Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) Ước lượng Trạng Thái Sạc Pin Cho Xe Ơ Tơ Điện Dựa Trên Phương Pháp Mạng Nơ Ron Học Sâu-Deep Learning Võ Thanh Hà1, Phạm Thị Giang2, Đào Thanh Toản1 Trịnh Lương Miên1 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 giải pháp thuật tốn điều khiển để đảm bảo tính hiệu an toàn pin Hệ thống bao gồm phương pháp xác định tình trạng pin trạng thái sạc (State-of-Charge- SOC) Trạng thái tuổi thọ (State-ofHealth -SoH) Từ SOC cho biết dung lượng pin lại yêu cầu để xác định xác tuổi thọ pin [6] Do đó, cần phải có ước tính xác SOC pin Tuy nhiên, đặc tính phi tuyến pin, đặc biệt dòng điện cao nhiệt độ thấp, ngành công nghiệp ô tô phải đối mặt với vấn đề việc cải thiện phương pháp dự đốn SoC Hiện phương pháp ước tính trạng thái sạc pin có đặc điểm riêng Phương pháp đếm dung lượng theo thời gian - Coulomb (CC) sử dụng tích ohaan dịng xả sạc để tính dung lượng cịn lại pin Phương pháp thực tính tốn đơn giản nên phương pháp sử dụng rộng rãi Tuy nhiên, phương pháp CC khơng xác thời gian dài khó khăn việc xác định giá trị SOC ban đầu, ảnh hưởng trình tự xả pin sai số cảm biến [7] Phương pháp OCV (Open Circuit Voltage) sử dụng sức điện động ổn định pin trạng thái hở mach kết hợp với quan hệ tuyến tính OCV SOC để ước lượng giá trị SOC Phương pháp thực đơn giản độ xác khơng cao, nhiều thời gian Vì phù hợp với trường hợp tồn liên quan này, pin Lithum-ion khơng có mối quan hệ OCV SOC [8] Phương pháp dựa mơ hình pin bao gồm mơ hình điện hố mạch tương đương Trong mơ hình mạch tương đương chủ yếu điện trở RC Mơ hình mạch cho pin Đây mơ hình lý tưởng, bỏ qua hiệu ứng có độ trễ tác động môi trường làm việc (nhiệt độ lớn) Vì phương pháp khơng phù hợp để ước lượng giá trị SOC [9] Bên cạnh đó, phương pháp với thuật tốn lọc thích nghi dựa vào tích luỹ thời gian để chẩn đốn trạng thái sạc lọc Kalman (KF), lọc Kalman mở rộng (EKF) lựa chọn giải pháp ước lượng giá trị SOC Trong đo phương pháp KF ước lượng xác trạng bất định.Tuy nhiên, KF khơng sử dụng trực tiếp để dựn đốn trạng thái hệ phi tuyến.Đồng thời, KF đòi hỏi tính tốn phức tạp [10] Phương pháp EKF thiết kế để khắc phục nhược Abstract— Trong báo đề xuất mơ hình ước lượng trạng thái sạc pin Lithium-ion cho xe ô tô điện dựa phương pháp mạng nơ ron học sâu deep learning Mô hình gồm lớp lớp vào với tín hiệu đặc trưng (điện áp, dịng điện, nhiệt độ, trung bình điện áp dịng điện), lớp ẩn với 50 nút mạng nơ ron lớp Mơ hình dự đốn dùng thuật tốn bình phương trung bình RMSE, để tối ứu hố hàm mát với sai lệch nhỏ Mơ hình ước lượng thiết kế hiệu phương pháp chứng minh thông qua kết mô MATLAB Ước lượng trạng thái SOC pin LG HG2 điều kiện nhiệt độ khác đạt hiệu với sai số nhỏ Keywords- Xe ô tô điện, Deep Learning, Học Sâu, Pin Xe Điện, AI, RMSE I GIỚI THIỆU Trong năm gần đây, phương tiện xe ô tô điện ngày có xu hướng sử dụng dần thay cho xe động đốt Xe tơ điện mang lại nhiều lợi ích cho môi trường khắc phục nhiều nhược điểm xe truyền thống phát huy mơ-men nhanh, khơng thải khí mơ trường Vì xe tơ điện lựa chọn nhiều hàng sản xuất người sử dụng nước giới Trong vấn đề nghiên cứu hệ thống quản lý lượng pin thu hút nhiều nhà nghiên cứu giới Bời pin thành phần đặc biệt quan trọng đến hiệu suất sử dụng, giá thành xe ô tô điện [1] Các loại pin sử dụng xe điện pin axit chì, NiMH, pin lithium-ion [2] Trong số đó, pin lithiumion sử dụng rộng rãi mật độ lượng cao, hiệu suất cao, tuổi thọ dài, tốc độ tự xả thấp điện áp cao [3] Một số cơng ty thích pin lithium-ion loại pin khác ưu điểm pin, chẳng hạn sạc nhanh, cơng suất cao, nhiễm kéo dài tuổi thọ thị phần pin lithium-ion thị trường tăng lên liên tục [4] Do đặc điểm trội nên thu hút nhiều nhà khoa học nghiên cứu quản lý lượng pin năm gần [5] Hệ thống quản lý pin (BMS) đảm nhận công đoạn truyền liệu pin chương trình quản lý lượng xe ô to điện Hệ thống BMS bao gồm ISBN 978-604-80-7468-5 310 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) điểm phương pháp KF đảm bảo ước lượng trạng thái xác [11] Các phương pháp KF v EKF đòi hỏi phải sử dụng mơ hình pin xác với thơng số để cung cấp ước tính xác SOC [12] Bên cạnh đó, kết hợp phương pháp dựa mơ hình với qn sát phi tuyến quan sát trượt, Luenberger tăng độ tin cậy kết ước lượng [13] 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)% 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& (4) 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 học sâu (deep learning-DL) dạng nâng cấp mạng nơ ron kinh điển Bên cạnh đó, nhà khoa học kết hợp hiệu DL với chương trình đào tạo sửa đổi thông minh để dự báo sạc SOC pin Li-ion Các tác giả [11] sử dụng DL perceptron đa lớp để dự báo trạng thái xả sạc pin nhằm cải thiện độ xác Tuy nhiên, biến thể DL khác chưa kiểm tra để ước tính SOC Các tác giả [12] sử dụng mạng nhớ ngắn hạn LSTM đào tạo thử nghiệm chu kỳ làm việc cụ thể Kết cho thấy tăng độ xác việc chấn đốn trạng thái Vì vậy, báo ứng dụng phương pháp DL-LSTM để giải vấn đề ước tính trạng thái sạc củau pin SOC III MƠ HÌNH ƯỚC LƯỢNG TRẠNG THÁI SẠC CỦA PIN Ô TÔ ĐIỆN SỬ DỤNG DEEP LEARNING Như biết, phương pháp deep leaning xây dựng từ nhiều kiểu mạng nơ ron (truyền thẳng, lan truyền ngược….) Trong đó, mạng nơ-ron truyền thẳng xử lý liệu theo chiều, từ nút đầu vào đến nút đầu Mỗi nút lớp kết nối với tất nút lớp Mạng truyền thẳng sử dụng quy trình phản hồi để cải thiện dự đoán theo thời gian Mạng nơ-ron deep learning, có nhiều lớp ẩn với hàng triệu nơ-ron nhân tạo liên kết với Trọng số, có chức kết nối hai nút Trọng số dương nút kích thích nút cịn lại, âm nút ngăn cản nút lại Các nút với trọng số cao có ảnh hưởng lớn lên nút khác Về mặt lý thuyết, mạng nơ-ron chuyên sâu ánh xạ loại liệu đầu vào với loại liệu đầu Tuy nhiên, mạng DL cần đào tạo nhiều so với phương pháp máy học khác Mạng DL cần hàng triệu liệu đào tạo Trong báo đưa cấu trúc mạng nơ ron hình bao gồm lớp đầu vào có tín hiệu điện áp, dịng điện, nhiệt độ, phương sai nhiệt độ điện áp, lớp ẩn có 50 lớp lớp Để đào tạo nơ ron sâu bao gồm phương pháp đào tạo, tối ưu hoá hàm mát (loss) báo lỗi Thuật tốn tối ưu hóa thực nhiệm vụ quan trọng tìm điểm hội tụ suốt trình đào tạo mạng nơ-ron sâu đề xuất Để đạt hiệu tìm nghiệm hội tụ mong muốn, thơng thường sử dụng tối ưu hóa Stochastic Gradient Descent (SGD) để đào tạo mạng nơ ron sâu Tuy nhiên, ngày kỹ thuật tối ưu hóa nhanh hơn, chẳng hạn giảm độ dốc ngẫu nhiên, truyền bình phương trung bình gốc, tối ưu hóa Adam, tối ưu hóa Nesterov Adam, để cải thiện độ xác giải pháp Bài báo sử dụng tối ưu kỹ thuật tối ưu SGD để tối ưu hóa khung nơ ron sâu Để đào tạo, mơ hình nơ ron sâu đề xuất, SGD với kỹ thuật tối ưu hóa sử dụng chia liệu với kích thước 256 Quá trình học lặp lặp lại để cập nhật trọng số, giá trị bias độ chệch để thực cho thuật tốn học có giám sát cho giảm sai số giá trị thử nghiệm giá trị ước tính Giá trị ước tính biểu thị vectơ Yk (SoCk), trường Bài báo xếp năm phần sau Tham số sạc pin xe điện thể phần Mơ hình ước lượng trạng thái sạc pin ô tô điện sử dụng DL thảo luận chi tiết Phần Phần mô tả xây dựng mơ q trình ước lượng DL-STM Cuối cùng, phần đưa kết luận hướng nghiên cứu tương lai II THAM SỐ CHÍNH CỦA SẠC 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 [15] 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 ISBN 978-604-80-7468-5 311 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) IV hợp đại diện cho SOC đo Trong báo, sử dụng sai số bình phương trung bình hàm Root-MeanSquare-Error (RMSE) làm hàm mát, trình bày cơng thức (5), N số mẫu liệu 3( ) SOC xác định thuật toán mẫu 𝑌0( (𝑆𝑂𝐶 đề xuất MÔ PHỎNG VÀ ĐÁNH GIÁ KẾT QUẢ Trong báo sử dụng thông số mạng nơ ron deeplearning Bảng 1: Thông số mô mạng deep-learning Tham số Giá trị Tốc độ học ban đầu 0.01 Số lớp Số lớp ẩn 50 Hệ số giảm tốc độ học 0.1 Số liệu 1200 Hàm phi tuyến Sigmoid SELU cho lớp ẩn hàm RELU cho lớp Khoảng thời giảm tốc độ học 400ms ' 𝑅𝑀𝑆𝐸 6) ∑) (*' 8(𝑆𝑂𝐶( − 𝑆𝑂𝐶( ) (5) Dự đốn lỗi cách tính toán đạo hàm riêng hàm mát biến học, sau sử dụng để sửa đổi giá trị tham số Phương pháp DL trình học lặp lặp lại nhiều lần tiêu chí đào tạo đáp ứng (lỗi nhỏ nhất) Chính vậy, báo lựa chọn liệu vào mạng nơ ron (Epochs) 1200, sử dụng chia liệu (bactchsize) , tốc độ học ban đầu 0.01, khoảng thời gian giảm tốc độ học 400ms, hệ số giảm tốc độ học 0,1, tần suất xác thực 30, sau 500 giây hoàn thành giai đoạn đào tạo Tồn q trình mơ hình đề xuất để ước tính SOC pin Li-ion thể qua hình Ước lượng trạng thái sạc pin ô tô điện dựa deep learning thực ba bước thu nhập liệu đầu vào, tạo tập liêụ mẫu cuối cho mạng nơ ron đào tạo đưa kết Bước 1: Dữ liệu đâù vào Bên cạnh để ước lượng trạng thái SOC, bàì báo sử dụng liệu đào tạo pin LG 18650HG2 Li-ion, 3Ah 100% thử nghiệm buồng nhiệt với 75A, V Độ xác điện áp dòng điện phạm vi 0,1% thang đo 3Ah Một loạt thử nghiệm thực bốn nhiệt độ khác Pin sạc sau lần thử nghiệm với tốc độ chu kỳ giây đến 4,2 V với mức cắt 50 mA nhiệt độ pin đạt 22 ° C trở lên Trong báo này, tập liệu nhiệt độ môi trường xung quanh 25 ° C, 10 ° C, ° C -10 ° C xem xét Các cấu hình đầu chu kỳ hoạt động thực nơ ron xả đến 95% khả xả 1C pin nhiệt độ thích hợp Điện áp, dịng điện nhiệt độ tế bào LG HG2 chu kỳ xả khác với điều kiện nhiệt độ khác nhau, hình 5a – 5d minh họa chu kỳ hoạt động khác LG HG2 nhiệt độ âm 10 ° C, 10 ° C, ° C 25 ° C Hình 1: Cấu trúc mạng nơ ron học sâu cho SOC Bước 2: Tạo tập mẫu Đầu tiên, tạo lớp đầu vào gồm có năm tín hiệu đặc trưng sạc pin xe ô tô điện (điện áp, dòng điện, nhiệt độ, trung bình điện áp dịng điện); số lớp ần lựa chọn 50 lớp đầu Dự liệu đầu vào thể qua hình Quá trình tạo tập mẫu mạng nơ ron sâu sử dụng hàm mát bình phương sai trung bình RMSE đưa giá trị sai số trạng thái SOC dự báo với SOC mẫu trường hợp nhiệt độ thể qua hình Sai số trạng thái SOC dự đoán với SOC mẫu từ 791 đến 1200 liệu đầu vào với tần số hội tụ 30, tốc độ học 0.01 sai số mơ hình SOC dự đốn mẫu có giá nhỏ 98.9% Hình 2: Cấu trúc Deep learning cho ước lượng trạng thái sạc pin SOC ISBN 978-604-80-7468-5 312 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thơng Cơng nghệ Thơng tin (REV-ECIT2022) Hình 3: Kết đào tạo trạng thái SOC dự báo với SOC mẫu khác (−10 ° C, ° C, 10 ° C 25 ° C) lần lượt, có kết hình Hình 4: Đáp ứng liệu dòng điện, điện áp, nhiệt độ Để tiến hành kiểm tra tập mẫu đưa dự đốn liệu thử nghiệm cách sử dụng dự đoán Để tránh phải thêm trình tự để đảm bảo tất trình tự lơ nhỏ có độ dài, đặt kích thước lơ nhỏ thành Mạng nơ ron sâu thực tính sai số SOC dự đoán SOC mẫu cho nhiệt độ Hình 5: Chu kỳ hoạt động nhiệt độ pin LG HG2 ISBN 978-604-80-7468-5 313 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Cơng nghệ Thơng tin (REV-ECIT2022) Qua hình nhận thấy chu kỳ hoạt động nhiệt độ pin ô tơ điện dự đốn tạo với trường hợp nhiệt độ mẫu Tính tốn sai số bình phương trung bình gốc (RMSE) sai số tuyệt đối lớn SOC dự đoán SOC mẫu cho nhiệt độ môi trường tương ứng Chỉ định hàm mát tùy chỉnh định để tính tốn giá trị tổn thất dựa giá trị dự đoán cắt giảm Kết mô thể hình Qua hình nhận thấy giá trị thấp đồ thị RMSE đồ thị sai số tuyệt đối tối đa cho thấy dự đốn xác cho nhiệt độ tương ứng Nếu giá trị lớn giống cho thấy dự đốn xác cho nhiệt độ tương ứng Hình 6: Đồ thị RMSE sai số tuyệt đối max SOC dự đoán mẫu nhiệt độ xác định Bước 3: Đào tạo kết Kết dự đốn mơ hình SOC pin thể qua hình Hình 7: Đáp ứng dự đốn trạng thái sạc pin xe ô tô điện C đến 25˚, dự đốn giá trị SOC với độ xác cao Hình cho thấy phù hợp đường cong SOC thử nghiệm SOC dự đoán Qua đồ thị hình thị dự đốn mạng nơ-ron SOC theo thời gian Các dự đoán mạng nơ ron sâu gần với giá trị SOC thu từ liệu thử nghiệm Mạng nơ ron sâu dự đốn trạng thái tích điện với độ xác lớp với 50 nơ ron lớp nơ ron phạm vi nhiệt độ từ –10˚ V Trong nghiên cứu này, phương pháp dự đoán SOC dựa deep learning cho pin Li-ion thiết kế hiệu phương pháp chứng minh thông qua kết mô Matlab Ước lượng ISBN 978-604-80-7468-5 KẾT LUẬN 314 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) [9] E Chemali, P J Kollmeyer, M Preindl and A Emadi, “State-of-charge estimation of li-ion batteries using deep neural networks: A machine learning approach,” Journal of Power Sources, vol 400, no 5, pp 242–255, 2018 [10] M Zhang and X Fan, “Review on the state of charge estimation methods for electric vehicle battery,” World Electric Vehicle Journal, vol 11, no 1, pp 23, 2020 [11] Z Nan, L Hong, C Jing, C Zeyu and F Zhiyuan, “A fusion-based method of state-of-charge online estimation for lithium-ion batteries under low-capacity conditions,” Frontiers in Energy Research, vol 9, pp 790295, 2021 [12] D N T How, M A Hannan, M S H Lipu, K S M Sahari, P J Ker et al., “State-of-charge estimation of li-ion battery in electric vehicles: A deep neural network approach,” in Proc of IEEE Industry Applications Society Annual Meeting, MD, USA, pp 1– 8, 2019 [13] V Chandran, C K Patil, A Karthick, D Ganeshaperumal, R Rahim et al., “State of charge estimation of lithium-ion battery for electric vehicles using machine learning algorithms,” World Electric Vehicle Journal, vol 12, no 1, pp 38, 2021 [14] M A Hannan, M S H Lipu and A Hussain, “Toward enhanced state of charge estimation of lithium-ion batteries using optimized machine learning techniques,” Scientific Reports, vol 10, no 1, pp 4687, 2020 [15] Kollmeyer, Phillip, Carlos Vidal, Mina Naguib, and Michael Skells “LG 18650HG2 Li-Ion Battery Data and Example Deep Neural Network XEV SOC Estimator Script.” Mendeley, March 5, 2020 https://doi.org/10.17632/CP3473X7XV.3 SOC pin LG HG2 điều kiện nhiệt độ khác đạt hiệu với sai số 5% Do đó, mơ hình DL đề xuất hứa hẹn việc sử dụng mô hình kịch ước tính SoC cho xe ô tô điện, nhiên cần kiểm tra kỹ lưỡng áp dụng kỹ thuật học máy Nghiên cứu đóng góp quan trọng cách thúc đẩy phát triển pin Li-ion Ước lượng SOC thông qua thuật toán DN, kết nâng cao hiệu suất ước tính SOC giảm tỷ lệ lỗi thử nghiệm chu kỳ truyền động EV khác Tuy nhiên, hiệu mơ hình cần phải tiến hành so sánh với mơ hình tương tự khác tương lai mô thực nghiệm TÀI LIỆU THAM KHẢO [1] JC idal, O Gross, R Gu, P Kollmeyer and A Emadi, “xEV li-ion battery low-temperature effectsreview,” IEEE Transactions on Vehicular Technology, vol 68, no 5, pp 4560–4572, 2019 [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] C Vidal, P Kollmeyer, E Chemali and A Emadi, “Li-ion 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 [4] 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 real-world application,” IEEE Journal of Emerging and Selected Topics in Power Electronics, vol 10, no 1, pp 28–41, 2022 [5] S Guo, R Yang, W Shen, Y Liu and S Guo, “DCAC hybrid rapid heating method for lithium-ion batteries at high state of charge operated from low temperatures,” Energy, vol 238, no B, pp 121809, 2022 [6] 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 [7] R Xiong, J Cao, Q Yu, H He and F Sun, “Critical review on the battery state of charge estimation methods for electric vehicles,” IEEE Access, vol 6, pp 1832–1843, 2018 [8] M Premkumar, M K Ramasamy, K Kanagarathinam and R Sowmya, “SoC estimation and monitoring of li-ion cell using kalman-filter algorithm,” International Journal on Electrical Engineering and Informatics, vol 6, no 4, pp 418–427, 2018 ISBN 978-604-80-7468-5 315 ... tính trạng thái sạc củau pin SOC III MƠ HÌNH ƯỚC LƯỢNG TRẠNG THÁI SẠC CỦA PIN Ô TÔ ĐIỆN SỬ DỤNG DEEP LEARNING Như biết, phương pháp deep leaning xây dựng từ nhiều kiểu mạng nơ ron (truyền thẳng,... thái sạc pin ô tô điện dựa deep learning thực ba bước thu nhập liệu đầu vào, tạo tập liêụ mẫu cuối cho mạng nơ ron đào tạo đưa kết Bước 1: Dữ liệu đâù vào Bên cạnh để ước lượng trạng thái SOC,... đoán mạng nơ- ron SOC theo thời gian Các dự đoán mạng nơ ron sâu gần với giá trị SOC thu từ liệu thử nghiệm Mạng nơ ron sâu dự đốn trạng thái tích điện với độ xác lớp với 50 nơ ron lớp nơ ron phạm