يتم تسهيل التحليل التنبئي بواسطة نظام إدارة المباني الموجود على متن السيارة لشحن المركبات الكهربائية بكفاءة
[ad_1]
هناك طلب متزايد على بطاريات السيارات الكهربائية بالإضافة إلى إمكانية شحنها بمعدل سريع للغاية. ويرتبط كل هذا بزيادة اعتماد المركبات الكهربائية، خاصة في المنطقة الأوروبية. بعد ذلك، أصبحت أنظمة إدارة البطارية (BMSes) مهمة جدًا لمراقبة وإدارة أداء حزم البطاريات عالية الجهد التي تعمل على تشغيل السيارات مع تحرك صناعة السيارات نحو طرق أكثر صداقة للبيئة للتنقل. ومع ذلك، فإن أساليب BMS القياسية لا تقوم دائمًا بعمل جيد في تخمين معلمات البطارية المهمة والتنبؤ بكيفية تدهور البطارية، مما يجعل من الصعب العثور على أفضل استراتيجيات الشحن وجعل البطاريات تدوم لفترة أطول.
وقد جعل هذا القيد من الممكن دمج أساليب الذكاء الاصطناعي المتطورة وخوارزميات الصيانة التنبؤية في أنظمة إدارة المباني. باستخدام الميزات المستندة إلى البيانات لنماذج التعلم الآلي (ML) والتعلم العميق (DL)، يمكن لهذه الأساليب المتقدمة أن تساعد في تقدير الحالة بدقة، مع الأخذ في الاعتبار العمليات اللاخطية المعقدة وعمليات التدهور المضمنة في بطاريات أيونات الليثيوم. كما يمكن لطرق الصيانة التنبؤية القائمة على الذكاء الاصطناعي، مثل تقنيات التشخيص وإدارة الصحة (PHM)، تخمين كيفية تدهور البطاريات ومقدار الوقت المتبقي لها للعمل، مما قد يؤدي إلى إجراءات شحن أفضل وصيانة وقائية.
عندما يتم دمج خوارزميات الذكاء الاصطناعي والتحليلات التنبؤية في تصميمات نظام إدارة المباني على متن السيارة، يمكنها تغيير طريقة شحن المركبات الكهربائية تمامًا. يمكن لهذه الطرق الجديدة أن تخمن بدقة مدى شحن البطاريات وكيف ستتحلل بمرور الوقت. يتيح ذلك تغيير معلمات الشحن بسرعة، وإيقاف التدهور قبل أن يبدأ، وفي النهاية زيادة عمر البطارية، مما يجعل عمليات المركبات الكهربائية أكثر كفاءة وصديقة للبيئة.
كيف تعمل أنظمة شحن BMSes وEV
عادةً ما يحدد نوع وحجم البطارية المثبتة في السيارة الكهربائية أداء السيارة ونطاق القيادة. عادةً ما تكون هذه البطاريات عبارة عن مجموعات بطاريات عالية الجهد تشتمل على خلايا Li-ion متصلة بتكوينات متتالية ومتوازية لتحقيق الجهد المطلوب.
لإدارة حزم البطاريات هذه، يتم تثبيت نظام إدارة المباني (BMS)، الذي يعمل بمثابة العقل المدبر لأنظمة البطاريات ويراقب المعلمات المختلفة مثل جهد الخلية والتيارات ودرجات الحرارة لضمان التشغيل الآمن. لشحن مجموعات البطاريات هذه، يجب أن تكون السيارة متصلة بمحطة شحن مخصصة حيث يقوم الشاحن بتزويد الطاقة الكهربائية. يتم تحويل التيار المتردد للشبكة (AC) إلى تيار مباشر (DC)، والذي يذهب إلى حزمة البطارية من خلال نظام إدارة المباني (BMS).
هنا، يتحكم نظام إدارة المباني (BMS) في معدل الشحن كما هو مطلوب لمنع خلايا البطارية من الشحن الزائد أو ارتفاع درجة الحرارة أو أي مشكلة أخرى قد تؤدي إلى تلف النظام. بالإضافة إلى ذلك، تشتمل أنظمة إدارة المباني المتقدمة على تقنيات موازنة الخلايا لضمان شحن جميع الخلايا وتفريغها بالتساوي. وهذا يمنع حلقات التيار الداخلية بسبب الفولتية غير المتساوية ويزيد من العمر الإجمالي لحزمة البطارية.
بالإضافة إلى ذلك، يمكن لنظام إدارة المباني التواصل مع الشاحن الخارجي لتقديم مزايا مثل ملفات الشحن المحسنة وموازنة التحميل وتكامل الشبكة لتمكين معدلات الشحن الفعالة في حالة شحن العديد من المركبات الكهربائية في وقت واحد. يوفر هذا الاتصال أيضًا مزايا مثل المراقبة عن بعد وتشخيص عملية الشحن وتمكين إعداد الفواتير الدقيقة بناءً على الطاقة الفعلية المستهلكة.
الخوارزميات القائمة على الذكاء الاصطناعي في أنظمة إدارة المباني لتقدير الحالة
يعتمد الشحن السريع لبطاريات السيارات الكهربائية على حالتين: حالة الشحن (SOC) والحالة الصحية (SOH). ولتقدير هذه الحالات، تم استخدام الطرق التقليدية المبنية على النماذج الرياضية. يتضمن ذلك إنشاء نماذج رياضية تعكس بدقة العمليات الكهروكيميائية المعقدة التي تحدث داخل بطاريات Li-ion. ومع ذلك، غالبًا ما تواجه هذه الأساليب القائمة على النماذج صعوبة في التقاط الأشكال اللاخطية المعقدة وأنماط التدهور الديناميكي التي تظهرها البطاريات بمرور الوقت، مما يؤدي إلى تقديرات ليست دقيقة بالقدر الذي يمكن أن تكون عليه.
تمهد التحديات المذكورة أعلاه الطريق أمام الأساليب القائمة على الذكاء الاصطناعي، والتي أصبحت مفيدة جدًا لتقدير حالات BMS بناءً على البيانات. يمكن لطرق الذكاء الاصطناعي مثل ML وDL التعلم مباشرة من البيانات، على عكس الأساليب التقليدية القائمة على النماذج. يمكنهم استخدام كميات هائلة من بيانات البطارية التشغيلية والتاريخية للعثور على أنماط وعلاقات معقدة. ونظرًا لأن خوارزميات الذكاء الاصطناعي تعتمد على البيانات، فيمكنها التكيف بشكل أفضل والتوسع مع الديناميكيات المعقدة والمتغيرة لبطاريات Li-ion. وهذا يؤدي إلى تقدير أكثر دقة للدولة.
تعد الشبكات العصبية نوعًا معروفًا من برامج الذكاء الاصطناعي التي أصبحت أكثر شيوعًا في أنظمة إدارة المباني لتقدير الحالة. هذه النماذج قوية ومرنة، ويمكنها أن تظهر بدقة كيفية ربط المدخلات مثل الجهد والتيار ودرجة الحرارة بمتغيرات الهدف مثل SOC وSOH بطريقة غير خطية. تم استخدام أنواع مختلفة من الشبكات العصبية، مثل شبكات التغذية الأمامية والمتكررة والالتفافية، لتقدير حالة البطارية وغالبًا ما كان أداؤها أفضل من الأساليب القياسية القائمة على النماذج.
تعد أجهزة ناقل الدعم (SVMs) طريقة أخرى للذكاء الاصطناعي أظهرت نتائج واعدة في تقدير حالة نظام إدارة المباني (BMS). تعتبر خوارزميات التعلم الموجهة هذه جيدة في العمل مع البيانات متعددة الأبعاد وغير الخطية، مما يعني أنها تستطيع بسهولة وضع نموذج لكيفية عمل بطاريات Li-ion. لتقدير SOC وSOH، تم استخدام SVMs لأنها تستطيع العثور على أفضل حدود القرار في مساحات الميزات ذات الأبعاد الكثيرة.
تعد الأنظمة القائمة على الذكاء الاصطناعي أفضل بكثير في تقدير الحالات، ولكن مدى نجاحها يعتمد كثيرًا على جودة وكمية بيانات التدريب. في كثير من الأحيان، تكون هناك حاجة إلى معالجة مسبقة دقيقة للبيانات وهندسة الميزات وطرق زيادة البيانات للتأكد من أن نماذج الذكاء الاصطناعي يمكنها تعلم الأنماط والعمل بشكل جيد في مواقف لم ترها من قبل.
تأتي إضافة خوارزميات الذكاء الاصطناعي إلى أطر عمل BMS أيضًا مع المشكلات التي تحتاج إلى حل عندما يتعلق الأمر بالتعقيد الحسابي والتطبيق في الوقت الفعلي. يمكن أن تصبح نماذج الذكاء الاصطناعي أكثر تعقيدًا بمرور الوقت، مما قد يجعلها بحاجة إلى المزيد من القوة الحاسوبية. وهذا قد يزيد من صعوبة استخدامها في الإعدادات ذات الموارد المحدودة. لجعل أساليب تقدير الحالة القائمة على الذكاء الاصطناعي تعمل بشكل جيد في الوقت الفعلي في بنيات إدارة المباني، قد تكون هناك حاجة إلى استراتيجيات مثل ضغط النماذج والتحسين وتسريع الأجهزة.
إن إضافة خوارزميات الذكاء الاصطناعي والصيانة التنبؤية إلى نظام إدارة المباني الموجود على متن السيارة يحمل قدرًا كبيرًا من الوعد لتحسين سرعة شحن المركبات الكهربائية ومدة بقاء بطارياتها. تستخدم هذه الطرق ML وDL وPHM لتخمين حالة البطارية بشكل صحيح، والعثور على أنماط التدهور وتخمين مقدار العمر الإنتاجي المتبقي لها. ومع ذلك، من المهم جدًا التعامل مع مشكلات مثل توفر البيانات والتعقيد الحسابي والتنفيذ في الوقت الفعلي. يعد العمل معًا أمرًا مهمًا لإنشاء إستراتيجيات بيانات قوية وحلول أجهزة فعالة ونماذج موحدة تجعل تكامل BMS المدعوم بالذكاء الاصطناعي يسير بسلاسة. مع استمرار البحث عن وسائل نقل صديقة للبيئة، سيكون الجمع بين الذكاء الاصطناعي والتحليلات التنبؤية وأنظمة إدارة المباني جزءًا أساسيًا في جعل المركبات الكهربائية تصل إلى إمكاناتها الكاملة.
مراجع
1غلاخاني، م.، وحبيبي، س. (2023). “مراجعة بطارية Li-Ion، والإدارة الحرارية، ونظام إدارة البطارية القائم على الذكاء الاصطناعي لتطبيقات السيارات الكهربائية.” الطاقات، 16(1)، 185.
2حسين ليبو وآخرون. (2022). “تقنية إدارة البطارية الذكية في تطبيقات المركبات الكهربائية: التقييم التحليلي والفني نحو الاتجاهات المستقبلية الناشئة.” البطاريات، 8(11)، 219.
ظهر التحليل التنبئي الذي تم تسهيله بواسطة نظام إدارة المباني على متن الطائرة لشحن المركبات الكهربائية بكفاءة لأول مرة على Power Electronics News.
[ad_2]