Μια νέα μελέτη για το σύστημα διαχείρισης μπαταρίας ηλεκτρικών οχημάτων με τεχνητή νοημοσύνη κατέδειξε αύξηση της διάρκειας ζωής κατά 23% με χρήση reinforcement learning, χωρίς σημαντική επίπτωση στην ταχύτητα φόρτισης.
Η μελέτη του Chalmers
Ερευνητές του Τεχνολογικού Πανεπιστημίου Chalmers δημοσίευσαν μελέτη με τίτλο «Lifelong Reinforcement Learning for Health-Aware Fast Charging of Lithium-Ion Batteries» στο IEEE Transactions on Transportation Electrification. Το reinforcement learning είναι μια τεχνική μηχανικής μάθησης κατά την οποία ο αλγόριθμος βελτιώνει τις αποφάσεις του μέσω δοκιμών και λαθών, βασιζόμενος σε συνεχή ανατροφοδότηση.
Εφαρμοσμένο στη φόρτιση ηλεκτρικών οχημάτων, το σύστημα προσαρμόζει το ρεύμα φόρτισης σε πραγματικό χρόνο ανάλογα με την ηλικία και την κατάσταση υγείας της κάθε μπαταρίας, αποτρέποντας το lithium plating — τη διαδικασία κατά την οποία μεταλλικό λίθιο εναποτίθεται στην επιφάνεια του ηλεκτροδίου αντί να ενσωματωθεί σωστά στην άνοδο. Το lithium plating μειώνει τη χωρητικότητα και σε σοβαρές περιπτώσεις μπορεί να προκαλέσει βραχυκυκλώματα.
Ο χρόνος φόρτισης δεν αυξάνεται καθόλου, παρα μόνο επηρεάζεται για λίγα δευτερόλεπτα. Και στις δύο περιπτώσεις, δεν υπάρχει ουσιαστική επιβάρυνση για τον οδηγό και το σημαντικότερο είναι ότι η εφαρμογή του συστήματος απαιτεί μόνο ενημέρωση λογισμικού, χωρίς αλλαγή υλικού, γεγονός που το καθιστά θεωρητικά εφαρμόσιμο σε οχήματα που κυκλοφορούν ήδη.
Το αποτέλεσμα βασίζεται αποκλειστικά σε προσομοιώσεις και δεν έχει γίνει ακόμα φυσική πιστοποίηση σε πραγματικές μπαταρίες. Για να φτάσει σε επίπεδο μαζικής παραγωγής από τους κατασκευαστές, θα πρέπει να πληροί τα πρότυπα λειτουργικής ασφάλειας ISO 26262, να ενσωματωθεί με τα συστήματα θερμικής διαχείρισης και να δοκιμαστεί σε διάφορες χημείες μπαταριών, όπως NMC που χρησιμοποιείται σε premium ευρωπαϊκά και κινεζικά μοντέλα, αλλά και LFP που ήδη προσφέρει υψηλότερη αντοχή σε κύκλους φόρτισης-αποφόρτισης. Πρόκειται για ένα πολυετές πρόγραμμα μηχανικής χωρίς ακόμα ανακοινωμένο χρονοδιάγραμμα ή συνεργάτη εμπορευματοποίησης.
Η CATL και η BYD χρησιμοποιούν ήδη λογισμικό BMS με αλγορίθμους προσαρμοσμένους στη χημεία των μπαταριών τους, διαχειριζόμενες εκατομμύρια οχήματα σε πραγματικές συνθήκες. Η προσέγγιση του Chalmers με reinforcement learning προσαρμόζεται σε πραγματικό χρόνο στην κατάσταση γήρανσης κάθε κυψέλης, κάτι πιο εξελιγμένο, αλλά και λιγότερο δοκιμασμένο σε μεγάλη κλίμακα.
Σας αρέσουν τα άρθρα μας; Ακολουθήστε μας στο Google News, στο YouTube, στο Facebook και στο Instagram!
Δείτε επίσης:
Πηγή: evintelligence
