<mark id="oztn4"></mark>
0
| 本文作者： 我在思考中 | 2021-08-16 14:33 |
結合清潔能源推進交通電氣化是有效解決能源和環境問題、進一步促進碳中和的有效途徑。近年來，全球電動汽車的銷量急速增長，特斯拉、寶馬、雪佛蘭、大眾、本田，以及國內的比亞迪、蔚來汽車等諸多知名車企紛紛入局展開競爭。
然而，與傳統內燃機汽車相比，電動汽車的大規模采用方面仍然存在前期成本較高、充電基礎設施缺乏、用戶里程焦慮、安全性不足等諸多挑戰。
近來來，人工智能（AI）技術在電動汽車及其相關基礎設施領域，如電動汽車電池設計和管理、充電站，甚至智能電網等方面，已經有了諸多學術研究和工業應用，是應對電動車大規模采用過程中諸多挑戰的有效策略。具體包括以下幾個方面：
（1）可通過優化電池材料設計和制造，降低電動汽車成本；
（2）可通過精確估測距離、預控駕駛條件，以緩解消費者的里程焦慮；
（3）電動汽車輔助系統的智能化可有效提高傳統控制的車輛能源消耗；
（4）有望通過網絡互聯和自動駕駛提高道路安全并優化交通流量；
（5）可實現電動車和充電站、甚至智能電網等基礎設施之間的選址優化、能源調配等資源優化配置。
AI解決方案
近日，滑鐵盧大學的 陳忠偉教授 系統總結了人工智能（AI）技術在電動汽車（EV）大規模采用中的研究和應用。首先系統介紹了用于電動汽車方面的關鍵AI技術，主要包括機器學習（ML）與計算智能（CI）技術及其相關的重要算法。在此基礎上進一步總結了AI技術在（1）電動汽車（EV）、（2）電動汽車充電站（EVCS），以及（3）電動汽車與智能電網集成（EV-Smart Grid）這三個EV相關領域中的研究與應用。分別具體涉及（1）在電池材料研發、生產與管理，以及在距離估測與優化和電動汽車控制系統等方面的研究，（2）在充電站優化選址，以及能源調度和擁塞管理等方面的研究，（3）在發電與電能分配，以及可再生能源相關系統優化等方面的研究與應用。
最后，作者總結并提出了目前AI在電動汽車大規模采用方面面臨的主要挑戰和未來發展方向。相關成果“Role of Artificial Intelligence in the Electric Vehicle Mass Adoption”為題發表在國際著名期刊JOULE上，該論文第一作者是滑鐵盧大學博士生 Moin Ahmed 和博士后 鄭云。
圖文解析
首先詳細介紹了電動汽車（EV）及其大規模采用相關的人工智能（AI）技術及其重要算法。如圖1所示，主要分為機器學習（ML）和計算智能（CI）兩個方面，具體涉及主要用于圖像處理的卷積神經網絡（CNN），適用于時間序列分析的循環神經網絡（RNN），常用于搜索和優化工程問題的遺傳算法（GA）和粒子群優化算法（PSO）。
在具體的EV相關應用上，ML被研究用于電池設計、電池材料開發、電池狀態評估等內容；CI多被應用于例如控制系統優化、位置優化等復雜的動態優化問題。
A：強化學習（RL）的流程示意圖；
B：卷積神經網絡（CNN）的常用結構；
C：循環神經網絡（RNN）的示意圖；
D：粒子群優化算法（PSO）的流程示意圖；
E：遺傳算法（GA）的流程示意圖
基于對關鍵AI技術及其算法等概念的了解，進一步總結了AI在電動汽車（EV）、電動汽車充電站（EVCS），以及電動汽車與智能電網集成（EV-Smart grid）方面的具體研究和應用。
如圖2所示，在EV方面主要包括動力電池的研發、電池管理系統的優化、電動汽車控制系統優化等內容；在EVCS方面具體涉及充電站位置優化、以及能源調度和擁塞管理；在EV-Smart grid方面包括能源產生與分配、可再生能源相關系統優化等內容。
圖2. 人工智能在電動汽車（EV）、電動汽車充電站（EVCS），以及電動汽車與智能電網集成（EV-Smart grid）方面的應用
在電動汽車中，電池管理系統（BMS）負責電池包傳感、電池狀態估計和診斷，并確保電動汽車電池包的節能控制。
如圖3所示，BMS通常使用每個電池模塊的電壓、電流和溫度來計算充電狀態（SOC）和健康狀態（SOH），分別用于電池狀態估計和診斷（圖3A）。在測量SOC和SOH時，由深度學習（DL）算法驅動的數據驅動模型顯示出比ECM模型更高的精度，與物理模型（如單粒子模型）相比，計算資源要低得多（圖3B）。
例如其中基于循環神經網絡（RNN）的模型可有效用于追蹤電池歷史并用于評價電池的動態老化和遲滯（圖3C）；除了評估電池系統的荷電狀態和老化情況之外，RNN及其相關模型（如GRNN，廣義回歸神經網絡）還可用于精準預測電池表面的正常溫度并將其與異常值進行對比（圖D-E）。
圖3. 機器學習（ML）在電池管理（BMS）中的應用
A：電池包傳感器向電池管理系統輸入信息；
B：荷電狀態（SOC）和健康狀態（SOH）評估所需的精度和計算資源；
C：循環神經網絡（RNN）的示意圖；
D-E：電池組中各電池的溫度分布（D）及對應其直方圖（E）
除BMS之外，EV控制系統也極為關鍵，控制系統的優化可有效降低EV硬件的能源消耗，包括動力轉向、再生制動和內部環境硬件控制，如暖通空調（暖氣、通風和空調），同時最大限度地提高車速、優化里程。
圖4A顯示了電動汽車充電系統、BMS、電動推進系統、輔助系統等不同部件之間的能量流動和通信。相對于傳統的工業控制系統（如PID，比例-積分-微分，圖4B）相比，涉及模糊邏輯、神經網絡和進化算法的人工智能控制系統（AIC，圖4D）可以直接替代傳統的PID，也可以與傳統PID相結合形成兼具兩者優勢的雜化AIC-PID控制系統（圖4C）。
作為一種新興的智能電動汽車控制系統設計和優化的選擇，以提高能源效率，進一步緩解里程焦慮。
圖4. 電動汽車控制體系結構及相關控制器的工藝流程圖
A：電動汽車控制結構；
B：傳統“比例-積分-微分（PID）”控制器；
C：“比例-積分-微分+基于粒子群優化算法的人工智能（PID-AIC）”控制器；
D：基于模糊邏輯算法的人工智能（Fuzzy logic based AIC）控制器
電動汽車與智能電網集成（EV-Smart grid）方面，可以將電動車視為能源的移動儲存器和智能電網的能源供應者，通過電網到車輛（G2V）和車輛到電網（V2G）技術實現智能電網與電動汽車之間的能量雙向流動（圖5A）。
這種雙向能量流可以通過頻率調節、調峰和負載均衡（圖5B）、負載調節（圖5C）和備轉容量（圖5D）等實現高效的電網能量產生和分配。其中發電和配電受負荷需求和供應、發電限幅、電壓限幅和線路熱容量等因素的制約，計算智能（CI）和機器學習（ML）作為一種有效的策略，可以在考慮這些約束條件的情況下優化電力的生產與分配。
例如可以通過CI中利用約束條件構建多目標優化函數（MOOP）并進一步由遺傳算法（GA）求解的方式來優化運營成本、實現收益最大化。
圖5. 電動車與電網的集成及其對調峰和負荷均衡的影響
A：智能電網與電動汽車之間的雙向能量流動（G2V和V2G）；
B：電量調配，電動車與電網之間的“削峰填谷”；
C：負載調節，通過電動車的充放電來調控電網負載；
D：備轉容量，通過電動車的充放電來調控備轉容量
總結與展望
人工智能（AI）技術在電動汽車大規模采用方面應用前景廣闊，本文重點總結了機器學習（ML）與計算智能（CI）技術及其相關的重要算法在電動汽車、電動汽車充電站，和電動汽車與智能電網集成這三個方面的研究和應用。
在此基礎上，本文還提出了該領域目前存在的主要挑戰，并針對性地提出了幾個方面的應對策略：
（1）進一步提高AI在電池管理和能量控制方面的處理能力；
（2）促進AI在用戶信息存儲與管理、電池回收與廢料處理等方面的研究與應用；
（3）簡化現有充電站選址優化與能源供求模型，以更好地應對充電方式、環境變化等不確定因素；
（4）利用ML進行動態定價模型優化，以進一步促進電動汽車大規模采用的經濟可行性。
作者簡介
Moin Ahmed，加拿大滑鐵盧大學化學工程系博士研究生。2016年和2018年均畢業于滑鐵盧大學納米技術工程專業，分別獲學士和碩士學位，2020年加入陳忠偉院士組攻讀博士學位。
主要研究方向為人工智能（AI）和數學模型在電動汽車及其電池開發與管理中的應用。目前在Joule, ACS applied materials & interfaces, ChemElectroChem, Journal of Energy Storage等期刊上發表文章多篇。
鄭云，加拿大滑鐵盧大學化學工程系博士后，2019年博士畢業于清華大學化學與工程技術專業，之后加入陳忠偉院士組進行博士后研究。主要研究方向為固態能源材料表界面的離子遷移與轉化，具體涉及固態燃料電池/電解池（O2-, H+）和全固態鋰金屬電池（Li+），對人工智能（AI）在電動汽車方面的應用也有一定的研究。
目前在Chemical Society Reviews, Electrochemical Energy Reviews, Joule, Advanced Science, Nano Energy, Electrochimica ACTA等期刊上發表論文30多篇，撰寫Electrochemical energy storge and conversion系列（CRC Press）等學術專著2本，申請專利6項。
陳忠偉，加拿大滑鐵盧大學（University of Waterloo）化學工程系教授，加拿大皇家科學院院士，加拿大工程院院士，加拿大國家首席科學家（CRC-Tier 1），國際電化學能源科學院副主席，滑鐵盧大學電化學能源中心主任，擔任ACS Applied & Material Interfaces副主編。
陳忠偉院士帶領一支約70人的研究團隊常年致力于先進材料和電池的發展用于可持續能源體系的研發和產業化，包括燃料電池，金屬空氣電池，鋰離子電池，鋰硫電池，液流電池，固態電池，CO2捕集和轉化等。
近年來已在Nature Energy, Nature Nanotechnology, Chemical Reviews, Chemical Society Reviews, Joule, Matter, Nature Communication, Journal of the American Chemical Society, Angewandte Chemie International Edition, Advanced Materials, Energy & Environmental Science, ACS Nano等國際頂級期刊發表論文400余篇。目前為止，文章已引用次數達35000余次, H-index 指數為93。
雷鋒網雷鋒網雷鋒網
雷峰網特約稿件，未經授權禁止轉載。詳情見轉載須知。
