随着燃料价格不断上涨、对可持续发展的关切以及政府强有力的支持,电动汽车 (EV) 行业继续飞速发展。 根据 Mordor Intelligence 的报告,预计到 2027 年,印度电动汽车市场的规模将达到 153,971.9 亿美元,年均复合增长率为 47.09%。

然而,电动汽车要真正产生影响并超越燃油车,需要在电池技术方面取得显著的进步。

电池建模的挑战

目前,电池开发面临的最大挑战是估计电池温度及预测电池寿命。 预测单体电池及电池pack的温度和寿命是一项复杂的任务,它取决于多种不同机制的相互作用。 例如,在电池充放电过程中,由于离子的生成以及一些不必要的副反应,造成温度上升。 而温度上升会导致降解,反过来加速这种不必要的反应并加速降解。 其中一些副反应包括 SEI 膜的形成、活性材料的损失和锂析出反应。

能够预测这些参数具有至关重要的意义,不仅可以确保电池在保修期内正常使用,而且能加快整个设计生命周期,优化设计成本,并最大限度地提高性能。 运用分析工具也可以帮助设计更智能的电池管理系统 (BMS)。

 

物理方法和机器学习方法均存在不足

在设计的早期阶段,很难获得实验数据,因此仿真在设计过程中发挥了重要作用。 理想的方法是使用第一原理模型,因此也称为物理方法。

但是,使用纯物理方法存在一些挑战。 准确建模需要一些相关参数,如电极孔隙率、导电性、电极厚度和反应速度。 在设计早期阶段,缺乏这些参数成为了一个重大问题,并使得整个设计流程既费时又昂贵。 此外,采用这种方法还需要在该领域具有多年经验的专家,而这样的专家在当前的市场上十分稀缺。

目前正在使用的另外一种电池预测分析方法是机器学习。 这种方法与物理无关,因此克服了未知参数所带来的局限。 然而,即使这种方法也需要大量的数据,以建立可靠的模型,而这些数据在设计初期无法获取。 同样,缺乏数据拖慢了设计进程,同时也增加了设计的成本。 如果使用较少的数据构建机器学习模型,预测容易出现过拟合,意味着模型在使用训练数据集时运行良好,但不能提供准确的预测结果。 因此,纯粹的机器学习,不采用任何物理数据,也不太可能在现有数据范围之外给出可靠的预测。

 

混合方法汇集了物理和机器学习建模的优点

过去几年来,人们对将这两种方法(物理方法和机器学习方法)结合使用表现出了极大的兴趣,以期利用各自的优势,构建出更简单、更快速且准确的模型。 有多种方法可用于构建混合模型,以实现准确预测,这也是过去十年来的研究课题。

使用混合方法的主要优势是,机器学习模型使用的实验数据可以克服物理模型的“缺点”。 由于这种方法从数学模型开始,所以不需要使用大量的数据。

在物理分析方面,我们正处于范式转变过程之中。 过去,追求更高的准确性总是意味着更高的复杂性。 随着混合建模的出现,预测将从构建更简单和更快的物理模型着手,为机器学习算法奠定基础,通过使用有限的实验数据来确保准确性。

在 Oorja,我们致力于实现混合仿真,使设计更加智能。 请联系我们,试用我们的软件吧。