Dự Báo Tuổi Thọ Của Pin Lithium-Ion Xe Ô Tô Điện Sử Dụng Phương
Pháp Trí Tuệ Nhân Tạo 1. Đặt vấn đề Trong những năm gần đây, pin lithium-ion (lithium-ion battery – LIB) đã thu hút sự chú ý rộng rãi trong nghiên cứu và ứng dụng, do ưu điểm của mật độ năng lượng cao, đặc tính tự phóng điện thấp và sạc nhanh, công suất cao, ít ô nhiễm và kéo dài tuổi thọ, vì vậy thị phần pin lithium-ion trên thị trường đang tăng lên liên tục [1-3]. Do những đặc điểm nổi trội đó nên đã thu hút được nhiều nhà khoa học nghiên cứu quản lý năng lượng pin trong những năm gần đây [4]. Trong đó, trạng thái tuổi thọ pin (State of health-SOH) là một chỉ số được sử dụng để đánh giá mức độ lão hóa của pin, bao gồm khả năng suy giảm và dự đoán tuổi thọ của chu kỳ sạc và xả của pin. Mô hình này, cung cấp thông tin rất hữu ích để dự đoán chẳng hạn như đẩy nhanh sự phát triển của các vật liệu điện cực mới với dung lượng và tuổi thọ cao hơn bằng cách thiết kế vật liệu và đánh giá tuổi thọ của pin [5]. Hiện nay, các phương pháp dự báo dung lượng và suy giảm công suất của pin phổ biên là dựa trên mô hình vật lý và thu nhập dữ liệu [6]. Các phương pháp dựa trên mô hình sử dụng toán học. Mô hình được xác định theo cơ chế suy giảm vật lý hoặc thử nghiệm của pin, để nắm bắt quy luật suy giảm của pin [7]. Theo tài liệu [8] đã sử dụng toán học logic mờ để phân tích dữ liệu thu được bằng trở kháng. Phương pháp đếm dung lượng theo thời gian - Coulomb (CC) sử dụng tích phân dòng xả hoặc sạc để tính dung lượng còn lại trong pin. Phương pháp này thực hiện tính toán đơn giản nên phương pháp được sử dụng rất rộng rãi [9]. Các tác giả của [10] đã phát triển một mô hình phi tuyến tính của pin bằng cách sử dụng các thông số mạch như điện trở, tụ điện và cuộn cảm dựa trên mô hình mạch Randles đã sửa đổi để dự đoán sự suy giảm dung lượng pin. Tuy nhiên, độ chính xác của các phép đo EIS bị ảnh hưởng nhiễu gây ra bởi các thành phần tích hợp khác trong hệ thống [11]. Bên cạnh đó, theo tài liệu [12], mô hình dự báo tuổi thọ kết hợp với công nghệ lọc tiên tiến sẽ dự báo sự suy giảm dung lượng pin đối với các mô hình mạch tương đương có số lượng lớn các tham số phức tạp, đa dạng và chưa xác định của cell pin. Hơn thế nữa, tại tài liệu [13] đã đề xuất một mô hình hồi quy hàm mũ và đa thức thực nghiệm để theo dõi xu hướng suy giảmv của cell pin trong vòng đời của cell pin dựa trên phân tích dữ liệu thực nghiệm và sử dụng phương pháp lọc để điều chỉnh các thông số mô hình trực tuyến. Trong tài liệu tham khảo [14], một mô hình mới đã được phát triển bằng cách sử dụng bộ lọc Kalman với vectơ hồi quy và được áp dụng cho vòng đời chu kỳ và dự đoán dung lượng ngắn hạn của pin. Theo tài liệu [15] đã phát triển một phương pháp tiên lượng mới để xác định tuổi thọ chu kỳ pin dựa trên bộ lọc nhiều mô hình tương tác. Phương pháp mô hình tương tác nhiều mô hình-IMMPF cho các phương trình trạng thái khác nhau, được sử dụng cho nhiều mô hình công suất của pin. Qua đây nhận thấy rằng các phương pháp dựa trên mô hình này đã đạt những thanh tựu tiến bộ đáng kể về hiệu suất cao. Kết quả này được minh chứng qua thực nghiệm, tuy nhiên, độ chính xác và bền vững các mô hình này bị giới hạn bởi độ chính xác sự suy giảm pin của mô hình vật lý [16]. Ngày nay, phương pháp trí tuệ nhân tạo đã và đang ứng dụng nhiêu trong lĩnh vực xử lý ảnh, nhận dạng giọng nói, xử lý ngôn ngữ tự nhiên và dự đoán trạng thái. Trong đó, phương pháp máy học (machine learning-ML) là một dạng mạng nơ ron kinh điển nhưng hệ thống được theo các thuật toán. Bên cạnh đó, các nhà khoa học đã kết hợp hiệu quả của ML với các chương trình đào tạo và sửa đổi thông minh để dự báo SOH của bộ pin Li-ion. Chính vì vậy, trong bài báo sẽ đưa ra phương pháp đề xuất được kết hợp với mô hình Quy trình mạng Gaussian (NGP) [17], xem xét sự suy giảm của pin trong các điều kiện hoạt động khác nhau. Đầu tiên, dựa trên phân tích tương quan, bài báo dự báo công suất trung bình suy giảm trong các chu kỳ đầu của pin có liên quan đến tuổi thọ của chu kỳ sạc và xả. Sau đó, vòng đời chu kỳ của pin Li-ion được dự đoán bằng cách sử dụng mô hình đã thiết lập (ML). Kết quả bài báo đưa ra dựa vào các đặc tính trên 100 chu kỳ sạc, xả đầu tiên để dự đoán dung lượng còn lại của pin. Kết quả này cho phép nhận dạng nhanh chóng các quy trình sản xuất pin và cho phép người dùng quyết định thay thế pin bị lỗi khi xác định được suy giảm hiệu suất của pin và thời gian sử dụng. 2. Mục tiêu Đề tài 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- Meachine Learning. 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 để đưa ra kết quả dự báo dung lượng pin đầy hứa hẹn khi có đủ dữ liệu thử nghiệm. Kết quả bài báo đưa ra dựa vào các tính năng trên 100 chu kỳ sạc và xả đầu tiên để dự đoán dung lượng còn lại của pin. Kết quả này cho phép nhận dạng nhanh chóng các quy trình sản xuất pin và cho phép người dùng quyết định thay thế pin bị lỗi khi xác định được suy giảm hiệu suất của pin và thời gian sử dụng. Kết quả dự đoán được chứng minh bằng mô phỏng Matlab với sai số nhỏ khoảng 10%. 3. Nội dung Đề tài nghiên cứu gồm có các nội dung như sau: Thứ nhất giới thiệu tổng quan về hệ thống pin xe ô tô điện. Thứ 2 đề tài trình bày về tổng quan phương pháp học sâu- Meachine Leaning. Thứ 3, Dự báo tuổi thọ của pin sử dụng Meachine Learning. Cuối cùng là tính đúng đắn của lý thuyết được minh chứng bằng mô phỏng Matlab. 4. Kết quả dự kiến nghiên cứu Đề tài 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 để đưa ra kết quả dự báo dung lượng pin đầy hứa hẹn khi có đủ dữ liệu thử nghiệm. Kết quả bài báo đưa ra dựa vào các tính năng trên 100 chu kỳ sạc và xả đầu tiên để dự đoán dung lượng còn lại của pin. Kết quả này cho phép nhận dạng nhanh chóng các quy trình sản xuất pin và cho phép người dùng quyết định thay thế pin bị lỗi khi xác định được suy giảm hiệu suất của pin và thời gian sử dụng. Kết quả dự đoán được chứng minh bằng mô phỏng Matlab với sai số nhỏ khoảng 10%.