Sistemo por administrado de baterioj ekscias la ŝargan kaj sanan staton en litio-jonaj baterioj per nerektaj taksaj teknikoj. Ĝi ne povas mezuri ĉi tiujn aferojn rekte ĉar la baterio havas kompleksajn reakciojn interne. Do, la sistemo uzas metodojn kiel statistika trajtekstraktado, kulomba kalkulado kaj progresintajn daten-bazitajn modelojn. Ekzemple, ĝi rigardas statistikajn metrikojn kiel varianco, meznombro kaj nerekteco el tensio- kaj kurbokurboj por observi baterian degeneron. Uzi nerektajn taksajn metodojn, kiel maŝinlernadon kaj observanto-bazitajn alirojn, helpas igi ŝargan taksadon pli preciza kaj sekura. Ĉi tiuj ŝargaj taksaj metodoj helpas la sistemon por administrado de baterioj antaŭdiri ŝanĝojn en litio-jonaj baterioj. Ili ankaŭ helpas pli bone administri kapacitperdon, maljuniĝon kaj riskojn. Bona takso de ŝarga stato kaj sanstato helpas ĉiun litio-jonan baterion funkcii pli bone kaj daŭri pli longe.
Preciza takso de la ŝarĝo en litio-jonaj bateriosistemoj protektas la baterion kontraŭ troŝargado, trovarmiĝo kaj subitaj paneoj. Tio faras fortajn taksoteknikojn tre gravaj por modernaj bateriaj administradsistemoj.
Statistika Metriko | Priskribo | Korelacio kun Baterio-Degradado |
|---|---|---|
Varianco | Kontrolas kiom konstantaj ŝanĝoj de tensio/fluo estas | Pli alta varianco signifas neegalan internan reziston kaj kemiajn reakciojn, kaj elektrodan difekton |
Maksimuma Valoro | Plej alta tensio/fluo dum ŝargado aŭ malŝargado | Pli malaltaj nombroj montras malpli da ŝarĝkapacito kaj eblajn sekurecproblemojn kiel troŝargado aŭ trovarmiĝo |
Minimuma Valoro | Plej malalta tensio/fluo dum ŝargado aŭ malŝargado | Montras kapacitperdon kaj sekurecproblemojn |
Meznombro (Averaĝo) | Meza tensio/fluo dum ciklo | Ŝanĝoj montras elektrolitan disfalon kaj malpli da energioproduktado |
Skewness | Kiel malegale la tensio/fluo estas disvastigita | Uzata en trajtekstraktado por antaŭdiri SOH |
Troa Kurtozo | Kiom akra estas la tensio/kurenta pinto | Pli altaj nombroj signifas pli da polusiĝo kaj malpli da litia enmetokapablo |
Ŝlosilo Takeaways
Baterio-administraj sistemoj ne povas mezuri la ŝargon aŭ staton rekte. Ili uzas nerektajn metodojn kiel statistikan analizon, kulomban kalkuladon kaj maŝinlernadon. Ĉi tiuj metodoj helpas taksi la ŝargon kaj staton de la baterio.
Scii la ŝargan staton helpas teni bateriojn sekuraj. Ĝi haltigas troŝargadon, trovarmiĝon kaj subitajn problemojn.
Ekzistas diversaj manieroj kontroli bateriojn. Malfermcirkvita tensio, kulomba kalkulado, Kalman-filtrado, kaj artefarita inteligenteco-bazitaj modeloj estas kelkaj metodoj. Ĉiu havas bonajn kaj malbonajn flankojn. Uzi ilin kune plibonigas kaj pli fidindas la rezultojn.
Takso de la stato de sano kontrolas la aĝon de baterio. Ĝi rigardas kapacitperdon kaj internan reziston. Tio helpas diveni la vivdaŭron de la baterio kaj eviti sekurecajn problemojn.
Hibridaj aliroj miksas modelbazitajn kaj datenbazitajn metodojn. Ĉi tiuj donas la plej bonajn rezultojn. Ili povas ŝanĝiĝi kun realmonda uzo. Ĉi tio helpas bateriojn daŭri pli longe kaj funkcii pli bone.
Bazaĵoj pri Baterio-Administra Sistemo
Ŝlosilaj Funkcioj
Bateria mastruma sistemo estas tre grava por litio-jonaj baterioj. Ĝi helpas konservi la sekurecon kaj bonan funkciadon de la litio-jonaj baterioj. La sistemo kontrolas ĉiun litio-jonan baterian ĉelon pri tensio, kurento kaj temperaturo. Ĝi ankaŭ certigas, ke ĉiuj litio-jonaj bateriaj ĉeloj ŝarĝiĝas kaj malŝarĝiĝas egale. Tio helpas ĉiun litio-jonan baterion daŭri pli longe kaj funkcii pli bone.
La bateria mastruma sistemo kontrolas la ŝargan kaj sanan staton de ĉiu litio-jona baterio. Ĝi uzas ĉi tiujn nombrojn por ĉesigi troŝargadon kaj profundan malŝargadon, kiuj povas damaĝi litio-jonajn bateriojn.
Sekureco estas la plej grava. La sistemo malkonektos la litio-jonan baterion se ĝi trovas problemojn kiel trovarmiĝo aŭ kurtaj cirkvitoj. Ĝi povas uzi rezervajn ĉelojn aŭ pakojn por ke ĉio funkciu.
Komunikado gravas. La bateria mastruma sistemo uzas SPI kaj CAN-buson por sendi datumojn al aliaj partoj de la aparato aŭ veturilo.
Ekzistas diversaj tipoj, kiel centralizitaj aŭ distribuitaj, do la bateria mastruma sistemo povas konveni al multaj litio-jonaj baterioj.
Iuj sistemoj havas ekstrajn funkciojn kiel malproksiman monitoradon, vivciklan antaŭdiron kaj erardetekton. Ĉi tiuj uzas nuban komputadon kaj maŝinlernadon por helpi la baterion funkcii pli bone kaj pli sekure.
Ŝlosila Funkcio / Algoritmo | Priskribo |
|---|---|
Ĉela Monitorado | Observas tension, kurenton kaj temperaturon de ĉiu litio-jona bateria ĉelo. Trovas problemojn kaj komencas sekurecajn agojn. Kalkulas la ŝargan staton kaj sanstaton. |
Potenca Optimumigo | Kontrolas ŝargadon kaj malŝargadon por teni litio-jonajn bateriojn sekuraj. Funkcias kun aliaj sistemoj por uzi energion inteligente. |
Sekureca Asekuro | Haltigas danĝerojn kiel termika forkurado. Uzas rezervajn planojn kaj protektas homojn kontraŭ elektra ŝoko. |
Optimigo de Baterio-Ŝargado | Ŝanĝas ŝargadon por malpliigi ŝarĝon sur ĉiu litio-jona bateria ĉelo. Konservas erarkodojn por pli postaj kontroloj. |
Ĉela Ekvilibra Algoritmo | Certigas, ke ĉiuj litio-jonaj bateriaj ĉeloj havas la saman tension. Uzas aktivan aŭ pasivan ekvilibrigon por helpi la baterion funkcii pli bone. |
Komunikadaj Algoritmoj | Sendas datumojn inter la bateria mastruma sistemo kaj aliaj aparatoj. Ĉesigas ŝargadon se ĝi trovas nesekurajn kondiĉojn. |
Konsilo: Uzi pretajn programarojn kaj aparatarajn ilojn povas helpi inĝenierojn konstrui kaj testi baterian administradsistemon por litio-jonaj baterioj pli rapide.
Subtenataj Kemioj
Baterio-administra sistemo devas funkcii kun multaj litio-jonaj bateriaj kemiaĵoj. Ĉiu kemio, kiel NMC, LFP, kaj NCA, havas siajn proprajn bonajn kaj malbonajn punktojn. Ekzemple, NMC-litio-jonaj baterioj havas altan energidensecon. LFP-litio-jonaj baterioj daŭras pli longe kaj pli bone traktas varmon. La bateria mastruma sistemo ŝanĝas sian funkciadon por adaptiĝi al ĉiu litio-jona bateria kemio.
Lastatempaj studoj rigardas kiel malsamaj litio-jonaj bateriaj kemioj funkcias en elektraj veturiloj. Ĉi tiuj studoj montras, ke bateriaj mastrumaj sistemoj devas pritrakti ŝanĝojn en energidenseco, kosto kaj ciklovivo. Ili ankaŭ montras, ke termika mastrumado kaj altnivela stattakso estas gravaj por ĉiu litio-jona bateria tipo. Maŝinlernadaj modeloj povas helpi antaŭdiri la sanstaton de litio-jonaj baterioj per uzado de filtritaj datumoj. Ĉi tio malpliigas erarojn kaj helpas la baterian mastruman sistemon trakti la manieron kiel ĉiu litio-jona bateria kemio maljuniĝas.
Fleksebla bateria mastruma sistemo povas funkcii kun multaj litio-jonaj bateriaj kemiaĵoj. Ĉi tio helpas ĉiun aplikon, de elektraj veturiloj ĝis porteblaj elektronikaĵoj, atingi la plej bonan baterian rendimenton kaj sekurecon.
Stato de ŝargo en litio-jonaj baterioj
La ŝargostato estas tre grava por litio-jonaj baterioj. Ĝi helpas konservi la baterion sekura kaj bone funkcianta. Se la ŝargostato ne estas ĝusta, la baterio povas tro varmiĝi aŭ perdi potencon. Tio povas rompi la baterion aŭ eĉ kaŭzi danĝerajn problemojn kiel incendiojn. En elektraj aŭtoj, scii la ŝargostaton helpas pri bremsado kaj ŝargado. Ĝi ankaŭ plilongigas la daŭron de la baterio. Studoj montras, ke bona takso de ŝargostato malpliigas erarojn kaj helpas la medion.
Vi ne povas mezuri la ŝargstaton rekte en litio-jona baterio. La kemiaj reakcioj interne estas kaŝitaj kaj malfacile videblaj. Sensiloj povas esti malĝustaj pro bruo kaj ŝanĝoj en la baterio. Do, bateriaj administraj sistemoj uzas specialajn metodojn por diveni la ŝargstaton. Ili rigardas tension, kurenton kaj temperaturon por eltrovi ĝin. Ĉi tiuj metodoj helpas trakti sensorajn problemojn kaj baterian maljuniĝon.
OCV-Metodo
La metodo de Malferma Cirkvita Tensio divenas la ŝargstaton per kontrolado de la bateria tension post kiam ĝi ripozas. Ĉiu bateria kemio havas sian propran tension kaj ŝargstatan ligon. Ĉi tiu metodo estas simpla kaj ne kostas multe. Ĝi bone funkcias por la unua ŝargstato-kontrolo kaj ne bezonas grandan baterian modelon.
aspekto | detaloj |
|---|---|
Komenco | La bateria tensio estas mezurata post ripozo. La ligo inter la OCV kaj la ŝarĝstato estas trovata per testado de ĉiu bateria tipo. |
profitoj | 1. Simpla procezo |
Limigoj | 1. Bezonas longan ripoztempon (pli ol 2 horojn se malvarme) |
La OCV-metodo ne povas kontroli la ŝargstaton dum la baterio funkcias. Litio-jonaj baterioj ofte ŝanĝiĝas rapide, do atendi ĝis la baterio ripozas ne utilas. Ebenaj punktoj en la OCV-kurbo faciligas grandajn erarojn pro malgrandaj tensioŝanĝoj.
Kulomba Kalkulado
Kulomba kalkulado, aŭ Ah-kalkulado, divenas la ŝargstaton per adicio de la eniranta kaj eliranta kurento. Ĝi komenciĝas per unua ŝargstata nombro kaj ŝanĝas ĝin laŭ la kurento moviĝas.
Taksada Aspekto | detaloj |
|---|---|
telefono | Plibonigita Kulomba Kalkulada algoritmo |
Validiga Aliro | MATLAB-testo komparita kun reala ŝargostato el ŝargaj/malŝargaj kurboj |
Maks. Eraro (Fino de Ŝargado) | Ĉirkaŭ 3.5% |
Eraro Dum CC-Stadio | Malpli ol 2% |
Eraro Dum CV-Stadio | Malpli ol 1% |
Erara Tendenco | Pligrandiĝas laŭlonge de la tempo antaŭ sankontrolo |
Gravaj Faktoroj | Bona unua ŝarga stato kaj ŝargaj kontroloj malpliigas erarojn |
Avantaĝoj | Simpla matematiko; sufiĉe bona precizeco; neniuj aldonaj bateriaj datumoj necesas |
Limigoj | Eraroj akumuliĝas laŭlonge de la tempo; bezonas bonajn unuajn nombrojn pri ŝargado kaj bonfarto |
Kulomba kalkulado estas facile uzebla kaj ne bezonas pliajn bateriajn datumojn. Sed eraroj povas akumuliĝi laŭlonge de la tempo. Malgrandaj eraroj en la nuna aŭ unua ŝarga stato povas plimalboniĝi. Ĉi tiu metodo funkcias plej bone kun regulaj kontroloj aŭ aliaj manieroj helpi.
telefono | RMSE | MSE | MFA | Ŝlosilaj Trovoj |
|---|---|---|---|---|
Kulomba Kalkulado (KK) | 0.5071 | 0.2572 | 0.4571 | Plej altaj eraroj pro sensora bruo kaj eraroj; ne taŭgas por longdaŭra uzo |
Etendita Kalman Filtrilo | 0.0925 | N / A | N / A | Pli bona precizeco kun helpo de modelo; bezonas bonan baterian modelon |
Lineara Regresado | 0.0778 | N / A | N / A | Pli bona ol EKF sed ne perfekta por ŝanĝoj de ŝarga stato |
Subteno Vektora Maŝino | 0.0319 | N / A | N / A | Pli bone traktas ŝanĝojn; bezonas pli da komputila potenco |
Hazarda Arbara Regreso | 0.0229 | 0.0005 | 0.0139 | Plej bona precizeco; funkcias bone kun bruo kaj ŝanĝoj; bona por reala bateria administrado |
Kalman-filtrado
Kalman-filtrado uzas matematikajn modelojn por diveni la ŝargan staton. La plilongigita Kalman-filtrilo kaj la neparfuma Kalman-filtrilo estas popularaj. Ĉi tiuj filtriloj miksas realtempajn datumojn kun divenoj de bateriaj modeloj. Ili korektas siajn divenojn kiam novaj datumoj alvenas.
Kalman-filtraj metodoj kiel EKF, UKF, adaptaj Kalman-filtriloj, kaj duoblaj Kalman-filtriloj estas multe uzataj.
Ĉi tiuj filtriloj uzas simplajn bateriajn modelojn kaj pli kompleksajn por atingi pli bonajn rezultojn.
Testoj montras, ke Kalman-filtriloj bone traktas ŝanĝojn, baterion-memoron kaj sensoran bruon.
Ŝanĝi agordojn kaj uzi neŭralajn retojn igas ilin eĉ pli bonaj.
Ĝisdatigi nombrojn denove kaj denove helpas korekti erarojn pro modelŝanĝoj kaj sensordrivo.
Studoj montras, ke adaptaj kaj duoblaj Kalman-filtriloj funkcias pli bone ol regulaj EKF rilate al ŝarga stato.
Kalman-filtrado donas bonajn, realtempajn divenojn pri la ŝargstato por litio-jonaj baterioj. Ĝi bezonas zorgeman agordon kaj bonan baterian modelon. Ĝi povas esti malfacile uzebla, sed ĝi funkcias bone kiam aferoj ŝanĝiĝas rapide.
Hibridaj kaj AI-Metodoj
Hibridaj kaj artefarita inteligenteco-metodoj miksas model-bazitajn kaj daten-bazitajn manierojn por diveni ŝargostaton. Ĉi tiuj uzas maŝinlernadon, kiel neŭralajn retojn, subtenvektoran maŝinojn kaj hazardan arbarregreson. Ili lernas de tensio-, kurento- kaj temperaturaj datumoj. Hibridaj metodoj solvas problemojn, kiujn unuopaj metodoj ne povas.
aspekto | Priskribo |
|---|---|
telefono | Hibrida stato de ŝargo diveno uzante Kulombo-kalkuladon kaj Rilatecan Vektoran Maŝinon (movIRVM-Kulombo) |
Datenaro | Datumoj pri unuopaj bateriĉeloj, testaj datumoj pri bateripakaĵoj, simuladaj datumoj de Advisor |
kondiĉoj | Testoj kun US06, UDDS, NYCC, 1015 veturcikloj; temperaturoj 0°C, 25°C, 45°C; unua ŝargstato 50%, 80% |
Precizeco (RMSE) | Ene de 2% por multaj testoj kaj temperaturoj |
Pliboniĝo | Pli ol 30% pli bona ol movIRVM sole; malpli da eraroj laŭlonge de la tempo |
Ŝlosila Limigo Traktita | Riparas amasiĝon de eraroj en pura Kulomba Kalkulado |
Pliaj Notoj | Uzas glitantan averaĝon por redukti bruon; bezonas nur 10-30% trejnajn datumojn por RVM-parto |
Hibridaj metodoj miksas datumojn kaj modelojn por pritrakti strangajn bateriajn agojn.
Datumbazitaj metodoj inkluzivas neŭralajn retojn, subtenajn vektorajn maŝinojn, Gaŭsan procezan regreson, ondetajn neŭralajn retojn, kaj neakran logikon.
Ĉi tiuj metodoj divenas ŝargostaton el signaloj, kiujn vi povas mezuri.
Problemoj inkluzivas diferencojn en baterio, strangan uzon kaj eluziĝon de la baterio.
Nun, esploristoj ŝatas datenbazitajn metodojn ĉar modeloj sole ne povas solvi ĉiujn problemojn.
Novaj studoj uzantaj profundan lernadon kaj realajn aŭtodatumojn montras, ke hibridaj kaj artefarita inteligenteco-metodoj povas diveni ŝargostaton kun malpli ol 2%-a eraro. Ĉi tiuj metodoj estas tre precizaj kaj funkcias bone, eĉ kiam aferoj multe ŝanĝiĝas.
Noto: Statistikaj metodoj helpas diveni la ŝargostaton per korektado de necerteco, eraroj de la sensilo kaj hazarda bruo. Kalibrado, regreso kaj testado igas ĉiujn ŝargostatajn metodojn pli fidindaj.
Metodoj por Takso de la Stato de Sano
Sanstato, aŭ SOH, montras al ni kiom multe litio-jona baterio maljuniĝis. Ĝi komparas la baterion nun kun kiam ĝi estis nova. SOH estas trovata per rigardado de la nuna kapacito kaj komparado de ĝi kun la originala kapacito. Ĝi ankaŭ povas esti kontrolita per komparado de la interna rezisto al nova ĉelo. Kiam SOH falas sub 80% aŭ 70%, la baterio estas ĉe la fino de sia vivo. SOH gravas ĉar ĝi influas kiom bone la baterio funkcias, kiom sekura ĝi estas, kaj kiom longe ĝi daŭras. Dum SOH malaltiĝas, la baterio tenas malpli da energio. Ĉi tio signifas, ke elektraj aŭtoj ne povas iri tiom malproksimen kaj aparatoj ne funkcias tiom longe. Se baterio multe maljuniĝas, ĝi povas ŝveliĝi, liki, aŭ eĉ ekbruli. Bona SOH-prognozo helpas ĉesigi ĉi tiujn problemojn kaj tenas bateriojn sekuraj.
aspekto | evidenteco | Nombraj Datumoj / Detaloj |
|---|---|---|
Difino de SOH | SOH estas la rilatumo inter la nuna kapacito kaj la startkapacito aŭ komparas la internan reziston al nova baterio. | SOH-finniveloj estas 80% aŭ 70% da kapacito restanta. |
Efiko sur Longviveco | SOH montras kiom da kapacito perdiĝas, kio limigas kiom foren elektraj veturiloj povas iri. Bateriomaljuniĝo signifas malpli da kapacito. | Baterioj de elektraj veturiloj uzitaj dum pli ol 10,000 800 km kaj pli ol XNUMX tagoj montras ŝablonojn de perdo de kapacito. |
Efiko sur Sekureco | Malbona maljuniĝo povas kaŭzi likojn, ŝveliĝon, trovarmiĝon kaj fajrojn. | Sekurecaj riskoj plimalboniĝas kiam SOH malpliiĝas, do kontroli SOH estas grave. |
Datenfonto | Datumoj venas de multaj elektraj veturiloj kun malsamaj manieroj de veturado kaj ŝargado. | La datumbazo havas 347 elektrajn veturilojn, ŝargajn rekordojn dum 25 monatoj, kaj multajn realmondajn ŝanĝojn. |
Defioj en SOH-Takso | Realmondaj ŝanĝoj, eraroj en SOC, bruaj datumoj, kaj ne sufiĉe da specimenoj malfaciligas kontroli SOH. | SOC-eraroj pligrandiĝas kiam baterioj maljuniĝas, kaj BMS havas problemojn rapide ĝisdatigi kapaciton. |
Altnivelaj Metodoj | Maŝinlernado kaj datenbazitaj metodoj plibonigas SOH-kontrolojn. | BiGRU, subtenvektora regreso, kaj profundaj neŭralaj retoj helpas diveni SOH kaj SOC pli precize. |
Interna Rezisto
Interna rezistanco estas tre grava por kontroli la solidan rezistancon (SOH) en litio-jonaj baterioj. Kiam la baterioj maljuniĝas, ilia interna rezistanco pliiĝas. Tio okazas ĉar partoj interne de la baterio eluziĝas kaj rompiĝas. Se la rezistanco duobliĝas aŭ la kapacito falas al 70-80%, la baterio estas ĉe la fino de sia vivo. Multaj manieroj kontroli SOH uzas internan rezistancon. Mezuri rezistancon rekte donas bonajn rezultojn, sed kutime bezonas ripozon de la baterio, kio estas malfacila dum normala uzado.
Sciencistoj elpensis novajn metodojn por uzi internan reziston por plibonigi SOH-kontrolojn. Ekzemple, ili korektas la kurbon de malferma cirkvito uzante rezistancdatumojn. Tio helpas malpliigi erarojn pro ŝanĝoj en ŝarĝrapideco. Ĉi tiu metodo uzas aferojn kiel konstantan kurentan ŝarĝtempon anstataŭ malfacilan matematikon. Testoj pri realaj bateriodatumoj montras, ke ĉi tiu metodo povas malaltigi la mezan absolutan eraron al ĉirkaŭ 1.28% por iuj tensiintervaloj. Ĉi tiuj rezultoj montras, ke observado de interna rezisto igas SOH-kontrolojn pli fortaj kaj pli precizaj.
impedanco
Impedanc-bazitaj metodoj uzas kiel baterio reagas al elektro por kontroli la SOH-on. Ĉi tiuj metodoj ofte uzas elektrokemian impedancan spektroskopion aŭ similajn testojn. Vidante kiel la baterio agas kun malsamaj frekvencoj, inĝenieroj povas detekti maljuniĝon kaj diveni la SOH-on. Impedanc-metodoj povas esti tre precizaj, kun radikaj mezaj kvadrataj eraroj inter 0.75% kaj 1.5% SOH-unuoj.
Metodo Tipo | Priskribo | SOH-Prognoza Precizeco (RMS-Eraro) | Praktikaj Konsideroj |
|---|---|---|---|
Rektaj EIS-datumoj | Uzas krudajn elektrokemiajn impedancajn spektroskopiajn datumojn | 0.75% – 1.5% SOH-unuoj | Rapide mezurebla, sed ĉeloj povas esti malsamaj |
Ekvivalentaj Cirkvitaj Konvenoj | Kongruigas EIS-datumojn kun cirkvitmodeloj | 0.75% – 1.5% SOH-unuoj | Bezonas pli da laboro kaj matematiko, sed havas malpli da necerteco |
Distribuo de Ripozotempoj (DRT) | Rigardas kiom longe necesas por ke aferoj trankviliĝu uzante EIS-datumojn | 0.75% – 1.5% SOH-unuoj | Postulas multan komputilan potencon, sed estas fleksebla |
Nelineara Frekvencresponda Analizo (NFRA) | Uzas specialajn frekvencajn datumojn por kontroli SOH | 0.75% – 1.5% SOH-unuoj | Donas bonajn informojn pri bateriaj agoj, pli rapide ol plena malŝarĝo |
Impedanc-bazitaj metodoj funkcias bone en laboratorioj kaj donas multajn detalojn pri bateria maljuniĝo. Sed ĉi tiuj metodoj povas esti malfacilaj kaj ruzaj uzi en realtempaj bateriaj sistemoj. Ili ofte bezonas specialajn ilojn kaj zorgeman agordon. Pli novaj daten-bazitaj metodoj komencas transpreni per uzado de maŝinlernado por diveni baterian maljuniĝon sen konkretaj modeloj.
Cikla Nombrado
Cikla nombrado estas unu el la plej malnovaj manieroj kontroli la solidan karbonhidratan (SOH) en litio-jonaj baterioj. Ĉi tiu maniero kalkulas kiom da fojoj baterio estas ŝargita kaj uzata. Ĉiu plena ciklo iom maljunigas la baterion. Kalkulante ciklojn, inĝenieroj povas diveni kiom multe la baterio eluziĝis.
Cikla nombrado estas facila kaj ne bezonas specialajn ilojn aŭ malfacilan matematikon. Sed ĝi ne rigardas kiel ĉiu ciklo estas malsama. Aferoj kiel temperaturo, kiom multe la baterio estas uzata, kaj kiom rapide ĝi ŝargiĝas ĉiuj ŝanĝas kiom rapide ĝi maljuniĝas, sed cikla nombrado traktas ĉiun ciklon same. Tio povas igi SOH-kontrolojn malĝustaj, precipe en la reala vivo kie baterioj alfrontas multajn specojn de streso.
Altnivelaj Metodoj
Altnivelaj metodoj por kontroli SOH uzas maŝinlernadon kaj artefaritan inteligentecon por studi multajn bateriajn datumojn. Ĉi tiuj metodoj lernas de tensio, kurento kaj temperaturo por diveni SOH pli bone ol malnovaj metodoj. Maŝinlernadaj modeloj kiel subtenvektoraj maŝinoj, hazardaj arbaroj kaj profundaj neŭralaj retoj povas trovi komplikajn bateriajn maljuniĝajn ŝablonojn.
Lastatempaj studoj montras, ke ĉi tiuj datenbazitaj metodoj funkcias pli bone ol malnovaj fizikaj modeloj. Ekzemple, subtenvektora regreso kaj Gaŭsa proceza regreso povas atingi radikajn mezajn kvadratajn erarojn sub 0.4% dum divenado de SOH. Antaŭenfluaj neŭralaj retoj kaj adaptiĝemaj neŭro-neakraj inferencaj sistemoj ankaŭ bone funkcias, kun malmultaj eraroj kaj bonaj rezultoj por malsamaj baterioj.
Maŝinlernadaj metodoj ne bezonas detalajn bateriomodelojn.
Nuba komputado ebligas funkcii pli grandajn modelojn, pli bonajn SOH-kontrolojn eĉ se la bateriosistemo estas malgranda.
Uzi pli ol unu maŝinlernadan modelon povas igi SOH-kontrolojn eĉ pli precizaj.
Ĉi tiuj metodoj povas atingi mezajn absolutajn erarojn ene de 3% kaj radikajn mezajn kvadratajn erarojn ene de 2% en realaj testoj.
Sed, progresintaj metodoj bezonas bonajn kaj multajn trejnajn datumojn. Ili povas havi problemojn kun stranga bateria maljuniĝo aŭ grandaj ŝanĝoj en kiel baterioj estas uzataj. Elekti bonajn trajtojn el ŝargaj datumoj estas grava, ĉar ŝargado estas pli regula ol eluzi la baterion en elektraj aŭtoj. Inĝenieroj devas certigi, ke ĉi tiuj metodoj estas fortaj kaj sekuraj antaŭ ol uzi ilin en... bateriaj sistemoj kiuj protektas homojn.
Noto: Transiro de malnovaj fizikaj modeloj al datenbazitaj metodoj montras, ke ni bezonas pli bonajn kaj pli flekseblajn SOH-kontrolojn por litio-jonaj baterioj. Maŝinlernado helpas detekti bateriojn maljuniĝantajn frue kaj plibonigas la funkciadon de baterioj trovante signojn de problemoj pli frue.
Kombinante Metodojn por Precizeco
Hibridaj Alproksimiĝoj
Baterio-administraj sistemoj funkcias pli bone kiam ili uzas pli ol unu metodon por kontroli la ŝargan staton kaj la sanstaton. Unu metodo sole ne povas solvi ĉiun problemon en litio-jonaj bateriosistemoj. Hibridaj metodoj miksu model-bazitajn, daten-bazitajn kaj lernad-algoritmajn fortojn. Tio helpas redukti bruon, trakti nekonataĵojn kaj resti sampaŝe kun baterio-maljuniĝo.
Multaj optimumigaj algoritmoj, kiel la plej malgrandaj kvadratoj, la Sunflora Optimumiga Algoritmo, kaj la serĉalgoritmo de blankkapa maraglo, plibonigas la kontrolojn de ŝargostato. Ekzemple, la serĉalgoritmo de blankkapa maraglo havis pintan eraron de nur 1.06% por SOC.
Plibonigitaj Memorganizaj Mapoj kaj duon-kontrolita lernado montris plej altajn erarojn proksime de 1.25% kaj RMSE eĉ nur 0.55%. Ĉi tiuj rezultoj signifas, ke hibridaj metodoj donas fortajn SOC-kontrolojn por litio-jonaj baterioj.
Uzi aktivan ĉelbalancigon kun maŝinlernado por la restanta utila vivo helpas kun ĉeldiferencoj kaj bateriomaljuniĝo. Ekvilibraj ĉeloj donas pli bonajn datumojn pri ŝarĝstato, kio helpas antaŭdiri la sanon de litio-jona baterio.
Hibridaj neŭralaj retaj modeloj helpas pri temperaturŝanĝoj kaj kiel baterioj estas uzataj. Kombinante fizikan ekvilibrigon kaj daten-bazitajn metodojn, bateriaj mastrumaj sistemoj povas helpi litio-jonajn bateriojn daŭri pli longe kaj funkcii pli bone. Multmodela kunfando, kiel Random Forest, igas sanstatajn kontrolojn eĉ pli fortaj uzante la plej bonajn partojn de malsamaj modeloj.
Hibridaj metodoj helpas bateriajn mastrumajn sistemojn pritrakti realmondajn ŝanĝojn. Tio igas ilin pli fidindaj por elektraj veturiloj kaj aliaj uzoj.
Konsideroj pri Apliko
Elektado kaj uzado de hibridaj metodoj en realaj litio-jonaj bateriaj sistemoj postulas zorgeman planadon. Inĝenieroj devas pripensi, kion ĉiu uzo bezonas, kiel elektraj aŭtoj aŭ stokado.
Daten-bazitaj metodoj uzas realtempajn sensorajn datumojn kaj ŝanĝiĝas laŭ la maljuniĝo aŭ uzado de la baterioj. Ĉi tiuj metodoj estas pli precizaj, funkcias kun malsamaj kemiaĵoj, kaj bone traktas sensoran bruon.
Hibridaj kadroj miksas pli bonajn algoritmojn de hazardaj arbaroj, fizik-bazitajn modelojn kaj aliajn maŝinlernadajn ilojn. Ĉi tiu ekvilibro donas precizecon, funkcias rapide kaj povas esti uzata por multaj tipoj kaj situacioj de litio-jonaj baterioj.
Inĝenieroj devas solvi problemojn kiel bezono de multaj bonaj datumoj, elekto de la ĝustaj funkcioj, kaj komputilaj kostoj. Miksi funkciojn kaj agordi agordojn povas plibonigi antaŭdirojn kaj helpi kun realtempaj ŝanĝoj.
Multaj datumoj, kiel ĉeltensio, kurento, temperaturo kaj ciklokalkulo, helpas elekti la plej bonajn hibridajn metodojn. Ĉi tiuj metodoj helpas pri bruaj aŭ mankantaj datumoj kaj donas specialajn rezultojn por ĉiu uzo, ne nur bazan ŝargostaton kaj sanstaton. En la reala vivo, hibridaj metodoj bone funkcias en laboratorioj kaj surloke, kiel en elektraj aŭtoj, kie ili tenas bateriojn sekuraj kaj funkciantaj sub malsamaj kondiĉoj.
Konsilo: Kiam ili elektas hibridajn metodojn, inĝenieroj devus adapti la metodon al la celoj, datumoj kaj loko de la bateria sistemo. Tio helpas certigi, ke la administrado de litio-jona bateriaro estas fidinda, povas kreski kaj funkcias en reala tempo.
Scii la ĝustajn soc kaj soh estas tre grave por kiom bone kaj kiom sekure funkcias litio-jonaj baterioj. Ĉiu metodo havas siajn proprajn bonajn flankojn, sed uzi pli ol unu metodon kune en bateria mastruma sistemo donas la plej bonajn rezultojn por igi litio-jonajn bateriojn daŭri kaj funkcii pli bone. Nova esplorado montras, ke uzi inteligentajn manierojn elekti gravajn datumojn kaj plibonigitajn neŭralajn retojn povas fari erarojn tre malgrandajn, eĉ ĝis 0.16%. Ĉi tio helpas bateriojn daŭri pli longe kaj resti pli sekuraj. Gravas elekti la taksometodon, kiu konvenas al la bezonoj de ĉiu litio-jona baterio.
FAQ
Kio estas la ĉefa tasko de bateria mastruma sistemo?
Baterio-administra sistemo tenas bateriojn sekuraj. Ĝi kontrolas la ŝargan staton kaj sanan staton. La sistemo balancas ĉelojn por ke ili funkciu kune. Ĝi malhelpas bateriojn tro varmiĝi aŭ tro pleniĝi. Tio helpas bateriojn daŭri pli longe kaj funkcii pli bone.
Kial sensiloj ne povas rekte mezuri la ŝargstaton?
Sensiloj ne povas rigardi interne de baterio. Kemiaj reakcioj okazas interne, kie sensiloj ne povas vidi. Sensiloj nur mezuras tension, kurenton kaj temperaturon. La sistemo uzas ĉi tiujn nombrojn kun specialaj algoritmoj por diveni la ŝargostaton.
Kiel temperaturo influas la taksadon de la stato de la baterio?
Kiam estas tre varme aŭ malvarme, la reagoj de la baterio ŝanĝiĝas. La sistemo povus fari erarojn rilate al la ŝarga stato aŭ la bonfarto. Bonaj bateriaj mastrumaj sistemoj ŝanĝas siajn matematikojn por korekti ĉi tiujn erarojn.
Kiu metodo donas la plej precizan takson pri la sanstato?
telefono | Precizeca Nivelo |
|---|---|
maŝino Lernado | Tre alta |
Impedanca Analizo | alta |
Interna Rezisto | mediumo |
Cikla Nombrado | malalte |
Maŝinlernado kutime donas la plej bonajn rezultojn se la datumoj estas bonaj.
