Thermo-Relational State Inference for Lithium-Ion Battery SOC Estimation under Dynamic Thermal Excitation

تعتمد الحياة الحديثة على الطاقة المخزنة. فمن السيارات الكهربائية التي تنساب بصمت في شوارع المدن إلى مجموعات البطاريات الضخمة التي توازن شبكة الطاقة، تعد بطاريات الليثيوم أيون المحركات الصامتة لمستقبلنا المكهرب. ومع ذلك، فإن هذه البطاريات ليست مجرد حاويات بسيطة للطاقة؛ بل هي أنظمة كيميائية معقدة تغير سلوكها اعتمادًا على مدى حرارتها أو برودتها. ولكي تُستخدم بأمان وكفاءة، يجب على نظام حاسوبي داخل الجهاز أن يعرف بدقة مقدار الطاقة المتبقية، وهو ما يسمى "حالة الشحن". وإذا أخطأ النظام في التقدير، فقد تتوقف السيارة بشكل غير متوقع، أو قد تتعرض البطارية للتلف بسبب استنزافها بشكل مفرط. وتكمن المشكلة في أن العلاقة بين ما يمكننا قياسه — مثل الجهد عند أطراف البطارية — وبين الطاقة الفعلية بداخلها ليست ثابتة، إذ تتغير وتتشوه مع ارتفاع درجة حرارة البطارية أثناء الاستخدام أو انخفاضها في فصل الشتاء.

لسنوات، حاول المهندسون بناء طرق أفضل لتتبع مستوى الطاقة هذا. تعتمد العديد من الأساليب على النظر في تاريخ البطارية: ماذا حدث قبل ثانية، أو دقيقة، أو ساعة. لكن هذه الأساليب غالبًا ما تعامل درجة حرارة البطارية كمعلومة خلفية بسيطة، مثل ملصق ثابت على صندوق. فهي تفشل في إدراك أن درجة الحرارة نفسها هي هدف متحرك يغير كيفية ارتباط السلوك السابق للبطارية بحالتها الراهنة. فقد يعني قراءة جهد معينة اليوم شيئًا مختلفًا تمامًا عن معنى نفس قراءة الجهد بالأمس إذا كانت البطارية عند درجة حرارة مختلفة. ويصبح هذا الانفصال حرجًا عندما تتعرض البطارية لـ "إثارة حرارية ديناميكية"، وهي طريقة تقنية لقول إن البطارية يتم تسخينها وتبريدها بسرعة أثناء التحميل الثقيف، مثل القيادة السريعة أو اندفاع مفاجئ للطاقة.

قام فريق من الباحثين بتطوير طريقة جديدة لحل هذه المشكلة تحديدًا، حيث ابتكروا نظامًا يعامل التاريخ الحراري للبطارية كجزء حي ونابض من الحسابات. فبدلاً من مجرد إضافة درجة الحرارة الحالية إلى قائمة المدخلات، يقوم نظامهم الجديد، الذي يسموا به "شبكة استدلال الحالة ذات العلاقة الحرارية" (Thermo-Relational State Inference Network)، بإعادة كتابة معنى القياسات الكهربائية بنشاط بناءً على كيفية تغير درجة الحرارة. يطرح النظام سؤالين لكل قطعة من البيانات: ماذا تفعل درجة الحرارة الآن، وما مدى اختلاف هذه اللحظة عن اللحظات التي سبقتها؟ ومن خلال الإجابة على هذين السؤالين، يمكن للنظام أن يفهم أن إشارتين كهربائيتين متطابقتين قد تمثلان كميات مختلفة من الطاقة إذا حدثتا تحت ظروف حرارية مختلفة.

اختبر الباحثون هذا النهج الجديد باستخدام ملف قيادة واقعي يُعرف باسم LA92، والذي يحاكي طبيعة القيادة في المدن (التوقف والتحرك المتكرر). واستخدموا نوعًا محددًا من خلايا البطاريات، وهو Panasonic NCR18650PF، وعرضوها لبيئة حرارية متغيرة حيث تغيرت درجة حرارة الهواء المحيط من حوالي 10 درجات مئوية إلى 25 درجة مئوية. وفي هذا الاختبار، تم قياس درجة حرارة سطح البطارية ودرجة حرارة الهواء بشكل منفصل، مما سمح للنظام برؤية كيفية تفاعل البطارية مع الحرارة المتغيرة. وكان الهدف هو معرفة ما إذا كان بإمكان النظام الجديد تتبع مستوى طاقة البطارية بدقة أكبر من الأساليب الموجودة عندما تكون الظروف الحرارية في حالة تغير مستمر.

كانت النتائج مذهلة. فقد تتبع النظام الجديد مستوى طاقة البطارية بمتوسط خطأ قدره 0 just 0.47 بالمائة فقط. ولتضع ذلك في الاعتبار، إذا كنت تحاول تخمين وزن جسم يزن 100 كيلوغرام، فإن هذا النظام سيكون مخطئًا بأقل من نصف كيلوغرام. وبالمقارنة، فإن أقوى طريقة موجودة تم استخدامها لهذا الاختبار سجلت أخطاءً تزيد عن ضعف هذا الحجم، حيث أخطأت في التقدير بمتوسط 1.24 بالمائة. كما قلل النظام الجديد من حجم أكبر أخطائه بنسبة 65 بالمائة مقارمًا بالنهج الأفضل السابق. وهذا يعني أنه ليس فقط كان التخمين المتوسط أفضل، بل إن النظام أيضًا تجنب القفزات الكبيرة والمفاجئة في الخطأ التي يمكن أن تحدث عندما تتغير درجة حرارة البطارية بسرعة.

ما يجعل هذا الإنجاز ممكنًا هو التحول في كيفية تفكير الحاسوب في الوقت والحرارة. لقد بنى الباحثون نظامًا لا ينظر إلى ماضي البطارية في خط مستقيم فحسب، بل ينشئ "مجال علاقة حرارية"، وهو خريطة ذهنية تربط كل لحظة في تاريخ البطارية بكل لحظة أخرى بناءً على عاملين: مقدار الوقت الذي مضى، ومدى اختلاف درجة الحرارة في تلك اللحظتين. فإذا كانت البطارية ساخنة قبل عشر دقائق وهي باردة الآن، فإن النظام يفهم أن البيانات من عشر دقائق مضت أقل أهمية بالنسبة للحظة الحالية مما لو ظلت درجة الحرارة ثابتة. وهذا يسمح للنظام بوزن أهمية الأحداث الماضية ديناميكيًا، بدلًا من معاملة جميع البيانات الماضية على أنها مفيدة بالتساوي.

يتضمن النظام أيضًا آلية لتعديل الإشارات الكهربائية نفسها قبل تحليلها. فعندما تتغير درجة الحرارة، تتغير الكيمياء الداخلية للبطارية، مما يجعل قراءات الجهد والتيار تتصرف بشكل مختلف. يستخدم النظام الجديد درجة الحرارة الحالية، وسرعة تغير درجة الحرارة، والفرق بين سطح البطارية والهواء المحيط بها لإعادة معايرة هذه الإشارات الكهربائية تلقائيًا. إنه يقوم جوهريًا بترجمة الأرقام الخام إلى لغة منطقية للبيئة الحرارية الحالية. يحدث هذا في الوقت الفعلي، مما يضمن أن النظام يفسر البيانات دائمًا بشكل صحيح للظروف التي يواجهها.

ولإثبات أن هذه الميزات المحددة كانت هي سبب النجاح، أجرى الباحثون سلسلة من الاختبارات حيث قاموا بإزالة جزء واحد من النظام في كل مرة. فعندما أزالوا القدرة على مقارنة الاختلافات الحرارية بين الماضي والحاضر، ارتفع معدل الخطأ بشكل كبير. وعندما استبدلوا التعديل الحراري المعقد بطريقة قياس بسيطة أحادية الاتجاه، أصبح النظام أقل استقرارًا وارتكب أخطاءً أكبر. أكدت هذه الاختبارات أن التحسين لم يأتِ من مجرد امتلاك المزيد من البيانات أو نموذج حاسوبي أكبر، بل من الطريقة المحددة التي ربط بها النظام التغيرات الحرارية بالأهمية التاريخية. يعمل النظام لأنه ينمذج صراحةً حقيقة أن معنى الإشارة الكهربائية للبطارية يعتمد على القصة الحرارية التي أدت إليها.

أجريت الدراسة باستخدام بيانات من مجموعة بيانات متاحة للجمهور جُمعت في جامعة ويسكونسن-ماديسون، مما يضمن أن النتائج تستند إلى قياسات من العالم الحقيقي وليس مجرد محاكاة حاسوبية. وقد حرص الباحثون على اختبار نظامهم على ملف قيادة منفصل تمامًا عن البيانات المستخدمة في تدريبه، مما يثبت أن النظام يمكنه التعميم في مواقف جديدة. ورغم أن الاختبار كان محدودًا بنوع معين من البطاريات ونطاق معتدل من درجات الحرارة، إلا أن النتائج تقدم مسارًا واضحًا لمستقبل أنظمة إدارة البطاريات. إنها تشير إلى أن مستقبل إدارة البطاريات لا يكمن في تجاهل الحرارة، بل في فهم كيف تعيد تلك الحرارة تشكيل قصة حياة البطارية.