Ένα σύστημα διαχείρισης μπαταριών εντοπίζει την κατάσταση φόρτισης και την κατάσταση υγείας των μπαταριών ιόντων λιθίου χρησιμοποιώντας έμμεσες τεχνικές εκτίμησης. Δεν μπορεί να μετρήσει αυτά τα πράγματα άμεσα επειδή η μπαταρία έχει πολύπλοκες αντιδράσεις στο εσωτερικό της. Έτσι, το σύστημα χρησιμοποιεί μεθόδους όπως στατιστική εξαγωγή χαρακτηριστικών, καταμέτρηση Coulomb και προηγμένα μοντέλα που βασίζονται σε δεδομένα. Για παράδειγμα, εξετάζει στατιστικές μετρήσεις όπως η διακύμανση, ο μέσος όρος και η ασυμμετρία από τις καμπύλες τάσης και ρεύματος για να παρακολουθεί την υποβάθμιση της μπαταρίας. Η χρήση έμμεσων μεθόδων εκτίμησης, όπως η μηχανική μάθηση και οι προσεγγίσεις που βασίζονται σε παρατηρητές, βοηθά στην ακριβέστερη και ασφαλέστερη εκτίμηση της κατάστασης φόρτισης. Αυτές οι μέθοδοι εκτίμησης της κατάστασης φόρτισης βοηθούν το σύστημα διαχείρισης μπαταριών να προβλέπει αλλαγές στις μπαταρίες ιόντων λιθίου. Βοηθούν επίσης στην καλύτερη διαχείριση της απώλειας χωρητικότητας, της γήρανσης και των κινδύνων. Η καλή εκτίμηση της κατάστασης φόρτισης και η εκτίμηση της κατάστασης φόρτισης βοηθούν κάθε μπαταρία ιόντων λιθίου να λειτουργεί καλύτερα και να διαρκεί περισσότερο.
Η ακριβής εκτίμηση της τάσης (soc) σε συστήματα μπαταριών ιόντων λιθίου προστατεύει την μπαταρία από υπερφόρτιση, υπερθέρμανση και ξαφνικές βλάβες. Αυτό καθιστά τις ισχυρές τεχνικές εκτίμησης πολύ σημαντικές για τα σύγχρονα συστήματα διαχείρισης μπαταριών.
Στατιστική Μετρική | Περιγραφή | Συσχέτιση με την υποβάθμιση της μπαταρίας |
|---|---|---|
Διαφορά | Ελέγχει πόσο σταθερές είναι οι αλλαγές τάσης/ρεύματος | Υψηλότερη διακύμανση σημαίνει ανομοιόμορφη εσωτερική αντίσταση και χημικές αντιδράσεις, καθώς και ζημιά στα ηλεκτρόδια. |
Μέγιστη αξία | Υψηλότερη τάση/ρεύμα κατά τη φόρτιση ή την εκφόρτιση | Οι χαμηλότεροι αριθμοί δείχνουν μικρότερη χωρητικότητα φορτίου και πιθανά προβλήματα ασφαλείας όπως υπερφόρτιση ή υπερθέρμανση |
Ελάχιστη τιμή | Χαμηλότερη τάση/ρεύμα κατά τη φόρτιση ή την εκφόρτιση | Δείχνει απώλεια χωρητικότητας και προβλήματα ασφάλειας |
Μέσος όρος (Μέσος όρος) | Μέση τάση/ρεύμα κατά τη διάρκεια ενός κύκλου | Οι αλλαγές δείχνουν διάσπαση ηλεκτρολυτών και λιγότερη παραγωγή ενέργειας |
Σκέψου | Πόσο ανομοιόμορφα κατανέμεται η τάση/ρεύμα | Χρησιμοποιείται στην εξαγωγή χαρακτηριστικών για την πρόβλεψη SOH |
Υπερβολική Κούρτωση | Πόσο έντονη είναι η κορυφή τάσης/ρεύματος | Υψηλότεροι αριθμοί σημαίνουν μεγαλύτερη πόλωση και λιγότερη ικανότητα εισαγωγής λιθίου |
Βασικά Συμπεράσματα
Τα συστήματα διαχείρισης μπαταριών δεν μπορούν να μετρήσουν άμεσα τη φόρτιση ή την εύρυθμη λειτουργία της μπαταρίας. Χρησιμοποιούν έμμεσους τρόπους όπως στατιστική ανάλυση, καταμέτρηση Coulomb και μηχανική μάθηση. Αυτές οι μέθοδοι βοηθούν στην εκτίμηση της φόρτισης και της εύρυθμης λειτουργίας της μπαταρίας.
Η γνώση της κατάστασης φόρτισης βοηθά στη διατήρηση της ασφάλειας των μπαταριών. Αποτρέπει την υπερφόρτιση, την υπερθέρμανση και τα ξαφνικά προβλήματα.
Υπάρχουν διάφοροι τρόποι για να ελέγξετε τις μπαταρίες. Η τάση ανοιχτού κυκλώματος, η μέτρηση Coulomb, το φιλτράρισμα Kalman και τα μοντέλα που βασίζονται στην τεχνητή νοημοσύνη είναι μερικές από τις μεθόδους. Κάθε μία έχει θετικά και αρνητικά σημεία. Η συνδυαστική χρήση τους κάνει τα αποτελέσματα καλύτερα και πιο αξιόπιστα.
Η εκτίμηση της κατάστασης της μπαταρίας ελέγχει την ηλικία μιας μπαταρίας. Εξετάζει την απώλεια χωρητικότητας και την εσωτερική αντίσταση. Αυτό βοηθά στην εκτίμηση της διάρκειας ζωής της μπαταρίας και στην αποφυγή προβλημάτων ασφαλείας.
Οι υβριδικές προσεγγίσεις συνδυάζουν μεθόδους που βασίζονται σε μοντέλα και μεθόδους που βασίζονται σε δεδομένα. Αυτές δίνουν τα καλύτερα αποτελέσματα. Μπορούν να αλλάξουν με τη χρήση στον πραγματικό κόσμο. Αυτό βοηθά τις μπαταρίες να διαρκούν περισσότερο και να λειτουργούν καλύτερα.
Βασικά στοιχεία συστήματος διαχείρισης μπαταριών
Λειτουργίες πλήκτρων
Ένα σύστημα διαχείρισης μπαταριών είναι πολύ σημαντικό για τις μπαταρίες ιόντων λιθίου. Βοηθά στη διατήρηση της ασφάλειας και της καλής λειτουργίας των μπαταριών ιόντων λιθίου. Το σύστημα ελέγχει κάθε στοιχείο μπαταρίας ιόντων λιθίου για τάση, ρεύμα και θερμοκρασία. Επίσης, διασφαλίζει ότι όλα τα στοιχεία της μπαταρίας ιόντων λιθίου φορτίζουν και αποφορτίζονται ομοιόμορφα. Αυτό βοηθά κάθε μπαταρία ιόντων λιθίου να διαρκεί περισσότερο και να λειτουργεί καλύτερα.
Το σύστημα διαχείρισης μπαταριών παρακολουθεί την κατάσταση φόρτισης και την εύρυθμη λειτουργία κάθε μπαταρίας ιόντων λιθίου. Χρησιμοποιεί αυτούς τους αριθμούς για να αποτρέψει την υπερφόρτιση και τη βαθιά εκφόρτιση, οι οποίες μπορούν να βλάψουν τις μπαταρίες ιόντων λιθίου.
Η ασφάλεια προέχει. Το σύστημα θα αποσυνδέσει την μπαταρία ιόντων λιθίου εάν εντοπίσει προβλήματα όπως υπερθέρμανση ή βραχυκύκλωμα. Μπορεί να χρησιμοποιήσει εφεδρικά στοιχεία ή μπαταρίες για να διατηρήσει τη λειτουργία της.
Η επικοινωνία έχει σημασία. Το σύστημα διαχείρισης μπαταρίας χρησιμοποιεί SPI και δίαυλο CAN για την αποστολή δεδομένων σε άλλα μέρη της συσκευής ή του οχήματος.
Υπάρχουν διαφορετικοί τύποι, όπως κεντρικοί ή κατανεμημένοι, επομένως το σύστημα διαχείρισης μπαταριών μπορεί να ταιριάξει σε πολλά σχέδια μπαταριών ιόντων λιθίου.
Ορισμένα συστήματα διαθέτουν επιπλέον λειτουργίες όπως απομακρυσμένη παρακολούθηση, πρόβλεψη κύκλου ζωής και ανίχνευση σφαλμάτων. Αυτά χρησιμοποιούν cloud computing και μηχανική μάθηση για να βοηθήσουν την μπαταρία να λειτουργεί καλύτερα και ασφαλέστερα.
Βασική Λειτουργία / Αλγόριθμος | Περιγραφή |
|---|---|
Παρακολούθηση κυττάρων | Παρακολουθεί την τάση, το ρεύμα και τη θερμοκρασία κάθε στοιχείου μπαταρίας ιόντων λιθίου. Εντοπίζει προβλήματα και ξεκινά ενέργειες ασφαλείας. Καταγράφει την κατάσταση φόρτισης και την κατάσταση της εύρυθμης λειτουργίας της. |
Βελτιστοποίηση ισχύος | Ελέγχει τη φόρτιση και την εκφόρτιση για να διατηρεί τα στοιχεία των μπαταριών ιόντων λιθίου ασφαλή. Λειτουργεί με άλλα συστήματα για έξυπνη χρήση ενέργειας. |
Διασφάλιση Ασφάλειας | Σταματά κινδύνους όπως η θερμική διαφυγή. Χρησιμοποιεί εφεδρικά σχέδια και προστατεύει τους ανθρώπους από ηλεκτροπληξία. |
Βελτιστοποίηση φόρτισης μπαταρίας | Αλλάζει τη φόρτιση για να μειώσει την καταπόνηση σε κάθε στοιχείο μπαταρίας ιόντων λιθίου. Αποθηκεύει τους κωδικούς σφάλματος για μεταγενέστερους ελέγχους. |
Αλγόριθμος εξισορρόπησης κυττάρων | Βεβαιωθείτε ότι όλες οι μπαταρίες ιόντων λιθίου έχουν την ίδια τάση. Χρησιμοποιεί ενεργητική ή παθητική εξισορρόπηση για να βοηθήσει την μπαταρία να λειτουργεί καλύτερα. |
Αλγόριθμοι Επικοινωνίας | Αποστέλλει δεδομένα μεταξύ του συστήματος διαχείρισης μπαταρίας και άλλων συσκευών. Διακόπτει τη φόρτιση εάν εντοπίσει μη ασφαλείς συνθήκες. |
Συμβουλή: Η χρήση έτοιμων εργαλείων λογισμικού και υλικού μπορεί να βοηθήσει τους μηχανικούς να κατασκευάσουν και να δοκιμάσουν ένα σύστημα διαχείρισης μπαταριών για μπαταρίες ιόντων λιθίου πιο γρήγορα.
Υποστηριζόμενες Χημικές Ενώσεις
Ένα σύστημα διαχείρισης μπαταριών πρέπει να λειτουργεί με πολλές χημικές ενώσεις μπαταριών ιόντων λιθίου. Κάθε χημική ένωση, όπως οι NMC, LFP και NCA, έχει τα δικά της καλά και κακά σημεία. Για παράδειγμα, οι μπαταρίες ιόντων λιθίου NMC έχουν υψηλή ενεργειακή πυκνότητα. Οι μπαταρίες ιόντων λιθίου LFP διαρκούν περισσότερο και διαχειρίζονται καλύτερα τη θερμότητα. Το σύστημα διαχείρισης μπαταριών αλλάζει τον τρόπο λειτουργίας του ώστε να ταιριάζει με τη χημική ένωση κάθε μπαταρίας ιόντων λιθίου.
Πρόσφατες μελέτες εξετάζουν τον τρόπο με τον οποίο λειτουργούν οι διαφορετικές χημικές δομές των μπαταριών ιόντων λιθίου στα ηλεκτρικά οχήματα. Αυτές οι μελέτες δείχνουν ότι τα συστήματα διαχείρισης μπαταριών πρέπει να διαχειρίζονται τις αλλαγές στην ενεργειακή πυκνότητα, το κόστος και τη διάρκεια ζωής του κύκλου. Δείχνουν επίσης ότι η θερμική διαχείριση και η προηγμένη εκτίμηση κατάστασης είναι σημαντικές για κάθε τύπο μπαταρίας ιόντων λιθίου. Τα μοντέλα μηχανικής μάθησης μπορούν να βοηθήσουν στην πρόβλεψη της κατάστασης της υγείας των μπαταριών ιόντων λιθίου χρησιμοποιώντας φιλτραρισμένα δεδομένα. Αυτό μειώνει τα λάθη και βοηθά το σύστημα διαχείρισης μπαταριών να αντιμετωπίσει τον τρόπο με τον οποίο γερνάει η χημική δομή κάθε μπαταρίας ιόντων λιθίου.
Ένα ευέλικτο σύστημα διαχείρισης μπαταριών μπορεί να λειτουργήσει με πολλές χημικές ενώσεις μπαταριών ιόντων λιθίου. Αυτό βοηθά κάθε εφαρμογή, από ηλεκτρικά οχήματα έως φορητές ηλεκτρονικές συσκευές, να επιτύχει την καλύτερη απόδοση και ασφάλεια της μπαταρίας.
Κατάσταση φόρτισης σε μπαταρίες ιόντων λιθίου
Η κατάσταση φόρτισης είναι πολύ σημαντική για τις μπαταρίες ιόντων λιθίου. Βοηθά στη διατήρηση της ασφάλειας και της καλής λειτουργίας της μπαταρίας. Εάν η κατάσταση φόρτισης δεν είναι η σωστή, η μπαταρία μπορεί να υπερθερμανθεί ή να χάσει ενέργεια. Αυτό μπορεί να προκαλέσει σπάσιμο της μπαταρίας ή ακόμη και επικίνδυνα προβλήματα, όπως πυρκαγιές. Στα ηλεκτρικά αυτοκίνητα, η γνώση της κατάστασης φόρτισης βοηθά στο φρενάρισμα και τη φόρτιση. Επίσης, κάνει την μπαταρία να διαρκεί περισσότερο. Μελέτες δείχνουν ότι η καλή εκτίμηση της κατάστασης φόρτισης μειώνει τα λάθη και βοηθά το περιβάλλον.
Δεν μπορείτε να μετρήσετε απευθείας την κατάσταση φόρτισης σε μια μπαταρία ιόντων λιθίου. Οι χημικές αντιδράσεις στο εσωτερικό της είναι κρυφές και δυσδιάκριτες. Οι αισθητήρες μπορεί να κάνουν λάθος λόγω θορύβου και αλλαγών στην μπαταρία. Έτσι, τα συστήματα διαχείρισης μπαταριών χρησιμοποιούν ειδικούς τρόπους για να μαντέψουν την κατάσταση φόρτισης. Εξετάζουν την τάση, το ρεύμα και τη θερμοκρασία για να την καταλάβουν. Αυτές οι μέθοδοι βοηθούν στην αντιμετώπιση προβλημάτων αισθητήρων και γήρανσης της μπαταρίας.
Μέθοδος OCV
Η μέθοδος Ανοικτού Κυκλώματος Τάσης μαντεύει την κατάσταση φόρτισης ελέγχοντας την τάση της μπαταρίας μετά την ηρεμία της. Κάθε χημική σύνθεση μπαταρίας έχει τη δική της σύνδεση τάσης και κατάστασης φόρτισης. Αυτή η μέθοδος είναι απλή και δεν κοστίζει πολύ. Λειτουργεί καλά για τον πρώτο έλεγχο κατάστασης φόρτισης και δεν απαιτεί ένα μεγάλο μοντέλο μπαταρίας.
Άποψη | Λεπτομέρειες |
|---|---|
Αρχή | Η τάση της μπαταρίας μετριέται μετά την ηρεμία. Η σύνδεση OCV και κατάστασης φόρτισης βρίσκεται δοκιμάζοντας κάθε τύπο μπαταρίας. |
Oφέλη | 1. Απλή διαδικασία |
Περιορισμοί | 1. Χρειάζεται μεγάλο χρόνο ανάπαυσης (πάνω από 2 ώρες εάν κρυώνει) |
Η μέθοδος OCV δεν μπορεί να ελέγξει την κατάσταση φόρτισης ενώ η μπαταρία λειτουργεί. Οι μπαταρίες ιόντων λιθίου συχνά αλλάζουν γρήγορα, επομένως η αναμονή για να ακινητοποιηθεί η μπαταρία δεν είναι χρήσιμη. Τα επίπεδα σημεία στην καμπύλη OCV διευκολύνουν την εμφάνιση μεγάλων λαθών από μικρές αλλαγές τάσης.
Coulomb Counting
Η μέτρηση Coulomb, ή μέτρηση Ah, μαντεύει την κατάσταση φόρτισης προσθέτοντας το ρεύμα που εισέρχεται και εξέρχεται. Ξεκινά με έναν πρώτο αριθμό κατάστασης φόρτισης και τον αλλάζει καθώς κινείται το ρεύμα.
Πτυχή αξιολόγησης | Λεπτομέρειες |
|---|---|
Μέθοδος | Βελτιωμένος αλγόριθμος καταμέτρησης Coulomb |
Προσέγγιση επικύρωσης | Δοκιμή MATLAB σε σύγκριση με την πραγματική κατάσταση φόρτισης από καμπύλες φόρτισης/εκφόρτισης |
Μέγιστο σφάλμα (Τέλος φόρτισης) | Σχετικά 3.5% |
Σφάλμα κατά τη διάρκεια του σταδίου CC | Λιγότερο από 2% |
Σφάλμα κατά τη διάρκεια του σταδίου CV | Λιγότερο από 1% |
Τάση σφαλμάτων | Μεγαλώνει με την πάροδο του χρόνου πριν από τον έλεγχο της κατάστασης της υγείας |
Σημαντικοί Παράγοντες | Καλή πρώτη κατάσταση φόρτισης και έλεγχοι φόρτισης που μειώνουν τα λάθη |
Πλεονεκτήματα | Απλά μαθηματικά. Αρκετά καλή ακρίβεια. Δεν απαιτούνται επιπλέον δεδομένα μπαταρίας |
Περιορισμοί | Τα λάθη συσσωρεύονται με την πάροδο του χρόνου. Χρειάζεται καλή αρχική κατάσταση φόρτισης και στοιχεία για την κατάσταση της υγείας του. |
Η μέτρηση Coulomb είναι εύκολη στη χρήση και δεν απαιτεί επιπλέον δεδομένα μπαταρίας. Ωστόσο, τα λάθη μπορούν να συσσωρευτούν με την πάροδο του χρόνου. Μικρά σφάλματα στην τρέχουσα ή την πρώτη κατάσταση φόρτισης μπορούν να επιδεινωθούν. Αυτή η μέθοδος λειτουργεί καλύτερα με τακτικούς ελέγχους ή άλλους τρόπους για να βοηθήσει.
Μέθοδος | RMSE | MSE | ΜΑΕ | Σημαντικά ευρήματα |
|---|---|---|---|---|
Καταμέτρηση Κουλόμπ (CC) | 0.5071 | 0.2572 | 0.4571 | Τα περισσότερα σφάλματα λόγω θορύβου και σφαλμάτων αισθητήρα. Δεν είναι καλό για μακροχρόνια χρήση. |
Εκτεταμένο φίλτρο Kalman | 0.0925 | Δ/Ε | Δ/Ε | Καλύτερη ακρίβεια με βοήθεια μοντέλου. Χρειάζεται ένα καλό μοντέλο μπαταρίας |
γραμμική Παλινδρόμηση | 0.0778 | Δ/Ε | Δ/Ε | Καλύτερο από το EKF αλλά όχι τέλειο για αλλαγές κατάστασης φόρτισης |
Υποστήριξη μηχανής διάνυσμα | 0.0319 | Δ/Ε | Δ/Ε | Διαχειρίζεται καλύτερα τις αλλαγές· χρειάζεται περισσότερη ισχύ υπολογιστή |
Τυχαία παλινδρόμηση δασών | 0.0229 | 0.0005 | 0.0139 | Βέλτιστη ακρίβεια· λειτουργεί καλά με θόρυβο και αλλαγές· καλό για πραγματική διαχείριση μπαταρίας |
Φιλτράρισμα Kalman
Το φιλτράρισμα Kalman χρησιμοποιεί μαθηματικά μοντέλα για να μαντέψει την κατάσταση φόρτισης. Το εκτεταμένο φίλτρο Kalman και το άοσμο φίλτρο Kalman είναι δημοφιλή. Αυτά τα φίλτρα συνδυάζουν δεδομένα πραγματικού χρόνου με εικασίες μοντέλου μπαταρίας. Διορθώνουν τις εικασίες τους καθώς εισέρχονται νέα δεδομένα.
Οι μέθοδοι φιλτραρίσματος Kalman όπως το EKF, το UKF, τα προσαρμοστικά φίλτρα Kalman και τα διπλά φίλτρα Kalman χρησιμοποιούνται πολύ.
Αυτά τα φίλτρα χρησιμοποιούν απλά μοντέλα μπαταριών και πιο σύνθετα για να έχουν καλύτερα αποτελέσματα.
Οι δοκιμές δείχνουν ότι τα φίλτρα Kalman διαχειρίζονται καλά τις αλλαγές, τη μνήμη της μπαταρίας και τον θόρυβο του αισθητήρα.
Η αλλαγή ρυθμίσεων και η χρήση νευρωνικών δικτύων τα καθιστούν ακόμα καλύτερα.
Η επανειλημμένη ενημέρωση των αριθμών βοηθά στη διόρθωση λαθών από αλλαγές μοντέλων και μετατόπιση αισθητήρων.
Μελέτες δείχνουν ότι τα προσαρμοστικά και τα διπλά φίλτρα Kalman αποδίδουν καλύτερα από το κανονικό EKF για την κατάσταση φόρτισης.
Το φιλτράρισμα Kalman παρέχει καλές, σε πραγματικό χρόνο, εκτιμήσεις για την κατάσταση φόρτισης των μπαταριών ιόντων λιθίου. Απαιτείται προσεκτική ρύθμιση και ένα καλό μοντέλο μπαταρίας. Μπορεί να είναι δύσκολο στη χρήση, αλλά λειτουργεί καλά όταν τα πράγματα αλλάζουν γρήγορα.
Υβριδικές και Τεχνητές Μέθοδοι
Οι υβριδικές μέθοδοι και οι μέθοδοι τεχνητής νοημοσύνης συνδυάζουν τρόπους που βασίζονται σε μοντέλα και σε δεδομένα για να μαντέψουν την κατάσταση φόρτισης. Αυτές χρησιμοποιούν μηχανική μάθηση, όπως νευρωνικά δίκτυα, μηχανές υποστήριξης διανυσμάτων και τυχαία παλινδρόμηση δασών. Μαθαίνουν από δεδομένα τάσης, ρεύματος και θερμοκρασίας. Οι υβριδικές μέθοδοι επιλύουν προβλήματα που οι μεμονωμένες μέθοδοι δεν μπορούν.
Άποψη | Περιγραφή |
|---|---|
Μέθοδος | Υβριδική εκτίμηση κατάστασης φορτίου χρησιμοποιώντας Μηχανή Καταμέτρησης Coulomb και Διανυσμάτων Συνάφειας (movIRVM-Coulomb) |
Σύνολο δεδομένων | Δεδομένα μεμονωμένων στοιχείων μπαταρίας, δεδομένα δοκιμών συστοιχίας μπαταριών, δεδομένα προσομοίωσης Advisor |
Όροι | Δοκιμές με US06, UDDS, NYCC, 1015 κύκλους οδήγησης· θερμοκρασίες 0°C, 25°C, 45°C· πρώτη κατάσταση φόρτισης 50%, 80% |
Ακρίβεια (RMSE) | Εντός 2% για πολλές δοκιμές και θερμοκρασίες |
Βελτίωση | Πάνω από 30% καλύτερο από το movIRVM μόνο του. λιγότερα λάθη με την πάροδο του χρόνου |
Βασικός περιορισμός που αντιμετωπίστηκε | Διορθώνει τη συσσώρευση λαθών στην καθαρή μέτρηση Coulomb |
Πρόσθετες σημειώσεις | Χρησιμοποιεί κινητό μέσο όρο για τη μείωση του θορύβου. Χρειάζεται μόνο 10-30% δεδομένα εκπαίδευσης για το τμήμα RVM |
Οι υβριδικές μέθοδοι συνδυάζουν δεδομένα και μοντέλα για να χειριστούν περίεργες ενέργειες μπαταρίας.
Οι μέθοδοι που βασίζονται σε δεδομένα περιλαμβάνουν νευρωνικά δίκτυα, μηχανές υποστηρικτικών διανυσμάτων, γκαουσιανή παλινδρόμηση διεργασιών, νευρωνικά δίκτυα κυματιδίων και ασαφή λογική.
Με αυτούς τους τρόπους μπορείτε να μαντέψετε την κατάσταση φορτίου από σήματα που μπορείτε να μετρήσετε.
Τα προβλήματα περιλαμβάνουν διαφορές στις μπαταρίες, περίεργη χρήση και φθορά της μπαταρίας.
Τώρα, οι ερευνητές προτιμούν τις μεθόδους που βασίζονται σε δεδομένα επειδή τα μοντέλα από μόνα τους δεν μπορούν να διορθώσουν όλα τα προβλήματα.
Νέες μελέτες που χρησιμοποιούν βαθιά μάθηση και δεδομένα πραγματικών αυτοκινήτων δείχνουν ότι οι υβριδικές μέθοδοι και οι μέθοδοι τεχνητής νοημοσύνης μπορούν να μαντέψουν την κατάσταση φόρτισης με σφάλμα μικρότερο από 2%. Αυτοί οι τρόποι είναι πολύ ακριβείς και λειτουργούν καλά, ακόμα και όταν τα πράγματα αλλάζουν πολύ.
Σημείωση: Οι στατιστικές μέθοδοι βοηθούν στην εκτίμηση της κατάστασης φόρτισης διορθώνοντας την αβεβαιότητα, τα σφάλματα των αισθητήρων και τον τυχαίο θόρυβο. Η βαθμονόμηση, η παλινδρόμηση και οι δοκιμές καθιστούν όλες τις μεθόδους εκτίμησης της κατάστασης φόρτισης πιο αξιόπιστες.
Μέθοδοι Εκτίμησης της Κατάστασης της Υγείας
Η κατάσταση υγείας, ή SOH, μας λέει πόσο έχει γεράσει μια μπαταρία ιόντων λιθίου. Συγκρίνει την μπαταρία τώρα με όταν ήταν καινούργια. Η SOH βρίσκεται εξετάζοντας την τρέχουσα χωρητικότητα και συγκρίνοντάς την με την αρχική χωρητικότητα. Μπορεί επίσης να ελεγχθεί συγκρίνοντας την εσωτερική αντίσταση με ένα νέο στοιχείο. Όταν η SOH πέσει κάτω από 80% ή 70%, η μπαταρία βρίσκεται στο τέλος της διάρκειας ζωής της. Η SOH έχει σημασία επειδή επηρεάζει το πόσο καλά λειτουργεί η μπαταρία, το πόσο ασφαλής είναι και τη διάρκεια ζωής της. Καθώς η SOH μειώνεται, η μπαταρία διατηρεί λιγότερη ενέργεια. Αυτό σημαίνει ότι τα ηλεκτρικά αυτοκίνητα δεν μπορούν να πάνε τόσο μακριά και οι συσκευές δεν λειτουργούν για τόσο μεγάλο χρονικό διάστημα. Εάν μια μπαταρία γεράσει πολύ, μπορεί να διογκωθεί, να παρουσιάσει διαρροή ή ακόμα και να πιάσει φωτιά. Η καλή πρόβλεψη της SOH βοηθά στην πρόληψη αυτών των προβλημάτων και διατηρεί τις μπαταρίες ασφαλείς.
Άποψη | Απόδειξη | Αριθμητικά Δεδομένα / Λεπτομέρειες |
|---|---|---|
Ορισμός του SOH | Το SOH είναι ο λόγος της τρέχουσας χωρητικότητας προς την αρχική χωρητικότητα ή συγκρίνει την εσωτερική αντίσταση με μια νέα μπαταρία. | Τα επίπεδα SOH στο τέλος του κύκλου ζωής τους είναι στο 80% ή 70% της εναπομένουσας χωρητικότητας. |
Επίδραση στη μακροζωία | Το SOH δείχνει πόση χωρητικότητα χάνεται, γεγονός που περιορίζει την απόσταση που μπορούν να διανύσουν τα ηλεκτρικά οχήματα. Η γήρανση της μπαταρίας σημαίνει μικρότερη χωρητικότητα. | Οι μπαταρίες ηλεκτρικών οχημάτων που χρησιμοποιούνται για πάνω από 10,000 χλμ. και για περισσότερες από 800 ημέρες παρουσιάζουν πρότυπα απώλειας χωρητικότητας. |
Επιπτώσεις στην Ασφάλεια | Η κακή γήρανση μπορεί να προκαλέσει διαρροές, πρήξιμο, υπερθέρμανση και πυρκαγιές. | Οι κίνδυνοι για την ασφάλεια επιδεινώνονται καθώς μειώνεται το SOH, επομένως ο έλεγχος του SOH είναι σημαντικός. |
Πηγή δεδομένων | Τα δεδομένα προέρχονται από πολλά ηλεκτρικά οχήματα με διαφορετικούς τρόπους οδήγησης και φόρτισης. | Το σύνολο δεδομένων περιλαμβάνει 347 ηλεκτρικά οχήματα, αρχεία φόρτισης για 25 μήνες και πολλές αλλαγές στον πραγματικό κόσμο. |
Προκλήσεις στην Εκτίμηση SOH | Οι αλλαγές στον πραγματικό κόσμο, τα λάθη στο SOC, τα θορυβώδη δεδομένα και η έλλειψη δειγμάτων καθιστούν τον έλεγχο του SOH δύσκολο. | Τα λάθη στο SOC γίνονται μεγαλύτερα καθώς οι μπαταρίες γερνούν και το BMS δυσκολεύεται να ενημερώσει γρήγορα την χωρητικότητα. |
Προηγμένες Μέθοδοι | Η μηχανική μάθηση και οι τρόποι που βασίζονται σε δεδομένα βελτιώνουν τους ελέγχους SOH. | Το BiGRU, η υποστήριξη διανυσματικής παλινδρόμησης και τα βαθιά νευρωνικά δίκτυα βοηθούν στην ακριβέστερη εκτίμηση του SOH και του SOC. |
Εσωτερική αντίσταση
Η εσωτερική αντίσταση είναι πολύ σημαντική για τον έλεγχο του SOH στις μπαταρίες ιόντων λιθίου. Καθώς οι μπαταρίες γερνούν, η εσωτερική τους αντίσταση αυξάνεται. Αυτό συμβαίνει επειδή τα εξαρτήματα στο εσωτερικό της μπαταρίας φθείρονται και καταρρέουν. Εάν η αντίσταση διπλασιαστεί ή η χωρητικότητα μειωθεί στο 70-80%, η μπαταρία βρίσκεται στο τέλος της διάρκειας ζωής της. Πολλοί τρόποι για να ελέγξετε το SOH χρησιμοποιούν την εσωτερική αντίσταση. Η άμεση μέτρηση της αντίστασης δίνει καλά αποτελέσματα, αλλά συνήθως χρειάζεται η μπαταρία να ξεκουραστεί, κάτι που είναι δύσκολο κατά την κανονική χρήση.
Οι επιστήμονες έχουν βρει νέους τρόπους χρήσης της εσωτερικής αντίστασης για να βελτιώσουν τους ελέγχους SOH. Για παράδειγμα, διορθώνουν την καμπύλη τάσης ανοιχτού κυκλώματος χρησιμοποιώντας δεδομένα αντίστασης. Αυτό βοηθά στη μείωση των λαθών από αλλαγές στην ταχύτητα φόρτισης. Αυτός ο τρόπος χρησιμοποιεί πράγματα όπως ο χρόνος φόρτισης σταθερού ρεύματος αντί για σκληρά μαθηματικά. Οι δοκιμές σε πραγματικά δεδομένα μπαταρίας δείχνουν ότι αυτή η μέθοδος μπορεί να μειώσει το μέσο απόλυτο σφάλμα σε περίπου 1.28% για ορισμένα εύρη τάσης. Αυτά τα αποτελέσματα δείχνουν ότι η παρακολούθηση της εσωτερικής αντίστασης κάνει τους ελέγχους SOH ισχυρότερους και ακριβέστερους.
Αντίσταση
Οι μέθοδοι που βασίζονται στην αντίσταση χρησιμοποιούν τον τρόπο με τον οποίο μια μπαταρία αντιδρά στο ηλεκτρικό ρεύμα για να ελέγξουν το SOH. Αυτές οι μέθοδοι συχνά χρησιμοποιούν ηλεκτροχημική φασματοσκοπία αντίστασης ή παρόμοιες δοκιμές. Βλέποντας πώς λειτουργεί η μπαταρία με διαφορετικές συχνότητες, οι μηχανικοί μπορούν να εντοπίσουν τη γήρανση και να μαντέψουν το SOH. Οι μέθοδοι σύνθετης αντίστασης μπορούν να είναι πολύ ακριβείς, με σφάλματα μέσης τετραγωνικής ρίζας μεταξύ 0.75% και 1.5% μονάδων SOH.
Τύπος μεθόδου | Περιγραφή | Ακρίβεια πρόβλεψης SOH (σφάλμα RMS) | Πρακτικές εκτιμήσεις |
|---|---|---|---|
Άμεσα Δεδομένα EIS | Χρησιμοποιεί ακατέργαστα δεδομένα φασματοσκοπίας ηλεκτροχημικής σύνθετης αντίστασης | 0.75% – 1.5% μονάδες SOH | Γρήγορη μέτρηση, αλλά τα κύτταρα μπορεί να είναι διαφορετικά |
Ισοδύναμες προσαρμογές κυκλώματος | Αντιστοιχίζει δεδομένα EIS με μοντέλα κυκλωμάτων | 0.75% – 1.5% μονάδες SOH | Χρειάζεται περισσότερη δουλειά και μαθηματικά, αλλά έχει λιγότερη αβεβαιότητα |
Κατανομή Χρόνων Χαλάρωσης (DRT) | Εξετάζει πόσο χρόνο χρειάζεται για να διευθετηθούν τα πράγματα χρησιμοποιώντας δεδομένα EIS | 0.75% – 1.5% μονάδες SOH | Καταναλώνει πολλή ισχύ υπολογιστή, αλλά είναι ευέλικτο |
Μη γραμμική ανάλυση απόκρισης συχνότητας (NFRA) | Χρησιμοποιεί ειδικά δεδομένα συχνότητας για τον έλεγχο του SOH | 0.75% – 1.5% μονάδες SOH | Παρέχει καλές πληροφορίες σχετικά με τις ενέργειες της μπαταρίας, πιο γρήγορα από την πλήρη αποφόρτιση |
Οι μέθοδοι που βασίζονται στην αντίσταση λειτουργούν καλά σε εργαστήρια και παρέχουν πολλές λεπτομέρειες σχετικά με τη γήρανση της μπαταρίας. Ωστόσο, αυτοί οι τρόποι μπορεί να είναι δύσκολοι και περίπλοκοι στη χρήση σε συστήματα μπαταριών σε πραγματικό χρόνο. Συχνά χρειάζονται ειδικά εργαλεία και προσεκτική ρύθμιση. Οι νεότεροι τρόποι που βασίζονται σε δεδομένα αρχίζουν να κυριαρχούν, χρησιμοποιώντας τη μηχανική μάθηση για να μαντέψουν τη γήρανση της μπαταρίας χωρίς αυστηρά μοντέλα.
Κύκλος μέτρησης
Η μέτρηση κύκλων είναι ένας από τους παλαιότερους τρόπους για τον έλεγχο του SOH σε μπαταρίες ιόντων λιθίου. Αυτός ο τρόπος μετράει πόσες φορές φορτίζεται και χρησιμοποιείται μια μπαταρία. Κάθε πλήρης κύκλος κάνει την μπαταρία να γερνάει λίγο. Μετρώντας τους κύκλους, οι μηχανικοί μπορούν να μαντέψουν πόσο έχει φθαρεί η μπαταρία.
Η μέτρηση κύκλων είναι εύκολη και δεν απαιτεί ειδικά εργαλεία ή δύσκολα μαθηματικά. Αλλά δεν εξετάζει πώς διαφέρει κάθε κύκλος. Παράγοντες όπως η θερμοκρασία, το πόσο χρησιμοποιείται η μπαταρία και η ταχύτητα φόρτισης επηρεάζουν την ταχύτητα γήρανσης, αλλά η μέτρηση κύκλων αντιμετωπίζει κάθε κύκλο με τον ίδιο τρόπο. Αυτό μπορεί να κάνει τους ελέγχους SOH λανθασμένους, ειδικά στην πραγματική ζωή όπου οι μπαταρίες αντιμετωπίζουν πολλά είδη καταπόνησης.
Προηγμένες Μέθοδοι
Οι προηγμένοι τρόποι ελέγχου του SOH χρησιμοποιούν μηχανική μάθηση και τεχνητή νοημοσύνη για να μελετήσουν πολλά δεδομένα μπαταρίας. Αυτοί οι τρόποι μαθαίνουν από την τάση, το ρεύμα και τη θερμοκρασία για να μαντέψουν το SOH καλύτερα από τους παλιούς τρόπους. Τα μοντέλα μηχανικής μάθησης, όπως οι μηχανές υποστήριξης διανυσμάτων, τα τυχαία δάση και τα βαθιά νευρωνικά δίκτυα, μπορούν να εντοπίσουν δύσκολα μοτίβα γήρανσης μπαταρίας.
Πρόσφατες μελέτες δείχνουν ότι αυτοί οι τρόποι που βασίζονται σε δεδομένα λειτουργούν καλύτερα από τα παλιά φυσικά μοντέλα. Για παράδειγμα, η παλινδρόμηση διανυσμάτων υποστήριξης και η παλινδρόμηση Γκαουσιανών διαδικασιών μπορούν να επιτύχουν σφάλματα μέσης τετραγωνικής ρίζας κάτω από 0.4% κατά την εκτίμηση του SOH. Τα νευρωνικά δίκτυα με τροφοδοσία προς τα εμπρός και τα προσαρμοστικά νευρο-ασαφή συστήματα συμπερασμού αποδίδουν επίσης καλά, με χαμηλά σφάλματα και καλά αποτελέσματα για διαφορετικές μπαταρίες.
Οι μέθοδοι μηχανικής μάθησης δεν χρειάζονται λεπτομερή μοντέλα μπαταριών.
Το cloud computing επιτρέπει την εκτέλεση μεγαλύτερων μοντέλων, καθιστώντας τους ελέγχους SOH καλύτερους ακόμη και αν το σύστημα μπαταριών είναι μικρό.
Η χρήση περισσότερων από ένα μοντέλων μηχανικής μάθησης μπορεί να κάνει τους ελέγχους SOH ακόμη πιο ακριβείς.
Αυτοί οι τρόποι μπορούν να λάβουν μέσα απόλυτα σφάλματα εντός 3% και μέση τετραγωνική ρίζα σφάλματα εντός 2% σε πραγματικές δοκιμές.
Ωστόσο, οι προηγμένοι τρόποι απαιτούν καλά και πολλά δεδομένα εκπαίδευσης. Μπορεί να αντιμετωπίσουν προβλήματα με την παράξενη γήρανση της μπαταρίας ή με μεγάλες αλλαγές στον τρόπο χρήσης των μπαταριών. Η επιλογή καλών χαρακτηριστικών από τα δεδομένα φόρτισης είναι σημαντική, καθώς η φόρτιση είναι πιο τακτική από την κατανάλωση της μπαταρίας στα ηλεκτρικά αυτοκίνητα. Οι μηχανικοί πρέπει να βεβαιωθούν ότι αυτοί οι τρόποι είναι ισχυροί και ασφαλείς πριν τους χρησιμοποιήσουν σε... συστήματα μπαταριών που προστατεύουν τους ανθρώπους.
Σημείωση: Η μετάβαση από παλιά φυσικά μοντέλα σε τρόπους που βασίζονται σε δεδομένα δείχνει ότι χρειαζόμαστε καλύτερους και πιο ευέλικτους ελέγχους SOH για μπαταρίες ιόντων λιθίου. Η μηχανική μάθηση βοηθά στον πρώιμο εντοπισμό της γήρανσης των μπαταριών και κάνει τις μπαταρίες να λειτουργούν καλύτερα εντοπίζοντας σημάδια προβλημάτων νωρίτερα.
Συνδυασμός μεθόδων για ακρίβεια
Υβριδικές Προσεγγίσεις
Τα συστήματα διαχείρισης μπαταριών λειτουργούν καλύτερα όταν χρησιμοποιούν περισσότερες από μία μεθόδους για τον έλεγχο της κατάστασης φόρτισης και της εύρυθμης λειτουργίας τους. Μία μόνο μέθοδος δεν μπορεί να λύσει κάθε πρόβλημα στα συστήματα μπαταριών ιόντων λιθίου. Υβριδικές μέθοδοι συνδυάστε τα δυνατά σημεία αλγορίθμων που βασίζονται σε μοντέλα, δεδομένα και μάθησης. Αυτό βοηθά στη μείωση του θορύβου, στην αντιμετώπιση αγνώστων και στη διατήρηση της συμβατότητας με τη γήρανση της μπαταρίας.
Πολλοί αλγόριθμοι βελτιστοποίησης, όπως οι ελαχίστων τετραγώνων, ο αλγόριθμος βελτιστοποίησης Sunflower και ο αλγόριθμος αναζήτησης bald eagle, βελτιώνουν τους ελέγχους κατάστασης φόρτισης. Για παράδειγμα, ο αλγόριθμος αναζήτησης bald eagle είχε μέγιστο σφάλμα μόλις 1.06% για SOC.
Οι βελτιωμένοι Χάρτες Αυτοοργάνωσης και η ημι-εποπτευόμενη μάθηση έχουν δείξει κορυφαία σφάλματα κοντά στο 1.25% και RMSE μόλις 0.55%. Αυτά τα αποτελέσματα σημαίνουν ότι οι υβριδικές μέθοδοι παρέχουν ισχυρούς ελέγχους SOC για μπαταρίες ιόντων λιθίου.
Η χρήση της ενεργής εξισορρόπησης κυψελών με μηχανική μάθηση για την υπολειπόμενη ωφέλιμη διάρκεια ζωής βοηθά με τις διαφορές των κυψελών και τη γήρανση της μπαταρίας. Τα εξισορροπημένα κυψέλες παρέχουν καλύτερα δεδομένα κατάστασης φόρτισης, τα οποία βοηθούν στην πρόβλεψη της υγείας της μπαταρίας ιόντων λιθίου.
Τα υβριδικά μοντέλα νευρωνικών δικτύων βοηθούν με τις αλλαγές θερμοκρασίας και τον τρόπο χρήσης των μπαταριών. Συνδυάζοντας φυσική εξισορρόπηση και μεθόδους που βασίζονται σε δεδομένα, τα συστήματα διαχείρισης μπαταριών μπορούν να βοηθήσουν τις μπαταρίες ιόντων λιθίου να διαρκούν περισσότερο και να λειτουργούν καλύτερα. Η σύντηξη πολλαπλών μοντέλων, όπως το Random Forest, καθιστά τους ελέγχους κατάστασης υγείας ακόμη πιο ισχυρούς χρησιμοποιώντας τα καλύτερα μέρη διαφορετικών μοντέλων.
Οι υβριδικές μέθοδοι βοηθούν τα συστήματα διαχείρισης μπαταριών να διαχειρίζονται τις αλλαγές στον πραγματικό κόσμο. Αυτό τα καθιστά πιο αξιόπιστα για ηλεκτρικά οχήματα και άλλες χρήσεις.
Σκέψεις εφαρμογής
Η επιλογή και η χρήση υβριδικών μεθόδων σε πραγματικά συστήματα μπαταριών ιόντων λιθίου απαιτεί προσεκτικό σχεδιασμό. Οι μηχανικοί πρέπει να σκεφτούν τι χρειάζεται κάθε χρήση, όπως τα ηλεκτρικά αυτοκίνητα ή η αποθήκευση.
Οι μέθοδοι που βασίζονται σε δεδομένα χρησιμοποιούν δεδομένα αισθητήρων σε πραγματικό χρόνο και αλλάζουν καθώς οι μπαταρίες γερνούν ή χρησιμοποιούνται. Αυτές οι μέθοδοι είναι πιο ακριβείς, λειτουργούν με διαφορετικές χημικές ουσίες και διαχειρίζονται καλά τον θόρυβο των αισθητήρων.
Τα υβριδικά πλαίσια συνδυάζουν καλύτερα αλγόριθμους τυχαίων δασών, μοντέλα που βασίζονται στη φυσική και άλλα εργαλεία μηχανικής μάθησης. Αυτή η ισορροπία προσφέρει ακρίβεια, λειτουργεί γρήγορα και μπορεί να χρησιμοποιηθεί για πολλούς τύπους και καταστάσεις μπαταριών ιόντων λιθίου.
Οι μηχανικοί πρέπει να επιλύουν προβλήματα όπως η ανάγκη για πολλά καλά δεδομένα, η επιλογή των κατάλληλων χαρακτηριστικών και το κόστος των υπολογιστών. Ο συνδυασμός χαρακτηριστικών και η ρύθμιση των ρυθμίσεων μπορεί να βελτιώσει τις προβλέψεις και να βοηθήσει με τις αλλαγές σε πραγματικό χρόνο.
Πολλά δεδομένα, όπως η τάση, το ρεύμα, η θερμοκρασία και ο αριθμός κύκλων των κυψελών, βοηθούν στην επιλογή των καλύτερων υβριδικών μεθόδων. Αυτές οι μέθοδοι βοηθούν με δεδομένα που παρουσιάζουν θόρυβο ή λείπουν και δίνουν ειδικά αποτελέσματα για κάθε χρήση, όχι μόνο για τη βασική κατάσταση φόρτισης και την κατάσταση της υγείας. Στην πραγματική ζωή, οι υβριδικές μέθοδοι λειτουργούν καλά σε εργαστήρια και στο πεδίο, όπως στα ηλεκτρικά αυτοκίνητα, όπου διατηρούν τις μπαταρίες ασφαλείς και λειτουργικές υπό διαφορετικές συνθήκες.
Συμβουλή: Κατά την επιλογή υβριδικών μεθόδων, οι μηχανικοί θα πρέπει να αντιστοιχίζουν τη μέθοδο με τους στόχους, τα δεδομένα και το πού θα χρησιμοποιηθεί το σύστημα μπαταριών. Αυτό βοηθά να διασφαλιστεί ότι η διαχείριση των μπαταριών ιόντων λιθίου είναι αξιόπιστη, μπορεί να αναπτυχθεί και λειτουργεί σε πραγματικό χρόνο.
Η γνώση του σωστού soc και SOH είναι πολύ σημαντική για το πόσο καλά και με ποιον τρόπο λειτουργούν οι μπαταρίες ιόντων λιθίου. Κάθε μέθοδος έχει τα δικά της καλά σημεία, αλλά η χρήση περισσότερων από μίας μεθόδου μαζί σε ένα σύστημα διαχείρισης μπαταριών δίνει τα καλύτερα αποτελέσματα για να διαρκέσουν και να λειτουργήσουν καλύτερα οι μπαταρίες ιόντων λιθίου. Νέα έρευνα δείχνει ότι η χρήση έξυπνων τρόπων για την επιλογή σημαντικών δεδομένων και βελτιωμένων νευρωνικών δικτύων μπορεί να κάνει πολύ μικρά λάθη, ακόμη και έως και 0.16%. Αυτό βοηθά τις μπαταρίες να διαρκούν περισσότερο και να παραμένουν ασφαλέστερες. Είναι σημαντικό να επιλέξετε τη μέθοδο εκτίμησης που ταιριάζει στις ανάγκες κάθε μπαταρίας ιόντων λιθίου.
Συχνές Ερωτήσεις
Ποια είναι η κύρια λειτουργία ενός συστήματος διαχείρισης μπαταριών;
Ένα σύστημα διαχείρισης μπαταριών διατηρεί τις μπαταρίες ασφαλείς. Ελέγχει την κατάσταση φόρτισης και την κατάσταση της υγείας τους. Το σύστημα εξισορροπεί τα στοιχεία ώστε να λειτουργούν από κοινού. Αποτρέπει την υπερβολική υπερθέρμανση ή την υπερβολική πλήρωση των μπαταριών. Αυτό βοηθά τις μπαταρίες να διαρκούν περισσότερο και να λειτουργούν καλύτερα.
Γιατί οι αισθητήρες δεν μπορούν να μετρήσουν άμεσα την κατάσταση φόρτισης;
Οι αισθητήρες δεν μπορούν να δουν το εσωτερικό μιας μπαταρίας. Χημικές αντιδράσεις συμβαίνουν στο εσωτερικό, όπου οι αισθητήρες δεν μπορούν να δουν. Οι αισθητήρες μετρούν μόνο τάση, ρεύμα και θερμοκρασία. Το σύστημα χρησιμοποιεί αυτούς τους αριθμούς με ειδικούς αλγόριθμους για να μαντέψει την κατάσταση φόρτισης.
Πώς επηρεάζει η θερμοκρασία την εκτίμηση της κατάστασης της μπαταρίας;
Όταν κάνει πολύ ζέστη ή κρύο, οι αντιδράσεις της μπαταρίας αλλάζουν. Το σύστημα μπορεί να κάνει λάθη στην κατάσταση φόρτισης ή στην κατάσταση της υγείας του. Τα καλά συστήματα διαχείρισης μπαταρίας αλλάζουν τα μαθηματικά τους για να διορθώσουν αυτά τα λάθη.
Ποια μέθοδος δίνει την πιο ακριβή εκτίμηση της κατάστασης της υγείας;
Μέθοδος | Επίπεδο ακρίβειας |
|---|---|
Μηχανική μάθηση | Πολύ ψηλά |
Ανάλυση σύνθετης αντίστασης | Ψηλά |
Εσωτερική αντίσταση | Μέτριας Δυσκολίας |
Κύκλος μέτρησης | Χαμηλός |
Η μηχανική μάθηση συνήθως δίνει τα καλύτερα αποτελέσματα εάν τα δεδομένα είναι καλά.
