0
| 本文作者： 我在思考中 | 2021-08-16 14:33 |
結(jié)合清潔能源推進交通電氣化是有效解決能源和環(huán)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(nèi)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(tǒng)內(nèi)燃機汽車相比，電動汽車的大規(guī)模采用方面仍然存在前期成本較高、充電基礎(chǔ)設(shè)施缺乏、用戶里程焦慮、安全性不足等諸多挑戰(zhàn)。
近來來，人工智能（AI）技術(shù)在電動汽車及其相關(guān)基礎(chǔ)設(shè)施領(lǐng)域，如電動汽車電池設(shè)計和管理、充電站，甚至智能電網(wǎng)等方面，已經(jīng)有了諸多學(xué)術(shù)研究和工業(yè)應(yīng)用，是應(yīng)對電動車大規(guī)模采用過程中諸多挑戰(zhàn)的有效策略。具體包括以下幾個方面：
（1）可通過優(yōu)化電池材料設(shè)計和制造，降低電動汽車成本；
（2）可通過精確估測距離、預(yù)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(tǒng)的智能化可有效提高傳統(tǒng)控制的車輛能源消耗；
（4）有望通過網(wǎng)絡(luò)互聯(lián)和自動駕駛提高道路安全并優(yōu)化交通流量；
（5）可實現(xiàn)電動車和充電站、甚至智能電網(wǎng)等基礎(chǔ)設(shè)施之間的選址優(yōu)化、能源調(diào)配等資源優(yōu)化配置。
AI解決方案
近日，滑鐵盧大學(xué)的 陳忠偉教授 系統(tǒng)總結(jié)了人工智能（AI）技術(shù)在電動汽車（EV）大規(guī)模采用中的研究和應(yīng)用。首先系統(tǒng)介紹了用于電動汽車方面的關(guān)鍵AI技術(shù)，主要包括機器學(xué)習(xí)（ML）與計算智能（CI）技術(shù)及其相關(guān)的重要算法。在此基礎(chǔ)上進一步總結(jié)了AI技術(shù)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(wǎng)集成（EV-Smart Grid）這三個EV相關(guān)領(lǐng)域中的研究與應(yīng)用。分別具體涉及（1）在電池材料研發(fā)、生產(chǎn)與管理，以及在距離估測與優(yōu)化和電動汽車控制系統(tǒng)等方面的研究，（2）在充電站優(yōu)化選址，以及能源調(diào)度和擁塞管理等方面的研究，（3）在發(fā)電與電能分配，以及可再生能源相關(guān)系統(tǒng)優(yōu)化等方面的研究與應(yīng)用。
最后，作者總結(jié)并提出了目前AI在電動汽車大規(guī)模采用方面面臨的主要挑戰(zhàn)和未來發(fā)展方向。相關(guān)成果“Role of Artificial Intelligence in the Electric Vehicle Mass Adoption”為題發(fā)表在國際著名期刊JOULE上，該論文第一作者是滑鐵盧大學(xué)博士生 Moin Ahmed 和博士后 鄭云。
圖文解析
首先詳細(xì)介紹了電動汽車（EV）及其大規(guī)模采用相關(guān)的人工智能（AI）技術(shù)及其重要算法。如圖1所示，主要分為機器學(xué)習(xí)（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(jīng)網(wǎng)絡(luò)（CNN），適用于時間序列分析的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），常用于搜索和優(yōu)化工程問題的遺傳算法（GA）和粒子群優(yōu)化算法（PSO）。
在具體的EV相關(guān)應(yīng)用上，ML被研究用于電池設(shè)計、電池材料開發(fā)、電池狀態(tài)評估等內(nèi)容；CI多被應(yīng)用于例如控制系統(tǒng)優(yōu)化、位置優(yōu)化等復(fù)雜的動態(tài)優(yōu)化問題。
A：強化學(xué)習(xí)（RL）的流程示意圖；
B：卷積神經(jīng)網(wǎng)絡(luò)（CNN）的常用結(jié)構(gòu)；
C：循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的示意圖；
D：粒子群優(yōu)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(guān)鍵AI技術(shù)及其算法等概念的了解，進一步總結(jié)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(wǎng)集成（EV-Smart grid）方面的具體研究和應(yīng)用。
如圖2所示，在EV方面主要包括動力電池的研發(fā)、電池管理系統(tǒng)的優(yōu)化、電動汽車控制系統(tǒng)優(yōu)化等內(nèi)容；在EVCS方面具體涉及充電站位置優(yōu)化、以及能源調(diào)度和擁塞管理；在EV-Smart grid方面包括能源產(chǎn)生與分配、可再生能源相關(guān)系統(tǒng)優(yōu)化等內(nèi)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(wǎng)集成（EV-Smart grid）方面的應(yīng)用
在電動汽車中，電池管理系統(tǒng)（BMS）負(fù)責(zé)電池包傳感、電池狀態(tài)估計和診斷，并確保電動汽車電池包的節(jié)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(tài)（SOC）和健康狀態(tài)（SOH），分別用于電池狀態(tài)估計和診斷（圖3A）。在測量SOC和SOH時，由深度學(xué)習(xí)（DL）算法驅(qū)動的數(shù)據(jù)驅(qū)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(huán)神經(jīng)網(wǎng)絡(luò)（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(tài)老化和遲滯（圖3C）；除了評估電池系統(tǒng)的荷電狀態(tài)和老化情況之外，RNN及其相關(guān)模型（如GRNN，廣義回歸神經(jīng)網(wǎng)絡(luò)）還可用于精準(zhǔn)預(yù)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(xué)習(xí)（ML）在電池管理（BMS）中的應(yīng)用
A：電池包傳感器向電池管理系統(tǒng)輸入信息；
B：荷電狀態(tài)（SOC）和健康狀態(tài)（SOH）評估所需的精度和計算資源；
C：循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的示意圖；
D-E：電池組中各電池的溫度分布（D）及對應(yīng)其直方圖（E）
除BMS之外，EV控制系統(tǒng)也極為關(guān)鍵，控制系統(tǒng)的優(yōu)化可有效降低EV硬件的能源消耗，包括動力轉(zhuǎn)向、再生制動和內(nèi)部環(huán)境硬件控制，如暖通空調(diào)（暖氣、通風(fēng)和空調(diào)），同時最大限度地提高車速、優(yōu)化里程。
圖4A顯示了電動汽車充電系統(tǒng)、BMS、電動推進系統(tǒng)、輔助系統(tǒng)等不同部件之間的能量流動和通信。相對于傳統(tǒng)的工業(yè)控制系統(tǒng)（如PID，比例-積分-微分，圖4B）相比，涉及模糊邏輯、神經(jīng)網(wǎng)絡(luò)和進化算法的人工智能控制系統(tǒng)（AIC，圖4D）可以直接替代傳統(tǒng)的PID，也可以與傳統(tǒng)PID相結(jié)合形成兼具兩者優(yōu)勢的雜化AIC-PID控制系統(tǒng)（圖4C）。
作為一種新興的智能電動汽車控制系統(tǒng)設(shè)計和優(yōu)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(jié)構(gòu)及相關(guān)控制器的工藝流程圖
A：電動汽車控制結(jié)構(gòu)；
B：傳統(tǒng)“比例-積分-微分（PID）”控制器；
C：“比例-積分-微分+基于粒子群優(yōu)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(wǎng)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(wǎng)的能源供應(yīng)者，通過電網(wǎng)到車輛（G2V）和車輛到電網(wǎng)（V2G）技術(shù)實現(xiàn)智能電網(wǎng)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(diào)節(jié)、調(diào)峰和負(fù)載均衡（圖5B）、負(fù)載調(diào)節(jié)（圖5C）和備轉(zhuǎn)容量（圖5D）等實現(xiàn)高效的電網(wǎng)能量產(chǎn)生和分配。其中發(fā)電和配電受負(fù)荷需求和供應(yīng)、發(fā)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(xué)習(xí)（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(yōu)化電力的生產(chǎn)與分配。
例如可以通過CI中利用約束條件構(gòu)建多目標(biāo)優(yōu)化函數(shù)（MOOP）并進一步由遺傳算法（GA）求解的方式來優(yōu)化運營成本、實現(xiàn)收益最大化。
圖5. 電動車與電網(wǎng)的集成及其對調(diào)峰和負(fù)荷均衡的影響
A：智能電網(wǎng)與電動汽車之間的雙向能量流動（G2V和V2G）；
B：電量調(diào)配，電動車與電網(wǎng)之間的“削峰填谷”；
C：負(fù)載調(diào)節(jié)，通過電動車的充放電來調(diào)控電網(wǎng)負(fù)載；
D：備轉(zhuǎn)容量，通過電動車的充放電來調(diào)控備轉(zhuǎn)容量
總結(jié)與展望
人工智能（AI）技術(shù)在電動汽車大規(guī)模采用方面應(yīng)用前景廣闊，本文重點總結(jié)了機器學(xué)習(xí)（ML）與計算智能（CI）技術(shù)及其相關(guān)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(wǎng)集成這三個方面的研究和應(yīng)用。
在此基礎(chǔ)上，本文還提出了該領(lǐng)域目前存在的主要挑戰(zhàn)，并針對性地提出了幾個方面的應(yīng)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(yīng)用；
（3）簡化現(xiàn)有充電站選址優(yōu)化與能源供求模型，以更好地應(yīng)對充電方式、環(huán)境變化等不確定因素；
（4）利用ML進行動態(tài)定價模型優(yōu)化，以進一步促進電動汽車大規(guī)模采用的經(jīng)濟可行性。
作者簡介
Moin Ahmed，加拿大滑鐵盧大學(xué)化學(xué)工程系博士研究生。2016年和2018年均畢業(yè)于滑鐵盧大學(xué)納米技術(shù)工程專業(yè)，分別獲學(xué)士和碩士學(xué)位，2020年加入陳忠偉院士組攻讀博士學(xué)位。
主要研究方向為人工智能（AI）和數(shù)學(xué)模型在電動汽車及其電池開發(fā)與管理中的應(yīng)用。目前在Joule, ACS applied materials & interfaces, ChemElectroChem, Journal of Energy Storage等期刊上發(fā)表文章多篇。
鄭云，加拿大滑鐵盧大學(xué)化學(xué)工程系博士后，2019年博士畢業(yè)于清華大學(xué)化學(xué)與工程技術(shù)專業(yè)，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(tài)能源材料表界面的離子遷移與轉(zhuǎn)化，具體涉及固態(tài)燃料電池/電解池（O2-, H+）和全固態(tài)鋰金屬電池（Li+），對人工智能（AI）在電動汽車方面的應(yīng)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(fā)表論文30多篇，撰寫Electrochemical energy storge and conversion系列（CRC Press）等學(xué)術(shù)專著2本，申請專利6項。
陳忠偉，加拿大滑鐵盧大學(xué)（University of Waterloo）化學(xué)工程系教授，加拿大皇家科學(xué)院院士，加拿大工程院院士，加拿大國家首席科學(xué)家（CRC-Tier 1），國際電化學(xué)能源科學(xué)院副主席，滑鐵盧大學(xué)電化學(xué)能源中心主任，擔(dān)任ACS Applied & Material Interfaces副主編。
陳忠偉院士帶領(lǐng)一支約70人的研究團隊常年致力于先進材料和電池的發(fā)展用于可持續(xù)能源體系的研發(fā)和產(chǎn)業(yè)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(tài)電池，CO2捕集和轉(zhuǎn)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(fā)表論文400余篇。目前為止，文章已引用次數(shù)達35000余次, H-index 指數(shù)為93。
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)特約稿件，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
