本文深入探討機(jī)器學(xué)習(xí)（ML）與人工智能（AI）如何助力綠色能源系統(tǒng)和電動(dòng)汽車(chē)（EV）的優(yōu)化。文章將介紹若干種 ML/AI 技術(shù)路徑，幫助設(shè)計(jì)人員實(shí)現(xiàn)可從經(jīng)驗(yàn)中學(xué)習(xí)的動(dòng)態(tài)模型，相比固定算法能更好地處理非線(xiàn)性、多變且復(fù)雜的工況。

上篇已介紹 ML/AI 在電源和電機(jī)驅(qū)動(dòng)控制電路中的應(yīng)用案例。

在電動(dòng)汽車(chē)與綠色能源系統(tǒng)中，ML/AI 用于識(shí)別用電模式，并優(yōu)化能量的分配、消耗與存儲(chǔ)，最高可使能源性能提升 30%。

ML/AI 在電動(dòng)汽車(chē)中的優(yōu)勢(shì)

在電動(dòng)汽車(chē)中引入 ML/AI 的一項(xiàng)核心價(jià)值，是緩解里程焦慮。AI 主要通過(guò)兩大關(guān)鍵作用實(shí)現(xiàn)這一點(diǎn)：

1. 通過(guò)優(yōu)化能效，延長(zhǎng)實(shí)際續(xù)航里程；

2. （往往更重要）提供更精準(zhǔn)、動(dòng)態(tài)、可靠的續(xù)航預(yù)測(cè)。

最終效果是讓駕駛員更安心，里程焦慮顯著降低。

ML/AI 在電動(dòng)汽車(chē)電池管理系統(tǒng)（BMS）中的應(yīng)用，將電池性能提升到新高度。

基于 ML/AI 的系統(tǒng)不再只是簡(jiǎn)單 “管理” 電池表現(xiàn)，而是主動(dòng)監(jiān)測(cè)電池健康狀態(tài)（SoH）的細(xì)微變化。對(duì)健康狀態(tài)更深度的理解，可實(shí)現(xiàn)更優(yōu)異的電芯均衡與更優(yōu)的充電策略，從而延長(zhǎng)電池包整體壽命。

路徑規(guī)劃與充電優(yōu)化

搭載 ML/AI 增強(qiáng)的 GPS 導(dǎo)航與路徑規(guī)劃系統(tǒng)，可優(yōu)先選擇能效最優(yōu)路線(xiàn)，而非僅追求速度最快。

在計(jì)算最優(yōu)能效路徑時(shí)，系統(tǒng)會(huì)綜合考慮：地形、交通密度，甚至預(yù)測(cè)風(fēng)速。

ML/AI 同樣可優(yōu)化電動(dòng)汽車(chē)充電策略：

自動(dòng)判斷最佳充電時(shí)間與地點(diǎn)，并整合進(jìn)路線(xiàn)規(guī)劃，包括實(shí)時(shí)電價(jià)、電網(wǎng)負(fù)荷、充電站預(yù)計(jì)擁堵情況等因素。

搭載 ML/AI 的電動(dòng)汽車(chē)電池系統(tǒng)，還能在車(chē)輛抵達(dá)充電站提前做好充電準(zhǔn)備，例如將電池預(yù)熱 / 冷卻至最佳溫度區(qū)間，從而縮短充電時(shí)間并延長(zhǎng)電池壽命。

ML/AI 在電動(dòng)汽車(chē)中的落地實(shí)現(xiàn)

電動(dòng)汽車(chē)的云端連接存在挑戰(zhàn)，尤其行駛過(guò)程中無(wú)線(xiàn)信號(hào)難以保證穩(wěn)定。因此，電動(dòng)汽車(chē)中多數(shù) ML/AI 方案采用云端集中訓(xùn)練 + 本地實(shí)時(shí)更新的混合模式，以適配真實(shí)路況（圖 1）。

圖 1. 面向電動(dòng)汽車(chē)能源管理的云端 - 車(chē)載 ML/AI 框架

策略先利用模擬行駛工況數(shù)據(jù)離線(xiàn)訓(xùn)練，再部署到車(chē)輛上進(jìn)行實(shí)時(shí)自適應(yīng)調(diào)整，實(shí)現(xiàn)最優(yōu)能源表現(xiàn)。（圖片來(lái)源：《工程研究期刊》）

光伏板預(yù)測(cè)性維護(hù)

光伏（PV）板的預(yù)測(cè)性維護(hù)（PdM）是提升系統(tǒng)長(zhǎng)期性能的關(guān)鍵領(lǐng)域，也是 ML/AI 技術(shù)極具優(yōu)勢(shì)的場(chǎng)景。

預(yù)測(cè)性維護(hù)在最小化系統(tǒng)停機(jī)時(shí)間與維護(hù)成本的同時(shí)，通過(guò)故障提前預(yù)測(cè)優(yōu)化光伏資產(chǎn)性能，避免故障實(shí)際發(fā)生。

其收益包括：總成本降低、性能優(yōu)化、發(fā)電量預(yù)測(cè)、根因分析、設(shè)備壽命延長(zhǎng)、停機(jī)時(shí)間減少（圖 2）。

圖 2. 高效預(yù)測(cè)性維護(hù)可為光伏系統(tǒng)運(yùn)營(yíng)帶來(lái)多重收益（圖片來(lái)源：施普林格?自然）

ML/AI 通過(guò)持續(xù)分析歷史與實(shí)時(shí)的太陽(yáng)輻照度、氣象規(guī)律、電氣參數(shù)等數(shù)據(jù)，預(yù)測(cè)光伏板老化趨勢(shì)。

算法可提前識(shí)別潛在故障，如積灰、裂紋、遮擋等，避免問(wèn)題惡化。由此可實(shí)現(xiàn)計(jì)劃性維護(hù)，最大限度減少停機(jī)，延長(zhǎng)運(yùn)行壽命并降低長(zhǎng)期成本。

部分系統(tǒng)還采用基于物理機(jī)理的模型，考慮二階影響因素，例如溫度對(duì)電壓的影響、遮擋對(duì)電流的影響、天氣條件對(duì)發(fā)電性能的影響等。當(dāng)實(shí)際運(yùn)行行為偏離預(yù)測(cè)時(shí)，即預(yù)示可能存在異常。

光伏系統(tǒng)中可使用的 ML/AI 工具種類(lèi)十分豐富（圖 3）：

• 邏輯回歸：有監(jiān)督機(jī)器學(xué)習(xí)與統(tǒng)計(jì)方法，用于預(yù)測(cè)二分類(lèi)結(jié)果（是 / 否）；

• 決策樹(shù)、K 近鄰、支持向量機(jī)：有監(jiān)督學(xué)習(xí)，可用于分類(lèi)與回歸任務(wù)；

• 隨機(jī)森林：由多棵決策樹(shù)構(gòu)成，結(jié)果更準(zhǔn)確、更穩(wěn)定；

• 樸素貝葉斯：有監(jiān)督學(xué)習(xí)算法，多用于分類(lèi)；

• 神經(jīng)網(wǎng)絡(luò)：可實(shí)現(xiàn)有監(jiān)督、無(wú)監(jiān)督或強(qiáng)化學(xué)習(xí)。

圖 3. 各類(lèi) ML/AI 工具用于光伏系統(tǒng)故障檢測(cè)與預(yù)測(cè)（圖片來(lái)源：MDPI《能源》期刊）

總結(jié)

在電動(dòng)汽車(chē)與光伏能源系統(tǒng)中引入 ML/AI 可帶來(lái)多重收益。對(duì)電動(dòng)汽車(chē)而言，這些技術(shù)可緩解里程焦慮、加快充電速度、延長(zhǎng)電池包壽命。對(duì)光伏系統(tǒng)而言，則能提升發(fā)電量、增強(qiáng)系統(tǒng)可靠性與可用率。