Batarya yönetiminde zekâ neden uçta olmalı

Batarya yönetim sistemlerinde (BMS) uçta çalışan yapay zekâ, hücre verisini yerinde işleyerek şarj durumu (SOC) ve sağlık durumu (SOH) tahminini, termal yönetimi ve anomali tespitini destekler. Yerel çalışma, bağlantı kesildiğinde izlemenin sürmesini sağlar ve kontrol döngülerinin gecikmesini azaltır.

Gecikme gerçekte nerede önemlidir

Yerel anomali tespiti, termal kaçak öncesindeki belirtileri izler. Bir hücre termal kaçağa girdiğinde amaç yayılmayı sınırlamaktır.

Termal anomali modelleri, çoğunlukla LSTM veya GRU gibi tekrarlayan sinir ağları, gerilim türevlerini, sıcaklık gradyanlarını ve empedans kaymalarını okur. Kaçak öncesi koşulları çok önceden işaretleyebilirler. Bunun için akan sensör verisi üzerinde sürekli çıkarım yapmaları gerekir. Temel davranıştan küçük sapmaları ararlar: yüksek sıcaklıkta katı elektrolit ara fazı (SEI) katmanının bozulmaya başlaması ya da gaz çıkışından önce görülen gaz üretimi örüntüleri gibi.

Anomali tespitini sahada çalıştırmak, bağlantı kesildiğinde izlemenin sürmesini sağlar. Sensör verisini yerinde işlemek, sürekli buluta veri aktarımının maliyetini ve bağlantıya bağımlılığı azaltır.

Yerel model bir anomali işaretlediğinde, modülü devreden ayırma ya da ön soğutmayı başlatma gibi eylemler milisaniyelik tepki gerektirir. Karar döngüsünü yerelde tutmak, bu eylemlerin hızla uygulanmasını sağlar.

Yapay zekâyı yerelde çalıştırmak ne gerektirir

Burada "uçta yapay zekâ", batarya modüllerine bağlı mikrodenetleyiciler (MCU) üzerinde yapılan çıkarımı ifade eder.

Bu, göründüğünden zordur. Geleneksel BMS mikrodenetleyicileri sinir ağı çıkarımı için tasarlanmamıştır. SRAM'leri sınırlıdır, özel hızlandırıcıları yoktur, gerçek zamanlı süre sınırları katıdır ve güç bütçelerinde ağır hesaplamaya yer yoktur.

İki gelişme tabloyu değiştiriyor.

Cihaz üzerinde çıkarım için tasarlanmış donanım hızlandırıcıları, yani sinir işlem birimleri (NPU) taşıyan mikrodenetleyiciler, dar bir güç bütçesiyle yerel yapay zekâyı mümkün kılıyor. Maliyetleri artık seri üretime de uygun.

Uçta yapay zekâ toplam sistem maliyetini düşürebilir. Gerilim ve akım dinamiklerinden hücre iç sıcaklığını tahmin eden bir model, bir paketin ihtiyaç duyduğu fiziksel sıcaklık sensörü sayısını azaltabilir. İşletme verisinden empedans değişimlerini izleyen bir model, ayrı ölçüm donanımına bağımlılığı azaltır. Akıllı algılamanın malzeme listesinde (BOM) sağladığı tasarruf, hesaplamanın maliyetini karşılayabilir.

Termal yönetim ve anomali tespiti

Yerel çıkarım, termal yönetim ve anomali tespitinde de kullanılır:

• Gerçek zamanlı termal yönetim. Hangi modüllerin termal strese doğru gittiğini öngörmek ve eşikler aşılmadan ön soğutma kararı vermek. Ön soğutma kararı, hızlı ve deterministik bir yerel kontrol döngüsü gerektirir.
• Hücre seviyesinde anomali tespiti. Bir hücrenin komşularından farklı davrandığını gösteren erken işaretleri (hafif kapasite kaybı, olağandışı kendiliğinden deşarj, empedans kayması) bir güvenlik ya da güvenilirlik sorununa dönüşmeden bulmak. Bu, temel modellerle sürekli karşılaştırma gerektirir; tam da uçta çalışması gereken türden bir iş yüküdür.

Yine de SOC doğruluğu ayrıca ele alınmayı hak ediyor, çünkü finansal etkisi somuttur. Şebeke ölçekli depolamada artık yaygın olan lityum demir fosfat (LFP) hücrelerin gerilim eğrisi, şarj aralığının büyük bölümünde çok düzdür. Bu düz bölgede gerilim şarj seviyesi hakkında az bilgi verir; SOC tahmini kayar ve hata iki kalibrasyon arasında büyüyebilir.

Bunun bedeli piyasada ortaya çıkar. Toptan elektrik piyasalarında işletmeciler, sahip olmayı bekledikleri kapasiteye göre gün öncesi ve gerçek zamanlı teklif verir. SOC tahmini bataryada gerçekte olandan daha az enerji gösteriyorsa, işletmeci temkinli teklif verir ve kazanılabilecek geliri kaçırır. Daha fazla gösteriyorsa, teslimat taahhüdünü karşılayamama riskine girer. Doğru SOC, doğrudan daha iyi piyasa katılımı demektir: batarya aynıdır, ama gerçek kapasitesi kullanılır.

SOC doğruluğunu artırmanın yaygın bir yolu yöntemleri birleştirmektir. Bir Kalman filtresi, öğrenilmiş bir modelin çıktısını ölçüm girdisi olarak kullanabilir; ya da öğrenilmiş model filtrenin tahminini iyileştirebilir. Bu hibrit yapı, iki yöntemin tek başına olduğundan daha sağlam olma eğilimindedir.

Hibrit mimari: ne nerede çalışır

Bulut, model eğitimi için gereken hesaplama kaynağını ve filo genelindeki verileri bir araya getirir. Filo genelinde örüntü tanıma, uzun vadeli yaşlanma analizi ve modellerin yeniden eğitilmesi burada yürütülür.

Tasarladığımız mimari işi üç ölçüte göre böler: gecikme, güvenlik kritikliği ve siber güvenlik maruziyeti.

1. Uç alanı. Güvenlik açısından kritik her şey yerelde çalışır: termal anomali tespiti, koruma mantığı, hücre ayırma kararları. Bunlar ağa hiç dokunmaz. Saniyenin altında tepki gerektiren her şey de yerelde çalışır: aktif dengeleme, termal yönetim eylemleri, güç sevki için gerçek zamanlı SOC.
2. Bulut alanı. Filo seviyesinde görünürlükten ve hesaplama ölçeğinden yararlanan her şey: kestirimci bakım planlaması, garanti takibi, kapasite artırımı planlaması, işletme analitiği ve portföy genelinde finansal optimizasyon. Her varlığın dijital modelini güncel tutmak da buraya aittir; bu, Filo analitiğinin işidir.

Bu ayrımda kararlar sahada alınır, bulut bu kararların arkasındaki modelleri geliştirir. Bağlantı koptuğunda koruma sürer ve ham veri sahada kalabilir.

Yeni modellerin üretime güvenli bir yoldan girmesi gerekir. Yerleşik bir uygulama gölge moddur. Eğitilmiş bir model kontrolü devralmadan önce uç cihazda paralel çalışır; verdiği "kararlar" kaydedilir ama hiçbir şeyi harekete geçirmez. Davranışı önce gerçek işletme verisiyle doğrulanır. Kontrol kararı üreten modellerde bu doğrulama özellikle önemlidir.

Yerel çalışma siber güvenliği de güçlendirir. Ağa hiç dokunmayan bir işlevin saldırı yüzeyi, bulut bağlantısına bağımlı bir işlevinkinden çok daha küçüktür. Kontrol işlevlerinde uçta çalışmanın gerekçesi, gecikme kadar güvenliktir.

Güvenlik açısından kritik yapay zekâda politika kısıtları

Yapay zekâ tahminden kontrole geçtiğinde ilk soru şudur: güvensiz bir şey yapmayacağından nasıl emin olursunuz?

Cevap bir politika motorudur. Güvenlik açısından kritik gömülü sistemlerde bir sinir ağına eylem üzerinde sınırsız yetki verilmez. Model öneri ya da tahmin üretir; kural tabanlı bir politika katmanı, her çıktıyı bir şey olmadan önce katı kısıtlara göre denetler. Öğrenilmiş model bir güvenlik zarfının içinde çalışır.

Bu, otomotiv ve havacılık mühendisliğinde yerleşik bir uygulamadır ve bataryalar için de aynen geçerlidir. İlkeler şunlardır: alanların ayrılması, kısıtların denetlenmesi ve modelin çıktısı yanlış göründüğünde deterministik davranışa dönülmesi. Model ister uçtaki bir MCU'da ister bulutta çalışsın, bu ilkeler geçerlidir.

Alan nereye gidiyor

Gelişmiş algılama donanımı, hücrenin farklı frekanslardaki empedans spektrumunu ölçerek iç direnci ve kimyasal durumu hakkında bilgi sağlar. Uçta yapay zekâyla birleşen bu tür bir hücre seviyesi ölçüm, SOH tahmininin doğruluğunu yükseltir. Lityum kaplama, SEI bozulması ve elektrolit ayrışması gibi, yalnızca gerilim ve sıcaklık izlemeyle görülemeyen durumların erken tespitini de mümkün kılar.

Algılama donanımı geliştikçe değer, gelişmiş ölçümü yerel zekâyla kabul edilebilir bir maliyette birleştiren sistemlere kayar. Ölçüm hücreden yukarı akar, karar sahaya iner. Teknolojimizin arkasındaki ilke budur.

Özetle

Yerel kontrol, bağlantı kesildiğinde korumanın sürmesini ve kararların hızla uygulanmasını sağlar. Durum tahmininin doğruluğu da işletmecinin kullanabileceği ve taahhüt edebileceği kapasiteyi belirler.

Depolama sisteminin kullanım ömrü boyunca kontrolün nerede çalıştığı, güvenlik kısıtlarının nasıl uygulandığı ve bağlantı kesintilerinin nasıl yönetildiği önem taşır. Tasarladığımız mimaride kontrol hücrenin yanında çalışır; bulut, model eğitimi ve filo analizi için kullanılır.