DOI: https://doi.org/10.1016/j.est.2025.115833
تاريخ النشر: 2025-02-19
المؤلف: Edward Ofoegbu
الموضوع الرئيسي: أبحاث تقنيات البطاريات المتقدمة
نظرة عامة
يتناول قسم ورقة البحث التحديات والتطورات في تقدير حالة الشحن (SOC) لبطاريات الليثيوم أيون، لا سيما في سياق أنظمة إدارة البطاريات. يبرز أهمية تقدير SOC ليس فقط للإدارة التشغيلية ولكن أيضًا للكشف المبكر عن الأعطال في أنظمة البطاريات المستخدمة في تطبيقات مثل المركبات الكهربائية والروبوتات المستقلة. تقيم الدراسة نماذج تنبؤية مختلفة، بما في ذلك الانحدار الخطي البسيط، وطرق التجميع (الأشجار المعززة والمجمعة)، وهياكل الشبكات العصبية المختلفة، لتحديد فعاليتها في تقدير SOC.
تشير النتائج إلى أنه بينما أظهرت جميع النماذج مستويات متفاوتة من الدقة، فإن نموذج الأشجار المجمعة تفوق على الآخرين. ومع ذلك، تؤكد الدراسة أن الشبكات العصبية، وخاصة الشبكات العصبية ذات التغذية الأمامية الأوسع (FFNNs) مع وحدات معالجة أكثر، هي الأمثل لتقدير SOC. تؤكد الأبحاث أن FFNN مع ثلاث طبقات وتم تدريبه على مدى 1000 دورة يقدم أفضل أداء، مما يتعارض مع التأكيدات السابقة بشأن تأثير عدد العقد على الدقة. تشير النتائج إلى أن الشبكات الأوسع تعزز الدقة وتقلل من وظيفة الخسارة بشكل فعال، مما يوفر بديلاً فعالاً من حيث الحوسبة للشبكات الأعمق من أجل دمجها في أنظمة إدارة البطاريات. بشكل عام، تسهم الدراسة برؤى قيمة حول التكوينات المثلى للشبكات العصبية في تقدير SOC، مما يظهر تحسينات كبيرة مقارنة بالطرق التقليدية.
مقدمة
ت outlines مقدمة ورقة البحث الدور الحاسم لأنظمة إدارة البطاريات (BMS) في المركبات الكهربائية وغيرها من الأنظمة التي تعمل بالبطاريات. تتحمل أنظمة BMS مسؤولية مراقبة معلمات مختلفة، بما في ذلك حالة الشحن (SOC)، والتي ترتبط مباشرة بسعة البطارية الإجمالية بالسعة المتبقية تحت ظروف تحميل وشحن/تفريغ متغيرة. يتم تمثيل SOC رياضيًا كـ
\[
SOC = \frac{Q_{\text{Remaining}}}{Q_{\text{Rated}}}
\]
حيث \(Q_{\text{Remaining}}\) هو الشحن المتبقي و \(Q_{\text{Rated}}\) هو السعة المقدرة، والتي يمكن أن تتقلب بسبب عدم اتساق التصنيع، والشيخوخة، والعوامل البيئية. الطلب المتزايد على حلول الطاقة النظيفة، المدفوع بمخاوف المناخ ومبادرات الاستدامة، يضع المركبات الكهربائية ونظيراتها الهجينة في موقع محوري في تقليل التدهور البيئي مقارنة بالبدائل المعتمدة على الوقود الأحفوري.
تؤكد الورقة على تطور أنظمة تخزين الطاقة (ESS)، وخاصة بطاريات الليثيوم أيون، التي تُفضل بسبب خصائص أدائها مثل كثافة الطاقة العالية ومعدلات التفريغ الذاتي المنخفضة. تحقق الدراسة بشكل خاص في تطبيق طرق التجميع والشبكات العصبية الاصطناعية لتوقع SOC ضمن أنظمة BMS، بهدف تعزيز تحمل الأعطال والكشف المبكر عن المخاطر المحتملة، مثل الحرائق، من خلال التقديرات التنبؤية. يتم استخدام MATLAB لتدريب واختبار والتحقق من المنهجيات المقترحة.
طرق
في هذه الدراسة، يتم تقييم ثلاث طرق لتقدير حالة الشحن (SOC) لبطاريات الليثيوم أيون: الانحدار الخطي، وأشجار القرار، والشبكات العصبية. يتم تعريف نموذج الانحدار الخطي بواسطة المعادلة \( y_i = b_0 + \sum_{j=1}^{p} b_j x_{ij} + e_i \)، حيث \( e_i \) يتبع توزيع غاوسي \( e_i \sim N(0, \sigma^2) \). يتم بناء أشجار القرار بشكل هرمي، باستخدام الانتروبيا لقياس نقاء العقد واستخدام متوسط الخطأ التربيعي (MSE) لتعزيز التجانس في العقد الفرعية، كما هو معبر عنه بـ \( \text{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i – \hat{y}_i)^2 \).
تستخدم الشبكات العصبية، وخاصة الشبكات العصبية العميقة (DNNs)، أيضًا، مع تقدير SOC باستخدام المعادلة \( SOC = T \left[ \sum_{k} W_{j,k} O_j + \theta_{j,K} \right] \)، حيث تمثل \( W_{j,k} \) و \( \theta_{j,K} \) الأوزان والانحيازات، على التوالي. يتم استخدام وظائف تنشيط مختلفة، بما في ذلك سيغمويد، والزاوية الزائفة (Tanh)، وReLU، لتعزيز أداء النموذج. يتم تقييم دقة توقعات SOC من هذه النماذج باستخدام مقاييس مثل الحد الأقصى للخطأ القياسي (MSE)، ومتوسط الخطأ المطلق (MAE)، وجذر متوسط الخطأ التربيعي (RMSE). تتكون مجموعة البيانات المستخدمة للتدريب والاختبار من قيم SOC العادية من بطارية LG 18650HG2 Li-ion، مع تقسيم التدريب والاختبار بنسبة 70% و30%، على التوالي. تم استخدام برنامج MATLAB لتدريب النموذج وتقييمه.
نقاش
يؤكد قسم النقاش في ورقة البحث على التحديات والتطورات المستمرة في تقدير حالة الشحن (SOC) لبطاريات الليثيوم أيون، لا سيما في سياق المركبات الكهربائية. أظهرت الطرق التقليدية، مثل عد كولومب وتعديلات مرشح كالمان المختلفة، قيودًا في الدقة بسبب مشكلات مثل تباين الحالة والانجراف. استكشفت الدراسات الحديثة الأساليب المعتمدة على البيانات، وخاصة الشبكات العصبية، التي أظهرت نتائج واعدة في تقدير SOC. على سبيل المثال، حققت شبكة عصبية موازية متوسط خطأ تقدير قدره 3.8%، بينما أبلغت النماذج المحسنة التي تستخدم تقنيات مثل شبكة الذاكرة الطويلة القصيرة (LSTM) عن أخطاء جذر متوسط أقل من 1%. تسلط هذه التطورات الضوء على إمكانات الشبكات العصبية في التقاط الديناميات المعقدة لسلوك البطارية تحت ظروف تشغيل متغيرة.
تناقش الورقة أيضًا الأداء المقارن لنماذج تقدير SOC المختلفة، بما في ذلك كل من الأساليب المعتمدة على الشبكات العصبية وغير المعتمدة على الشبكات العصبية. تشير النتائج إلى أن الشبكات العصبية الأوسع تميل إلى التفوق على نظرائها الأضيق، محققة أخطاء متوسطة مربعة أقل (MSE) وقيم RMSE. على وجه الخصوص، أظهرت شبكة عصبية ذات تغذية أمامية واسعة (FFNN) دقة متفوقة مع MSE قدره \(1 \times 10^{-8}\)، مقارنة بالنماذج الأخرى. تؤكد الدراسة على أهمية بنية النموذج ومعلمات التدريب، مشيرة إلى أنه بينما يمكن أن تعزز العمق الأداء، قد تكون عرض الشبكة أكثر أهمية لتوقعات SOC الدقيقة. بشكل عام، تسهم الأبحاث برؤى قيمة حول فعالية تقنيات تقدير SOC المختلفة، داعية إلى الاستمرار في استكشاف نماذج الشبكات العصبية المحسنة في أنظمة إدارة البطاريات.
DOI: https://doi.org/10.1016/j.est.2025.115833
Publication Date: 2025-02-19
Author(s): Edward Ofoegbu
Primary Topic: Advanced Battery Technologies Research
Overview
The research paper section discusses the challenges and advancements in estimating the state of charge (SOC) of lithium-ion batteries, particularly in the context of battery management systems. It highlights the importance of SOC estimation not only for operational management but also for early fault detection in battery systems used in applications like electric vehicles and autonomous robots. The study evaluates various predictive models, including simple linear regressors, ensemble methods (boosted and bagged trees), and different neural network architectures, to determine their effectiveness in SOC estimation.
The findings indicate that while all models demonstrated varying levels of accuracy, the bagged trees ensemble model outperformed the others. However, the study emphasizes that neural networks, particularly wider feed-forward neural networks (FFNNs) with more processing units, are optimal for SOC estimation. The research establishes that an FFNN with three layers and trained over 1000 epochs yields the best performance, contradicting previous assertions regarding the number of nodes’ impact on accuracy. The results suggest that wider networks enhance accuracy and minimize loss function effectively, providing a computationally efficient alternative to deeper networks for integration into battery management systems. Overall, the study contributes valuable insights into the optimal configurations for neural networks in SOC estimation, demonstrating significant improvements over traditional methods.
Introduction
The introduction of the research paper outlines the critical role of Battery Management Systems (BMS) in electric vehicles and other battery-powered systems. BMS are responsible for monitoring various parameters, including the State of Charge (SOC), which directly correlates the overall battery capacity to the remaining capacity under varying load and charge/discharge conditions. The SOC is mathematically represented as
\[
SOC = \frac{Q_{\text{Remaining}}}{Q_{\text{Rated}}}
\]
where \(Q_{\text{Remaining}}\) is the remaining charge and \(Q_{\text{Rated}}\) is the rated capacity, which can fluctuate due to manufacturing inconsistencies, aging, and environmental factors. The increasing demand for clean energy solutions, driven by climate concerns and sustainability initiatives, positions electric vehicles and their hybrid counterparts as pivotal in reducing environmental degradation compared to fossil fuel alternatives.
The paper emphasizes the evolution of Energy Storage Systems (ESS), particularly Lithium-ion batteries, which are favored for their performance characteristics such as high energy density and low self-discharge rates. The study specifically investigates the application of ensemble methods and artificial neural networks for SOC prediction within BMS, aiming to enhance fault tolerance and early detection of potential hazards, such as fires, through predictive estimations. MATLAB is utilized for the training, testing, and validation of the proposed methodologies.
Methods
In this study, three methods for estimating the state of charge (SOC) of Lithium-ion batteries are evaluated: linear regression, decision trees, and neural networks. The linear regression model is defined by the equation \( y_i = b_0 + \sum_{j=1}^{p} b_j x_{ij} + e_i \), where \( e_i \) follows a Gaussian distribution \( e_i \sim N(0, \sigma^2) \). Decision trees are constructed hierarchically, utilizing entropy to measure node impurity and employing mean square error (MSE) to enhance homogeneity at child nodes, as expressed by \( \text{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i – \hat{y}_i)^2 \).
Neural networks, particularly deep neural networks (DNNs), are also employed, with SOC estimated using the equation \( SOC = T \left[ \sum_{k} W_{j,k} O_j + \theta_{j,K} \right] \), where \( W_{j,k} \) and \( \theta_{j,K} \) represent weights and biases, respectively. Various activation functions, including sigmoid, hyperbolic tangent (Tanh), and ReLU, are utilized to enhance model performance. The accuracy of the SOC predictions from these models is assessed using metrics such as maximum standard error (MSE), mean absolute error (MAE), and root mean square error (RMSE). The dataset employed for training and testing consists of normalized SOC values from the LG 18650HG2 Li-ion Battery, with a training-test split of 70% and 30%, respectively. MATLAB software was used for model training and evaluation.
Discussion
The discussion section of the research paper emphasizes the ongoing challenges and advancements in estimating the state of charge (SOC) of lithium-ion batteries, particularly in the context of electric vehicles. Traditional methods, such as Coulomb counting and various Kalman filter adaptations, have shown limitations in accuracy due to issues like state divergence and drift. Recent studies have explored data-driven approaches, particularly neural networks, which have demonstrated promising results in SOC estimation. For instance, a parallelized neural network achieved an average estimation error of 3.8%, while optimized models utilizing techniques like the long short-term memory (LSTM) network have reported even lower root mean square errors (RMSE) below 1%. These advancements highlight the potential of neural networks to capture the complex dynamics of battery behavior under varying operational conditions.
The paper also discusses the comparative performance of different SOC estimation models, including both neural network and non-neural network approaches. The findings indicate that wider neural networks tend to outperform their narrower counterparts, achieving lower mean squared errors (MSE) and RMSE values. Specifically, a wide feedforward neural network (FFNN) demonstrated superior accuracy with an MSE of \(1 \times 10^{-8}\), compared to other models. The study underscores the importance of model architecture and training parameters, suggesting that while depth can enhance performance, the width of the network may be more critical for accurate SOC predictions. Overall, the research contributes valuable insights into the effectiveness of various SOC estimation techniques, advocating for the continued exploration of optimized neural network models in battery management systems.