Các nhà khoa học từ Đại học California, Riverside đã phát triển một chỉ số chẩn đoán mới dành cho xe điện, giúp xác định liệu xe có thể hoàn thành chuyến đi sắp tới hay không.
Chỉ số này có tên là State of Mission (SOM) - “Trạng thái Nhiệm vụ”. Nó kết hợp dữ liệu về pin và các yếu tố môi trường như mật độ giao thông, thay đổi độ cao hay nhiệt độ môi trường để tạo ra các dự đoán theo thời gian thực phù hợp với từng nhiệm vụ cụ thể.
Ngoài ra, nhóm nghiên cứu cũng đã phát triển các mô hình toán học và khung tính toán để xác định giá trị SOM.
“Đây là một thước đo nhận thức, kết hợp giữa dữ liệu và vật lý để dự đoán liệu pin có thể hoàn thành nhiệm vụ đã định trong điều kiện thực tế hay không”, đồng tác giả Mihri Ozkan cho biết.
Để tính toán SOM, mô hình mới sử dụng ba nhóm dữ liệu đầu vào liên quan đến hồ sơ nhiệm vụ, điều kiện môi trường xung quanh, động lực học của pin.
Theo đó, quá trình bắt đầu bằng việc xử lý dữ liệu chuỗi thời gian trong quá khứ để ước lượng trạng thái nội tại ban đầu của pin. Sau đó, phương trình vi phân thông thường dạng mạng nơ-ron được sử dụng để mô phỏng sự tiến hóa liên tục theo thời gian của các trạng thái điện hóa, nhiệt và suy giảm. Nhờ mạng nơ-ron có ràng buộc vật lý, mô hình đảm bảo các kết quả tuân thủ các định luật vật lý.
Cuối cùng, việc áp dụng kiến trúc học sâu tuần tự cho phép hệ thống ước lượng trạng thái pin toàn diện, từ đầu đến cuối.
Mô hình này đưa ra ba loại kết quả. Đầu tiên là SOM nhị phân cho biết liệu pin có thể hoàn thành nhiệm vụ hay không. Tiếp theo là SOM định lượng, thể hiện mức độ dễ dàng và an toàn mà pin có thể hoàn thành nhiệm vụ. Cuối cùng là SOM xác suất, biểu thị xác suất thành công của nhiệm vụ.
Nhóm nghiên cứu đã sử dụng bộ dữ liệu Oxford Battery Degradation và NASA PCoE Battery Aging Dataset để huấn luyện mô hình, đồng thời dùng một phần dữ liệu để kiểm thử kết quả.
“Mô hình học từ cách pin sạc, xả và nóng lên theo thời gian, nhưng nó cũng tuân theo các quy luật của điện hoá học và nhiệt động lực học. Trí tuệ kép này cho phép nó đưa ra các dự đoán đáng tin cậy ngay cả trong điều kiện khắc nghiệt, chẳng hạn như khi nhiệt độ đột ngột giảm hoặc khi leo dốc cao”, đồng tác giả Cengiz Ozkan nói.
Cengiz Ozkan cũng nhấn mạnh: “Bằng cách kết hợp chúng, chúng tôi có được điều tốt nhất từ cả hai thế giới: một mô hình học linh hoạt từ dữ liệu, đồng thời vẫn bám sát thực tế. Điều này khiến cho các dự đoán không chỉ chính xác hơn mà còn đáng tin cậy hơn”.
Nhóm nghiên cứu đã sử dụng một khung tính toán được triển khai bằng Python để mô phỏng hai nghiên cứu tình huống nhằm kiểm tra mô hình SOM của họ.
Trường hợp đầu tiên bao gồm một chiếc xe chở khách, di chuyển trên tuyến đường khứ hồi dài 23km trong khu vực đô thị, với nhiệt độ môi trường dao động từ 18-32 độ C. Trạng thái sạc ban đầu của pin (SOC) là 58%, tình trạng sức khỏe ban đầu của pin (SOH) là 87%, trạng thái điện trở (SOR) khoảng 12% và nhiệt độ trung bình của tế bào pin (SOT) là 26 độ C. Mô hình cho thấy nhiệm vụ này khả thi, với điểm SOM định lượng là 92,4%.
Nhiệm vụ thứ hai liên quan đến một xe tải điện đường dài, di chuyển trên tuyến đường hỗn hợp dài 275km, bao gồm 110 km địa hình đồi núi, với nhiệt độ môi trường dao động từ 26-42 độ C. Trong trường hợp này, SOC là 87%, SOH là 78% và SOT là 33,6 độ C. Mô hình cũng cho thấy nhiệm vụ này khả thi, với điểm SOM định lượng là 73,5%.
Nhóm nghiên cứu cho biết, trên toàn bộ tập dữ liệu được đánh giá, mô hình cho kết quả sai số căn bậc hai trung bình (RMSE) chỉ ở mức 0,018 V đối với điện áp, 1,37°C đối với nhiệt độ và 2,42% đối với trạng thái sạc (SOC), cho thấy mức độ tương đồng cao với dữ liệu thực nghiệm.
Theo bà Mihri Ozkan, mô hình tính toán này đòi hỏi khả năng xử lý mạnh hơn so với các hệ thống quản lý pin hiện nay. Tuy nhiên, bà tỏ ra lạc quan và tin rằng công nghệ này sẽ sớm được ứng dụng trong xe điện, thiết bị bay không người lái, hệ thống lưu trữ năng lượng cho lưới điện và nhiều lĩnh vực khác.
Theo PV
