Dự báo tuổi thọ pin Lithium-Ion xe ô tô điện dựa trên thuật toán hồi quy tuyến tính - Machine Learning

Bài viết Dự báo tuổi thọ pin Lithium-Ion xe ô tô điện dựa trên thuật toán hồi quy tuyến tính - Machine Learning 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 (ML) để đưa ra kết quả dự báo dung lượng pin đầy hứa hẹn khi có đủ dữ liệu thử nghiệm. Mời các bạn cùng tham khảo!

Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) Dự Báo Tuổi Thọ Pin Lithium-Ion Xe Ơ Tơ Điện Dựa Trên Thuật Tốn Hồi Quy Tuyến Tính - Machine Learning Võ Thanh Hà1, Phạm Thị Giang2, Đào Thanh Toản1 Khoa Điện-Điện Tử, Trường Đại học Giao Thông Vận Tải Khoa Điện, Trường Đại học Kinh Tế Kỹ Thuật Công Nghiệp Email: vothanhha.ktd@utc.edu.vn I GIỚI THIỆU Trong năm gần đây, pin lithium-ion (lithiumion battery – LIB) thu hút ý rộng rãi nghiên cứu ứng dụng, ưu điểm mật độ lượng cao, đặc tính tự phóng điện thấp sạc nhanh, cơng suất cao, nhiễm kéo dài tuổi thọ, thị phần pin lithium-ion thị trường tăng lên liên tục [1-3] Do đặc điểm trội nên thu hút nhiều nhà khoa học nghiên cứu quản lý lượng pin năm gần [4] Trong đó, trạng thái tuổi thọ pin (State of health-SOH) số sử dụng để đánh giá mức độ lão hóa pin, bao gồm khả suy giảm dự đoán tuổi thọ chu kỳ sạc xả pin Mô hình này, cung cấp thơng tin hữu ích để dự đoán chẳng hạn đẩy nhanh phát triển vật liệu điện cực với dung lượng tuổi thọ cao cách thiết kế vật liệu đánh giá tuổi thọ pin [5] trở kháng Phương pháp đếm dung lượng theo thời gian - Coulomb (CC) sử dụng tích phân dịng xả sạc để tính dung lượng cịn lại pin Phương pháp thực tính tốn đơn giản nên phương pháp sử dụng rộng rãi [9] Các tác giả [10] phát triển mơ hình phi tuyến tính pin cách sử dụng thơng số mạch điện trở, tụ điện cuộn cảm dựa mơ hình mạch Randles sửa đổi để dự đoán suy giảm dung lượng pin Tuy nhiên, độ xác phép đo EIS bị ảnh hưởng nhiễu gây thành phần tích hợp khác hệ thống [11] Bên cạnh đó, theo tài liệu [12], mơ hình dự báo tuổi thọ kết hợp với công nghệ lọc tiên tiến dự báo suy giảm dung lượng pin mơ hình mạch tương đương có số lượng lớn tham số phức tạp, đa dạng chưa xác định cell pin Hơn nữa, tài liệu [13] đề xuất mơ hình hồi quy hàm mũ đa thức thực nghiệm để theo dõi xu hướng suy giảmv cell pin vòng đời cell pin dựa phân tích liệu thực nghiệm sử dụng phương pháp lọc để điều chỉnh thông số mô hình trực tuyến Trong tài liệu tham khảo [14], mơ hình phát triển cách sử dụng lọc Kalman với vectơ hồi quy áp dụng cho vịng đời chu kỳ dự đốn dung lượng ngắn hạn pin Theo tài liệu [15] phát triển phương pháp tiên lượng để xác định tuổi thọ chu kỳ pin dựa lọc nhiều mơ hình tương tác Phương pháp mơ hình tương tác nhiều mơ hình-IMMPF cho phương trình trạng thái khác nhau, sử dụng cho nhiều mơ hình công suất pin Qua nhận thấy phương pháp dựa mơ hình đạt tựu tiến đáng kể hiệu suất cao Kết minh chứng qua thực nghiệm, nhiên, độ xác bền vững mơ hình bị giới hạn độ xác suy giảm pin mơ hình vật lý [16] Hiện nay, phương pháp dự báo dung lượng suy giảm công suất pin phổ biên dựa mô hình vật lý thu nhập liệu [6] Các phương pháp dựa mơ hình sử dụng tốn học Mơ hình xác định theo chế suy giảm vật lý thử nghiệm pin, để nắm bắt quy luật suy giảm pin [7] Theo tài liệu [8] sử dụng toán học logic mờ để phân tích liệu thu Ngày nay, phương pháp trí tuệ nhân tạo (AI) ứng dụng nhiêu lĩnh vực xử lý ảnh, nhận dạng giọng nói, xử lý ngơn ngữ tự nhiên dự đốn trạng thái Trong đó, phương pháp máy học (machine learning-ML) dạng mạng nơ ron kinh điển hệ thống theo thuật tốn Bên cạnh đó, nhà khoa học kết hợp hiệu ML với chương Abstract— Bài báo đề xuất mơ hình dự báo tuổi thọ pin Lithium-ion cho xe ô tô điện dựa thuật tốn hồi quy tuyến tính máy học có giám sát Dự đốn dung lượng pin Lithium-ion dựa mơ hình hóa cell pin phụ thuộc nhiệt độ Mơ hình huấn luyện thuật tốn hồi quy tuyến tính meachine learning (ML) để đưa kết dự báo dung lượng pin đầy hứa hẹn có đủ liệu thử nghiệm Kết báo đưa dựa vào tính 100 chu kỳ sạc xả để dự đốn dung lượng cịn lại pin Kết cho phép nhận dạng nhanh chóng quy trình sản xuất pin cho phép người dùng định thay pin bị lỗi xác định suy giảm hiệu suất pin thời gian sử dụng Kết dự đốn chứng minh mơ Matlab với sai số nhỏ khoảng 9.98% Keywords- Xe ô tơ điện, Machine Learning, Hồi Quy Tuyến Tính, Linear Regression, Pin Xe Điện, AI ISBN 978-604-80-7468-5 281 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Cơng nghệ Thơng tin (REV-ECIT2022) trình đào tạo sửa đổi thông minh để dự báo SOH pin Li-ion Chính vậy, báo đưa phương pháp đề xuất kết hợp với mơ hình Quy trình mạng Gaussian (NGP) [17], xem xét suy giảm pin điều kiện hoạt động khác Đầu tiên, dựa phân tích tương quan, báo dự báo cơng suất trung bình suy giảm chu kỳ đầu pin có liên quan đến tuổi thọ chu kỳ sạc xả Sau đó, vịng đời chu kỳ pin Li-ion dự đốn cách sử dụng mơ hình thiết lập (ML) Kết báo đưa dựa vào đặc tính 100 chu kỳ sạc, xả để dự đốn dung lượng cịn lại pin Kết cho phép nhận dạng nhanh chóng quy trình sản xuất pin cho phép người dùng định thay pin bị lỗi xác định suy giảm hiệu suất pin thời gian sử dụng Trong đó: E sức điện động; Vi mẫu điện áp thứ i n chu kỳ; 2.4 Chênh lệch điện áp Chênh lệch điện áp chu kỳ đầu chu kỳ sau chênh lệch lượng phóng chu kỳ đầu chu kỳ sau Sự chênh lệch lượng có mối quan hệ phi tuyến với suy giảm dung lượng pin ∆𝑄&"' = 𝑄' − 𝑄& III THAM SỐ CHÍNH CỦA PIN XE Ơ TƠ ĐIỆN Tham số sạc pin xe ô tô điện xác định từ chu kỳ xả, dựa liệu điện áp xả, dòng điện xả, nhiệt độ thời gian [18] 2.1 Nội điện trợ DC Theo tài liệu [13], nội điện trợ DC xác định công thức (1) Công thức với giải thiết sụt dung lượng pin khoảng thời gian xác định nhỏ, cho sụt điện áp nội điện trở DC gây nên ! "! 𝑅𝐷𝐶 = !"# !# (1) !# Trong đó: Vt1; Vt2 cực điện áp pin t1 t2; It2 dòng xả thời điểm t2 2.2 Phương sai nhiệt độ Nhiệt độ bề mặt tăng lên q trình sinh nhiệt, khơng đổi thay đổi giai đoạn xả Nhiệt độ tạo I2R phản ứng hoá học Khi dung lượng pin suy giảm nhiệt độ tăng lên dẫn đến phương sai nhiệt lớn Phương sai nhiệt độ chu kỳ tính tốn cơng thức (2) T= E (𝑇$ − 𝜇)% (2) Trong đó: E sức điện động; Ti mẫu nhiệt độ thứ i n chu kỳ 2.3 Phương sai điện áp xả Khi điện áp xả nhanh dung lượng pin suy giảm Phương sai điện áp xả chu kỳ viết công thức (3) 𝑉 = E (𝑉$ − 𝜇)% ISBN 978-604-80-7468-5 THU NHẬP DỰ LIỆU PIN Bài báo sử dụng liệu 124 pin Li-ion, dung lượng định mức 1,1 Ah, dung lượng pin hỏng 0,88 Ah, điện áp định mức 3,3V [18] Trong thử nghiệm, pin quay vịng buồng nhiệt độ đặt thành 30◦C Các thông số thu thập điện áp, cơng suất, dịng điện, nhiệt độ nội điện trở đo liên tục chu kỳ xả sạc Bộ liệu tạo ba lô pin thông qua thử nghiệm trực tuyến, lơ chứa 41 pin, lô thứ hai chứa 43 pin lô thứ ba chứa 40 pin Tất ô tập liệu sạc sạc nhanh Đây tập liệu công khai lớn định nghĩa cho pin LIB thương mại giống Bài báo tiến hành nghiên cứu suy giảm hiệu suất pin LIB ứng với nhiều trường hợp quy trình sản xuất điều kiện hoạt động tập liệu Trong đó, điều kiện sạc nhanh cho phép ước tính tuổi thọ pin tối ưu hóa hiệu suất pin điều kiện cực nhanh Dữ liệu cho ô lưu trữ cấu trúc, bao gồm thơng tin sau: • Dữ liệu bao gồm mã vạch di động, sách sạc, vịng đời • Dữ liệu chu kỳ bao gồm số chu kỳ, dung lượng xả, nội điện trở, thời gian sạc • Dữ liệu thu thập chu kỳ có thời gian, nhiệt độ, cơng suất phóng điện, điện áp nội suy tuyến tính Các đường cong công suất xả quan sát bao gồm màu sắc đường cong thay đổi dọc theo quang phổ theo chu kỳ tuổi thọ pin thể qua hình Hình cho thấy mối quan hệ công suất xả ước lượng với số chu kỳ toàn tuổi thọ pin Dung lượng pin giảm chậm chu kỳ đầu, giai đoạn sau chu kỳ cơng suất xả nhanh Bên cạnh nhận thấy đặc tính cơng suất xen kẽ nhau, điều có nghĩa mơ hình dung lượng chu kỳ pin phi tuyến Vì để xác định xác tuổi thọ pin, báo đề xuất mô hình xây dựng dựa thơng số vật lý với tượng xả sớm pin Bài báo xếp năm phần sau Thu nhập liệu pin trình bày phần Việc trích xuất tính vật lý pin thể phần Trong phần 4, phương pháp hồi quy tuyến tính meachine learning-ML giới thiệu Kết mô đánh giá thể phần Cuối cùng, kết luận tóm tắt phần II (4) 282 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thơng tin (REV-ECIT2022) hình Hệ số mối quan hệ PDj Lj nhỏ thể hình Hình 1: Đường cong cơng suất xả quan sát; màu sắc đường cong thay đổi dọc theo quang phổ theo chu kỳ tuổi thọ IV ĐẶC TÍNH VẬT LÝ CỦA PIN Hình 2: Mỗi quan hệ điện áp với công suất xả khác từ chu kỳ thứ 100 10 DQ100-10 (V ) Dựa vào thông số liệu ban đầu phần (điện áp, dịng điện, nhiệt độ…) để dự đốn tuổi thọ pin dựa theo công thức công suấ pin chu kỳ (5) Đây công thức thể quan hệ đực tính xả chu kỳ với tuổi thọ pin n (5) P = U (t )(Q(t ) - Q(t )) / (t - t ) jk å i =2 i i i -1 n Trong đó: Pjk cơng suất pin chu kỳ U (t) điện áp xả Q(t) công suất xả t thời gian xả chu kỳ để xác định công suất trung bình j pin thứ j k số chu kỳ xả Dựa vào hình1 nhận thấy đường cong công suất cell pin suy giảm chu kỳ đầu cơng suất tăng nhẹ giai đoạn xả sớm Chính để nghiên cứu mối quan hệ đặc tính giai đoạn tiếp sau liên quan đến vòng đời chu kỳ pin, báo sử dụng liệu từ chu kỳ thứ 10 đến 100 Bên cạnh hình đường cong cơng suất P cho thấy dao động suy giảm pin nhỏ toàn chu kỳ Bài báo sử dụng thống kê phương sai để chuyển đổi độ dao động suy giảm cơng suất trung bình Pj pin từ chu kỳ thứ 10 đến 110 thành công suất PDj để thiết lập mối quan hệ tương ứng với chu kỳ Lj Mối quan hệ PDj Lj xác định qua công thức (6) E ( PD L) - E ( PD ) E ( L) (6) r pD , L = E ( P D ) - ( E ( PD ))2 E ( L2 ) - ( E ( L)) Hình 3: Hệ số mối quan hệ PDj Lj Với dự liệu ban đầu, kết đo theo trường hợp đường cong công suất giảm dần từ chu kỳ đến 100 Từ dự báo tuổi thọ pin Kết thể qua bảng Kết bảng thể chu kỳ xả với tính chất vật lý đường cơng cơng suất hình Mỗi quan hệ điện áp với công suất xả khác từ chu kỳ thứ 100 10 DQ100-10 (V ) thể qua ISBN 978-604-80-7468-5 283 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) Bảng 1: Kết đo theo trường hợp đường cong công suất giảm dần từ chu kỳ đến Chu kỳ Giao điểm Độ dốc tuyến tuyến tính Cơng tính đường đường cong suất xả DQ100-10 (V ) DQ100-10 min(V ) cong công công suất từ chu suất từ chu kỳ chu kỳ đến kỳ 2 đến 100 100 Thời gian sạc trung Nội bình điện trở chu kỳ tối thiểu Sự khác nội điện trở -5.0839 -1.9638 6.4708e-06 1.0809 1.0753 13.4092 0.0168 -3.3898e-05 -4.3754 -1.6928 1.6313e-05 1.0841 1.0797 12.0251 0.0161 -4.1464 -1.5889 8.1708e-06 1.0800 1.0761 10.9678 0.0159 -1.2443e-04 -3.8068 -1.4216 -8.4910e-06 1.0974 1.0939 10.0251 0.0161 -3.7309e-05 -4.1181 -1.6089 2.2859e-05 1.0589 1.0538 11.6689 0.0160 -3.0445e-04 -4.0225 -1.5407 2.5969e-05 1.0664 1.0611 10.7977 0.0165 -2.4655e-04 -3.9697 -1.5077 1.7886e-05 1.0762 1.0721 10.1469 0.0162 2.2163e-05 -3.6195 -1.3383 -1.0356e-05 1.0889 1.0851 9.9247 0.0162 -6.6087e-05 -4.4186e-05 V MƠ HÌNH HỒI QUY TUYẾN TÍNH VÀ KẾT QUẢ ĐÁNH GIÁ MƠ HÌNH ĐƯỢC ĐÀO TẠO a Mơ hình hồi quy tính tuyến Hồi quy tuyến tính phương pháp để dự đốn biến phụ thuộc (y) dựa giá trị biến độc lập (x) Điều có nghĩa hồi quy tuyến tính nên có mối quan hệ tuyến tính biến độc lập biến không độc lập ảnh hưởng thay đổi giá trị biến độc lập nên ảnh hưởng thêm vào tới biến phụ thuộc Một vài tính chất hồi quy tuyến tính đường hồi quy ln ln qua trung bình biến độc lập (x) trung bình biến phụ thuộc (y) Đường hồi qui tối thiểu hóa tổng "diện tích sai số" Tổng diện tích phép đo tổng biến thiên tỷ lệ đáp ứng / biến phụ thuộc (y) coi số lượng biến thiên vốn có đáp ứng trước hồi quy thực Mơ hình hồi quy tuyến tính thể qua hình bước thực sau: Bước 1: Xác định đặc tính liệu đầu vào Bước 2: Phân tích mơi tương quan dự liệu Bước 3: Ước lượng mơ hình Bước 4: Xác đinh đường chéo phù hợp (fitting line) Bước 5: Phân tích mơ hình Bước 6: Thử nghiệm mơ hình với dự liệu kiểm tra Bước 7: Tính tốn với dạng số liệu kiểm tra ISBN 978-604-80-7468-5 Hình 4: Mơ hình hồi quy tuyến tính Bài báo sử dụng mơ hình hồi quy tuyến tính đơn giản để dự đốn tuổi thọ cịn lại cell pin Mơ hình tính tốn đơn giản cho kết xác Mơ hình tuyến tính có dạng cơng thức (7) (7) ˆ T xi + b yˆi = w Trong đó: yˆ i số dự báo chu kỳ cell pin thứ i, biến phản hồi xi vector đặc trưng p cho cell pin thứ i, biến dự báo ŵ vectơ hệ số mơ hình p-chiều b hệ số hồi quy Khi áp dụng kỹ thuật hồi quy, hàm phạt thêm vào công thức tối ưu hóa bình phương nhỏ để tránh q mức Đó hồi quy tuyến tính sử dụng mạng đàn hồi để điều chỉnh lựa chọn mô hình cách tìm vector hệ số thưa Cơng thức hồi quy tuyến tính sử dụng mạng đàn hồi có dạng sau: 284 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) kỳ Quá 1200 chu kỳ, hiệu suất mơ hình giảm sút Mơ hình ln đánh giá thấp vòng đời lại khu vực Điều chủ yếu tập liệu kiểm tra xác thực chứa nhiều ô đáng kể với tổng tuổi thọ khoảng 1000 chu kỳ Sai số bình phương trung bình bậc (RMSE) 211.61và lỗi phần trăm trung bình đạt 9.98% wˆ = w y - Xw - b + l P(w ) (8) Trong hàm đại diện cho việc tìm kiếm giá trị w tối thiểu hóa đối số, y vectơ n chiều thời lượng pin quan sát được, X ma trận n × p đối tượng λ đại lượng vơ hướng khơng âm Trong y - Xw tìm thấy hình vng nhỏ thông thường P(w) phụ thuộc vào kỹ thuật hồi quy mạng đàn hồi 1-a (9) P( w ) = w +a w Trong a hệ số vơ hướng Một cách để đánh giá mức độ “tốt” mà mơ hình phù hợp với tập liệu định tính tốn sai số bình phương trung bình bậc (RMSE) RMES số liệu biết trung bình giá trị dự đốn khác xa với giá trị quan sát RMSE lỗi phần trăm trung bình chọn để đánh giá hiệu suất mơ hình RMSE tính tốn cơng thức (10) sau: Xét trường hợp 2: Lựa chọn hệ số a :0.1: 0.1:1 Lựa chọn hệ số b : 0:0.1:1 n (10) ( yi - yˆi )2 å n i =1 Trong yi vịng đời quan sát được, yˆ i chu kỳ dự đoán n tổng số mẫu Phần trăm lỗi trung bình xác định theo cơng thức (11): RMSE = Hình 6: Tuổi thọ pin dự báo thật Kết thu hình cho thấy tất điểm gần với đường chéo Mơ hình huấn luyện hoạt động tốt vòng đời lại từ 500 đến 1200 chu kỳ Quá 1200 chu kỳ, hiệu suất mơ hình giảm sút Sai số bình phương trung bình bậc (RMSE) 218.4 lỗi phần trăm trung bình đạt 10.35% n ( yi - yˆi ) (11) å y x100 n i =1 i Đánh giá hiệu suất mơ hình đào tạo %erro = b Để tạo bền vững cho mơ hình, báo lựa chọn hệ số vô hướng hồi quy sau: Xét trường hợp 1: Xét trường hợp 3: Lựa chọn hệ số a :0.01: 0.1:1 Lựa chọn hệ số b : 0:0.01:1 Lựa chọn hệ số a :0.2: 0.1:1 Lựa chọn hệ số b : 0:0.2:1 Hình 5: Tuổi thọ pin dự báo thật Hình 7: Tuổi thọ pin dự báo thật Kết qủa hình nhận thấy tất điểm ô gần với đường chéo Mơ hình huấn luyện hoạt động tốt vòng đời lại từ 500 đến 1200 chu ISBN 978-604-80-7468-5 Kết thu hình cho thấy tất điểm ô gần với đường chéo Mơ hình huấn 285 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) luyện hoạt động tốt vòng đời lại từ 500 đến 1200 chu kỳ Q 1200 chu kỳ, hiệu suất mơ hình giảm sút Sai số bình phương trung bình bậc (RMSE) 229.49 lỗi phần trăm trung bình đạt 11.09% VI [9] A Samanta, S Chowdhuri and S S Williamson, “Machine learning-based data-driven fault detection/diagnosis of lithium-ion battery: A critical review,” Electronics, vol 10, no 11, pp 1309, 2021 [10] Su, X.; Wang, S.; Pecht, M.; Zhao, L.; Ye, Z Interacting multiple model particle filter for prognostics of lithium-ion batteries, Microelectron Reliab 2017, 70, 59–69 [CrossRef] [11] Sahinoglu, G.O.; Pajovic, M.; Sahinoglu, Z.; Wang, Y.B.; Orlik, P.V.; Wada, T Battery state-of-charge estimation based on regular/recurrent Gaussian process regression IEEE Trans Ind Electron 2018, 65, 4311–4321 [CrossRef] [12] Ng, S.; Xing, Y.; Tsui, K A naive Bayes model for robust remaining useful life prediction of lithium-ion battery Appl Energy 2014,118, 114–123 [CrossRef] [13] Wang, D.; Miao, Q.; Pecht, M Prognostics of lithiumion batteries based on relevance vectors and a conditional three-parameter capacity degradation model J Power Sources 2013, 239, 253–264 [CrossRef] [14] Liu, D.; Zhou, J.; Liao, H.; Peng, Y.; Peng, X A health indicator extraction and optimization framework for lithiumion battery degradation modeling and prognostics IEEE Trans Syst Man Cybern Syst 2015, 45, 915–928 [15] Zhou, Y.; Huang, M.; Chen, Y.; Tao, Y A novel health indicator for on-line lithium-ion batteries remaining useful life prediction J Power Sources 2016, 321, 1–10 [CrossRef] [16] Zhou, Y.; Huang, M.; Chen, Y.; Tao, Y A novel health indicator for on-line lithium-ion batteries remaining useful life prediction.J Power Sources 2016, 321, 1–10 [CrossRef] [17] Widodo, A.; Shim, M.; Caesarendra, W.; Yang, B Intelligent prognostics for battery health monitoring based on sample entropy.Expert Syst Appl 2011, 38, 11763–11769 [CrossRef] [18] Severson, K.A., Attia, P.M., Jin, N et al "Data-driven prediction of battery cycle life before capacity degradation." Nat Energy 4, 383–391 (2019) https://doi.org/10.1038/s41560-019-0356-8 KẾT LUẬN Bài báo sử dụng mơ hình hồi quy tuyến tính đơn giản để dự đốn tuổi thọ chu kỳ pin dựa phép đo từ 100 chu kỳ Các tính chỉnh định trích xuất từ liệu vật lý mơ hình hồi quy tuyến tính đơn giản trang bị cách sử dụng đào tạo liệu Các siêu tham số sau chọn cách sử dụng tập liệu xác thực Mơ hình sử dụng liệu thử nghiệm để đánh giá hiệu suất Chỉ sử dụng phép đo 100 chu kỳ đầu tiên, sai số bình phương trung bình RootMean-Square-Error (RMSE) dự đốn vịng đời cịn lại tập liệu thử nghiệm 211,61 thu sai số phần trăm trung bình 9,98% Tuy nhiên mơ hình dự đoán tuổi thọ chu kỳ pin đề xuất cần minh chứng thực nghiệm tính tương lai TÀI LIỆU THAM KHẢO [1] Schmuch, R., Wagner, R., Hörpel, G., Placke, T & Winter, M Performance and cost of materials for lithiumbased rechargeable automotive batteries Nat Energy 3, 267– 278 (2018) [2] C Zhu, F Lu, H Zhang and C C Mi, “Robust predictive battery thermal management strategy for connected and automated hybrid electric vehicles based on thermoelectric parameter uncertainty,” IEEE Journal of Emerging and Selected Topics in Power Electronics, vol 6, no 4, pp 1796– 1805, 2018 [3] Peterson, S B., Apt, J & Whitacre, J F Lithium-ion battery cell degradation resulting from realistic vehicle and vehicle-to-grid utilization J Power Sources 195, 2385–2392 (2010) [4] Ramadesigan, V et al Modeling and simulation of lithium-ion batteries from a systems engineering perspective J Electrochem Soc 159, R31–R45 (2012) [5] Waag, W., Fleischer, C & Sauer, D U Critical review of the methods for monitoring of lithium-ion batteries in electric and hybrid vehicles J Power Sources 258, 321–339 (2014) [6] C Vidal, P Kollmeyer, E Chemali and A Emadi, “Liion battery state of charge estimation using long short-term memory recurrent neural network with transfer learning,” in Proc of IEEE Transportation Electrification Conf and Expo (ITEC), Detroit, MI, USA, pp 1–6, 2019 [7] C She, L Zhang, Z Wang, F Sun, P Liu et al., “Battery state of health estimation based on incremental capacity analysis method: Synthesizing from cell-level test to realworld application,” IEEE Journal of Emerging and Selected Topics in Power Electronics, vol 10, no 1, pp 28–41, 2022 [8] Hu, X.; Li, S.; Peng, H A comparative study of equivalent circuit models for Li-ion batteries J Power Sources 2012, 198, 359–367.[CrossRef] ISBN 978-604-80-7468-5 286 ... 0.0165 -2 .4655e-04 -3 .9697 -1 .5077 1.7886e-05 1.0762 1.0721 10.1469 0.0162 2.2163e-05 -3 .6195 -1 .3383 -1 .0356e-05 1.0889 1.0851 9.9247 0.0162 -6 .6087e-05 -4 .4186e-05 V MƠ HÌNH HỒI QUY TUYẾN TÍNH... với dự liệu kiểm tra Bước 7: Tính tốn với dạng số liệu kiểm tra ISBN 97 8-6 0 4-8 0-7 46 8-5 Hình 4: Mơ hình hồi quy tuyến tính Bài báo sử dụng mơ hình hồi quy tuyến tính đơn giản để dự đốn tuổi thọ. .. TẠO a Mơ hình hồi quy tính tuyến Hồi quy tuyến tính phương pháp để dự đoán biến phụ thuộc (y) dựa giá trị biến độc lập (x) Điều có nghĩa hồi quy tuyến tính nên có mối quan hệ tuyến tính biến độc