0
| 本文作者： 我在思考中 | 2021-08-16 14:33 |
结合清洁能源推进交通电气化是有效解决能源和环境问题、进一步促进碳中和的有效途径。近年来，全球电动汽车的销量急速增长，特斯拉、宝马、雪佛兰、大众、本田，以及国内的比亚迪、蔚来汽车等诸多知名车企纷纷入局展开竞争。
然而，与传统内燃机汽车相比，电动汽车的大规模采用方面仍然存在前期成本较高、充电基础设施缺乏、用户里程焦虑、安全性不足等诸多挑战。
近来来，人工智能（AI）技术在电动汽车及其相关基础设施领域，如电动汽车电池设计和管理、充电站，甚至智能电网等方面，已经有了诸多学术研究和工业应用，是应对电动车大规模采用过程中诸多挑战的有效策略。具体包括以下几个方面：
（1）可通过优化电池材料设计和制造，降低电动汽车成本；
（2）可通过精确估测距离、预控驾驶条件，以缓解消费者的里程焦虑；
（3）电动汽车辅助系统的智能化可有效提高传统控制的车辆能源消耗；
（4）有望通过网络互联和自动驾驶提高道路安全并优化交通流量；
（5）可实现电动车和充电站、甚至智能电网等基础设施之间的选址优化、能源调配等资源优化配置。
AI解决方案
近日，滑铁卢大学的 陈忠伟教授 系统总结了人工智能（AI）技术在电动汽车（EV）大规模采用中的研究和应用。首先系统介绍了用于电动汽车方面的关键AI技术，主要包括机器学习（ML）与计算智能（CI）技术及其相关的重要算法。在此基础上进一步总结了AI技术在（1）电动汽车（EV）、（2）电动汽车充电站（EVCS），以及（3）电动汽车与智能电网集成（EV-Smart Grid）这三个EV相关领域中的研究与应用。分别具体涉及（1）在电池材料研发、生产与管理，以及在距离估测与优化和电动汽车控制系统等方面的研究，（2）在充电站优化选址，以及能源调度和拥塞管理等方面的研究，（3）在发电与电能分配，以及可再生能源相关系统优化等方面的研究与应用。
最后，作者总结并提出了目前AI在电动汽车大规模采用方面面临的主要挑战和未来发展方向。相关成果“Role of Artificial Intelligence in the Electric Vehicle Mass Adoption”为题发表在国际著名期刊JOULE上，该论文第一作者是滑铁卢大学博士生 Moin Ahmed 和博士后 郑云。
图文解析
首先详细介绍了电动汽车（EV）及其大规模采用相关的人工智能（AI）技术及其重要算法。如图1所示，主要分为机器学习（ML）和计算智能（CI）两个方面，具体涉及主要用于图像处理的卷积神经网络（CNN），适用于时间序列分析的循环神经网络（RNN），常用于搜索和优化工程问题的遗传算法（GA）和粒子群优化算法（PSO）。
在具体的EV相关应用上，ML被研究用于电池设计、电池材料开发、电池状态评估等内容；CI多被应用于例如控制系统优化、位置优化等复杂的动态优化问题。
A：强化学习（RL）的流程示意图；
B：卷积神经网络（CNN）的常用结构；
C：循环神经网络（RNN）的示意图；
D：粒子群优化算法（PSO）的流程示意图；
E：遗传算法（GA）的流程示意图
基于对关键AI技术及其算法等概念的了解，进一步总结了AI在电动汽车（EV）、电动汽车充电站（EVCS），以及电动汽车与智能电网集成（EV-Smart grid）方面的具体研究和应用。
如图2所示，在EV方面主要包括动力电池的研发、电池管理系统的优化、电动汽车控制系统优化等内容；在EVCS方面具体涉及充电站位置优化、以及能源调度和拥塞管理；在EV-Smart grid方面包括能源产生与分配、可再生能源相关系统优化等内容。
图2. 人工智能在电动汽车（EV）、电动汽车充电站（EVCS），以及电动汽车与智能电网集成（EV-Smart grid）方面的应用
在电动汽车中，电池管理系统（BMS）负责电池包传感、电池状态估计和诊断，并确保电动汽车电池包的节能控制。
如图3所示，BMS通常使用每个电池模块的电压、电流和温度来计算充电状态（SOC）和健康状态（SOH），分别用于电池状态估计和诊断（图3A）。在测量SOC和SOH时，由深度学习（DL）算法驱动的数据驱动模型显示出比ECM模型更高的精度，与物理模型（如单粒子模型）相比，计算资源要低得多（图3B）。
例如其中基于循环神经网络（RNN）的模型可有效用于追踪电池历史并用于评价电池的动态老化和迟滞（图3C）；除了评估电池系统的荷电状态和老化情况之外，RNN及其相关模型（如GRNN，广义回归神经网络）还可用于精准预测电池表面的正常温度并将其与异常值进行对比（图D-E）。
图3. 机器学习（ML）在电池管理（BMS）中的应用
A：电池包传感器向电池管理系统输入信息；
B：荷电状态（SOC）和健康状态（SOH）评估所需的精度和计算资源；
C：循环神经网络（RNN）的示意图；
D-E：电池组中各电池的温度分布（D）及对应其直方图（E）
除BMS之外，EV控制系统也极为关键，控制系统的优化可有效降低EV硬件的能源消耗，包括动力转向、再生制动和内部环境硬件控制，如暖通空调（暖气、通风和空调），同时最大限度地提高车速、优化里程。
图4A显示了电动汽车充电系统、BMS、电动推进系统、辅助系统等不同部件之间的能量流动和通信。相对于传统的工业控制系统（如PID，比例-积分-微分，图4B）相比，涉及模糊逻辑、神经网络和进化算法的人工智能控制系统（AIC，图4D）可以直接替代传统的PID，也可以与传统PID相结合形成兼具两者优势的杂化AIC-PID控制系统（图4C）。
作为一种新兴的智能电动汽车控制系统设计和优化的选择，以提高能源效率，进一步缓解里程焦虑。
图4. 电动汽车控制体系结构及相关控制器的工艺流程图
A：电动汽车控制结构；
B：传统“比例-积分-微分（PID）”控制器；
C：“比例-积分-微分+基于粒子群优化算法的人工智能（PID-AIC）”控制器；
D：基于模糊逻辑算法的人工智能（Fuzzy logic based AIC）控制器
电动汽车与智能电网集成（EV-Smart grid）方面，可以将电动车视为能源的移动储存器和智能电网的能源供应者，通过电网到车辆（G2V）和车辆到电网（V2G）技术实现智能电网与电动汽车之间的能量双向流动（图5A）。
这种双向能量流可以通过频率调节、调峰和负载均衡（图5B）、负载调节（图5C）和备转容量（图5D）等实现高效的电网能量产生和分配。其中发电和配电受负荷需求和供应、发电限幅、电压限幅和线路热容量等因素的制约，计算智能（CI）和机器学习（ML）作为一种有效的策略，可以在考虑这些约束条件的情况下优化电力的生产与分配。
例如可以通过CI中利用约束条件构建多目标优化函数（MOOP）并进一步由遗传算法（GA）求解的方式来优化运营成本、实现收益最大化。
图5. 电动车与电网的集成及其对调峰和负荷均衡的影响
A：智能电网与电动汽车之间的双向能量流动（G2V和V2G）；
B：电量调配，电动车与电网之间的“削峰填谷”；
C：负载调节，通过电动车的充放电来调控电网负载；
D：备转容量，通过电动车的充放电来调控备转容量
总结与展望
人工智能（AI）技术在电动汽车大规模采用方面应用前景广阔，本文重点总结了机器学习（ML）与计算智能（CI）技术及其相关的重要算法在电动汽车、电动汽车充电站，和电动汽车与智能电网集成这三个方面的研究和应用。
在此基础上，本文还提出了该领域目前存在的主要挑战，并针对性地提出了几个方面的应对策略：
（1）进一步提高AI在电池管理和能量控制方面的处理能力；
（2）促进AI在用户信息存储与管理、电池回收与废料处理等方面的研究与应用；
（3）简化现有充电站选址优化与能源供求模型，以更好地应对充电方式、环境变化等不确定因素；
（4）利用ML进行动态定价模型优化，以进一步促进电动汽车大规模采用的经济可行性。
作者简介
Moin Ahmed，加拿大滑铁卢大学化学工程系博士研究生。2016年和2018年均毕业于滑铁卢大学纳米技术工程专业，分别获学士和硕士学位，2020年加入陈忠伟院士组攻读博士学位。
主要研究方向为人工智能（AI）和数学模型在电动汽车及其电池开发与管理中的应用。目前在Joule, ACS applied materials & interfaces, ChemElectroChem, Journal of Energy Storage等期刊上发表文章多篇。
郑云，加拿大滑铁卢大学化学工程系博士后，2019年博士毕业于清华大学化学与工程技术专业，之后加入陈忠伟院士组进行博士后研究。主要研究方向为固态能源材料表界面的离子迁移与转化，具体涉及固态燃料电池/电解池（O2-, H+）和全固态锂金属电池（Li+），对人工智能（AI）在电动汽车方面的应用也有一定的研究。
目前在Chemical Society Reviews, Electrochemical Energy Reviews, Joule, Advanced Science, Nano Energy, Electrochimica ACTA等期刊上发表论文30多篇，撰写Electrochemical energy storge and conversion系列（CRC Press）等学术专著2本，申请专利6项。
陈忠伟，加拿大滑铁卢大学（University of Waterloo）化学工程系教授，加拿大皇家科学院院士，加拿大工程院院士，加拿大国家首席科学家（CRC-Tier 1），国际电化学能源科学院副主席，滑铁卢大学电化学能源中心主任，担任ACS Applied & Material Interfaces副主编。
陈忠伟院士带领一支约70人的研究团队常年致力于先进材料和电池的发展用于可持续能源体系的研发和产业化，包括燃料电池，金属空气电池，锂离子电池，锂硫电池，液流电池，固态电池，CO2捕集和转化等。
近年来已在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等国际顶级期刊发表论文400余篇。目前为止，文章已引用次数达35000余次, H-index 指数为93。
雷锋网雷锋网雷锋网
雷峰网特约稿件，未经授权禁止转载。详情见转载须知。
