Dự báo tuổi thọ pin Lithium-Ion xe ô tô điện dựa trên thuật toán hồi quy tuyến tính - Machine Learning

Bài viết "Dự báo tuổi thọ pin Lithium-Ion xe ô tô điện dựa trên thuật toán hồi quy tuyến tính - Machine Learning" đề xuất mô hình dự báo tuổi thọ pin Lithium-ion cho xe ô tô điện dựa trên thuật toán hồi quy tuyến tính máy học có giám sát. Dự đoán dung lượng của pin Lithium-ion dựa trên mô hình hóa mỗi cell pin phụ thuộc nhiệt độ. Mô hình này sẽ được huấn luyện bởi thuật toán hồi quy tuyến tính meachine learning (ML) để đưa ra kết quả dự báo dung lượng pin đầy hứa hẹn khi có đủ dữ liệu thử nghiệm. Mời các bạn cùng tham khảo!
Nội dung trích xuất từ tài liệu:
Dự báo tuổi thọ pin Lithium-Ion xe ô tô điện dựa trên thuật toán hồi quy tuyến tính - Machine Learning Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022) Dự Báo Tuổi Thọ Pin Lithium-Ion Xe Ô Tô Điện Dựa Trên Thuật Toán Hồi Quy Tuyến Tính - Machine Learning Võ Thanh Hà1, Phạm Thị Giang2, Đào Thanh Toản1 1 Khoa Điện-Điện Tử, Trường Đại học Giao Thông Vận Tải 2 Khoa Điện, Trường Đại học Kinh Tế Kỹ Thuật Công Nghiệp Email: vothanhha.ktd@utc.edu.vn Abstract— Bài báo đề xuất mô hình dự báo tuổi thọ pin bằng trở kháng. Phương pháp đếm dung lượng theo Lithium-ion cho xe ô tô điện dựa trên thuật toán hồi quy thời gian - Coulomb (CC) sử dụng tích phân dòng xả tuyến tính máy học có giám sát. Dự đoán dung lượng của hoặc sạc để tính dung lượng còn lại trong pin. Phương pin Lithium-ion dựa trên mô hình hóa mỗi cell pin phụ pháp này thực hiện tính toán đơn giản nên phương pháp thuộc nhiệt độ. Mô hình này sẽ được huấn luyện bởi thuật được sử dụng rất rộng rãi [9]. Các tác giả của [10] đã toán hồi quy tuyến tính meachine learning (ML) để đưa phát triển một mô hình phi tuyến tính của pin bằng cách ra kết quả dự báo dung lượng pin đầy hứa hẹn khi có đủ sử dụng các thông số mạch như điện trở, tụ điện và cuộn dữ liệu thử nghiệm. Kết quả bài báo đưa ra dựa vào các cảm dựa trên mô hình mạch Randles đã sửa đổi để dự tính năng trên 100 chu kỳ sạc và xả đầu tiên để dự đoán đoán sự suy giảm dung lượng pin. Tuy nhiên, độ chính dung lượng còn lại của pin. Kết quả này cho phép nhận dạng nhanh chóng các quy trình sản xuất pin và cho phép xác của các phép đo EIS bị ảnh hưởng nhiễu gây ra bởi người dùng quyết định thay thế pin bị lỗi khi xác định các thành phần tích hợp khác trong hệ thống [11]. Bên được suy giảm hiệu suất của pin và thời gian sử dụng. Kết cạnh đó, theo tài liệu [12], mô hình dự báo tuổi thọ kết quả dự đoán được chứng minh bằng mô phỏng Matlab hợp với công nghệ lọc tiên tiến sẽ dự báo sự suy giảm với sai số nhỏ khoảng 9.98%. dung lượng pin đối với các mô hình mạch tương đương có số lượng lớn các tham số phức tạp, đa dạng và chưa Keywords- Xe ô tô điện, Machine Learning, Hồi Quy xác định của cell pin. Hơn thế nữa, tại tài liệu [13] đã đề Tuyến Tính, Linear Regression, Pin Xe Điện, AI xuất một mô hình hồi quy hàm mũ và đa thức thực nghiệm để theo dõi xu hướng suy giảmv của cell pin I. GIỚI THIỆU trong vòng đời của cell pin dựa trên phân tích dữ liệu Trong những năm gần đây, pin lithium-ion (lithium- thực nghiệm và sử dụng phương pháp lọc để điều chỉnh ion battery – LIB) đã thu hút sự chú ý rộng rãi trong các thông số mô hình trực tuyến. Trong tài liệu tham nghiên cứu và ứng dụng, do ưu điểm của mật độ năng khảo [14], một mô hình mới đã được phát triển bằng lượng cao, đặc tính tự phóng điện thấp và sạc nhanh, cách sử dụng bộ lọc Kalman với vectơ hồi quy và được công suất cao, ít ô nhiễm và kéo dài tuổi thọ, vì vậy thị áp dụng cho vòng đời chu kỳ và dự đoán dung lượng phần pin lithium-ion trên thị trường đang tăng lên liên ngắn hạn của pin. Theo tài liệu [15] đã phát triển một tục [1-3]. Do những đặc điểm nổi trội đó nên đã thu hút phương pháp tiên lượng mới để xác định tuổi thọ chu được nhiều nhà khoa học nghiên cứu quản lý năng kỳ pin dựa trên bộ lọc nhiều mô hình tương tác. Phương lượng pin trong những năm gần đây [4]. Trong đó, trạng pháp mô hình tương tác nhiều mô hình-IMMPF cho các thái tuổi thọ pin (State of health-SOH) là một chỉ số phương trình trạng thái khác nhau, được sử dụng cho được sử dụng để đánh giá mức độ lão hóa của pin, bao nhiều mô hình công suất của pin. Qua đây nhận thấy gồm khả năng suy giảm và dự đoán tuổi thọ của chu kỳ rằng các phương pháp dựa trên mô hình này đã đạt sạc và xả của pin. Mô hình này, cung cấp thông tin rất những thanh tựu tiến bộ đáng kể về hiệu suất cao. Kết hữu ích để dự đoán chẳng hạn như đẩy nhanh sự phát quả này được minh chứng qua thực nghiệm, tuy nhiên, triển của các vật liệu điện cực mới với dung lượng và độ chính xác và bền vững các mô hình này bị giới hạn tuổi thọ cao hơn bằng cách thiết kế vật liệu và đánh giá bởi độ chính xác sự suy giảm pin của mô hình vật lý tuổi thọ của pin [5]. [16]. Hiện nay, các phương pháp dự báo dung lượng và Ngày nay, phương pháp trí tuệ nhân tạo (AI) đã và suy giảm công suất của pin phổ biên là dựa trên mô hình đang ứng dụng nhiêu trong lĩnh vực xử lý ảnh, nhận vật lý và thu nhập dữ liệu [6]. Các phương pháp dựa trên dạng giọng nói, xử lý ngôn ngữ tự nhiên và dự đoán mô hình sử dụng toán học. Mô hình được xác định theo trạng thái. Trong đó, phương pháp máy học (machine cơ chế suy giảm vật lý hoặc thử nghiệm của pin, để nắm learning-ML) là một dạng mạng nơ ron kinh điển nhưng bắt quy luật suy giảm của pin [7]. Theo tài liệu [8] đã sử hệ thống được theo các thuật toán. Bên cạnh đó, các nhà dụng toán học logic mờ để phân tích dữ liệu thu được khoa học đã kết ...