Un sistema de gestió de bateries descobreix l'estat de càrrega i l'estat de salut de les bateries d'ions de liti mitjançant tècniques d'estimació indirecta. No pot mesurar aquestes coses directament perquè la bateria té reaccions complexes a l'interior. Per tant, el sistema utilitza mètodes com l'extracció estadística de característiques, el recompte de Coulomb i models avançats basats en dades. Per exemple, examina mètriques estadístiques com la variància, la mitjana i l'asimetria de les corbes de voltatge i corrent per observar la degradació de la bateria. L'ús de mètodes d'estimació indirecta, com l'aprenentatge automàtic i els enfocaments basats en observadors, ajuda a fer que l'estimació de la càrrega sigui més precisa i segura. Aquests mètodes d'estimació de la càrrega ajuden el sistema de gestió de bateries a predir els canvis en les bateries d'ions de liti. També ajuden a gestionar millor la pèrdua de capacitat, l'envelliment i els riscos. Una bona estimació de l'estat de càrrega i l'estat de salut ajuden a que totes les bateries d'ions de liti funcionin millor i durin més.
L'estimació precisa de la soc en sistemes de bateries de liti-ió manté la bateria a salvo de sobrecàrregues, sobreescalfaments i fallades sobtades. Això fa que les tècniques d'estimació sòlides siguin molt importants per als sistemes moderns de gestió de bateries.
Mètrica estadística | Descripció | Correlació amb la degradació de la bateria |
|---|---|---|
Desacord | Comprova com són els canvis constants de voltatge/corrent | Una major variància significa una resistència interna i reaccions químiques desiguals, i danys als elèctrodes. |
Valor màxim | Voltatge/corrent més alt durant la càrrega o descàrrega | Els números més baixos mostren menys capacitat de càrrega i possibles problemes de seguretat com ara sobrecàrrega o sobreescalfament |
Valor mínim | Voltatge/corrent més baix durant la càrrega o descàrrega | Mostra pèrdues de capacitat i problemes de seguretat |
Mitjana (Average) | Voltatge/corrent mitjà durant un cicle | Els canvis mostren una degradació electrolítica i una menor producció d'energia |
Inclinació | Com de desigual es distribueix el voltatge/corrent | S'utilitza en l'extracció de característiques per predir SOH |
Excés de curtosi | Com de nítid és el pic de voltatge/corrent | Uns nombres més alts signifiquen més polarització i menys capacitat d'inserció de liti |
Sortides de claus
Els sistemes de gestió de bateries no poden mesurar la càrrega o l'estat directament. Utilitzen mètodes indirectes com l'anàlisi estadística, el recompte de Coulomb i l'aprenentatge automàtic. Aquests mètodes ajuden a estimar la càrrega i l'estat de la bateria.
Conèixer l'estat de càrrega ajuda a mantenir les bateries segures. Evita la sobrecàrrega, el sobreescalfament i els problemes sobtats.
Hi ha diferents maneres de comprovar les bateries. El voltatge en circuit obert, el recompte de Coulomb, el filtratge de Kalman i els models basats en IA són alguns mètodes. Cadascun té punts forts i punts dolents. Si els utilitzeu junts, els resultats són millors i més fiables.
L'estimació de l'estat de salut comprova l'edat d'una bateria. Examina la pèrdua de capacitat i la resistència interna. Això ajuda a endevinar la durada de la bateria i evitar problemes de seguretat.
Els enfocaments híbrids combinen mètodes basats en models i mètodes basats en dades. Aquests donen els millors resultats. Poden canviar amb l'ús en el món real. Això ajuda a que les bateries durin més i funcionin millor.
Conceptes bàsics del sistema de gestió de bateries
Funcions clau
Un sistema de gestió de bateries és molt important per a les bateries de ions de liti. Ajuda a mantenir les bateries de ions de liti segures i en bon estat de funcionament. El sistema comprova el voltatge, el corrent i la temperatura de cada cel·la de bateria de ions de liti. També s'assegura que totes les cel·les de bateria de ions de liti es carreguin i descarreguin de manera uniforme. Això ajuda a que cada bateria de ions de liti duri més i funcioni millor.
El sistema de gestió de bateries controla l'estat de càrrega i l'estat de salut de cada bateria de ions de liti. Utilitza aquests números per aturar la sobrecàrrega i la descàrrega profunda, que poden danyar les bateries de ions de liti.
La seguretat és el primer. El sistema desconnectarà la bateria de ions de liti si troba problemes com ara sobreescalfament o curtcircuits. Pot utilitzar cel·les o paquets de reserva per mantenir tot funcionant.
La comunicació és important. El sistema de gestió de bateries utilitza SPI i bus CAN per enviar dades a altres parts del dispositiu o vehicle.
N'hi ha de diferents tipus, com ara centralitzats o distribuïts, de manera que el sistema de gestió de bateries pot adaptar-se a molts dissenys de bateries de ions de liti.
Alguns sistemes tenen funcions addicionals com ara la monitorització remota, la predicció del cicle de vida i la detecció d'errors. Aquests utilitzen la computació en núvol i l'aprenentatge automàtic per ajudar la bateria a funcionar millor i de manera més segura.
Funció clau / Algoritme | Descripció |
|---|---|
Monitorització cel·lular | Monitoritza el voltatge, el corrent i la temperatura de cada cel·la de bateria de liti-ió. Detecta problemes i inicia accions de seguretat. Calcula l'estat de càrrega i l'estat de salut. |
Optimització de potència | Controla la càrrega i la descàrrega per mantenir les cel·les de bateria de liti segures. Funciona amb altres sistemes per utilitzar l'energia de manera intel·ligent. |
Garantia de seguretat | Atura perills com la dispersió tèrmica. Utilitza plans de reserva i manté les persones fora de perill de les descàrregues elèctriques. |
Optimització de la càrrega de la bateria | Canvia la càrrega per reduir l'estrès a cada cel·la de bateria de liti. Desa els codis d'error per a comprovacions posteriors. |
Algoritme d'equilibri cel·lular | Assegura que totes les cel·les de la bateria de liti-ió tinguin el mateix voltatge. Utilitza un equilibri actiu o passiu per ajudar a que la bateria funcioni millor. |
Algoritmes de comunicació | Envia dades entre el sistema de gestió de la bateria i altres dispositius. Atura la càrrega si troba condicions insegures. |
Consell: L'ús d'eines de programari i maquinari ja fetes pot ajudar els enginyers a construir i provar un sistema de gestió de bateries per a bateries de ions de liti més ràpidament.
Química suportada
Un sistema de gestió de bateries ha de funcionar amb moltes combinacions químiques de bateries de ions de liti. Cada combinació química, com ara NMC, LFP i NCA, té els seus punts forts i dolents. Per exemple, les bateries de ions de liti NMC tenen una alta densitat d'energia. Les bateries de ions de liti LFP duren més i gestionen millor la calor. El sistema de gestió de bateries canvia la seva manera de funcionar per adaptar-se a cada combinació química de bateries de ions de liti.
Estudis recents analitzen com funcionen les diferents composicions químiques de les bateries de ions de liti en els vehicles elèctrics. Aquests estudis mostren que els sistemes de gestió de bateries han de gestionar els canvis en la densitat d'energia, el cost i la vida útil del cicle. També mostren que la gestió tèrmica i l'estimació avançada de l'estat són importants per a cada tipus de bateria de ions de liti. Els models d'aprenentatge automàtic poden ajudar a predir l'estat de salut de les bateries de ions de liti mitjançant l'ús de dades filtrades. Això redueix els errors i ajuda el sistema de gestió de bateries a gestionar la manera com envelleix cada composició química de la bateria de ions de liti.
Un sistema flexible de gestió de bateries pot funcionar amb moltes combinacions químiques de bateries de liti-ió. Això ajuda a totes les aplicacions, des de vehicles elèctrics fins a electrònica portàtil, a obtenir el millor rendiment i seguretat de la bateria.
Estat de càrrega en bateries de liti-ió
L'estat de càrrega és molt important per a les bateries de liti-ió. Ajuda a mantenir la bateria segura i funcionant correctament. Si l'estat de càrrega no és correcte, la bateria es pot escalfar massa o perdre potència. Això pot fer que la bateria es trenqui o fins i tot causar problemes perillosos com incendis. En els cotxes elèctrics, conèixer l'estat de càrrega ajuda a frenar i carregar. També fa que la bateria duri més. Els estudis demostren que una bona estimació de l'estat de càrrega redueix els errors i ajuda al medi ambient.
No es pot mesurar l'estat de càrrega directament en una bateria de liti-ió. Les reaccions químiques a l'interior estan ocultes i són difícils de veure. Els sensors poden fallar a causa del soroll i els canvis a la bateria. Per tant, els sistemes de gestió de bateries utilitzen mètodes especials per endevinar l'estat de càrrega. Observen el voltatge, el corrent i la temperatura per esbrinar-ho. Aquests mètodes ajuden a solucionar problemes amb els sensors i l'envelliment de la bateria.
Mètode OCV
El mètode de voltatge de circuit obert endevina l'estat de càrrega comprovant el voltatge de la bateria després que estigui en repòs. Cada química de bateria té el seu propi enllaç de voltatge i estat de càrrega. Aquest mètode és senzill i no costa gaire. Funciona bé per a la primera comprovació de l'estat de càrrega i no necessita un model de bateria gran.
Aspecte | Detalls |
|---|---|
Principi | El voltatge de la bateria es mesura després del repòs. La relació entre l'OCV i l'estat de càrrega es troba provant cada tipus de bateria. |
Beneficis | 1. Procés senzill |
Limitacions | 1. Necessita un llarg temps de repòs (més de 2 hores si està fred) |
El mètode OCV no pot comprovar l'estat de càrrega mentre la bateria està en funcionament. Les bateries de ions de liti sovint canvien ràpidament, per la qual cosa esperar que la bateria descansi no és útil. Els punts plans a la corba OCV faciliten que es produeixin grans errors a causa de petits canvis de voltatge.
Recompte de Coulomb
El recompte de Coulomb, o recompte d'Ah, endevina l'estat de càrrega sumant el corrent que entra i surt. Comença amb un primer número d'estat de càrrega i el canvia a mesura que es mou el corrent.
Aspecte d'avaluació | Detalls |
|---|---|
Mètode | Algoritme de recompte de Coulomb millorat |
Enfocament de validació | Prova de MATLAB comparada amb l'estat real de càrrega a partir de corbes de càrrega/descàrrega |
Error màxim (final de càrrega) | Al voltant del 3.5% |
Error durant la fase CC | Menys de 2% |
Error durant la fase de CV | Menys de 1% |
Tendència d'errors | Es fa més gran amb el temps abans de la revisió de l'estat de salut |
Factors importants | Un bon primer estat de càrrega i les comprovacions de càrrega redueixen els errors |
avantatges | Matemàtiques simples; precisió prou bona; no calen dades addicionals de bateria |
Restriccions | Els errors s'acumulen amb el temps; cal un bon primer estat de càrrega i xifres de l'estat de salut |
El recompte de Coulomb és fàcil d'utilitzar i no necessita dades addicionals de la bateria. Però els errors es poden acumular amb el temps. Petits errors en el corrent o en el primer estat de càrrega poden empitjorar. Aquest mètode funciona millor amb comprovacions regulars o altres maneres d'ajudar.
Mètode | RMSE | MSE | MAE | Resultats clau |
|---|---|---|---|---|
Recompte de Coulomb (CC) | 0.5071 | 0.2572 | 0.4571 | Errors més alts a causa del soroll i els errors del sensor; no és bo per a un ús a llarg termini |
Filtre de Kalman ampliat | 0.0925 | N / A | N / A | Millor precisió amb ajuda del model; necessita un bon model de bateria |
regressió lineal | 0.0778 | N / A | N / A | Millor que EKF però no perfecte per a canvis d'estat de càrrega |
Màquina vectorial de suport | 0.0319 | N / A | N / A | Gestiona millor els canvis; necessita més potència informàtica |
Regressió de bosc aleatori | 0.0229 | 0.0005 | 0.0139 | Millor precisió; funciona bé amb soroll i canvis; bo per a la gestió real de la bateria |
Filtratge de Kalman
El filtratge de Kalman utilitza models matemàtics per endevinar l'estat de càrrega. El filtre de Kalman ampliat i el filtre de Kalman sense perfum són populars. Aquests filtres barregen dades en temps real amb estimacions del model de bateria. Corregeixen les seves estimacions a mesura que arriben noves dades.
Els mètodes de filtratge de Kalman com l'EKF, l'UKF, els filtres de Kalman adaptatius i els filtres de Kalman duals s'utilitzen molt.
Aquests filtres utilitzen models de bateria simples i d'altres més complexos per obtenir millors resultats.
Les proves mostren que els filtres de Kalman gestionen bé els canvis, la memòria de la bateria i el soroll del sensor.
Canviar la configuració i utilitzar xarxes neuronals els fa encara millors.
Actualitzar els números una vegada i una altra ajuda a corregir errors derivats de canvis de model i desviació del sensor.
Els estudis mostren que els filtres Kalman adaptatius i duals funcionen millor que els EKF normals pel que fa a l'estat de càrrega.
El filtratge de Kalman proporciona bones estimacions de l'estat de càrrega en temps real per a bateries de ions de liti. Requereix una configuració acurada i un bon model de bateria. Pot ser difícil d'utilitzar, però funciona bé quan les coses canvien ràpidament.
Mètodes híbrids i d'IA
Els mètodes híbrids i d'IA combinen mètodes basats en models i dades per endevinar l'estat de càrrega. Aquests utilitzen l'aprenentatge automàtic, com ara xarxes neuronals, màquines de vectors de suport i regressió de bosc aleatori. Aprenen de dades de voltatge, corrent i temperatura. Els mètodes híbrids solucionen problemes que els mètodes individuals no poden.
Aspecte | Descripció |
|---|---|
Mètode | Estimació de l'estat de càrrega híbrid mitjançant el recompte de Coulomb i la màquina de vectors de rellevància (movIRVM-Coulomb) |
dataset | Dades de cel·les de bateria individuals, dades de prova de paquets de bateries, dades de simulació d'Advisor |
Condicions | Proves amb US06, UDDS, NYCC, 1015 cicles de conducció; temperatures 0 °C, 25 °C, 45 °C; primer estat de càrrega 50%, 80% |
Precisió (RMSE) | Dins del 2% per a moltes proves i temperatures |
Millora | Més d'un 30% millor que movIRVM sol; menys errors al llarg del temps |
Restricció clau abordada | Corregeix l'acumulació d'errors en el recompte pur de Coulomb |
Notes addicionals | Utilitza la mitjana mòbil per reduir el soroll; només necessita un 10-30% de dades d'entrenament per a la part RVM |
Els mètodes híbrids combinen dades i models per gestionar accions estranyes de la bateria.
Els mètodes basats en dades inclouen xarxes neuronals, màquines de vectors de suport, regressió de processos gaussians, xarxes neuronals d'ondetes i lògica difusa.
Aquestes maneres endevinen l'estat de càrrega a partir de senyals que es poden mesurar.
Els problemes inclouen diferències en la bateria, ús estrany i desgast de la bateria.
Ara, als investigadors els agraden els mètodes basats en dades perquè els models per si sols no poden solucionar tots els problemes.
Nous estudis que utilitzen aprenentatge profund i dades reals de cotxes mostren que els mètodes híbrids i d'IA poden endevinar l'estat de càrrega amb un error inferior al 2%. Aquests mètodes són molt precisos i funcionen bé, fins i tot quan les coses canvien molt.
Nota: Els mètodes estadístics ajuden a endevinar l'estat de càrrega corregint la incertesa, els errors del sensor i el soroll aleatori. El calibratge, la regressió i les proves fan que tots els mètodes d'estat de càrrega siguin més fiables.
Mètodes d'estimació de l'estat de salut
L'estat de salut, o SOH, ens indica quant ha envellit una bateria de ions de liti. Compara la bateria actual amb quan era nova. L'SOH es calcula observant la capacitat actual i comparant-la amb la capacitat original. També es pot comprovar comparant la resistència interna amb una cel·la nova. Quan l'SOH baixa per sota del 80% o del 70%, la bateria està al final de la seva vida útil. L'SOH és important perquè afecta el bon funcionament de la bateria, la seva seguretat i la seva durada. A mesura que l'SOH baixa, la bateria conté menys energia. Això significa que els cotxes elèctrics no poden arribar tan lluny i els dispositius no funcionen tant de temps. Si una bateria envelleix molt, es pot inflar, tenir fuites o fins i tot incendiar-se. Una bona predicció de l'SOH ajuda a aturar aquests problemes i manté les bateries segures.
Aspecte | evidència | Dades / Detalls numèrics |
|---|---|---|
Definició de SOH | El SOH és la relació entre la capacitat actual i la capacitat d'arrencada o compara la resistència interna amb una bateria nova. | Els nivells de final de vida útil de la bateria SOH són del 80% o del 70% de capacitat restant. |
Impacte en la longevitat | L'SOH mostra quanta capacitat es perd, cosa que limita la distància que poden arribar els vehicles elèctrics. L'envelliment de la bateria significa menys capacitat. | Les bateries de vehicles elèctrics utilitzades durant més de 10,000 km i més de 800 dies mostren patrons de pèrdua de capacitat. |
Impacte en la seguretat | Un mal envelliment pot causar fuites, inflor, sobreescalfament i incendis. | Els riscos de seguretat empitjoren a mesura que l'SOH disminueix, per la qual cosa és important comprovar l'SOH. |
Font de dades | Les dades provenen de molts vehicles elèctrics amb diferents maneres de conduir i carregar. | El conjunt de dades té 347 vehicles elèctrics, registres de càrrega durant 25 mesos i molts canvis al món real. |
Reptes en l'estimació de SOH | Els canvis del món real, els errors en el SOC, les dades sorolloses i la manca de mostres fan que l'SOH sigui difícil de comprovar. | Els errors del SOC augmenten a mesura que les bateries envelleixen i el BMS té problemes per actualitzar la capacitat ràpidament. |
Mètodes avançats | L'aprenentatge automàtic i els mètodes basats en dades milloren les comprovacions SOH. | BiGRU, la regressió de vectors de suport i les xarxes neuronals profundes ajuden a endevinar SOH i SOC amb més exactitud. |
Resistència interna
La resistència interna és molt important per comprovar l'estat de la bateria (SOH) en bateries de liti-ió. A mesura que les bateries envelleixen, la seva resistència interna augmenta. Això passa perquè les parts de l'interior de la bateria es desgasten i es trenquen. Si la resistència es duplica o la capacitat baixa al 70-80%, la bateria està al final de la seva vida útil. Moltes maneres de comprovar l'estat de la bateria utilitzen resistència interna. Mesurar la resistència directament dóna bons resultats, però normalment necessita que la bateria estigui en repòs, cosa que és difícil durant l'ús normal.
Els científics han trobat noves maneres d'utilitzar la resistència interna per millorar les comprovacions SOH. Per exemple, han corregit la corba de voltatge en circuit obert utilitzant dades de resistència. Això ajuda a reduir els errors derivats dels canvis en la velocitat de càrrega. Aquesta manera utilitza elements com el temps de càrrega de corrent constant en lloc de càlculs difícils. Les proves amb dades de bateries reals mostren que aquest mètode pot reduir l'error absolut mitjà a aproximadament l'1.28% per a alguns rangs de voltatge. Aquests resultats mostren que observar la resistència interna fa que les comprovacions SOH siguin més fortes i exactes.
impedància
Els mètodes basats en impedància utilitzen com reacciona una bateria a l'electricitat per comprovar el SOH. Aquests mètodes sovint utilitzen espectroscòpia d'impedància electroquímica o proves similars. En veure com actua la bateria amb diferents freqüències, els enginyers poden detectar l'envelliment i endevinar el SOH. Els mètodes d'impedància poden ser molt exactes, amb errors d'arrel quadràtica mitjans entre el 0.75% i l'1.5% d'unitats de SOH.
Tipus de mètode | Descripció | Precisió de la predicció SOH (error RMS) | Consideracions pràctiques |
|---|---|---|---|
Dades directes d'EIS | Utilitza dades d'espectroscòpia d'impedància electroquímica en brut | 0.75% – 1.5% unitats de SOH | Ràpid de mesurar, però les cèl·lules poden ser diferents |
Ajustos de circuits equivalents | Coincideix amb les dades de l'EIS amb els models de circuits | 0.75% – 1.5% unitats de SOH | Necessita més feina i matemàtiques, però té menys incertesa |
Distribució dels temps de relaxació (DRT) | Analitza quant de temps triga a establir-se les coses utilitzant dades d'EIS | 0.75% – 1.5% unitats de SOH | Requereix molta potència informàtica, però és flexible |
Anàlisi de resposta de freqüència no lineal (NFRA) | Utilitza dades de freqüència especials per comprovar SOH | 0.75% – 1.5% unitats de SOH | Dóna bona informació sobre les accions de la bateria, més ràpid que la descàrrega completa |
Els mètodes basats en impedància funcionen bé als laboratoris i donen molts detalls sobre l'envelliment de la bateria. Però aquests mètodes poden ser difícils i complicats d'utilitzar en sistemes de bateries en temps real. Sovint necessiten eines especials i una configuració acurada. Els mètodes més nous basats en dades comencen a prendre el relleu mitjançant l'aprenentatge automàtic per endevinar l'envelliment de la bateria sense models concrets.
Recompte de cicles
El recompte de cicles és una de les maneres més antigues de comprovar el SOH en bateries de liti-ió. Aquesta manera compta quantes vegades es carrega i s'utilitza una bateria. Cada cicle complet fa que la bateria envelli una mica. En comptar els cicles, els enginyers poden endevinar quant s'ha desgastat la bateria.
El recompte de cicles és fàcil i no necessita eines especials ni càlculs matemàtics difícils. Però no té en compte les diferències entre cada cicle. Coses com la temperatura, l'ús de la bateria i la rapidesa amb què es carrega influeixen en la rapidesa amb què envelleix, però el recompte de cicles tracta tots els cicles de la mateixa manera. Això pot fer que les comprovacions SOH siguin incorrectes, sobretot a la vida real, on les bateries s'enfronten a molts tipus d'estrès.
Mètodes avançats
Les maneres avançades de comprovar el SOH utilitzen l'aprenentatge automàtic i la intel·ligència artificial per estudiar moltes dades de la bateria. Aquestes maneres aprenen del voltatge, el corrent i la temperatura per endevinar el SOH millor que les maneres antigues. Els models d'aprenentatge automàtic com les màquines de vectors de suport, els boscos aleatoris i les xarxes neuronals profundes poden trobar patrons complicats d'envelliment de la bateria.
Estudis recents mostren que aquests mètodes basats en dades funcionen millor que els antics models físics. Per exemple, la regressió de vectors de suport i la regressió de processos gaussians poden obtenir errors d'arrel quadràtica mitjans inferiors al 0.4% en endevinar la SOH. Les xarxes neuronals de prealimentació i els sistemes d'inferència neurodifusa adaptativa també funcionen bé, amb pocs errors i bons resultats per a diferents bateries.
Els mètodes d'aprenentatge automàtic no necessiten models detallats de bateria.
La computació en núvol permet executar models més grans, fent que les comprovacions SOH siguin millors fins i tot si el sistema de bateries és petit.
L'ús de més d'un model d'aprenentatge automàtic pot fer que les comprovacions SOH siguin encara més exactes.
Aquests mètodes poden obtenir errors absoluts mitjans dins del 3% i errors quadràtics mitjans dins del 2% en proves reals.
Però, els mètodes avançats necessiten moltes i bones dades d'entrenament. Poden tenir problemes amb l'envelliment estrany de la bateria o grans canvis en la manera com s'utilitzen les bateries. És important triar bones característiques de les dades de càrrega, ja que la càrrega és més regular que l'ús de la bateria en els cotxes elèctrics. Els enginyers han d'assegurar-se que aquests mètodes siguin forts i segurs abans d'utilitzar-los. sistemes de bateries que protegeixen les persones.
Nota: El pas dels models físics antics a mètodes basats en dades demostra que necessitem comprovacions SOH millors i més flexibles per a les bateries de ions de liti. L'aprenentatge automàtic ajuda a detectar l'envelliment de la bateria aviat i fa que les bateries funcionin millor trobant signes de problemes abans.
Combinació de mètodes per a la precisió
Enfocaments híbrids
Els sistemes de gestió de bateries funcionen millor quan utilitzen més d'un mètode per comprovar l'estat de càrrega i l'estat de salut. Un mètode per si sol no pot resoldre tots els problemes dels sistemes de bateries de liti-ió. Mètodes híbrids combina els punts forts dels algoritmes basats en models, basats en dades i d'aprenentatge. Això ajuda a reduir el soroll, gestionar les incògnites i mantenir-se al dia amb l'envelliment de la bateria.
Molts algoritmes d'optimització, com ara els mínims quadrats, l'algoritme d'optimització de gira-sol i l'algoritme de cerca de l'àguila calva, milloren les comprovacions de l'estat de càrrega. Per exemple, l'algoritme de cerca de l'àguila calva tenia un error màxim de només l'1.06% per al SOC.
Els mapes d'autoorganització millorats i l'aprenentatge semisupervisat han mostrat errors màxims propers a l'1.25% i un RMSE tan baix com el 0.55%. Aquests resultats signifiquen que els mètodes híbrids proporcionen comprovacions SOC sòlides per a bateries d'ions de liti.
L'ús de l'equilibri actiu de cel·les amb aprenentatge automàtic per a la vida útil restant ajuda amb les diferències de les cel·les i l'envelliment de la bateria. Les cel·les equilibrades proporcionen millors dades sobre l'estat de càrrega, cosa que ajuda a predir l'estat de la bateria de ions de liti.
Els models de xarxes neuronals híbrides ajuden amb els canvis de temperatura i com s'utilitzen les bateries. Combinant l'equilibri físic i els mètodes basats en dades, els sistemes de gestió de bateries poden ajudar a que les bateries de ions de liti durin més i funcionin millor. La fusió multimodel, com Random Forest, fa que les comprovacions de l'estat de salut siguin encara més sòlides utilitzant les millors parts de diferents models.
Els mètodes híbrids ajuden els sistemes de gestió de bateries a gestionar els canvis del món real. Això els fa més fiables per a vehicles elèctrics i altres usos.
Consideracions sobre l'aplicació
L'elecció i l'ús de mètodes híbrids en sistemes reals de bateries de ions de liti requereix una planificació acurada. Els enginyers han de pensar en les necessitats de cada ús, com ara els cotxes elèctrics o l'emmagatzematge.
Els mètodes basats en dades utilitzen dades de sensors en temps real i canvien a mesura que les bateries envelleixen o s'utilitzen. Aquests mètodes són més precisos, funcionen amb diferents compostos químics i gestionen bé el soroll del sensor.
Els marcs de treball híbrids combinen millors algoritmes de bosc aleatori, models basats en la física i altres eines d'aprenentatge automàtic. Aquest equilibri proporciona precisió, funciona ràpidament i es pot utilitzar per a molts tipus i situacions de bateries de ions de liti.
Els enginyers han de resoldre problemes com ara la necessitat de moltes dades de qualitat, l'elecció de les característiques adequades i els costos dels ordinadors. La combinació de característiques i l'ajust de la configuració poden fer millors prediccions i ajudar amb canvis en temps real.
Moltes dades, com el voltatge de les cel·les, el corrent, la temperatura i el recompte de cicles, ajuden a triar els millors mètodes híbrids. Aquests mètodes ajuden amb dades sorolloses o que falten i donen resultats especials per a cada ús, no només l'estat bàsic de càrrega i l'estat de salut. A la vida real, els mètodes híbrids funcionen bé en laboratoris i en el camp, com en els cotxes elèctrics, on mantenen les bateries segures i funcionant en diferents condicions.
Consell: A l'hora de triar mètodes híbrids, els enginyers han d'adaptar el mètode als objectius, les dades i on s'utilitzarà el sistema de bateries. Això ajuda a garantir que la gestió de les bateries de ions de liti sigui fiable, pugui créixer i funcioni en temps real.
Conèixer el soc i el SOH correctes és molt important per determinar el bon funcionament i la seguretat de les bateries d'ions de liti. Cada mètode té els seus punts forts, però utilitzar més d'un mètode junts en un sistema de gestió de bateries dóna els millors resultats per fer que les bateries d'ions de liti durin i funcionin millor. Una nova investigació mostra que l'ús de mètodes intel·ligents per seleccionar dades importants i xarxes neuronals millorades pot cometre errors molt petits, fins i tot de fins al 0.16%. Això ajuda a que les bateries durin més i siguin més segures. És important triar el mètode d'estimació que s'adapti a les necessitats de cada bateria d'ions de liti.
FAQ
Quina és la funció principal d'un sistema de gestió de bateries?
Un sistema de gestió de bateries manté les bateries segures. Comprova l'estat de càrrega i l'estat de salut. El sistema equilibra les cel·les perquè funcionin juntes. Evita que les bateries s'escalfin massa o s'omplin massa. Això ajuda a que les bateries durin més i funcionin millor.
Per què els sensors no poden mesurar l'estat de càrrega directament?
Els sensors no poden veure l'interior d'una bateria. Les reaccions químiques es produeixen a l'interior on els sensors no poden veure. Els sensors només mesuren el voltatge, el corrent i la temperatura. El sistema utilitza aquests números amb algoritmes especials per endevinar l'estat de càrrega.
Com afecta la temperatura a l'estimació de l'estat de la bateria?
Quan fa molta calor o fred, les reaccions de la bateria canvien. El sistema pot cometre errors en l'estat de càrrega o en l'estat de salut. Els bons sistemes de gestió de bateries canvien els seus càlculs per corregir aquests errors.
Quin mètode proporciona l'estimació més precisa de l'estat de salut?
Mètode | Nivell de precisió |
|---|---|
Aprenentatge automàtic | Molt alt |
Anàlisi d'impedància | alt |
Resistència interna | mitjà |
Recompte de cicles | Sota |
L'aprenentatge automàtic sol donar els millors resultats si les dades són bones.
