बैटरी स्वास्थ्य भविष्यवाणी: रैखिक फ़िल्टरिंग से मशीन लर्निंग विधियों तक विकास और प्रभावशीलता का मूल्यांकन

अमूर्त

लिथियम-आयन बैटरियों के लिए स्वास्थ्य स्थिति (एसओएच) आकलन तकनीक इलेक्ट्रिक वाहनों की सुरक्षा और विश्वसनीयता के लिए महत्वपूर्ण है। कृत्रिम बुद्धिमत्ता (एआई) और मशीन लर्निंग (एमएल) प्रौद्योगिकियों के विकास के साथ, बैटरी प्रबंधन का क्षेत्र दक्षता और स्थिरता में सुधार के लिए इन तरीकों को अपनाना शुरू कर रहा है। विशेष रूप से, तंत्रिका नेटवर्क ने एसओएच सिमुलेशन और भविष्यवाणी में उच्च दक्षता, कम ऊर्जा खपत, उच्च मजबूती और स्केलेबिलिटी में लाभ दिखाया है। समतुल्य सर्किट मॉडल (ईसीएम) और गहन शिक्षण के साथ संयुक्त हाइब्रिड मॉडल, एसओएच अनुमान की सटीकता और वास्तविक समय के प्रदर्शन में सुधार करने की क्षमता साबित हुआ है। भविष्य के अनुसंधान निर्देशों में स्वास्थ्य सुविधा स्क्रीनिंग और मॉडल निर्माण के लिए अधिक ऑन-साइट डेटा का उपयोग करना, साथ ही वास्तविक एसओएच को अधिक सटीक रूप से चित्रित करने के लिए बुद्धिमान स्क्रीनिंग और बैटरी मापदंडों का संयोजन शामिल है। इन प्रौद्योगिकियों के विकास से इलेक्ट्रिक वाहन बैटरियों के वैज्ञानिक, विश्वसनीय, स्थिर और मजबूत प्रबंधन में और वृद्धि होगी।

1. संक्षेप में

1.1 इलेक्ट्रिक वाहनों के लिए लिथियम-आयन बैटरियों का महत्व और एसओएच अनुमान का महत्वपूर्ण महत्व

लिथियम आयन बैटरियां इलेक्ट्रिक वाहनों के संचालन के लिए महत्वपूर्ण हैं, और उनका प्रदर्शन विभिन्न गिरावट प्रक्रियाओं से प्रभावित होता है। इलेक्ट्रिक वाहनों के सुरक्षित, विश्वसनीय और किफायती संचालन को सुनिश्चित करने के लिए बैटरियों के स्वास्थ्य की स्थिति (एसओएच) का सटीक अनुमान लगाना महत्वपूर्ण है। जैसे-जैसे इलेक्ट्रिक वाहनों की मांग बढ़ती है, एसओएच निगरानी तेजी से महत्वपूर्ण हो जाती है, क्योंकि लिथियम-आयन बैटरियां आमतौर पर अपने जीवनकाल के अंत से पहले अपनी मूल क्षमता का 80% तक गिर जाती हैं। इसके अलावा, चार्ज की स्थिति (एसओसी) भी एक प्रमुख पैरामीटर है, और इसके परिवर्तन बैटरी क्षमता की उम्र बढ़ने और गिरावट को प्रतिबिंबित कर सकते हैं। सटीक एसओसी भविष्यवाणी एसओएच अनुमान के लिए सहायक है, जो बदले में बैटरी के शेष जीवन को निर्धारित करती है।

1.2 एसओएच आकलन विधियों का विकास

मौजूदा तरीकों का अवलोकन और प्रगति:एकाधिक एसओएच आकलन विधियां विकसित की गई हैं, जिनमें से एसओसी आधारित विधियां कई चार्ज और डिस्चार्ज चक्रों में अधिक सटीक एसओएच भविष्यवाणी प्राप्त करने, बैटरी प्रदर्शन को अनुकूलित करने, दोषों को रोकने और बैटरी जीवन का विस्तार करने के लिए वर्तमान, वोल्टेज और तापमान जैसे वास्तविक समय डेटा को एकीकृत करती हैं। . मशीन सीखने के तरीकों में नवीनतम प्रगति ने एसओएच अनुमान को और बढ़ा दिया है, और फीडफॉरवर्ड और कन्वेन्शनल न्यूरल नेटवर्क जैसे तंत्रिका नेटवर्क बैटरी मॉडलिंग में अच्छा प्रदर्शन करते हैं, जटिलता और सटीकता में पारंपरिक प्रतिगमन तरीकों से बेहतर प्रदर्शन करते हैं, लगभग 0 की औसत त्रुटि विचलन के साथ। .16% और बैटरी सेल स्तर पर 5.57mV की मूल माध्य वर्ग त्रुटि।

1.3 बैटरी मॉडलिंग विधियों का वर्गीकरण और विशेषताएँ

वर्तमान एकीकरण और ओपन सर्किट वोल्टेज (ओसीवी) तकनीक जैसी विश्लेषण विधियां स्पष्ट एसओएच अनुमान प्रदान कर सकती हैं, लेकिन संचित शोर से प्रभावित होती हैं और सटीकता सुनिश्चित करने के लिए लंबे समय तक खड़े रहने की आवश्यकता होती है।

मॉडल आधारित दृष्टिकोण

सफेद बॉक्स मॉडल:विस्तृत इलेक्ट्रोकेमिकल सिद्धांतों के आधार पर, यह उच्च सटीकता के साथ बुनियादी मापदंडों के माध्यम से बैटरी व्यवहार का अनुकरण करता है। हालाँकि, इसकी उच्च कम्प्यूटेशनल आवश्यकताएं और वास्तविक दुनिया की गतिशीलता के लिए सरलीकृत धारणाएं गतिशील परिस्थितियों में इसकी सटीकता को कम कर देती हैं, जिससे यह वास्तविक समय के अनुप्रयोगों के लिए अनुपयुक्त हो जाता है।

ग्रे बॉक्स मॉडल (जैसे ईसीएम):भौतिक अंतर्दृष्टि और अनुभवजन्य समायोजन के संयोजन से, अनुमानित बैटरी व्यवहार के लिए सर्किट सादृश्य का उपयोग करके, उच्च सटीकता (आमतौर पर 3% त्रुटि के भीतर) के साथ एसओसी का अनुमान लगाया जा सकता है, और वास्तविक समय एसओएच अनुमान और शेष उपयोगी जीवन (आरयूएल) भविष्यवाणी के लिए उपयोगी होते हैं, लेकिन चुनौतियों का सामना करते हैं डेटा गुणवत्ता और कम्प्यूटेशनल आवश्यकताओं में। लिथियम-आयन बैटरियों (श्रृंखला प्रतिरोधकों और दो आरसी तत्वों तक) के लिए एक सरल समतुल्य सर्किट मॉडल का उपयोग विश्वसनीय सिमुलेशन के लिए किया जा सकता है, जबकि अधिक जटिल ईसीएम (कई आरसी शाखाओं या निरंतर चरण तत्व सीपीई सहित) अत्यधिक गतिशील प्रक्रियाओं (जैसे) का अनुकरण कर सकते हैं इलेक्ट्रिक वाहन संचालन के रूप में), लेकिन बढ़ती कम्प्यूटेशनल मांग ने अधिक उन्नत एसओएच अनुमान विधियों के विकास को प्रेरित किया है।

ब्लैक बॉक्स मॉडल (डेटा-संचालित दृष्टिकोण):इनपुट और आउटपुट डेटा के आधार पर, मॉडल का निर्माण आंतरिक कार्य सिद्धांत ज्ञान पर भरोसा किए बिना किया जाता है। मशीन लर्निंग तकनीक बड़ी मात्रा में माप डेटा से बैटरी की स्थिति का अनुमान लगा सकती है। मशीन लर्निंग जटिल डेटासेट में पैटर्न की पहचान करने में उत्कृष्टता प्राप्त करती है, जैसे कि मल्टी-चैनल न्यूरल नेटवर्क, जिनकी क्षमता अनुमान में उच्च सटीकता होती है, लेकिन उच्च-गुणवत्ता और विविध प्रशिक्षण डेटा पर भरोसा करते हैं। हालाँकि, व्यावहारिक वाहन अनुप्रयोगों में, कई आंतरिक चर को सीधे मापा नहीं जा सकता है, और डेटा विरलता और व्याख्या की कमी मॉडल को समझने और बनाए रखने में मुश्किल बनाती है।

1.4 मॉडल विधियों का विकास और हाइब्रिड मॉडल का विकास

मॉडल-आधारित विधियों का विकास:पिछले दशक में, मॉडल-आधारित तरीके लगातार विकसित हुए हैं, जिनमें कलमैन फ़िल्टरिंग (केएफ) और इसके एक्सटेंशन (जैसे विस्तारित कलमैन फ़िल्टर ईकेएफ, अनसेंटेड कलमैन फ़िल्टर यूकेएफ) शामिल हैं। इन विधियों में बैटरी स्थिति अनुमान में उच्च सटीकता होती है, लेकिन सटीक गतिशील मॉडल की आवश्यकता होती है और इन्हें लागू करना जटिल होता है।

हाइब्रिड मॉडल का उदय:वास्तविक दुनिया के डेटा की सीमाओं को संबोधित करने और कम्प्यूटेशनल दक्षता में सुधार करने के लिए, हाइब्रिड मॉडल उभरे हैं, जो विस्तृत सिमुलेशन के माध्यम से मशीन लर्निंग मॉडल को प्रशिक्षित करने के लिए मॉडल-आधारित और डेटा-संचालित तरीकों का संयोजन करते हैं। इसी समय, मशीन लर्निंग तकनीकों ने पिछले पांच वर्षों में महत्वपूर्ण प्रगति की है, जिसमें संभाव्य तरीके, मेटा लर्निंग, प्रतिकूल लर्निंग, अर्ध पर्यवेक्षित लर्निंग आदि शामिल हैं। डीप लर्निंग (मशीन लर्निंग का एक उपसमूह) ने संरचित प्रसंस्करण में अच्छा प्रदर्शन किया है और असंरचित डेटा. भौतिक सूचना तंत्रिका नेटवर्क (पिनन) विभिन्न बैटरी प्रकारों और स्थितियों के तहत तरीकों की अनुकूलनशीलता को बढ़ाते हुए, एसओएच अनुमान में सुधार करने के लिए तंत्रिका नेटवर्क के साथ अनुभवजन्य गिरावट मॉडल को जोड़ते हैं। ऑटोमोटिव उद्योग के विकास के साथ, ये तकनीकी प्रगति बैटरी प्रदर्शन को अनुकूलित करने, विफलताओं को रोकने और इलेक्ट्रिक वाहनों के विकास का समर्थन करने के लिए महत्वपूर्ण हैं।

1.5 इस आलेख में बाद के अध्यायों का अवलोकन

धारा 2 अनुसंधान पद्धति की व्यवस्थित और व्यापक प्रकृति को सुनिश्चित करते हुए, समीक्षा साहित्य की स्क्रीनिंग और चयन के तरीकों का विस्तृत परिचय प्रदान करती है। धारा 3 चार्ज अनुमान तकनीकों की स्थिति का गहन विश्लेषण प्रदान करता है, जिसमें कलमन फ़िल्टरिंग और इसके बेहतर तरीकों के साथ-साथ पुराने मॉडलों के साथ एकीकरण सहित इलेक्ट्रिक वाहन बैटरियों के लिए मॉडलिंग विधियों पर बैटरी क्षरण तंत्र के प्रभाव की खोज की जाती है। धारा 4 एसओएच आकलन तकनीकों पर केंद्रित है, पारंपरिक तरीकों की तुलना नए तरीकों से करती है, और इलेक्ट्रिक वाहनों पर लागू तरीकों पर जोर देती है। धारा 5 एसओएच आकलन में गहन शिक्षण की भूमिका को प्रदर्शित करता है, जैसे कि दीर्घकालिक अल्पकालिक मेमोरी (एलएसटीएम) नेटवर्क और हाइब्रिड मॉडल, साथ ही कैसे कन्वेन्शनल न्यूरल नेटवर्क (सीएनएन) स्वास्थ्य मूल्यांकन सटीकता में सुधार के लिए व्यावहारिक कारकों पर विचार करते हैं। अंत में, धारा 6 इलेक्ट्रिक वाहन बाजार और अन्य ऊर्जा भंडारण अनुप्रयोगों के विकास का समर्थन करने के लिए बैटरी स्वास्थ्य प्रबंधन प्रणालियों के लिए भविष्य के अनुसंधान निर्देशों का सारांश और आशा करता है।

2। सामग्री और विधि

2.1 शोध प्रश्न की परिभाषा

यह अध्ययन इलेक्ट्रिक वाहनों में लिथियम-आयन बैटरियों के एसओएच आकलन में मशीन लर्निंग तकनीक के अनुप्रयोग को निर्देशित करने के लिए पांच प्रमुख प्रश्नों का प्रस्ताव करता है।

इलेक्ट्रिक वाहनों में लिथियम-आयन बैटरियों के स्वास्थ्य की स्थिति (एसओएच) का आकलन करने के लिए वर्तमान में उपयोग की जाने वाली मुख्य मशीन लर्निंग तकनीकों को स्पष्ट करें, और शोधकर्ताओं द्वारा विकसित और उपयोग किए गए विशिष्ट एल्गोरिदम और मॉडल का पता लगाएं।

एसओएच अनुमान मशीन लर्निंग मॉडल की सटीकता और मजबूती पर विभिन्न डेटा स्रोतों (प्रयोगशाला, वाहन और क्षेत्र डेटा) के प्रभाव का पता लगाएं, विश्लेषण करें कि डेटा स्रोत मॉडल प्रदर्शन को कैसे प्रभावित करते हैं, और निर्धारित करते हैं कि सटीक एसओएच भविष्यवाणी के लिए कौन सा डेटा सबसे फायदेमंद है।

लिथियम-आयन बैटरियों के एसओएच आकलन में मशीन लर्निंग तकनीकों को लागू करने की प्रमुख चुनौतियों की पहचान करें, साथ ही विभिन्न पर्यावरणीय परिस्थितियों और अनुप्रयोग परिदृश्यों में इन चुनौतियों की विविधताएं, जैसे तापमान में उतार-चढ़ाव, उम्र बढ़ने और विभिन्न उपयोग मोड के प्रभाव की पहचान करें। एसओएच अनुमान की सटीकता.

एसओएच आकलन के विश्लेषण तरीकों की तुलना करें, पारंपरिक तरीकों और उनकी विकास प्रक्रिया के बीच अंतर, अध्ययन करें कि मशीन सीखने के तरीकों को इन पारंपरिक तरीकों के साथ कैसे एकीकृत किया जा सकता है, उनके संबंधित फायदे, नुकसान और संभावित तालमेल की पहचान करें।

इलेक्ट्रिक वाहनों के लिए लिथियम-आयन बैटरियों में मशीन लर्निंग आधारित एसओएच अनुमान मॉडल की सटीकता, अनुकूलनशीलता और कम्प्यूटेशनल दक्षता में सुधार करने, अनुसंधान अंतराल, तकनीकी आवश्यकताओं और नवीन तरीकों की पहचान करने के लिए भविष्य के अनुसंधान निर्देशों की प्रतीक्षा कर रहा हूं।

2.2 साहित्य खोज और स्क्रीनिंग

डेटाबेस चयन और खोज रणनीति:Conduct a comprehensive literature search using Scopus database, determine keywords based on research questions, and use Boolean search strings (TITLE-ABS-KEY (electric AND vehicle) AND KEY (battery AND state AND of AND health) AND TITLE-ABS-KEY (lithium AND ion) AND PUBYEAR>2003 और पबयेर<2025) to retrieve papers and patents published between 2003 and 2024. A total of 882 documents and 16286 patents were obtained, nearly half of which were published between 2020 and 2024, reflecting the industrial demand and progress in this field. The search results are distributed by year, major journals, national and patent offices, showing the time trend of research, journal distribution, regional diversity, and industry development priorities (such as battery management systems, modular architecture, vehicle control systems, and low resistance materials).

साहित्य स्क्रीनिंग और फोकस:पुनर्प्राप्त साहित्य में कई अनुशासनात्मक क्षेत्र शामिल हैं, जिसमें इंजीनियरिंग क्षेत्र का अनुपात सबसे अधिक (730 लेख) है, इसके बाद ऊर्जा, कंप्यूटर विज्ञान और गणित का स्थान है। कंप्यूटर विज्ञान के क्षेत्र पर ध्यान केंद्रित करने के बाद, 209 प्रासंगिक दस्तावेजों की पहचान की गई, जिनमें से 183 को 2019 और 2024 के बीच प्रकाशित किया गया, जो डेटा की समयबद्धता को दर्शाता है। इन दस्तावेज़ों में सम्मेलन पत्र, लेख, समीक्षाएं और पुस्तक अध्याय शामिल हैं, जिसमें मुख्य समीक्षा आधार के रूप में 2009 और 2024 के बीच प्रकाशित 72 लेख शामिल हैं, जबकि अनुसंधान क्षेत्रों की व्यापक कवरेज सुनिश्चित करने और नवीन पर कब्जा करने के लिए अन्य इंजीनियरिंग क्षेत्रों से प्रासंगिक कागजात और पुस्तक अध्यायों को मैन्युअल रूप से शामिल किया गया है। बैटरी प्रबंधन प्रणालियों को बेहतर बनाने के लिए कृत्रिम बुद्धिमत्ता के उपयोग में तकनीकी प्रगति।

3. चार्ज की स्थिति (एसओसी) आकलन प्रौद्योगिकी

3.1 बैटरी क्षरण तंत्र और प्रदर्शन पर इसका प्रभाव

लिथियम आयन बैटरियां मुख्य रूप से दो तंत्रों के माध्यम से ख़राब होती हैं:लिथियम इन्वेंटरी हानि (एलएलआई) और सक्रिय सामग्री हानि (एलएएम)। एलएलआई एनोड पर ठोस इलेक्ट्रोलाइट इंटरफ़ेस (एसईआई) परत के गठन से संबंधित है, जो लिथियम आयनों और इलेक्ट्रोलाइट के बीच पार्श्व प्रतिक्रिया से उत्पन्न होती है। एलएएम बैटरी में आंतरिक यांत्रिक तनाव के कारण होता है, जैसे चार्जिंग और डिस्चार्जिंग के दौरान इलेक्ट्रोड सामग्री का बार-बार विस्तार और संकुचन, जिससे माइक्रोक्रैक और इलेक्ट्रोड कणों का पृथक्करण होता है, जिससे इलेक्ट्रोकेमिकल प्रतिक्रियाओं के लिए उपलब्ध सक्रिय सतह क्षेत्र कम हो जाता है, जिससे बैटरी की क्षमता कम हो जाती है। आंतरिक प्रतिरोध में वृद्धि, और अंततः बैटरी के प्रदर्शन को प्रभावित करना। ये क्षरण तंत्र उच्च चार्जिंग स्थिति, उच्च तापमान और आक्रामक साइकिल चालन स्थितियों जैसे कारकों से तेज हो जाते हैं। विभिन्न उम्र बढ़ने के तंत्र (थर्मल, इलेक्ट्रोकेमिकल, आदि) की विस्तृत जानकारी और मॉडलिंग विवरण प्रासंगिक साहित्य में पाया जा सकता है।

3.2. इलेक्ट्रिक वाहन बैटरियों के लिए एसओसी अनुमान और मॉडलिंग तकनीक

इलेक्ट्रिक वाहनों के दैनिक उपयोग में, बैटरी के स्वास्थ्य को बनाए रखने के लिए बैटरी को अक्सर 20% -40% एसओसी पर चार्ज किया जाता है, लेकिन बैटरी क्षमता की गैर-रेखीय और गिरावट विशेषताओं के परिणामस्वरूप गलत एसओसी रीडिंग हो सकती है, जिससे बैटरी का अनुमान प्रभावित हो सकता है। पूरी क्षमता. लिथियम-आयन बैटरियों का प्रदर्शन और रखरखाव भी जलवायु से प्रभावित होता है, तापमान और इलेक्ट्रोलाइट ताजगी (उत्पादन और भरने की तारीखों द्वारा निर्धारित) बैटरी की दक्षता और जीवनकाल को प्रभावित करते हैं। नई इलेक्ट्रोलाइट बैटरियों की विशेषताएं अलग-अलग जलवायु में भिन्न हो सकती हैं, और थर्मल प्रबंधन रणनीतियाँ तापमान से संबंधित प्रदर्शन समस्याओं का समाधान करने और बैटरी स्थायित्व में सुधार करने में मदद कर सकती हैं।

पारंपरिक समतुल्य सर्किट मॉडल (ईसीएम) का उपयोग आमतौर पर एसओसी का अनुमान लगाने के लिए किया जाता है, लेकिन इसके लिए बार-बार अंशांकन की आवश्यकता होती है। लेख ईसीएम (निरंतर और असतत रूपों सहित) पर आधारित एसओसी गणना समीकरणों का विस्तृत परिचय प्रदान करता है, जिसमें राज्य अंतरिक्ष समीकरण, ओपन सर्किट वोल्टेज और एसओसी संबंध समीकरण, असतत-समय डोमेन एसओसी अद्यतन समीकरण और वोल्टेज अद्यतन समीकरण शामिल हैं। प्रासंगिक पैरामीटर (जैसे प्रतिरोध, कैपेसिटेंस, ओपन सर्किट वोल्टेज, आदि) एसओसी से निकटता से संबंधित हैं। मानक प्रयोगशाला परीक्षण (जैसे विभिन्न तापमानों पर मिश्रित पल्स पावर विशेषता परीक्षण) का उपयोग आमतौर पर बैटरी मॉडल पैरामीटर पहचान के लिए किया जाता है, लेकिन मॉडल की अशुद्धि और माप शोर से एसओसी अनुमान में छोटी त्रुटियां हो सकती हैं। एसओसी अनुमान की सटीकता में सुधार करने के लिए, इन प्रभावों की भरपाई के लिए कलमन फ़िल्टरिंग और इसके एक्सटेंशन, पीआई आधारित पर्यवेक्षक, स्लाइडिंग मोड पर्यवेक्षक इत्यादि जैसी विभिन्न तकनीकों का उपयोग किया गया है, और प्रारंभिक मॉडल अनिश्चितता को संभालने के लिए अभिन्न सुधार विधियां भी विकसित की गई हैं। और माप शोर. इसके अलावा, हालांकि इलेक्ट्रोकेमिकल प्रतिबाधा स्पेक्ट्रोस्कोपी (ईआईएस) बैटरी विशेषताओं (एसओसी और एसओएच समेत) का मूल्यांकन कर सकती है, यह बड़े पैमाने पर अनुप्रयोगों (जैसे इलेक्ट्रिक वाहन बेड़े) के लिए समय लेने वाली और अव्यवहारिक है, जिससे गतिशील और बदलते को पकड़ना मुश्किल हो जाता है इलेक्ट्रिक वाहन बैटरियों की परिचालन स्थितियाँ। इसलिए, एक अधिक अनुकूली और कुशल विधि की आवश्यकता है।

3.3. प्रौद्योगिकी में सुधार

कलमन फ़िल्टर और इसके सुधार के तरीके:कलमन फिल्टर (केएफ) और इसके एक्सटेंशन (जैसे विस्तारित कलमन फिल्टर ईकेएफ, अनसेंटेड कलमन फिल्टर यूकेएफ, वॉल्यूम कलमन फिल्टर सीकेएफ) एसओसी आकलन के लिए व्यापक रूप से उपयोग किए जाते हैं। केएफ माध्य वर्ग त्रुटि को कम करके, संचयी त्रुटि और प्रारंभिक एसओसी अनिश्चितता की समस्याओं को हल करके इष्टतम एसओसी अनुमान प्रदान करता है। हालाँकि, यह रैखिक समय-भिन्न प्रणालियों के लिए उपयुक्त है जहाँ बैटरियों की गैर-रेखीय गतिशीलता के लिए रैखिककरण सन्निकटन की आवश्यकता होती है। यद्यपि ईकेएफ गैर-रेखीय मॉडल को संभालने के लिए केएफ ढांचे का विस्तार करता है, रैखिककरण सटीकता को प्रभावित कर सकता है और अनुमानक विचलन को जन्म दे सकता है। यूकेएफ और सीकेएफ जैसी नई विधियां नॉनलाइनियर परिवर्तन आंकड़ों का अनुमान लगाने के लिए सिग्मा बिंदु अनुमान का उपयोग करती हैं, जबकि सीकेएफ नॉनलाइनियर बायेसियन फ़िल्टरिंग की सटीकता में सुधार करने के लिए बहुभिन्नरूपी क्षण इंटीग्रल्स की गणना करने के लिए गोलाकार रेडियल वॉल्यूम नियम का उपयोग करता है। हालाँकि, ये फ़िल्टर आम तौर पर मानते हैं कि शोर विशेषताएँ ज्ञात और स्थिर हैं, और व्यावहारिक अनुप्रयोगों में, शोर परिवर्तनशील है (जैसे बाहरी हस्तक्षेप से उत्पन्न गैर गाऊसी शोर)। इसलिए, मजबूत अनुकूली फ़िल्टरिंग रणनीतियाँ विकसित की गई हैं, जैसे राज्य अनुमान सटीकता में सुधार के लिए गैर गाऊसी शोर को मॉडल करने के लिए गाऊसी मिश्रण मॉडल (जीएमएम) का उपयोग करना। प्रासंगिक अध्ययनों ने विभिन्न क्षेत्रों में इन विधियों के अनुप्रयोगों और लाभों को दिखाया है। इसके अलावा, बड़े पैमाने पर इंटरकनेक्टेड सिस्टम के राज्य अनुमान को अनुकूलित करने के लिए वितरित और वितरित फ़िल्टर (जैसे वितरित कलमैन फ़िल्टर डीकेएफ, वितरित कलमैन फ़िल्टर और कोवरियन क्रॉस डीकेएफ-सीआई) का उपयोग किया जाता है। मजबूत और नॉनलाइनियर फिल्टर (जैसे मजबूत कलमैन फिल्टर) का बैटरी सिस्टम (जैसे इलेक्ट्रोकेमिकल प्रक्रियाओं) में जटिल नॉनलाइनियरिटी से निपटने में बेहतर प्रदर्शन होता है। अनुकूली तकनीकें (जैसे अनुकूली ईकेएफ और अनुकूली यूकेएफ एल्गोरिदम) शोर परिवर्तनों के अनुकूल होने और एसओसी अनुमान सटीकता में सुधार करने के लिए फ़िल्टर मापदंडों को गतिशील रूप से समायोजित करती हैं। प्रासंगिक अध्ययनों और उदाहरणों ने इन विधियों की प्रभावशीलता को सत्यापित किया है।

अन्य सुधार विधियाँ:जैसे कि 2022 में प्रस्तावित एडेप्टिव इंटीग्रल करेक्शन स्टेट ऑफ चार्ज एस्टीमेशन (एआईसी-एसई) विधि, जो ईसीएम मॉडल पर आधारित है और वास्तविक समय सुधार तंत्र (प्रतिरोध सहित) के माध्यम से एसओसी अनुमान की सटीकता में सुधार करती है। बैटरी क्षमता सुधार) (अधिकतम त्रुटि ± 0.8%, आरएमएस त्रुटि 0.3% से कम)। कम्प्यूटेशनल दक्षता यूकेएफ (5एन ऑपरेशंस के बारे में एआईसी-एसई, एन ^ 2 ऑपरेशंस के बारे में यूकेएफ) से अधिक है, जो बैटरी की उम्र बढ़ने और गिरावट की चुनौतियों को प्रभावी ढंग से संबोधित करती है। 2023 में वेरिएशनल बायेसियन मैक्सिमम कोरिलेशन एन्ट्रॉपी वॉल्यूम कलमैन फ़िल्टर (VBMCCKF) वेरिएशनल बायेसियन विधि का उपयोग करके माप त्रुटि सहप्रसरण अनुमान में सुधार करने के लिए उन्नत फ़िल्टरिंग और सांख्यिकीय तकनीकों को जोड़ता है। अधिकतम सहसंबंध एन्ट्रॉपी मानदंड का उपयोग गैर गाऊसी शोर माप आउटलेर्स को संभालने के लिए किया जाता है, जिससे एसओसी अनुमान सटीकता में काफी सुधार होता है (ईकेएफ, सीकेएफ और वेरिएशनल बायेसियन वॉल्यूम कलमैन फ़िल्टर की तुलना में, औसत पूर्ण त्रुटि 77%, 68% और 49% कम हो जाती है) , क्रमशः), और बैटरी प्रबंधन प्रणाली की मजबूती को बढ़ाना।

3.4 पुराने मॉडलों के साथ एकीकरण

बैटरी उम्र बढ़ने का मॉडल एसओसी अनुमान से निकटता से संबंधित है, और हाल के शोध ने दोनों पहलुओं में नवाचार किया है। 2024 में प्रस्तावित बैटरी उम्र बढ़ने का मॉडल बैटरी उम्र बढ़ने पर एसओसी, बैटरी तापमान, समय और पूरी तरह से समतुल्य चक्र समय (एनएफईसी) के प्रभावों पर व्यापक रूप से विचार करता है। मॉडल में दो भाग होते हैं: पहला भाग एसओसी और तापमान संबंधी उम्र बढ़ने (विशिष्ट सूत्रों के माध्यम से क्षमता हानि की गणना) पर केंद्रित है, और दूसरा भाग उम्र बढ़ने पर एनएफईसी के प्रभाव पर विचार करता है। यह मॉडल बैटरी मॉडल के साथ इलेक्ट्रिक वाहन सबसिस्टम के रूप में बैटरी एजिंग को अभिनव रूप से एकीकृत करता है, जो पार्किंग, ड्राइविंग और चार्जिंग जैसे सभी ऑपरेटिंग मोड को कवर करता है। यह ऊर्जा मैक्रोस्कोपिक प्रतिनिधित्व (ईएमआर) (उपप्रणाली कनेक्शन को व्यवस्थित करने, बिजली प्रवाह और कारण संबंधों का प्रतिनिधित्व करने के लिए 2000 में विकसित एक ग्राफिकल टूल) की औपचारिक विधि के माध्यम से विभिन्न उपप्रणालियों के बीच सटीक इंटरैक्शन सिमुलेशन प्राप्त करता है। अनुसंधान से पता चला है कि चार्जिंग आवृत्ति को कम करने (जैसे दैनिक चार्जिंग से हर चार दिन में बदलना) से बैटरी को 80% एसओएच तक पहुंचने में काफी समय लग सकता है। यह एकीकृत दृष्टिकोण बैटरी प्रबंधन को अनुकूलित करने और बैटरी की उम्र बढ़ने पर चार्जिंग प्रथाओं के प्रभाव को समझने में महत्वपूर्ण प्रगति प्रदान करता है।

एआईसी-एसई और वीबीएमसीसीकेएफ जैसी नई विधियों से एसओसी अनुमान सटीकता और कम्प्यूटेशनल दक्षता में महत्वपूर्ण लाभ हैं। एआईसी-एसई कम्प्यूटेशनल दक्षता में अच्छा प्रदर्शन करता है, जबकि वीबीएमसीसीकेएफ माप त्रुटियों और शोर वाले वातावरण के गतिशील अनुमान को संभालने में बेहतर प्रदर्शन करता है। यदि सटीकता और शोर प्रसंस्करण को प्राथमिकता दी जाती है, तो वैरिएबल बायेसियन और अधिकतम सहसंबंध एन्ट्रापी मानदंड का संयोजन वर्तमान सर्वोत्तम विकल्प हो सकता है; यदि हम कम्प्यूटेशनल दक्षता और वास्तविक समय अनुप्रयोगों पर ध्यान केंद्रित करते हैं, तो एआईसी-एसई एक अच्छा विकल्प है, जो दर्शाता है कि इस क्षेत्र में ईसीएम मॉडलिंग विधियों के अभी भी फायदे हैं। इसके अलावा, 2024 में अध्ययन किया गया बैटरी एजिंग मॉडल बैटरी की गिरावट पर कई कारकों के प्रभाव पर व्यापक रूप से विचार करता है, जो बैटरी जीवन को अनुकूलित करने (चार्जिंग अभ्यास के आधार पर) के लिए बहुत महत्वपूर्ण है। कुल मिलाकर, ये विकास न केवल एसओसी अनुमान की सटीकता में सुधार करते हैं, बल्कि बैटरी जीवन को बढ़ाने और बैटरी परिचालन विश्वसनीयता को बढ़ाने में भी योगदान देते हैं।

4. स्वास्थ्य की स्थिति (एसओएच) मूल्यांकन तकनीक

4.1 पारंपरिक एसओएच आकलन विधियां

पारंपरिक एसओएच आकलन पद्धति का व्यापक रूप से शैक्षणिक और औद्योगिक क्षेत्रों में उपयोग किया जाता है, जो मुख्य रूप से बैटरी एसओएच का मूल्यांकन करने के लिए क्षमता में गिरावट, आंतरिक प्रतिरोध और चक्र जीवन जैसे बुनियादी मापदंडों पर आधारित है (प्रासंगिक सूत्रों और पैरामीटर अर्थों के लिए तालिका 4 देखें)। ये विधियाँ बैटरी स्वास्थ्य मूल्यांकन के लिए आधार प्रदान करती हैं और बैटरी प्रदर्शन को समझने में मदद करती हैं। इन पारंपरिक तरीकों को समझकर, हम अगले अध्यायों में नई अनुमान विधियों के सुधार को बेहतर ढंग से समझ सकते हैं। नए तरीके अक्सर पारंपरिक तरीकों की सीमाओं को संबोधित करने के लिए अधिक जटिल डेटा विश्लेषण और पूर्वानुमानित मॉडलिंग तकनीकों का उपयोग करते हैं। दोनों की तुलना करने से एसओएच अनुमान प्रौद्योगिकी के विकास और विकास को स्पष्ट किया जा सकता है और प्रदर्शित किया जा सकता है कि कैसे आधुनिक तरीके बैटरी प्रबंधन प्रणालियों की सटीकता और अनुकूलनशीलता में सुधार कर सकते हैं।

4.2 पारंपरिक तरीकों को बदलने में नए विकास

मशीन लर्निंग के साथ संयुक्त नए स्वास्थ्य संकेतक:एसओएच भविष्यवाणी की सटीकता में सुधार करने के लिए, अनुसंधान ने गिरावट दर अनुपात (डीएसआर) जैसे नए स्वास्थ्य संकेतक पेश किए हैं। चार्जिंग वोल्टेज वक्र के ढलान से डीएसआर की गणना करने का सूत्र है:
 

एकाधिक चार्जिंग चक्रों की ढलानों की तुलना करके, एक विशिष्ट वोल्टेज रेंज (जैसे कि [3.8-3.9वी]) के भीतर बैटरी की गिरावट दर (एमवी/एस में) निर्धारित की जाती है, जो निकटता से संबंधित है बैटरी की क्षमता और बैटरी जीवन के अंत को निर्धारित करने के लिए एक प्रमुख संकेतक के रूप में उपयोग किया जा सकता है। गॉसियन प्रोसेस रिग्रेशन (जीपीआर) और मल्टी लेयर परसेप्ट्रॉन न्यूरल नेटवर्क (एमएलपीएनएन) मॉडल का संयोजन क्षमता हानि और गिरावट का अधिक सटीक अनुमान लगा सकता है। पारंपरिक मॉडलों की तुलना में, संवेदनशीलता और सटीकता में काफी सुधार हुआ है, जिससे पारंपरिक मॉडलों में गिरावट का जल्दी पता लगाना मुश्किल होने की समस्या प्रभावी ढंग से हल हो गई है।

समतुल्य सर्किट मॉडल में सुधार:पारंपरिक समतुल्य सर्किट मॉडल (ईसीएम) में सुधार के लिए प्रारंभिक तरीकों का विकास जारी रहा, जैसे कि 2{3}}15 में समतुल्य आरसी सर्किट मॉडल की बॉडी कैपेसिटेंस का विश्लेषण करके एसओएच का अनुमान लगाना, बॉडी कैपेसिटेंस क्षीणन कारक की गणना करने के लिए अभिनव एल्गोरिदम का उपयोग करना, और सटीकता और विश्वसनीयता में सुधार के लिए इसे असतत गैर-रेखीय पर्यवेक्षकों के साथ संयोजित करना; 2{5}}24 में, तापमान के प्रभाव पर विचार करने के लिए अनुकूली अद्यतन दर और नॉनलाइनियर पर्यवेक्षक के साथ संयुक्त दूसरे क्रम के हाइब्रिड समतुल्य सर्किट मॉडल को अपनाया गया, जिससे एसओएच अनुमान में उच्च सटीकता प्राप्त हुई (औसत पूर्ण त्रुटि 0.5% से कम, आरएमएस) त्रुटि 0.2% से कम); 2023 के लिए क्लाउड समाधान चलती विंडो कम से कम वर्ग एल्गोरिथ्म को समायोजित करके बैटरी मॉडल मापदंडों का अनुमान लगाने के लिए दीर्घकालिक निगरानी डेटा और वास्तविक समय डेटा का उपयोग करता है। ईसीएम मॉडल के आधार पर, उच्च-परिशुद्धता एसओएच मूल्यांकन प्राप्त किया जाता है, जो दर्शाता है कि बेहतर ईसीएम पद्धति का अभी भी एसओएच आकलन में महत्वपूर्ण महत्व है, जो एसओसी अनुमान प्रौद्योगिकी में ईसीएम विधियों के निरंतर सुधार की प्रवृत्ति के अनुरूप है।

हाइब्रिड फ्रेमवर्क विधि:नया ढांचा डेटा इंटरपोलेशन, शोर फ़िल्टरिंग, सुविधा चयन और अनिश्चितता प्रबंधन के प्रसंस्करण के लिए रैखिक सांख्यिकीय के-निकटतम पड़ोसी (एलएसकेएनएन), अधिकतम सूचना एन्ट्रॉपी खोज (एमआईईएस), और सामूहिक स्पार्स वेरिएशनल गॉसियन प्रोसेस रिग्रेशन (सीएसवीजीपीआर) को एकीकृत करता है। एलएसकेएनएन लापता डेटा बिंदुओं और फिल्टर शोर का अनुमान लगाता है, एमआईईएस एसओएच के साथ उच्च सहसंबंध वाले सुविधाओं का चयन करता है, और सीएसवीजीपीआर भविष्यवाणी सटीकता में सुधार के लिए डेटा अनिश्चितता को संसाधित करता है। नासा बैटरी डेटासेट का उपयोग करके इस ढांचे का परीक्षण किया गया था, और इलास्टिकनेट, सपोर्ट वेक्टर रिग्रेशन (एसवीआर), रैंडम फॉरेस्ट और ग्रेडिएंट बूस्टिंग जैसे तरीकों की तुलना में, रूट मीन स्क्वायर एरर (आरएमएसई) 77.8% कम हो गया था ({{3 से) }}.0510 इलास्टिकनेट में 0.0113)। विभिन्न कर्नेल के साथ गॉसियन प्रक्रिया मॉडल की तुलना में, आरएमएसई को 55.5% (0.0254 से 0.0113 तक) कम कर दिया गया, जिससे ढांचे की मजबूती और उच्च सटीकता की पुष्टि हुई और एसओएच अनुमान के लिए अधिक सटीक विधि प्रदान की गई।

एसओएच आकलन प्रौद्योगिकी के विकास की प्रवृत्ति पारंपरिक तरीकों से इलेक्ट्रिक वाहनों के लिए उपयुक्त अधिक जटिल मॉडल की ओर स्थानांतरित हो रही है। नई विधियों में शास्त्रीय मशीन लर्निंग, ईसीएम आधारित विधियों और हाइब्रिड विधियों के साथ गिरावट मॉडल का संयोजन शामिल है। डीएसआर एक महत्वपूर्ण नवाचार है जो पूर्ण चार्जिंग चक्र पर निर्भरता को कम करता है (प्रतीक्षा समय को लगभग 84% कम करता है) और, जब मशीन लर्निंग के साथ जोड़ा जाता है, तो क्षमता हानि अनुमान की सटीकता में सुधार होता है, पारंपरिक मॉडलों में प्रारंभिक गिरावट का पता लगाने की कठिनाई पर काबू पाता है। बेहतर ईसीएम पद्धति ने एसओएच आकलन में अच्छे परिणाम हासिल किए हैं, जो एसओसी आकलन में ईसीएम पद्धति के महत्व के अनुरूप है। हाइब्रिड प्रौद्योगिकियों (जैसे कि ऊपर उल्लिखित नया ढांचा) में उच्च सटीकता होती है। यद्यपि वास्तविक समय के अनुप्रयोग चुनौतियाँ पेश करते हैं, प्रमुख डेटा प्रोसेसिंग समस्याओं को प्रभावी ढंग से हल करना पारंपरिक एसओएच अनुमान विधियों की तुलना में एक महत्वपूर्ण सुधार है। कुल मिलाकर, ये विकास वास्तविक समय के अनुप्रयोगों और डेटा-संचालित तरीकों पर ध्यान केंद्रित करते हैं, जिससे इलेक्ट्रिक वाहन बैटरी प्रबंधन प्रणालियों की विश्वसनीयता में काफी सुधार होता है। एलएसटीएम, सीएनएन और हाइब्रिड तकनीक जैसी गहन शिक्षण विधियां एसओएच आकलन के लिए मुख्यधारा के तरीके बन गए हैं। बाद के अध्याय प्रासंगिक शोध परिणाम और योगदान प्रस्तुत करेंगे।

5. एसओएच आकलन में गहन शिक्षण का अनुप्रयोग

5.1 एलएसटीएम और हाइब्रिड मॉडल

कई अध्ययनों ने एसओएच अनुमान की सटीकता को बढ़ाने के लिए गहन शिक्षण तकनीकों के साथ बेहतर उम्र बढ़ने वाले मॉडल का उपयोग किया है। शेष उपयोगी जीवन (आरयूएल) की भविष्यवाणी करने में गहन शिक्षा अपरिहार्य है। उदाहरण के लिए, एसओएच गिरावट मॉडल को एकीकृत करके और वर्तमान और तापमान को चार्ज करने/डिस्चार्ज करने जैसी विभिन्न परिचालन स्थितियों पर विचार करके, एक विशिष्ट सूत्र का उपयोग किया जा सकता है:

उनमें से, I2 {c} और I2 {d} सामान्यीकृत चार्ज और डिस्चार्ज धाराएं हैं, T3 {c} और T4 {d} सामान्यीकृत बैटरी और परिवेश तापमान हैं, T3 {c} और T4 {d} चार्ज और डिस्चार्ज समय हैं, और (d1-d4) एक वजन है), जो अधिक सटीक रूप से बैटरी ख़राब होने का अनुकरण करता है। एलएसटीएम नेटवर्क पर आधारित आरयूएल भविष्यवाणी मॉडल भविष्यवाणी सटीकता में सुधार करता है, लेकिन कम्प्यूटेशनल जटिलता बढ़ जाती है, और वास्तविक समय के अनुप्रयोगों को चुनौतियों का सामना करना पड़ता है। तंत्रिका नेटवर्क समय-भिन्न बैटरी प्रक्रियाओं को संभाल सकते हैं, लगातार बैटरी व्यवहार में बदलाव के अनुकूल होना सीख सकते हैं और मॉडल की विश्वसनीयता बनाए रख सकते हैं।

एसओएच अनुमान को अनुकूलित करने के लिए मुख्य विशेषताएं (जैसे 6 प्रमुख विशेषताएं) निकालकर, उच्च सटीकता और कम कम्प्यूटेशनल लोड प्राप्त करने के लिए मशीन लर्निंग एल्गोरिदम के साथ मिलकर, वोल्टेज विशेषताएं बैटरी स्थिति मूल्यांकन की सटीकता में सुधार करने में महत्वपूर्ण भूमिका निभाती हैं। आरयूएल की भविष्यवाणी करने के लिए कई गहन शिक्षण मॉडल (जैसे सीएनएन, एलएसटीएम, जीआरयू और उनके द्विदिश वेरिएंट) को एक हाइब्रिड फ्रेमवर्क (जैसे सीएनएन-एलएसटीएम-डीएनएन, सीएनएन-जीआरयू-डीएनएन) में संयोजित करना, सुधार करने के लिए सुविधाओं की एक विस्तृत श्रृंखला का उपयोग करना। सटीकता, NASA डेटासेट परीक्षण में RMSE को 90.5% तक कम कर देती है, लेकिन कम्प्यूटेशनल ताकत और जटिलता वास्तविक समय के अनुप्रयोगों को सीमित कर देती है। मल्टी मॉडल विधियां (जैसे एलएसटीएम मॉडल लाइब्रेरी) और उन्नत अनुकूलन रणनीतियां (जैसे एलएसटीएम को एआई-बीएमएस ढांचे में एकीकृत करना और इसे एफपीजीए पर लागू करना) भविष्यवाणी सटीकता और सिस्टम दक्षता में सुधार कर सकती हैं, लेकिन वाणिज्यिक इलेक्ट्रिक वाहनों में एफपीजीए के अनुप्रयोग को लागत का सामना करना पड़ता है और व्यावहारिकता चुनौतियाँ।

जीआरयू और सॉफ्ट सेंसिंग विधियों के संयोजन में प्रयोगशाला वातावरण में दीर्घकालिक आरयूएल भविष्यवाणी की क्षमता है, लेकिन व्यावहारिक अनुप्रयोगों के लिए विभिन्न चार्जिंग स्थितियों के अनुकूलन की आवश्यकता होती है। NASA डेटासेट को संसाधित करने के लिए LSTM, DNN, और GRU जैसे डेटा-संचालित तरीकों का उपयोग करते हुए, GRU का प्रदर्शन मजबूत है (RMSE 0 का)। 0.004 की त्रुटि), और जीआरयू और एलएसटीएम नेटवर्क के संयोजन से बेहतर प्रदर्शन होता है। LSTM आधारित विधि बैटरी चार्ज डिस्चार्ज वक्र का विश्लेषण करके सुविधाएँ (जैसे 5 मैनुअल सुविधाएँ) निकालती है, और प्रशिक्षण दक्षता और भविष्यवाणी सटीकता में सुधार के लिए अनुकूलन एल्गोरिदम (जैसे एडम) का उपयोग करती है। एकल बैटरी आंशिक डेटा के प्रशिक्षण के तहत, अन्य बैटरियों के लिए एसओएच अनुमान त्रुटि कम है, जो पारंपरिक मॉडलों से बेहतर है।

एमडीए-एलएसटीएम नेटवर्क कई विशेषताओं और अस्थायी जानकारी को जोड़ता है, और कई फीचर फ्यूजन मॉड्यूल और दोहरे ध्यान मॉड्यूल के माध्यम से आरयूएल भविष्यवाणी की सटीकता में सुधार करता है। यह मजबूती और सामान्यीकरण के साथ मल्टी डेटासेट सत्यापन में अच्छा प्रदर्शन करता है। स्टैक्ड BiLSTM नेटवर्क का उपयोग निरंतर वर्तमान चार्जिंग डेटा का उपयोग करके SOH की भविष्यवाणी करने के लिए किया जाता है, और द्विदिश संरचना भविष्यवाणी विश्वसनीयता में सुधार करती है, जिससे यह फास्ट चार्जिंग के दौरान वास्तविक समय SOH अनुमान के लिए उपयुक्त हो जाती है। टीसीएन-एलएसटीएम मॉडल ओपन सर्किट वोल्टेज (ओसीवी) को सटीक रूप से पुनर्निर्माण करने और स्वास्थ्य की स्थिति (एसओएच) (एमएई 22 एमवी से नीचे, एमएपीई 2.2% से नीचे) का अनुमान लगाने के लिए सिंथेटिक डेटा और बायेसियन अनुकूलन का उपयोग करता है। इसे ट्रांसफर लर्निंग के माध्यम से विभिन्न बैटरी रासायनिक प्रणालियों तक बढ़ाया जा सकता है, लेकिन डेटा अपर्याप्त होने पर एक्सट्रपलेशन सीमाएं होती हैं। डीप फ़्यूज़न विधि (जैसे कि ऐतिहासिक डेटा और कई स्वास्थ्य संकेतकों का उपयोग) पूर्ण चार्ज डिस्चार्ज परीक्षण के माध्यम से उच्च सटीकता (2.97% से नीचे एमएपीई) प्राप्त करती है, और जीपीआर पर आधारित वैश्विक ढांचे और व्यक्तिगत इलेक्ट्रिक वाहनों के लिए डीएफटीएन मॉडल दोनों ने अच्छे परिणाम प्राप्त किए हैं। .

5.2. सीएनएन और सीएनएन-एलएसटीएम एकीकृत मॉडल

CNN-WNN-WLSTM विधि CNN, WNN और WLSTM नेटवर्क को एकीकृत करती है। सीएनएन विशेषताएं निकालता है, डब्ल्यूएनएन और डब्ल्यूएलएसटीएम प्रक्रिया विशेषताएं निकालता है और एसओएच का अनुमान लगाता है। आरएमएसप्रॉप ऑप्टिमाइज़र का उपयोग नासा डेटासेट परीक्षण में प्रदर्शन को बेहतर बनाने और पारंपरिक तरीकों से बेहतर प्रदर्शन करने के लिए किया जाता है, जो बैटरी स्वास्थ्य प्रबंधन के लिए एक आशाजनक दृष्टिकोण प्रदान करता है। सीएनएन-एलएसटीएम-सीआरएफ मॉडल प्राकृतिक भाषा प्रसंस्करण से प्रेरित है, जिसमें सीआरएफ परत बैटरी क्षमता भविष्यवाणी की सटीकता और सहजता में सुधार करने के लिए आउटपुट चर निर्भरता को कैप्चर करती है। हालाँकि, कम्प्यूटेशनल आवश्यकताएँ अधिक हैं और ऑनबोर्ड प्रोसेसर की क्षमताओं से अधिक हैं। भविष्य में, इसकी व्यावहारिकता में सुधार के लिए अनुसंधान की आवश्यकता है (जैसे कि स्थानांतरण शिक्षण के माध्यम से)। LSTNet मॉडल डेटा को विभाजित करके, ConvLSTM और AR घटकों को एकीकृत करके और संरचना को अनुकूलित करके बैटरी क्षमता भविष्यवाणी प्रदर्शन में सुधार करता है (उदाहरण के लिए, NASA डेटासेट परीक्षण में, RMSE 0.65% था, MAE 0 था। 58%, और 40% डेटा पर प्रशिक्षित होने पर एमएपीई 0.435% था)।

सॉलिड-स्टेट लिथियम-आयन बैटरियों के आरयूएल की भविष्यवाणी करने के लिए उन्नत सीएनएन और ईसीएसएसए अनुकूलन एल्गोरिदम को एकीकृत करके, सीएनएन हाइपरपैरामीटर और संरचनाओं (जैसे उन्नत कनवल्शनल परतों, सक्रियण कार्यों और अवशिष्ट कनेक्शनों का उपयोग करके) को अनुकूलित करके फीचर निष्कर्षण और भविष्यवाणी सटीकता में सुधार करता है। ईसीएसएसए सुधार के लिए नवीन गणितीय तरीकों (जैसे सर्कल कैओटिक मैपिंग, नॉनलाइनियर अवशोषण गुणांक और कॉची म्यूटेशन) के माध्यम से मॉडल मापदंडों को अनुकूलित करता है। आरयूएल भविष्यवाणी सटीकता और मजबूती। सुविधा अनुकूलन और आयामीता में कमी के लिए पीसीए और सीएनएन के संयोजन से एसओएच अनुमान की सटीकता और दक्षता में सुधार होता है (पारंपरिक सीएनएन और निश्चित आयामी पीसीए-सीएनएन मॉडल की तुलना में, एमएई 20% से अधिक बढ़ जाता है और आरएमएसई 30% से अधिक बढ़ जाता है)। वास्तविक समय SOH अनुमान मॉडल 1D-CNN और BiGRU को एकीकृत करता है, जटिल सुविधा निष्कर्षण से बचने के लिए BMS डेटा का उपयोग करता है, और हाइपरपैरामीटर के बायेसियन अनुकूलन के माध्यम से उच्च सटीकता प्राप्त करता है (जैसे NASA डेटासेट परीक्षण में, MAE 2.080% है, RMSE 2.516% है, और ईओएल सूचकांक त्रुटि शून्य है)।

5.3. गहन शिक्षण मॉडल के लिए अनुकूलन रणनीतियाँ

सबसे पहले, यादृच्छिक वन एल्गोरिथ्म का उपयोग प्रमुख स्वास्थ्य कारकों की पहचान करने के लिए किया गया था, और फिर आनुवंशिक एल्गोरिदम कण झुंड अनुकूलन (जीए-पीएसओ) तकनीक का उपयोग स्वास्थ्य की स्थिति (एसओएच) का अनुमान लगाने के लिए समर्थन वेक्टर प्रतिगमन (एसवीआर) मॉडल मापदंडों को अनुकूलित करने के लिए किया गया था। प्रभावशीलता को चार बैटरियों पर सत्यापित किया गया, जिससे सटीकता और अभिसरण गति में सुधार हुआ (RMSE का 0.40%, MAPE का 0.56%), जो अन्य संबंधित तरीकों से बेहतर है। GWO-BRNN हाइब्रिड विधि बायेसियन नियमित तंत्रिका नेटवर्क (BRNN) के लिए हाइपरपैरामीटर का चयन करने के लिए ग्रे वुल्फ ऑप्टिमाइज़ेशन (GWO) का उपयोग करती है। नासा डेटासेट के आधार पर, एसओएच अनुमान त्रुटि 1% से कम है, लेकिन कम्प्यूटेशनल जटिलता अधिक है और व्यावहारिक अनुप्रयोग सीमित हैं। एसओएच का मूल्यांकन करने और आरयूएल की भविष्यवाणी करने के लिए सीधे इलेक्ट्रिक वाहनों के कच्चे डेटा का उपयोग करना, नई मूल्यांकन सुविधाओं और इंटरपोलेशन सुधार विधियों को पेश करके सटीकता में सुधार करना (वर्तमान एकीकरण की सापेक्ष त्रुटि को 0.94% तक कम करना), डी-एनएसजीए-द्वितीय अनुकूलन विधि के साथ संयुक्त रूप से आगे बढ़ना एसओएच अनुमान को अनुकूलित करें और गणना समय को कम करें। इलेक्ट्रिक वाहनों में लिथियम-आयन बैटरियों की अधूरी चार्जिंग और डिस्चार्जिंग के कारण स्वास्थ्य की स्थिति (एसओएच) का अनुमान लगाने में कठिनाई के जवाब में, एक अप्रत्यक्ष अनुमान विधि (एटीएजीए-बीपी) प्रस्तावित है। यह विधि स्वास्थ्य संकेतक के रूप में निरंतर वोल्टेज चार्जिंग चरण की विशेषताओं का उपयोग करती है और नासा डेटा के साथ सिमुलेशन के माध्यम से मान्य होती है। इस पद्धति का बैटरी क्षमता (85% से अधिक) के साथ उच्च सहसंबंध है, जिसमें 3.7% की एसओएच अनुमान त्रुटि और 17.8% की पुनरावृत्त दक्षता में सुधार है।

डीप लर्निंग ने एसओएच आकलन में महत्वपूर्ण प्रगति की है, और कई कारकों पर विचार करने वाले व्यापक मॉडल बैटरी गिरावट की गहरी समझ प्रदान करते हैं। LSTM नेटवर्क अस्थायी निर्भरता को पकड़ने और RUL की भविष्यवाणी करने में महत्वपूर्ण हैं, लेकिन उनकी कम्प्यूटेशनल जटिलता वास्तविक समय के अनुप्रयोगों के लिए चुनौतियां पैदा करती है। फ़ीचर निष्कर्षण विधियाँ महत्वपूर्ण हैं और SOH अनुमान को अनुकूलित कर सकती हैं। बैटरी डेटा जटिलता को संसाधित करने के लिए हाइब्रिड मॉडल और विभिन्न तंत्रिका नेटवर्क आर्किटेक्चर के संयोजन में आशाजनक संभावनाएं हैं, लेकिन उच्च कम्प्यूटेशनल आवश्यकताएं व्यावहारिक अनुप्रयोगों को सीमित करती हैं। GA-PSO, GWO-BRNN और D-NSGA-II जैसी अनुकूलन रणनीतियों ने सटीकता और दक्षता में सुधार किया है, लेकिन जटिल एल्गोरिदम को लागू करना मुश्किल है और सटीकता और निष्पादन सरलता के बीच संतुलन की आवश्यकता होती है। उन्नत एआई तकनीक द्वितीयक बैटरियों के अनुप्रयोग (विस्तृत उपयोग डेटा की कमी) के लिए महत्वपूर्ण है। बाद के अध्याय विशेष रूप से बैटरी पुन: उपयोग के क्षेत्र में माध्यमिक अनुप्रयोग अनुसंधान की वर्तमान स्थिति का अवलोकन प्रदान करेंगे।

6. सारांश

यह लेख नवीन तरीकों और मॉडलों के माध्यम से इलेक्ट्रिक वाहनों में लिथियम-आयन बैटरी के लिए एसओएच और एसओसी अनुमान के विकास को आगे बढ़ाता है, जिसमें पारंपरिक मशीन लर्निंग से लेकर एलएसटीएम और सीएनएन जैसे उन्नत गहन शिक्षण मॉडल तक विभिन्न तकनीकों को शामिल किया गया है। हालाँकि, प्रत्येक विधि में सटीकता, जटिलता और प्रयोज्यता में अंतर होता है, जिससे सीधी तुलना करना मुश्किल हो जाता है। शोध में पाया गया है कि डेटा प्रोसेसिंग और स्रोतों का मॉडल प्रदर्शन पर महत्वपूर्ण प्रभाव पड़ता है, और वास्तविक तैनाती के लिए आगे सत्यापन की आवश्यकता होती है। हालाँकि गहन शिक्षण मॉडल ने जटिल डेटा को संसाधित करने में लाभ दिखाया है, फिर भी उन्हें उच्च कम्प्यूटेशनल संसाधन आवश्यकताओं और व्यावहारिक अनुप्रयोग परिदृश्यों के अनुकूलता जैसी चुनौतियों का सामना करना पड़ता है। भविष्य के अनुसंधान में सुविधा चयन में सुधार, विसंगति का पता लगाना, विविध पर्यावरणीय परिस्थितियों के अनुकूल होना, कम्प्यूटेशनल दक्षता बढ़ाने के लिए एल्गोरिदम का अनुकूलन, वास्तविक समय अनुप्रयोगों को प्राप्त करना, एसओएच अनुमान मॉडल प्रदर्शन में सुधार करने के लिए कई डेटा स्रोतों को एकीकृत करना, साथ ही माध्यमिक बैटरी अनुप्रयोगों में चुनौतियों का समाधान करना भी शामिल होना चाहिए। , प्रभावी समाधान विकसित करना और इलेक्ट्रिक वाहनों और ऊर्जा भंडारण के क्षेत्र में बढ़ती मांगों को पूरा करने के लिए बैटरी प्रबंधन प्रणालियों के विकास को बढ़ावा देना।