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。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。
【文章简介】 近日，滑铁卢大学陈忠伟教授系统总结了人工智能（AI）技术在电动汽车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】
图1. 电动汽车大规模采用中的AI技术（机器学习ML和计算智能CI）。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
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
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）
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
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。
暂无评论
发表评论