Et batteristyringssystem finder ladetilstanden og helbredstilstanden i lithium-ion-batterier ved hjælp af indirekte estimeringsteknikker. Det kan ikke måle disse ting direkte, fordi batteriet har komplekse reaktioner indeni. Derfor bruger systemet metoder som statistisk funktionsudtrækning, Coulomb-tælling og avancerede datadrevne modeller. For eksempel ser det på statistiske målinger som varians, middelværdi og skævhed fra spændings- og strømkurver for at holde øje med batteriforringelse. Brug af indirekte estimeringsmetoder, som maskinlæring og observatørbaserede tilgange, hjælper med at gøre soc-estimering mere præcis og sikker. Disse soc-estimeringsmetoder hjælper batteristyringssystemet med at forudsige ændringer i lithium-ion-batterier. De hjælper også med at håndtere kapacitetstab, aldring og risici bedre. God estimering af ladetilstand og helbredstilstand hjælper alle lithium-ion-batterier med at fungere bedre og holde længere.
Præcis soc-estimering i lithium-ion-batterisystemer beskytter batteriet mod overopladning, overophedning og pludselige fejl. Dette gør stærke estimeringsteknikker meget vigtige for moderne batteristyringssystemer.
Statistisk metrisk | Beskrivelse | Korrelation med batterinedbrydning |
|---|---|---|
varians | Kontrollerer hvor stabile spændings-/strømændringer er | Højere varians betyder ujævn indvendig modstand og kemiske reaktioner samt elektrodeskader |
Maksimal værdi | Højeste spænding/strøm under opladning eller afladning | Lavere tal viser mindre lasteevne og mulige sikkerhedsproblemer som overopladning eller overophedning |
Minimum værdi | Laveste spænding/strøm under opladning eller afladning | Viser kapacitetstab og sikkerhedsproblemer |
Gennemsnit (gennemsnit) | Gennemsnitlig spænding/strøm i løbet af en cyklus | Ændringer viser elektrolytnedbrydning og mindre energiproduktion |
skævhed | Hvor ujævnt spændingen/strømmen er fordelt | Bruges i funktionsudtrækning til at forudsige SOH |
Overdreven kurtose | Hvor skarp spændings-/strømtoppen er | Højere tal betyder mere polarisering og mindre lithiumindsættelsesevne |
Nøgleforsøg
Batteristyringssystemer kan ikke måle opladning eller tilstand direkte. De bruger indirekte metoder som statistisk analyse, Coulomb-tælling og maskinlæring. Disse metoder hjælper med at estimere batteriopladning og tilstand.
Kendskab til batteriernes opladningstilstand hjælper med at holde dem sikre. Det forhindrer overopladning, overophedning og pludselige problemer.
Der er forskellige måder at kontrollere batterier på. Tomgangsspænding, Coulomb-tælling, Kalman-filtrering og AI-baserede modeller er nogle af metoderne. Hver af dem har sine fordele og ulemper. At bruge dem sammen gør resultaterne bedre og mere pålidelige.
Et estimeret batteris tilstand kontrollerer, hvor gammelt det er. Det ser på kapacitetstab og intern modstand. Dette hjælper med at gætte batteriets levetid og undgå sikkerhedsproblemer.
Hybride tilgange blander modelbaserede og datadrevne metoder. Disse giver de bedste resultater. De kan ændre sig ved brug i den virkelige verden. Dette hjælper batterier med at holde længere og fungere bedre.
Grundlæggende om batteristyringssystemer
Nøglefunktioner
Et batteristyringssystem er meget vigtigt for lithium-ion-batterier. Det hjælper med at holde lithium-ion-batterier sikre og i god stand. Systemet kontrollerer hver lithium-ion-battericelle for spænding, strøm og temperatur. Det sørger også for, at alle lithium-ion-battericeller oplades og aflades jævnt. Dette hjælper hvert lithium-ion-batteri med at holde længere og fungere bedre.
Batteristyringssystemet overvåger opladnings- og sundhedstilstanden for hvert litium-ion-batteri. Det bruger disse tal til at forhindre overopladning og dyb afladning, hvilket kan skade litium-ion-batterier.
Sikkerhed kommer først. Systemet afbryder lithium-ion-batteriet, hvis det finder problemer som overophedning eller kortslutninger. Det kan bruge backup-celler eller -pakker til at holde tingene i gang.
Kommunikation er vigtig. Batteristyringssystemet bruger SPI og CAN-bus til at sende data til andre dele af enheden eller køretøjet.
Der findes forskellige typer, f.eks. centraliserede eller distribuerede, så batteristyringssystemet kan passe til mange lithium-ion-batteridesigns.
Nogle systemer har ekstra funktioner som fjernovervågning, livscyklusforudsigelse og fejldetektion. Disse bruger cloud computing og maskinlæring til at hjælpe batteriet med at fungere bedre og mere sikkert.
Nøglefunktion / Algoritme | Beskrivelse |
|---|---|
Celleovervågning | Overvåger spænding, strøm og temperatur for hver celle af litium-ion-batteriet. Finder problemer og starter sikkerhedsforanstaltninger. Bestemmer opladnings- og sundhedstilstand. |
Strømoptimering | Styrer opladning og afladning for at beskytte litium-ion-battericeller. Fungerer sammen med andre systemer for at udnytte strømmen på en smart måde. |
Sikkerhedsforsikring | Stopper farer som termisk løb. Bruger backup-planer og beskytter folk mod elektrisk stød. |
Optimering af batteriopladning | Ændrer opladningen for at mindske belastningen på hver celle i litium-ion-batteriet. Gemmer fejlkoder til senere kontrol. |
Cellebalanceringsalgoritme | Sørger for, at alle lithium-ion-battericeller har den samme spænding. Bruger aktiv eller passiv balancering for at hjælpe batteriet med at fungere bedre. |
Kommunikationsalgoritmer | Sender data mellem batteristyringssystemet og andre enheder. Stopper opladning, hvis den finder usikre forhold. |
Tip: Brug af færdiglavede software- og hardwareværktøjer kan hjælpe ingeniører med hurtigere at bygge og teste et batteristyringssystem til lithium-ion-batterier.
Understøttede kemikalier
Et batteristyringssystem skal fungere med mange forskellige lithium-ion-batterikemier. Hver kemi, som f.eks. NMC, LFP og NCA, har sine egne fordele og ulemper. For eksempel har NMC lithium-ion-batterier en høj energitæthed. LFP lithium-ion-batterier holder længere og håndterer varme bedre. Batteristyringssystemet ændrer, hvordan det fungerer, for at tilpasse sig hver enkelt lithium-ion-batterikemi.
Nyere undersøgelser undersøger, hvordan forskellige litium-ion-batteriers kemiske sammensætninger fungerer i elbiler. Disse undersøgelser viser, at batteristyringssystemer skal håndtere ændringer i energitæthed, omkostninger og levetid. De viser også, at termisk styring og avanceret tilstandsestimering er vigtige for hver litium-ion-batteritype. Maskinlæringsmodeller kan hjælpe med at forudsige tilstanden af litium-ion-batterier ved hjælp af filtrerede data. Dette reducerer fejl og hjælper batteristyringssystemet med at håndtere den måde, hvorpå hver litium-ion-batteris kemiske sammensætning ældes.
Et fleksibelt batteristyringssystem kan fungere med mange lithium-ion-batterikemityper. Dette hjælper alle anvendelser, fra elbiler til bærbar elektronik, med at opnå den bedste batteriydelse og -sikkerhed.
Ladetilstand i litium-ion-batterier
Ladetilstanden er meget vigtig for lithium-ion-batterier. Den hjælper med at holde batteriet sikkert og i god stand. Hvis ladetilstanden ikke er korrekt, kan batteriet blive for varmt eller miste strøm. Dette kan få batteriet til at gå i stykker eller endda forårsage farlige problemer som brande. I elbiler hjælper det med at bremse og oplade batteriet. Det får også batteriet til at holde længere. Undersøgelser viser, at god estimering af ladetilstanden reducerer antallet af fejl og hjælper miljøet.
Du kan ikke måle ladetilstanden direkte i et lithium-ion-batteri. De kemiske reaktioner indeni er skjulte og svære at se. Sensorer kan tage fejl på grund af støj og ændringer i batteriet. Derfor bruger batteristyringssystemer særlige metoder til at gætte ladetilstanden. De ser på spænding, strøm og temperatur for at finde det ud. Disse metoder hjælper med at håndtere sensorproblemer og batteriældning.
OCV-metoden
Open Circuit Voltage-metoden gætter ladetilstanden ved at kontrollere batterispændingen, efter den har hvilet. Hver batterikemi har sin egen spændings- og ladetilstandsforbindelse. Denne metode er enkel og koster ikke meget. Den fungerer godt til den første ladetilstandskontrol og kræver ikke en stor batterimodel.
Aspect | Detaljer |
|---|---|
Princip | Batterispændingen måles efter hvile. Forbindelsen mellem OCV og ladetilstand findes ved at teste hver batteritype. |
Fordele | 1. Simpel proces |
Begrænsninger | 1. Har brug for lang hviletid (over 2 timer hvis det er koldt) |
OCV-metoden kan ikke kontrollere opladningstilstanden, mens batteriet er i drift. Lithium-ion-batterier udskiftes ofte hurtigt, så det er ikke nyttigt at vente på, at batteriet hviler. Flade pletter i OCV-kurven gør det nemt at få store fejl fra små spændingsændringer.
Coulomb-tælling
Coulomb-tælling, eller Ah-tælling, gætter ladningens tilstand ved at lægge strømmen ind og ud sammen. Den starter med et første ladningstilstandstal og ændrer det, efterhånden som strømmen bevæger sig.
Evalueringsaspekt | Detaljer |
|---|---|
Metode | Forbedret Coulomb-tællingsalgoritme |
Valideringsmetode | MATLAB-test sammenlignet med den reelle ladningstilstand fra opladnings-/afladningskurver |
Maks. fejl (opladningsafslutning) | Omkring 3.5% |
Fejl under CC-fasen | Mindre end 2% |
Fejl under CV-fasen | Mindre end 1% |
Fejltendens | Bliver større over tid før helbredstjek |
Vigtige faktorer | God første opladningstilstand og opladningskontroller reducerer fejl |
Fordele | Simpel matematik; tilstrækkelig nøjagtighed; ingen ekstra batteridata nødvendig |
Begrænsninger | Fejl hober sig op over tid; kræver gode første opladnings- og sundhedstilstandstal |
Coulomb-tælling er nem at bruge og kræver ikke ekstra batteridata. Men fejl kan hobe sig op over tid. Små fejl i den aktuelle eller første opladningstilstand kan forværres. Denne metode fungerer bedst med regelmæssige kontroller eller andre måder at hjælpe på.
Metode | RMSE | MSE | MFA | Nøglebedømmelser |
|---|---|---|---|---|
Coulomb-tælling (CC) | 0.5071 | 0.2572 | 0.4571 | De hyppigste fejl på grund af sensorstøj og fejl; ikke godt til langvarig brug |
Udvidet Kalman-filter | 0.0925 | N / A | N / A | Bedre nøjagtighed med modelhjælp; kræver en god batterimodel |
Lineær regression | 0.0778 | N / A | N / A | Bedre end EKF, men ikke perfekt til ændringer i ladetilstand |
Support Vector Machine | 0.0319 | N / A | N / A | Håndterer ændringer bedre; kræver mere computerkraft |
Tilfældig skovregression | 0.0229 | 0.0005 | 0.0139 | Bedste nøjagtighed; fungerer godt med støj og ændringer; god til reel batteristyring |
Kalman filtrering
Kalman-filtrering bruger matematiske modeller til at gætte ladetilstanden. Det udvidede Kalman-filter og det uparfumerede Kalman-filter er populære. Disse filtre blander realtidsdata med gæt om batterimodeller. De retter deres gæt, når nye data kommer ind.
Kalman-filtreringsmetoder som EKF, UKF, adaptive Kalman-filtre og dobbelte Kalman-filtre bruges meget.
Disse filtre bruger simple batterimodeller og mere komplekse modeller for at opnå bedre resultater.
Test viser, at Kalman-filtre håndterer ændringer, batterihukommelse og sensorstøj godt.
Ændring af indstillinger og brug af neurale netværk gør dem endnu bedre.
Opdatering af tal igen og igen hjælper med at rette fejl fra modelændringer og sensordrift.
Studier viser, at adaptive og dobbelte Kalman-filtre klarer sig bedre end almindelige EKF-filtre, hvad angår ladningstilstand.
Kalman Filtering giver gode realtidsvurderinger af ladetilstanden for lithium-ion-batterier. Det kræver omhyggelig opsætning og en god batterimodel. Det kan være svært at bruge, men det fungerer godt, når tingene ændrer sig hurtigt.
Hybride og AI-metoder
Hybride og AI-metoder blander modelbaserede og databaserede metoder til at gætte ladningstilstanden. Disse bruger maskinlæring, såsom neurale netværk, support vector machines og random forest regression. De lærer fra spændings-, strøm- og temperaturdata. Hybride metoder løser problemer, som enkeltstående metoder ikke kan.
Aspect | Beskrivelse |
|---|---|
Metode | Hybrid tilstandsværdi for ladning ved hjælp af Coulomb Counting and Relevance Vector Machine (movIRVM-Coulomb) |
datasæt | Data om enkeltbattericeller, testdata for batteripakker, simuleringsdata for Advisor |
Betingelser | Test med US06, UDDS, NYCC, 1015 kørecyklusser; temperaturer 0°C, 25°C, 45°C; første opladningstilstand 50%, 80% |
Nøjagtighed (RMSE) | Inden for 2% for mange tests og temperaturer |
Forbedring | Over 30% bedre end movIRVM alene; færre fejl over tid |
Nøglebegrænsning adresseret | Retter fejlopbygning i ren Coulomb-tælling |
Yderligere bemærkninger | Bruger glidende gennemsnit til at reducere støj; behøver kun 10-30% træningsdata til RVM-delen |
Hybride metoder blander data og modeller for at håndtere mærkelige batterihandlinger.
Databaserede metoder omfatter neurale netværk, supportvektormaskiner, Gaussisk procesregression, wavelet-neurale netværk og fuzzy logik.
Disse metoder gætter ladningstilstanden ud fra signaler, du kan måle.
Problemerne omfatter batteriforskelle, mærkelig brug og batterislid.
Nu foretrækker forskere databaserede metoder, fordi modeller alene ikke kan løse alle problemer.
Nye studier, der bruger deep learning og data fra virkelige biler, viser, at hybrid- og AI-metoder kan gætte ladetilstanden med mindre end 2% fejl. Disse metoder er meget præcise og fungerer godt, selv når tingene ændrer sig meget.
Bemærk: Statistiske metoder hjælper med at gætte ladningstilstanden ved at korrigere usikkerhed, sensorfejl og tilfældig støj. Kalibrering, regression og test gør alle metoder til ladningstilstanden mere pålidelige.
Metoder til estimering af sundhedstilstand
Tilstanden, eller SOH, fortæller os, hvor meget et lithium-ion-batteri er ældet. Den sammenligner batteriet nu med, da det var nyt. SOH findes ved at se på den aktuelle kapacitet og sammenligne den med den oprindelige kapacitet. Det kan også kontrolleres ved at sammenligne den indvendige modstand i en ny celle. Når SOH falder til under 80 % eller 70 %, er batteriet ved slutningen af sin levetid. SOH er vigtig, fordi det påvirker, hvor godt batteriet fungerer, hvor sikkert det er, og hvor længe det holder. Når SOH falder, holder batteriet mindre energi. Det betyder, at elbiler ikke kan køre lige så langt, og at enheder ikke kører lige så længe. Hvis et batteri ældes meget, kan det svulme op, lække eller endda antændes. God SOH-forudsigelse hjælper med at stoppe disse problemer og holder batterierne sikre.
Aspect | Beviser | Numeriske data / detaljer |
|---|---|---|
Definition af SOH | SOH er forholdet mellem strømkapacitet og startkapacitet eller sammenligner den indvendige modstand med et nyt batteri. | SOH's levetidsudløb er 80 % eller 70 % kapacitet tilbage. |
Indvirkning på levetiden | SOH viser, hvor meget kapacitet der går tabt, hvilket begrænser, hvor langt elbiler kan køre. Batterialdring betyder mindre kapacitet. | Elbilbatterier, der bruges i over 10,000 km og mere end 800 dage, viser mønstre i tab af kapacitet. |
Indvirkning på sikkerhed | Dårlig ældning kan forårsage lækager, hævelse, overophedning og brande. | Sikkerhedsrisici forværres, når SOH falder, så det er vigtigt at kontrollere SOH. |
Datakilde | Data kommer fra mange elbiler med forskellige måder at køre og oplade på. | Datasættet indeholder 347 elbiler, opladningshistorik for 25 måneder og masser af ændringer i den virkelige verden. |
Udfordringer i SOH-estimering | Ændringer i den virkelige verden, fejl i SOC, støjende data og ikke nok prøver gør SOH vanskelig at kontrollere. | SOC-fejl bliver større, efterhånden som batterierne ældes, og BMS har problemer med at opdatere kapaciteten hurtigt. |
Avancerede metoder | Maskinlæring og databaserede metoder gør SOH-tjek bedre. | BiGRU, supportvektorregression og dybe neurale netværk hjælper med at gætte SOH og SOC mere præcist. |
Intern modstand
Den indre modstand er meget vigtig for at kontrollere SOH i lithium-ion-batterier. Efterhånden som batterierne bliver ældre, stiger deres indre modstand. Dette sker, fordi dele inde i batteriet slides og går i stykker. Hvis modstanden fordobles, eller kapaciteten falder til 70-80%, er batteriet ved slutningen af sin levetid. Mange måder at kontrollere SOH på bruger intern modstand. Direkte måling af modstand giver gode resultater, men kræver normalt, at batteriet hviler, hvilket er svært under normal brug.
Forskere har fundet nye måder at bruge intern modstand på for at forbedre SOH-kontroller. For eksempel har de rettet åben kredsløbsspændingskurven ved hjælp af modstandsdata. Dette hjælper med at reducere fejl forårsaget af ændringer i opladningshastigheden. Denne metode bruger ting som konstant strømopladningstid i stedet for hård matematik. Test på rigtige batteridata viser, at denne metode kan sænke den gennemsnitlige absolutte fejl til omkring 1.28 % for nogle spændingsområder. Disse resultater viser, at observation af intern modstand gør SOH-kontroller stærkere og mere præcise.
Impedans
Impedansbaserede metoder bruger et batteris reaktion på elektricitet til at kontrollere SOH. Disse metoder bruger ofte elektrokemisk impedansspektroskopi eller lignende tests. Ved at se, hvordan batteriet reagerer med forskellige frekvenser, kan ingeniører spotte ældning og gætte SOH. Impedansmetoder kan være meget præcise med rodmiddelkvadratfejl mellem 0.75 % og 1.5 % SOH-enheder.
Metodetype | Beskrivelse | SOH-forudsigelsesnøjagtighed (RMS-fejl) | Praktiske overvejelser |
|---|---|---|---|
Direkte EIS-data | Bruger rå elektrokemiske impedansspektroskopidata | 0.75% – 1.5% SOH-enheder | Hurtig at måle, men celler kan være forskellige |
Ækvivalente kredsløbstilpasninger | Matcher EIS-data med kredsløbsmodeller | 0.75% – 1.5% SOH-enheder | Kræver mere arbejde og matematik, men har mindre usikkerhed |
Fordeling af afslapningstider (DRT) | Ser på, hvor lang tid det tager for ting at stabilisere sig ved hjælp af EIS-data | 0.75% – 1.5% SOH-enheder | Bruger meget computerkraft, men er fleksibel |
Ikke-lineær frekvensresponsanalyse (NFRA) | Bruger specielle frekvensdata til at kontrollere SOH | 0.75% – 1.5% SOH-enheder | Giver god information om batteriets funktion, hurtigere end fuld afladning |
Impedansbaserede metoder fungerer godt i laboratorier og giver mange detaljer om batteriældning. Men disse metoder kan være svære og vanskelige at bruge i realtidsbatterisystemer. De kræver ofte specialværktøj og omhyggelig opsætning. Nyere databaserede metoder begynder at tage over ved at bruge maskinlæring til at gætte batteriældning uden konkrete modeller.
Cyklustælling
Cyklustælling er en af de ældste måder at kontrollere SOH i lithium-ion-batterier. Denne metode tæller, hvor mange gange et batteri oplades og bruges. Hver fuld cyklus får batteriet til at ældes lidt. Ved at tælle cyklusser kan ingeniører gætte, hvor meget batteriet er slidt op.
Cyklustælling er nemt og kræver ikke specialværktøj eller hård matematik. Men det ser ikke på, hvordan hver cyklus er forskellig. Ting som temperatur, hvor meget batteriet bruges, og hvor hurtigt det oplades, ændrer alle, hvor hurtigt det ældes, men cyklustælling behandler hver cyklus ens. Dette kan gøre SOH-kontroller forkerte, især i det virkelige liv, hvor batterier udsættes for mange former for belastning.
Avancerede metoder
Avancerede metoder til at kontrollere SOH bruger maskinlæring og kunstig intelligens til at studere en masse batteridata. Disse metoder lærer fra spænding, strøm og temperatur for at gætte SOH bedre end gamle metoder. Maskinlæringsmodeller som support vector machines, random forests og dybe neurale netværk kan finde vanskelige batteriældningsmønstre.
Nyere undersøgelser viser, at disse databaserede metoder fungerer bedre end gamle fysiske modeller. For eksempel kan støttevektorregression og Gaussisk procesregression få rodmiddelkvadratfejl under 0.4%, når man gætter på SOH. Feed-forward neurale netværk og adaptive neuro-fuzzy inferenssystemer klarer sig også godt med lave fejl og gode resultater for forskellige batterier.
Maskinlæringsmetoder kræver ikke detaljerede batterimodeller.
Cloud computing gør det muligt for større modeller at køre, hvilket gør SOH-kontroller bedre, selv hvis batterisystemet er lille.
Brug af mere end én maskinlæringsmodel kan gøre SOH-tjek endnu mere præcise.
Disse måder kan få gennemsnitlige absolutte fejl inden for 3% og rodmiddelkvadratfejl inden for 2% i virkelige tests.
Men avancerede metoder kræver gode og masser af træningsdata. De kan have problemer med mærkelig batteriældning eller store ændringer i, hvordan batterier bruges. Det er vigtigt at udvælge gode funktioner fra opladningsdata, da opladning er mere regelmæssig end at bruge batteriet op i elbiler. Ingeniører skal sikre sig, at disse metoder er stærke og sikre, før de bruges i batterisystemer, der beskytter mennesker.
Bemærk: At gå fra gamle fysiske modeller til databaserede metoder viser, at vi har brug for bedre og mere fleksible SOH-kontroller for lithium-ion-batterier. Maskinlæring hjælper med at opdage batteriældning tidligt og får batterier til at fungere bedre ved at finde tegn på problemer hurtigere.
Kombinering af metoder til nøjagtighed
Hybride tilgange
Batteristyringssystemer fungerer bedre, når de bruger mere end én metode til at kontrollere opladnings- og sundhedstilstanden. Én metode alene kan ikke løse alle problemer i lithium-ion-batterisystemer. Hybride metoder blander modelbaserede, datadrevne og læringsalgoritmiske styrker. Dette hjælper med at reducere støj, håndtere ukendte faktorer og holde trit med batteriældning.
Mange optimeringsalgoritmer, som f.eks. mindste kvadraters metode, Sunflower Optimization Algorithm og Bald Eagle Search Algorithm, gør ladningstilstandskontroller bedre. For eksempel havde Bald Eagle Search Algorithm en peak-fejl på kun 1.06 % for SOC.
Forbedrede selvorganiseringskort og semi-superviseret læring har vist topfejl nær 1.25 % og RMSE så lave som 0.55 %. Disse resultater betyder, at hybridmetoder giver stærke SOC-kontroller for lithium-ion-batterier.
Brug af aktiv cellebalancering med maskinlæring for at måle den resterende levetid hjælper med at håndtere celleforskelle og batteriældning. Balancerede celler giver bedre data om opladningstilstanden, hvilket hjælper med at forudsige litium-ion-batteriers tilstand.
Hybride neurale netværksmodeller hjælper med temperaturændringer og hvordan batterier bruges. Ved at blande fysisk balancering og datadrevne metoder kan batteristyringssystemer hjælpe lithium-ion-batterier med at holde længere og fungere bedre. Multimodelfusion, som Random Forest, gør tilstandstjek endnu stærkere ved at bruge de bedste dele fra forskellige modeller.
Hybridmetoder hjælper batteristyringssystemer med at håndtere ændringer i den virkelige verden. Dette gør dem mere pålidelige til elbiler og andre anvendelser.
Overvejelser om anvendelse
Valg og brug af hybridmetoder i rigtige lithium-ion-batterisystemer kræver omhyggelig planlægning. Ingeniører skal overveje, hvad hver anvendelse kræver, f.eks. elbiler eller lagring.
Datadrevne metoder bruger sensordata i realtid og ændrer sig, efterhånden som batterier ældes eller bruges. Disse metoder er mere præcise, fungerer med forskellige kemiske sammensætninger og håndterer sensorstøj godt.
Hybride frameworks blander bedre random forest-algoritmer, fysikbaserede modeller og andre maskinlæringsværktøjer. Denne balance giver nøjagtighed, fungerer hurtigt og kan bruges til mange lithium-ion-batterityper og -situationer.
Ingeniører skal løse problemer som behovet for masser af gode data, valg af de rigtige funktioner og computeromkostninger. Ved at kombinere funktioner og justere indstillinger kan forudsigelserne forbedres og ændringer i realtid kan forbedres.
Masser af data, såsom cellespænding, strøm, temperatur og cyklustælling, hjælper med at vælge de bedste hybridmetoder. Disse metoder hjælper med støjende eller manglende data og giver særlige resultater for hver brug, ikke kun den grundlæggende opladnings- og sundhedstilstand. I virkeligheden fungerer hybridmetoder godt i laboratorier og i felten, f.eks. i elbiler, hvor de holder batterierne sikre og fungerer under forskellige forhold.
Tip: Når ingeniører vælger hybridmetoder, bør de afstemme metoden med batterisystemets mål, data og hvor det skal bruges. Dette er med til at sikre, at lithium-ion-batteristyringen er pålidelig, kan vokse og fungerer i realtid.
Det er meget vigtigt at kende den rigtige soc og SOH for, hvor godt og sikkert litium-ion-batterier fungerer. Hver metode har sine egne fordele, men at bruge mere end én metode sammen i et batteristyringssystem giver de bedste resultater for at få litium-ion-batterier til at holde og fungere bedre. Ny forskning viser, at brugen af smarte måder at udvælge vigtige data på og forbedrede neurale netværk kan gøre fejlene meget små, helt ned til 0.16 %. Dette hjælper batterier med at holde længere og forblive mere sikre. Det er vigtigt at vælge den estimeringsmetode, der passer til, hvad hvert litium-ion-batteri har brug for.
Ofte stillede spørgsmål
Hvad er den primære opgave for et batteristyringssystem?
Et batteristyringssystem holder batterier sikre. Det kontrollerer opladnings- og sundhedstilstanden. Systemet afbalancerer cellerne, så de arbejder sammen. Det forhindrer batterier i at blive for varme eller for fulde. Dette hjælper batterierne med at holde længere og fungere bedre.
Hvorfor kan sensorer ikke måle ladetilstanden direkte?
Sensorer kan ikke se ind i et batteri. Kemiske reaktioner sker indeni, hvor sensorer ikke kan se. Sensorer måler kun spænding, strøm og temperatur. Systemet bruger disse tal med særlige algoritmer til at gætte ladetilstanden.
Hvordan påvirker temperaturen estimering af batteriets tilstand?
Når det er meget varmt eller koldt, ændrer batteriets reaktioner sig. Systemet kan lave fejl i opladningstilstand eller helbredstilstand. Gode batteristyringssystemer ændrer deres matematik for at rette disse fejl.
Hvilken metode giver det mest præcise estimat af sundhedstilstanden?
Metode | Nøjagtighedsniveau |
|---|---|
Maskinelæring | Meget Høj |
Impedansanalyse | Høj |
Intern modstand | Medium |
Cyklustælling | Lav |
Maskinlæring giver normalt de bedste resultater, hvis dataene er gode.
