزمن استجابة قدره 0.391 مللي ثانية. بينما حقق نموذج Pr_CNN_GRU لـ SoH، المدرب فقط على ميزات تحليل السعة المتزايدة (ICA)، MAE قدره 0.0060 وRMSE قدره 0.0130، مشغلاً فقط 3.4 كيلوبايت وينفذ في 1.607 مللي ثانية.
تؤكد الدراسة على الإمكانية لتنفيذ هذه النماذج في الوقت الحقيقي ضمن نظام إدارة البطاريات (IMR) للروبوتات المتنقلة من إنفينيون، مما يسهل التنبؤات القابلة للتوسع من مستوى الخلية إلى مستوى الوحدة مع ضمان التشغيل الآمن وإدارة الصحة المثلى لحزم البطاريات. قد تتضمن الأعمال المستقبلية تبسيط الهيكل لتقدير SoH لتقليل التعقيد واستكشاف تقنيات تحسين النموذج المشترك، مثل الإسقاط-التكميم أو التقليم-التكميم، لتعزيز كفاءة الاستدلال بشكل أكبر. بالإضافة إلى ذلك، يُقترح إجراء تحليل مقارن لاستهلاك الطاقة بين الحلول المعتمدة على السحابة والحلول المعتمدة على الحافة لتقدير الحالة لتقييم التطبيقات العملية للنماذج في تطوير أنظمة إدارة البطاريات.
مقدمة
تسلط مقدمة الورقة الضوء على التأثير التحويلي للذكاء الاصطناعي (AI) على مختلف القطاعات، لا سيما في تطوير أنظمة إدارة البطاريات المتقدمة (BMS) للمركبات الكهربائية والتطبيقات المعتمدة على البطاريات. يؤكد المؤلفون على أهمية تقدير الحالة الدقيقة لخلايا البطارية من أجل السلامة والأداء، مما يسهل من خلال التقدمات الأخيرة في الأجهزة والبرامج وتوافر البيانات. يقدمون Tiny Machine Learning (TinyML) كنهج واعد لنشر الشبكات العصبية الخفيفة على المنصات المعتمدة على المتحكمات الدقيقة، مما يمكّن من تقديرات حالة البطارية في الوقت الحقيقي بكفاءة مع الحد الأدنى من استهلاك الذاكرة والطاقة.
تستعرض الورقة عدة دراسات نجحت في تنفيذ نماذج مدفوعة بالبيانات، بما في ذلك الشبكات العصبية التلافيفية (CNN) والشبكات ذات الذاكرة طويلة وقصيرة المدى (LSTM)، لتقدير حالة الشحن (SoC) وحالة الصحة (SoH) للبطاريات. ومن الجدير بالذكر أن هذه النماذج أظهرت دقة عالية مع الحفاظ على زمن استجابة منخفض ومتطلبات ذاكرة قليلة، مما يجعلها مناسبة للنشر على الحافة. ومع ذلك، يحدد المؤلفون فجوة في الأبحاث الحالية بشأن تحسين نماذج التعلم العميق للبيئات ذات الموارد المحدودة، لا سيما فيما يتعلق ببيانات الإدخال ذات الطول المتغير وقابلية التوسع من خلايا فردية إلى وحدات بطارية. لمعالجة هذه التحديات، يقترح المؤلفون استراتيجيات مبتكرة لضغط النموذج وتحسينه، بهدف تعزيز التطبيق العملي لخوارزميات تقدير حالة البطارية في السيناريوهات الواقعية.
طرق
في هذا القسم، يناقش المؤلفون الطرق المستخدمة لتقدير الحالة في أنظمة إدارة البطاريات (BMS)، مع التركيز على المعلمات الحرجة لحالة الشحن (SoC) وحالة الصحة (SoH). تتحمل BMS مسؤولية ضمان سلامة البطارية وموثوقيتها وأدائها من خلال وظائف مثل توازن الخلايا واكتشاف الأعطال. يعد التقدير الدقيق لـ SoC، الذي يشير إلى السعة القابلة للاستخدام المتبقية للبطارية، أمرًا أساسيًا للإدارة الفعالة للبطارية، حيث لا يمكن قياسه مباشرة ويتأثر بعوامل بيئية وتشغيلية مختلفة. تعتبر SoH، التي تُعرف أساسًا بفقدان سعة البطارية بمرور الوقت، حاسمة لتقييم حالة البطارية وتوقع الأداء المستقبلي. يصنف المؤلفون طرق التقدير الحالية إلى طرق قائمة على النموذج، وطرق مدفوعة بالبيانات، وطرق هجينة، مشددين على ضرورة إجراء تجارب مختبرية محكومة للحصول على بيانات دقيقة.
أجرى المؤلفون تحليلًا لعدة نماذج تعلم عميق، بما في ذلك GRU وLSTM وCNN_GRU وCNN_LSTM، لتقدير SoC وSoH. استخدموا MATLAB لضغط النموذج وتوليد كود C للنشر في متحكم دقيق. تم تحقيق تحسين المعلمات الفائقة باستخدام خوارزمية تحسين المعلمات الفائقة بايزي (BHO)، التي توازن بين استكشاف واستغلال مساحة المعلمات الفائقة. تم استخدام مقاييس تقييم الأداء، مثل متوسط الخطأ المطلق (MAE) وخطأ الجذر التربيعي المتوسط (RMSE)، لتقييم دقة النموذج. بعد تدريب النموذج، تناول المؤلفون انخفاض الأداء بسبب الضغط من خلال تحسين النماذج قبل توليد ملفات مصدر C للنشر. تم قياس زمن استجابة النماذج باستخدام dlCodegenBench من MATLAB، مما يمهد الطريق لمزيد من التحليل للخوارزميات المطورة وتطبيقها في سيناريوهات BMS الحقيقية.
نقاش
في قسم النقاش من ورقة البحث، يستكشف المؤلفون طرقًا مختلفة لتقدير حالة الشحن (SoC) وحالة الصحة (SoH) لخلايا البطارية، مع التركيز على المنهجيات القائمة على النموذج، والمدفوعة بالبيانات، والهجينة. تستخدم الأساليب القائمة على النموذج نماذج الدوائر المكافئة (ECMs) مثل نماذج Rint وThevenin لمحاكاة السلوك الكهروكيميائي، مما يتطلب تقديرًا دقيقًا للمعلمات من خلال اختبارات التوصيف مثل توصيف نبض الطاقة الهجين (HPPC) وطيف الامتصاص الكهروكيميائي (EIS). بينما يمكن أن توفر هذه الطرق تقديرات قوية لـ SoC وSoH، إلا أنها محدودة من خلال اعتمادها على توصيفات منحنى OCV-SoC التي تستغرق وقتًا طويلاً وحساسية تقديرات SoC الأولية، مما قد يؤدي إلى أخطاء كبيرة إذا لم تتم إدارتها بشكل صحيح.
على النقيض من ذلك، تستفيد الأساليب المدفوعة بالبيانات من تزايد توافر البيانات والتقدم في القدرة الحاسوبية لتحقيق دقة عالية في تقديرات SoC وSoH. تستخدم هذه الطرق ميزات مثل الجهد، والتيار، ودرجة الحرارة، وتوظف نماذج تعلم عميق يمكنها التقاط أنماط معقدة في البيانات. ومع ذلك، فإن فعالية هذه النماذج تعتمد على جودة بيانات الإدخال، مما يتطلب حملات تجريبية مصممة جيدًا لضمان القوة والعمومية. تجمع الأساليب الهجينة بين نقاط القوة في كل من الأساليب القائمة على النموذج والمدفوعة بالبيانات، مما يوفر دقة محسنة وتقليل التعقيد الحاسوبي، على الرغم من أنها تقدم تحديات إضافية في الهيكل والتنفيذ.
يتناول المؤلفون أيضًا تعقيدات تقدير الحالات على مستوى الوحدة، مشددين على تأثير عدم التناسق بين الخلايا على الأداء العام. يقترحون استراتيجية بسيطة لتقدير حالة الوحدة تستخدم قياسات الخلايا الفردية لضمان تقديرات دقيقة لـ SoC وSoH، مما يعزز السلامة ويطيل عمر البطارية. على الرغم من الإمكانية لزيادة التكاليف الحاسوبية، يمكن أن يقلل استخدام نماذج فعالة مثل TinyML من هذه المخاوف، مما يجعل الطرق المقترحة قابلة للتطبيق في التطبيقات في الوقت الحقيقي.
DOI: https://doi.org/10.1016/j.est.2026.120673
Publication Date: 2026-01-23
Author(s): Spyridon Giazitzis et al.
Primary Topic: Advanced Battery Technologies Research
Overview
The research presents a novel approach to Battery Management Systems (BMS) by developing advanced TinyML models for accurate State of Charge (SoC) and State of Health (SoH) estimation. The authors introduce four deep learning architectures—Convolutional Neural Network (CNN), Gated Recurrent Unit (GRU), Long Short-Term Memory (LSTM), and Dense layers—capable of processing variable-length input sequences for SoH and fixed-length inputs for SoC. These models were optimized using a compression technique based on neural network projection, significantly reducing their size and latency while maintaining accuracy. The Pr_LSTM model for SoC achieved a Mean Absolute Error (MAE) of 0.0114 and Root Mean Square Error (RMSE) of 0.0286, with a memory footprint of 4.0 kB and latency of 0.391 ms. The Pr_CNN_GRU model for SoH, trained solely on Incremental Capacity Analysis (ICA) features, reached an MAE of 0.0060 and RMSE of 0.0130, occupying just 3.4 kB and executing in 1.607 ms.
The study emphasizes the potential for real-time implementation of these models within the Infineon Mobile Robot (IMR) BMS, facilitating scalable predictions from cell to module level while ensuring safe operation and optimal health management of battery packs. Future work may involve simplifying the architecture for SoH estimation to reduce complexity and exploring joint model optimization techniques, such as projection-quantization or pruning-quantization, to further enhance inference efficiency. Additionally, a comparative analysis of energy consumption between cloud-based and edge-based solutions for state estimation is suggested to evaluate the models’ practical applications in BMS development.
Introduction
The introduction of the paper highlights the transformative impact of Artificial Intelligence (AI) on various sectors, particularly in the development of advanced Battery Management Systems (BMS) for electric vehicles and battery-powered applications. The authors emphasize the importance of accurate state estimation of battery cells for safety and performance, facilitated by recent advancements in hardware, software, and data availability. They introduce Tiny Machine Learning (TinyML) as a promising approach for deploying lightweight neural networks on microcontroller-based platforms, enabling efficient real-time battery state estimations with minimal memory and power consumption.
The paper reviews several studies that have successfully implemented data-driven models, including Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) networks, for estimating the state of charge (SoC) and state of health (SoH) of batteries. Notably, these models have demonstrated high accuracy while maintaining low latency and memory requirements, making them suitable for edge deployment. However, the authors identify a gap in existing research regarding the optimization of deep learning models for resource-constrained environments, particularly concerning variable-length input data and scalability from single cells to battery modules. To address these challenges, the authors propose innovative strategies for model compression and optimization, aiming to enhance the practical applicability of battery state estimation algorithms in real-world scenarios.
Methods
In this section, the authors discuss the methods employed for state estimation in Battery Management Systems (BMS), focusing on the critical parameters of State of Charge (SoC) and State of Health (SoH). The BMS is responsible for ensuring battery safety, reliability, and performance through functions such as cell balancing and fault detection. Accurate estimation of SoC, which indicates the remaining usable capacity of a battery, is essential for effective battery management, as it cannot be directly measured and is influenced by various environmental and operational factors. SoH, defined primarily by the loss of battery capacity over time, is crucial for assessing battery condition and predicting future performance. The authors categorize existing estimation methods into model-based, data-driven, and hybrid approaches, highlighting the necessity of controlled laboratory experiments for accurate data acquisition.
The authors conducted an analysis of several deep learning models, including GRU, LSTM, CNN_GRU, and CNN_LSTM, for estimating SoC and SoH. They utilized MATLAB for model compression and C code generation for deployment in a microcontroller. The optimization of hyperparameters was achieved using the Bayesian Hyperparameter Optimization (BHO) algorithm, which balances exploration and exploitation of the hyperparameter space. Performance evaluation metrics, such as Mean Absolute Error (MAE) and Root Mean Squared Error (RMSE), were employed to assess model accuracy. Following model training, the authors addressed performance drops due to compression by fine-tuning the models before generating C source files for deployment. The latency of the models was benchmarked using MATLAB’s dlCodegenBench, setting the stage for further analysis of the developed algorithms and their application in real BMS scenarios.
Discussion
In the discussion section of the research paper, the authors explore various approaches for estimating the state of charge (SoC) and state of health (SoH) of battery cells, emphasizing model-based, data-driven, and hybrid methodologies. Model-based approaches utilize equivalent circuit models (ECMs) such as the Rint and Thevenin models to simulate electrochemical behavior, requiring accurate parameter estimation through characterization tests like Hybrid Power Pulse Characterization (HPPC) and Electrochemical Impedance Spectroscopy (EIS). While these methods can provide robust SoC and SoH estimations, they are limited by their reliance on time-consuming OCV-SoC curve characterizations and the sensitivity of initial SoC estimates, which can lead to significant errors if not properly managed.
In contrast, data-driven approaches leverage the increasing availability of data and advancements in computational power to achieve high accuracy in SoC and SoH estimations. These methods utilize features such as voltage, current, and temperature, employing deep learning models that can capture complex patterns in the data. However, the effectiveness of these models is contingent on the quality of the input data, necessitating well-designed experimental campaigns to ensure robustness and generalizability. Hybrid approaches combine the strengths of both model-based and data-driven methods, offering improved accuracy and reduced computational complexity, though they introduce additional architectural and implementation challenges.
The authors also address the complexities of estimating states at the module level, highlighting the impact of cell-to-cell inconsistencies on overall performance. They propose a straightforward strategy for module state estimation that utilizes individual cell measurements to ensure accurate SoC and SoH assessments, thereby enhancing safety and prolonging battery lifespan. Despite the potential for increased computational costs, the use of efficient models like TinyML can mitigate these concerns, making the proposed methods viable for real-time applications.