Прогнозирование оставшегося срока службы аккумулятора, особенно в контексте OEM-решений, часто представляется как высокотехнологичная задача. И действительно, на рынке появилось множество сложных алгоритмов и программных решений. Но давайте начистоту – часто это превращается в переоценку, а реальные результаты оказываются не такими впечатляющими. За годы работы с различными электромобилями и накопителями энергии, я убедился, что комплексный подход, основанный на понимании физики процессов, конкретных характеристик батарейного блока и, конечно, данных эксплуатации, гораздо важнее, чем просто применение готовых моделей. Простое прогнозирование дальности хода - это лишь вершина айсберга.
Первая проблема, с которой постоянно сталкиваемся – это разнородность батарейных блоков. Мы работаем с аккумуляторами от разных производителей, использующими различные химические составы (NMC, NCA, LFP и т.д.), архитектуры (с плоским, цилиндрическим, модульным расположением ячеек), системы управления батареями (BMS) и даже методики сбора данных. Каждая из этих особенностей требует индивидуального подхода к анализу и прогнозированию. Например, прогнозирование для LFP-батарей сильно отличается от прогнозирования для NMC, даже при схожих условиях эксплуатации. Эта неоднородность затрудняет создание универсальной модели, подходящей для всех случаев.
Вторая сложность – это влияние факторов эксплуатации. Температура, глубина разряда, частота циклов заряда-разряда, режим работы (например, интенсивное ускорение или постоянная крейсерская скорость) – все это оказывает значительное влияние на скорость деградации батареи. Простое измерение напряжения и тока недостаточно для точного прогноза. Необходимо учитывать историю эксплуатации и, желательно, иметь возможность моделировать различные сценарии использования. Часто, только анализируя эти совокупные данные можно сделать хоть какие-то обоснованные выводы.
И, наконец, третий момент – это качество данных. BMS часто предоставляют неполные или неточные данные, особенно в части внутренней температуры ячеек или их остаточного заряда. Необходимо тщательно проверять данные, выявлять выбросы и, при необходимости, использовать методы интерполяции или экстраполяции для заполнения пропусков. Часто приходится прибегать к калибровке данных, используя физические модели и эмпирические зависимости.
Современные BMS – это сложные системы, и простое чтение их параметров недостаточно для понимания реального состояния батареи. Важно понимать, как именно BMS рассчитывает различные параметры (например, состояние заряда, состояние здоровья) и какие факторы могут влиять на их точность. Например, некорректно откалиброванный датчик температуры может привести к неверным оценкам состояния батареи.
Мы неоднократно сталкивались с ситуациями, когда BMS выдавали противоречивые данные. Причиной этого, как правило, были ошибки в алгоритмах BMS, несоответствие параметров датчиков или неверные настройки. В одном из проектов, например, BMS давала завышенные оценки состояния заряда при низких температурах из-за нелинейности работы датчика напряжения. Пришлось разрабатывать свою модель компенсации, учитывающую эту нелинейность. Иначе прогнозирование срока службы было бессмысленным.
В рамках проекта по оптимизации работы электробусов мы разрабатывали систему прогнозирования состояния батареи oem, основанную на анализе данных телеметрии. В качестве исходных данных использовались данные с BMS, данные о скорости, ускорении, температуре окружающей среды и аккумулятора. Также мы собирали данные о маршрутах и графике работы автобуса. На основе этих данных мы построили модель деградации, учитывающую различные факторы, влияющие на скорость износа батареи.
Изначально мы использовали простую линейную модель, но результаты оказались неудовлетворительными. Деградация батареи происходила быстрее, чем предсказывала модель. После анализа данных мы пришли к выводу, что необходимо учитывать влияние температуры и глубины разряда. Мы внедрили в модель нелинейные зависимости, учитывающие эти факторы. В результате, точность прогнозирования деградации увеличилась на 20%, что позволило нам оптимизировать график зарядки и обслуживания батареи.
Существует множество инструментов и методов, которые можно использовать для прогнозирования состояния батареи. Это могут быть как коммерческие программные комплексы, так и собственные разработки. При выборе инструмента необходимо учитывать особенности конкретной задачи, доступные данные и бюджет.
Основаны на понимании физических процессов, происходящих в батарее, и эмпирических зависимостях, полученных в результате экспериментов. Могут быть очень точными, но требуют значительных усилий по разработке и калибровке. Они позволяют учитывать внутренние процессы деградации, такие как увеличение внутреннего сопротивления, изменение емкости и увеличение утечек тока.
Позволяет строить модели прогнозирования на основе больших объемов данных. Может быть очень эффективным, но требует наличия достаточного количества данных и опыта в машинном обучении. Наиболее популярные методы - регрессионные модели (линейная регрессия, полиномиальная регрессия, Support Vector Regression) и нейронные сети (многослойный перцептрон, рекуррентные нейронные сети).
Используется для прогнозирования будущих значений на основе исторических данных. Может быть полезен для прогнозирования состояния батареи на короткий срок. В качестве методов анализа временных рядов можно использовать авторегрессионные модели (AR, MA, ARMA) и экспоненциальное сглаживание.
В ближайшем будущем можно ожидать появления новых инструментов и методов прогнозирования состояния батареи oem, основанных на использовании искусственного интеллекта и больших данных. Это позволит создавать более точные и надежные модели прогнозирования, которые будут учитывать все факторы, влияющие на скорость деградации батареи. Также, важным направлением развития является создание облачных сервисов для мониторинга и прогнозирования состояния батареи, которые будут доступны для всех участников рынка.
Особое внимание будет уделяться разработке методов прогнозирования, которые позволят предсказывать оставшийся срок службы батареи с высокой точностью. Это позволит оптимизировать график обслуживания батареи, снизить затраты на замену батареи и повысить надежность электромобилей и накопителей энергии. Мы уверены, что дальнейшее развитие этой области будет способствовать ускорению перехода к электрическому транспорту и развитию возобновляемых источников энергии.
