Bateriaren kudeaketa sistema batek litio-ioizko baterien karga-egoera eta osasun-egoera zehazten ditu zeharkako estimazio teknikak erabiliz. Ezin ditu gauza hauek zuzenean neurtu, bateriak barnean erreakzio konplexuak dituelako. Beraz, sistemak metodo estatistikoak erabiltzen ditu, hala nola ezaugarrien erauzketa, Coulomb zenbaketa eta datuetan oinarritutako eredu aurreratuak. Adibidez, tentsio eta korronte kurbetatik ateratako bariantza, batez bestekoa eta asimetria bezalako metrika estatistikoak aztertzen ditu bateriaren degradazioa ikusteko. Zeharkako estimazio metodoak erabiltzeak, hala nola ikaskuntza automatikoa eta behatzaileetan oinarritutako ikuspegiak, karga-egoeraren estimazioa zehatzagoa eta seguruagoa egiten laguntzen du. Karga-egoeraren estimazio metodo hauek bateriaren kudeaketa sistemari litio-ioizko baterien aldaketak aurreikusten laguntzen diote. Gainera, edukiera-galera, zahartzea eta arriskuak hobeto kudeatzen laguntzen dute. Karga-egoeraren estimazio onak eta osasun-egoeraren estimazioak litio-ioizko bateria guztiek hobeto funtzionatzen eta gehiago irauten laguntzen dute.
Litio-ioizko bateria-sistemetan soc-aren kalkulu zehatzak bateria gehiegi kargatzea, gehiegi berotzea eta bat-bateko huts egitea saihesteko balio du. Horregatik, kalkulu-teknika sendoak oso garrantzitsuak dira bateria-kudeaketa sistema modernoetarako.
Metrika estatistikoa | Deskribapena | Bateriaren degradazioarekin duen korrelazioa |
|---|---|---|
bariantza | Tentsio/korronte aldaketak nolakoak diren egiaztatzen du | Bariantza handiagoak barne erresistentzia eta erreakzio kimiko irregularrak eta elektrodoen kalteak esan nahi du |
Gehieneko balioa | Kargatzen edo deskargatzen ari den bitartean tentsio/korronte altuena | Zenbaki txikiagoek karga-ahalmen txikiagoa eta segurtasun-arazo posibleak adierazten dituzte, hala nola gehiegi kargatzea edo gehiegi berotzea |
Gutxieneko balioa | Kargatzen edo deskargatzen ari den bitartean tentsio/korronte baxuena | Edukiera galera eta segurtasun arazoak erakusten ditu |
Batez bestekoa (Averager) | Ziklo bateko batez besteko tentsioa/korrontea | Aldaketek elektrolitoen matxura eta energia gutxiago sortzen dute |
asimetria | Zenbateraino hedatzen den tentsioa/korrontea modu irregularrean | SOH aurreikusteko ezaugarrien erauzketan erabilia |
Gehiegizko kurtosisa | Tentsio/korronte gailurra zein zorrotza den | Zenbaki altuagoek polarizazio handiagoa eta litioa txertatzeko gaitasun txikiagoa esan nahi dute. |
Gakoen eramatea
Bateriaren kudeaketa sistemek ezin dute karga edo osasuna zuzenean neurtu. Zeharkako metodoak erabiltzen dituzte, hala nola analisi estatistikoa, Coulomb zenbaketa eta ikaskuntza automatikoa. Metodo hauek bateriaren karga eta osasuna kalkulatzen laguntzen dute.
Karga-egoera ezagutzeak bateriak seguru mantentzen laguntzen du. Gehiegi kargatzea, gehiegi berotzea eta bat-bateko arazoak saihesten ditu.
Bateriak egiaztatzeko hainbat modu daude. Zirkuitu irekiko tentsioa, Coulomb zenbaketa, Kalman iragazketa eta adimen artifizialean oinarritutako ereduak dira metodo batzuk. Bakoitzak alde onak eta txarrak ditu. Elkarrekin erabiltzeak emaitzak hobeak eta fidagarriagoak egiten ditu.
Osasun-egoeraren kalkuluak bateriaren adina egiaztatzen du. Edukiera-galera eta barne-erresistentzia aztertzen ditu. Horrek bateriaren iraupena asmatzen eta segurtasun-arazoak saihesten laguntzen du.
Ikuspegi hibridoek ereduetan oinarritutako eta datuetan oinarritutako metodoak nahasten dituzte. Hauek ematen dituzte emaitzarik onenak. Benetako erabilerarekin alda daitezke. Horri esker, bateriek gehiago irauten dute eta hobeto funtzionatzen dute.
Bateriaren Kudeaketa Sistemaren Oinarriak
Funtsezko funtzioak
Bateriaren kudeaketa sistema oso garrantzitsua da litio-ioizko baterientzat. Litio-ioizko bateriak seguru eta ondo funtzionatzen mantentzen laguntzen du. Sistemak litio-ioizko bateria-zelula bakoitzaren tentsioa, korrontea eta tenperatura egiaztatzen ditu. Gainera, ziurtatzen du litio-ioizko bateria-zelula guztiak modu uniformean kargatzen eta deskargatzen direla. Horri esker, litio-ioizko bateria bakoitzak gehiago irauten du eta hobeto funtzionatzen du.
Bateriaren kudeaketa sistemak litio-ioizko bateria bakoitzaren karga-egoera eta osasun-egoera kontrolatzen ditu. Zenbaki hauek erabiltzen ditu gehiegizko kargatzea eta deskarga sakona geldiarazteko, eta horrek litio-ioizko bateriei kalte egin diezaieke.
Segurtasuna da lehentasuna. Sistemak litio-ioizko bateria deskonektatuko du gehiegi berotzea edo zirkuitulaburrak bezalako arazoak aurkitzen baditu. Erreserba-zelula edo paketeak erabil ditzake gauzak funtzionatzen jarraitzeko.
Komunikazioak garrantzia du. Bateriaren kudeaketa sistemak SPI eta CAN bus erabiltzen ditu datuak gailuaren edo ibilgailuaren beste atal batzuetara bidaltzeko.
Mota desberdinak daude, zentralizatuak edo banatuak bezalakoak, beraz, bateria kudeatzeko sistemak litio-ioizko bateria diseinu askotara egokitu daiteke.
Sistema batzuek funtzio gehigarriak dituzte, hala nola urruneko monitorizazioa, bizi-zikloaren iragarpena eta akatsen detekzioa. Hauek hodeiko konputazioa eta makina-ikaskuntza erabiltzen dituzte bateria hobeto eta seguruago funtzionatzen laguntzeko.
Funtzio nagusia / algoritmoa | Deskribapena |
|---|---|
Zelulen jarraipena | Litio-ioizko bateria-zelula bakoitzaren tentsioa, korrontea eta tenperatura kontrolatzen ditu. Arazoak aurkitzen ditu eta segurtasun-ekintzak abiarazten ditu. Karga-egoera eta osasun-egoera kalkulatzen ditu. |
Potentzia Optimizazioa | Litio-ioizko bateria-zelulak seguru mantentzeko kargatzea eta deskargatzea kontrolatzen ditu. Beste sistemekin batera funtzionatzen du energia modu adimentsuan erabiltzeko. |
Segurtasun Bermea | Ihes termikoa bezalako arriskuak geldiarazten ditu. Erreserba-planak erabiltzen ditu eta jendea deskarga elektrikoetatik babesten du. |
Bateriaren kargaren optimizazioa | Kargatzea aldatzen du litio-ioizko bateria-zelula bakoitzaren estresa murrizteko. Akats-kodeak gordetzen ditu geroagoko egiaztapenetarako. |
Zelulen Orekatze Algoritmoa | Litio-ioizko bateria-zelula guztiek tentsio bera dutela ziurtatzen du. Bateriak hobeto funtziona dezan, oreka aktiboa edo pasiboa erabiltzen du. |
Komunikazio algoritmoak | Bateria kudeatzeko sistemaren eta beste gailu batzuen artean datuak bidaltzen ditu. Baldintza arriskutsuak aurkitzen baditu, kargatzeari uzten dio. |
Aholkua: Aurrez egindako software eta hardware tresnak erabiltzeak ingeniariei litio-ioizko baterien kudeaketa sistema bat azkarrago eraikitzen eta probatzen lagun diezaieke.
Onartutako Kimika
Baterien kudeaketa sistema batek litio-ioizko bateria-konposatu askorekin funtzionatu behar du. Konposatu bakoitzak, NMC, LFP eta NCA bezala, bere alde onak eta txarrak ditu. Adibidez, NMC litio-ioizko bateriek energia-dentsitate handia dute. LFP litio-ioizko bateriek gehiago irauten dute eta beroa hobeto kudeatzen dute. Baterien kudeaketa sistemak bere funtzionamendua aldatzen du litio-ioizko bateria-konposatu bakoitzera egokitzeko.
Azken ikerketek litio-ioizko baterien kimika desberdinek ibilgailu elektrikoetan nola funtzionatzen duten aztertu dute. Ikerketa hauek erakusten dute bateria kudeatzeko sistemek energia-dentsitatearen, kostuaren eta ziklo-bizitzaren aldaketak kudeatu behar dituztela. Era berean, erakusten dute kudeaketa termikoa eta egoera-estimazio aurreratua garrantzitsuak direla litio-ioizko bateria mota bakoitzerako. Makina-ikaskuntzako ereduek litio-ioizko baterien osasun-egoera aurreikusten lagun dezakete iragazitako datuak erabiliz. Horrek akatsak murrizten ditu eta bateria kudeatzeko sistemari laguntzen dio litio-ioizko bateria bakoitzaren zahartze-kimika nola kudeatzen.
Bateriaren kudeaketa sistema malgu batek litio-ioizko bateria-konposatu askorekin funtziona dezake. Horri esker, aplikazio guztiek, ibilgailu elektrikoetatik hasi eta elektronika eramangarrietaraino, bateriaren errendimendu eta segurtasun onena lortzen dute.
Litio-ioizko baterien karga-egoera
Karga-egoera oso garrantzitsua da litio-ioizko baterientzat. Bateria seguru eta ondo funtzionatzen mantentzen laguntzen du. Karga-egoera egokia ez bada, bateria gehiegi berotu edo potentzia galdu dezake. Horrek bateria hautsi edo arazo arriskutsuak sor ditzake, hala nola suteak. Auto elektrikoetan, karga-egoera ezagutzeak balaztatzen eta kargatzen laguntzen du. Bateriaren iraupena ere luzatzen du. Ikerketek erakusten dute karga-egoeraren kalkulu onak akatsak murrizten dituela eta ingurumenari laguntzen diola.
Ezin duzu karga-egoera zuzenean neurtu litio-ioizko bateria batean. Barruko erreakzio kimikoak ezkutuan daude eta zailak dira ikusten. Sentsoreak oker egon daitezke zarataren eta bateriaren aldaketen ondorioz. Beraz, bateria kudeatzeko sistemek modu bereziak erabiltzen dituzte karga-egoera asmatzeko. Tentsioa, korrontea eta tenperatura aztertzen dituzte hori jakiteko. Metodo hauek sentsoreen arazoei eta bateriaren zahartzeari aurre egiten laguntzen dute.
OCV metodoa
Zirkuitu Irekiaren Tentsioaren metodoak karga-egoera asmatzen du bateriaren tentsioa egiaztatuz atseden hartu ondoren. Bateria-konposatu bakoitzak bere tentsioa eta karga-egoeraren lotura du. Metodo hau sinplea da eta ez da asko kostatzen. Ondo funtzionatzen du karga-egoeraren lehen egiaztapenerako eta ez du bateria-eredu handirik behar.
Aspektu | Xehetasunak |
|---|---|
Printzipioa | Bateriaren tentsioa atseden hartu ondoren neurtzen da. OCV eta karga-egoeraren arteko lotura bateria mota bakoitza probatuz aurkitzen da. |
Abantailak | 1. Prozesu sinplea |
Mugak | 1. Atsedenaldi luzea behar du (2 ordu baino gehiago hotz badago) |
OCV metodoak ezin du karga-egoera egiaztatu bateria martxan dagoen bitartean. Litio-ioizko bateriak askotan azkar aldatzen dira, beraz, bateria atseden hartu arte itxarotea ez da erabilgarria. OCV kurban puntu lauak daudenean, erraz gertatzen dira akats handiak tentsio-aldaketa txikiengatik.
Coulomben zenbaketa
Coulomb zenbaketak, edo Ah zenbaketak, karga-egoera asmatzen du sartzen eta irteten den korrontea batuz. Karga-egoeraren lehen zenbaki batekin hasten da eta korrontea mugitzen den heinean aldatzen du.
Ebaluazio alderdia | Xehetasunak |
|---|---|
metodoa | Coulomb zenbaketa algoritmo hobetua |
Balidazio-ikuspegia | MATLAB proba kargatze/deskargatze kurbetatik lortutako karga-egoera errealarekin alderatuta |
Gehienezko errorea (kargatzearen amaiera) | % 3.5 inguru |
Errorea CC Fasean | % 2 baino gutxiago |
Akatsa CV Fasean | % 1 baino gutxiago |
Erroreen joera | Osasun-azterketa egin aurretik denborarekin handiagoa bihurtzen da |
Faktore garrantzitsuak | Lehenengo karga-egoera ona eta karga-egiaztapenek akats gutxiago eragiten dituzte |
Abantailak | Matematika sinplea; zehaztasun nahikoa ona; ez da bateriaren datu gehigarririk behar |
mugak | Akatsak denborarekin pilatzen dira; lehen karga-egoera ona eta osasun-egoeraren zenbakiak behar dira |
Coulomb zenbaketa erabiltzeko erraza da eta ez du bateriaren datu gehigarririk behar. Baina akatsak pilatu egin daitezke denborarekin. Uneko edo lehen karga-egoeran izandako errore txikiak okerrera egin dezakete. Metodo honek hobeto funtzionatzen du aldizkako egiaztapenekin edo laguntzeko beste modu batzuekin.
metodoa | RMSE | MSE | MAE | Key Findings |
|---|---|---|---|---|
Coulomben zenbaketa (CC) | 0.5071 | 0.2572 | 0.4571 | Akats handienak sentsorearen zarata eta erroreengatik; ez da ona epe luzerako erabilerarako |
Kalman iragazkia hedatua | 0.0925 | N / A | N / A | Zehaztasun hobea modeloaren laguntzarekin; bateria-modelo ona behar du |
Erregresio lineala | 0.0778 | N / A | N / A | EKF baino hobea, baina ez da aproposa karga-egoeraren aldaketetarako |
Laguntza Bektore Makina | 0.0319 | N / A | N / A | Aldaketak hobeto kudeatzen ditu; ordenagailu potentzia gehiago behar du |
Ausazko baso-erregresioa | 0.0229 | 0.0005 | 0.0139 | Zehaztasun onena; ondo funtzionatzen du zaratarekin eta aldaketekin; bateriaren kudeaketa errealerako ona |
Kalman iragazketa
Kalman iragazkiak eredu matematikoak erabiltzen ditu karga-egoera asmatzeko. Kalman iragazki hedatua eta usainik gabeko Kalman iragazkia ezagunak dira. Iragazki hauek denbora errealeko datuak bateria-ereduaren asmakizunekin nahasten dituzte. Datu berriak sartzen diren heinean zuzentzen dituzte asmakizunak.
EKF, UKF, Kalman iragazketa metodoak, Kalman iragazki moldagarriak eta Kalman iragazki bikoitzak asko erabiltzen dira.
Iragazki hauek bateria eredu sinpleak eta konplexuagoak erabiltzen dituzte emaitza hobeak lortzeko.
Probek erakusten dute Kalman iragazkiek aldaketak, bateriaren memoria eta sentsorearen zarata ondo kudeatzen dituztela.
Ezarpenak aldatzeak eta sare neuronalak erabiltzeak are hobeak egiten ditu.
Zenbakiak behin eta berriz eguneratzeak modeloaren aldaketek eta sentsoreen desbideratzeak eragindako akatsak konpontzen laguntzen du.
Ikerketek erakusten dute Kalman iragazki moldagarri eta bikoitzek EKF arruntek baino hobeto funtzionatzen dutela karga-egoerari dagokionez.
Kalman iragazkiak litio-ioizko baterien karga-egoeraren denbora errealeko kalkulu onak ematen ditu. Kontu handiz konfiguratu eta bateria-eredu ona behar ditu. Zaila izan daiteke erabiltzea, baina ondo funtzionatzen du gauzak azkar aldatzen direnean.
Metodo hibridoak eta adimen artifizialak
Metodo hibridoek eta IA-k karga-egoera asmatzeko ereduetan oinarritutako eta datuetan oinarritutako moduak nahasten dituzte. Hauek ikaskuntza automatikoa erabiltzen dute, hala nola sare neuronalak, laguntza bektore makinak eta ausazko baso-erregresioa. Tentsio, korronte eta tenperatura datuetatik ikasten dute. Metodo hibridoek metodo bakarrek konpontzen ezin dituzten arazoak.
Aspektu | Deskribapena |
|---|---|
metodoa | Karga-egoera hibridoaren asmatzea Coulomb zenbaketa eta garrantzi bektore makina erabiliz (movIRVM-Coulomb) |
Dataset | Bateria-zelula bakarreko datuak, bateria-paketearen proba-datuak, Advisor simulazio-datuak |
Baldintza | US06, UDDS, NYCC, 1015 gidatze-zikloekin egindako probak; 0 °C, 25 °C, 45 °C-ko tenperaturak; lehen karga-egoera % 50, % 80 |
Zehaztasuna (RMSE) | % 2ko tartean proba eta tenperatura askotan |
Hobekuntza | % 30 baino gehiago hobea movIRVM bakarrik baino; akats gutxiago denborarekin |
Muga nagusia konpondu da | Coulomb zenbaketa hutsean sortutako akatsak konpontzen ditu |
Osagarriak Oharrak | Batez besteko mugikorra erabiltzen du zarata murrizteko; RVM zatirako % 10-30eko entrenamendu datuek baino ez dute behar |
Metodo hibridoek datuak eta ereduak nahasten dituzte bateriaren ekintza arraroak kudeatzeko.
Datuetan oinarritutako metodoen artean daude sare neuronalak, euskarri bektore makinak, prozesu gaussiarren erregresioa, uhin-sare neuronalak eta logika lausoa.
Modu hauek neurtu ditzakezun seinaleetatik karga-egoera asmatzeko balio dute.
Arazoen artean daude bateriaren desberdintasunak, erabilera arraroa eta bateriaren higadura.
Orain, ikertzaileei datuetan oinarritutako metodoak gustatzen zaizkie, ereduek bakarrik ezin baitituzte arazo guztiak konpondu.
Ikasketa sakona eta benetako autoen datuak erabiliz egindako ikerketa berriek erakusten dute metodo hibridoek eta adimen artifizialak karga-egoera % 2 baino gutxiagoko errorearekin asmatu dezaketela. Metodo hauek oso zehatzak dira eta ondo funtzionatzen dute, gauzak asko aldatzen direnean ere.
Oharra: Metodo estatistikoek karga-egoeraren asmatzea errazten dute ziurgabetasuna, sentsoreen akatsak eta ausazko zarata konponduz. Kalibrazioak, erregresioak eta probak karga-egoeraren metodo guztiak fidagarriagoak egiten dituzte.
Osasun Egoera Kalkulatzeko Metodoak
Osasun egoerak, edo SOH-k, litio-ioizko bateria batek zenbat zahartu den adierazten digu. Bateria berria zenean dagoenarekin alderatzen du orain. SOH uneko edukiera aztertuz eta jatorrizko edukierarekin alderatuz kalkulatzen da. Barne erresistentzia zelula berri batekin alderatuz ere egiazta daiteke. SOH % 80 edo % 70etik behera jaisten denean, bateria bere bizitzaren amaieran dago. SOH garrantzitsua da, bateriaren funtzionamendu ona, segurtasuna eta iraupena eragiten duelako. SOH jaisten den heinean, bateriak energia gutxiago dauka. Horrek esan nahi du auto elektrikoek ezin dutela hainbeste joan eta gailuek ez dutela hainbeste denbora funtzionatzen. Bateria asko zahartzen bada, puztu, isuri edo su hartu ere egin dezake. SOH iragarpen onak arazo horiek geldiarazten laguntzen du eta bateriak seguru mantentzen ditu.
Aspektu | Evidence | Datu numerikoak / Xehetasunak |
|---|---|---|
SOHren definizioa | SOH uneko gaitasunaren eta hasierako gaitasunaren arteko erlazioa da edo bateria berri batekin barne-erresistentzia alderatzen du. | SOH bizitza-amaierako mailak % 80 edo % 70eko edukiera geratzen dira. |
Iraupenean eragina | SOH-k zenbat galtzen den edukiera erakusten du, eta horrek mugatzen du ibilgailu elektrikoek zenbaterainoko distantzia egin dezaketen. Bateriaren zahartzeak edukiera gutxiago esan nahi du. | 10,000 km baino gehiago eta 800 egun baino gehiagoz erabilitako ibilgailu elektrikoen bateriek ahalmena galtzeko joerak erakusten dituzte. |
Segurtasunean eragina | Zahartze txarrak ihesak, hantura, gehiegi berotzea eta suteak eragin ditzake. | Segurtasun arriskuak okerrera egiten dute SOH jaisten den heinean, beraz, garrantzitsua da SOH egiaztatzea. |
Datu Iturria | Datuak gidatzeko eta kargatzeko modu desberdinak dituzten ibilgailu elektriko askotatik datoz. | Datu-multzoak 347 ibilgailu elektriko, 25 hilabeteko kargatze-erregistroak eta benetako munduko aldaketa asko ditu. |
SOH estimazioaren erronkak | Benetako munduko aldaketek, SOC-eko akatsek, datu zaratatsuek eta lagin nahikorik ez izateak zaildu egiten dute SOH egiaztatzea. | SOC akatsak handiagoak dira bateriak zahartzen diren heinean, eta BMS-k arazoak ditu edukiera azkar eguneratzeko. |
Metodo aurreratuak | Makina-ikaskuntzak eta datuetan oinarritutako metodoek SOH egiaztapenak hobetzen dituzte. | BiGRU-k, euskarri bektoreen erregresioak eta sare neuronal sakonek SOH eta SOC zehatzago asmatzen laguntzen dute. |
Barne erresistentzia
Barne-erresistentzia oso garrantzitsua da litio-ioizko baterietan SOH egiaztatzeko. Bateriak zahartzen diren heinean, haien barne-erresistentzia handitu egiten da. Hori gertatzen da bateriaren barruko piezak higatu eta apurtzen direlako. Erresistentzia bikoizten bada edo edukiera % 70-80ra jaisten bada, bateria bere bizitzaren amaieran dago. SOH egiaztatzeko modu askok barne-erresistentzia erabiltzen dute. Erresistentzia zuzenean neurtzeak emaitza onak ematen ditu, baina normalean bateria atseden hartu behar du, eta hori zaila da erabilera normalean.
Zientzialariek barne-erresistentzia erabiltzeko modu berriak asmatu dituzte SOH egiaztapenak hobetzeko. Adibidez, zirkuitu irekiko tentsio-kurba konpontzen dute erresistentzia-datuak erabiliz. Horrek karga-abiaduraren aldaketek eragindako akatsak murrizten laguntzen du. Modu honek korronte konstanteko karga-denbora bezalako gauzak erabiltzen ditu matematika gogorraren ordez. Bateriaren benetako datuekin egindako probek erakusten dute metodo honek batez besteko errore absolutua % 1.28 ingurura murriztu dezakeela tentsio-tarte batzuetarako. Emaitza hauek erakusten dute barne-erresistentzia behatzeak SOH egiaztapenak sendoagoak eta zehatzagoak egiten dituela.
Inpedantzia
Inpedantzian oinarritutako metodoek bateriak elektrizitatearekiko duen erreakzioa erabiltzen dute SOH egiaztatzeko. Metodo hauek askotan inpedantzia elektrokimikoaren espektroskopia edo antzeko probak erabiltzen dituzte. Bateriak maiztasun desberdinekin nola jokatzen duen ikusita, ingeniariek zahartzea antzeman eta SOH kalkula dezakete. Inpedantzia metodoak oso zehatzak izan daitezke, % 0.75 eta % 1.5eko SOH unitateen arteko erro karratu ertainen erroreekin.
Metodo mota | Deskribapena | SOH Iragarpenaren Zehaztasuna (RMS Errore) | Gogoeta praktikoak |
|---|---|---|---|
Zuzeneko EIS datuak | Inpedantzia elektrokimikoaren espektroskopia-datu gordinak erabiltzen ditu | % 0.75 – % 1.5 SOH unitateak | Neurtzeko azkarra, baina zelulak desberdinak izan daitezke |
Zirkuitu baliokideen egokitzapenak | EIS datuak zirkuitu-ereduekin lotzen ditu | % 0.75 – % 1.5 SOH unitateak | Lan eta matematika gehiago behar ditu, baina ziurgabetasun gutxiago du |
Erlaxazio Denduen Banaketa (DRT) | EIS datuak erabiliz gauzak finkatzeko zenbat denbora behar den aztertzen du | % 0.75 – % 1.5 SOH unitateak | Ordenagailuaren potentzia handia behar du, baina malgua da |
Maiztasun-erantzun ez-linealaren analisia (NFRA) | Maiztasun-datu bereziak erabiltzen ditu SOH egiaztatzeko | % 0.75 – % 1.5 SOH unitateak | Bateriaren ekintzei buruzko informazio ona ematen du, deskarga osoa baino azkarragoa |
Inpedantzian oinarritutako metodoek ondo funtzionatzen dute laborategietan eta bateriaren zahartzeari buruzko xehetasun asko ematen dituzte. Baina metodo hauek zailak eta korapilatsuak izan daitezke denbora errealeko bateria-sistemetan erabiltzeko. Askotan tresna bereziak eta konfigurazio zaindua behar izaten dituzte. Datuetan oinarritutako metodo berriagoak hasi dira hartzen, ikaskuntza automatikoa erabiliz bateriaren zahartzea eredu gogorrik gabe asmatzeko.
Zikloen Zenbaketa
Zikloen kontaketa litio-ioizko baterietan SOH egiaztatzeko modurik zaharrenetakoa da. Modu honek bateria zenbat aldiz kargatu eta erabili den zenbatzen du. Ziklo oso bakoitzak bateria pixka bat zahartzen du. Zikloak zenbatuz, ingeniariek bateria zenbat gastatu den asma dezakete.
Zikloen zenbaketa erraza da eta ez du tresna berezirik edo matematika zailik behar. Baina ez du ziklo bakoitza nola den desberdina aztertzen. Tenperatura, bateria zenbat erabiltzen den eta zein azkar kargatzen den bezalako gauzek zahartzearen abiadura aldatzen dute, baina zikloen zenbaketak ziklo guztiak berdin tratatzen ditu. Horrek SOH egiaztapenak okerrak bihur ditzake, batez ere bizitza errealean, non bateriek estres mota asko jasaten dituzten.
Metodo aurreratuak
SOH egiaztatzeko modu aurreratuek ikaskuntza automatikoa eta adimen artifiziala erabiltzen dituzte bateriaren datu ugari aztertzeko. Metodo hauek tentsiotik, korrontetik eta tenperaturatik ikasten dute SOH metodo zaharrek baino hobeto asmatzeko. Ikaskuntza automatikoko ereduek, hala nola laguntza bektore makinak, ausazko basoak eta sare neuronal sakonak, bateriaren zahartze eredu korapilatsuak aurki ditzakete.
Azken ikerketek erakusten dute datuetan oinarritutako metodo hauek eredu fisiko zaharrak baino hobeto funtzionatzen dutela. Adibidez, laguntza bektoreen erregresioak eta prozesu gaussiarren erregresioak % 0.4tik beherako erro karratu ertainen erroreak lor ditzakete SOH asmatzerakoan. Aurrerako sare neuronalek eta inferentzia neurolauso moldagarriek ere emaitza onak lortzen dituzte, errore gutxirekin eta emaitza onekin bateria desberdinetarako.
Makina-ikaskuntzako metodoek ez dute bateria-eredu zehatzik behar.
Hodeiko konputazioak modelo handiagoak exekutatzen uzten du, SOH egiaztapenak hobeak eginez bateria-sistema txikia bada ere.
Makina-ikaskuntzako eredu bat baino gehiago erabiltzeak SOH egiaztapenak are zehatzagoak egin ditzake.
Metodo hauek % 3ko batez besteko errore absolutuak eta % 2ko erro karratu batez besteko erroreak lor ditzakete benetako probetan.
Baina metodo aurreratuek entrenamendu datu onak eta ugari behar dituzte. Arazoak izan ditzakete bateriaren zahartze arraroarekin edo baterien erabileran aldaketa handiekin. Kargatzeko datuetatik ezaugarri onak aukeratzea garrantzitsua da, kargatzea bateria erabiltzea baino erregularragoa baita auto elektrikoetan. Ingeniariek ziurtatu behar dute metodo hauek sendoak eta seguruak direla erabili aurretik. pertsonak babesten dituzten bateria-sistemak.
Oharra: Eredu fisiko zaharretatik datuetan oinarritutako metodoetara aldatzeak erakusten du litio-ioizko baterien SOH egiaztapen hobeak eta malguagoak behar ditugula. Makina-ikaskuntzak bateriaren zahartzea goiz detektatzen laguntzen du eta bateriak hobeto funtzionaraztea ahalbidetzen du arazoen zantzuak lehenago aurkituz.
Metodoak konbinatzea zehaztasunerako
Ikuspegi hibridoak
Baterien kudeaketa sistemek hobeto funtzionatzen dute karga-egoera eta osasun-egoera egiaztatzeko metodo bat baino gehiago erabiltzen dutenean. Metodo bakar batek ezin ditu litio-ioizko bateria-sistemetako arazo guztiak konpondu. Metodo hibridoak ereduetan oinarritutako, datuetan oinarritutako eta ikaskuntza-algoritmoen indarguneak konbinatzen ditu. Horrek zarata murrizten, ezezagunak kudeatzen eta bateriaren zahartzeari eusten laguntzen du.
Optimizazio algoritmo askok, hala nola gutxieneko karratuak, Ekilore Optimizazio Algoritmoak eta arrano buruaren bilaketa algoritmoak, karga-egoeraren egiaztapenak hobetzen dituzte. Adibidez, arrano buruaren bilaketa algoritmoak % 1.06ko errore maximoa izan zuen SOCrako.
Hobetutako Autoantolaketa Mapek eta erdi-gainbegiratutako ikaskuntzak % 1.25 inguruko errore maximoak eta % 0.55eko RMSE erakutsi dituzte. Emaitza hauek esan nahi dute metodo hibridoek SOC egiaztapen sendoak ematen dituztela litio-ioizko baterientzat.
Gelaxka orekatze aktiboa makina-ikaskuntzarekin erabiliz bizitza erabilgarriaren gainerakoa bermatzeko, zelulen desberdintasunak eta bateriaren zahartzea konpontzen laguntzen du. Zelula orekatuek karga-egoerari buruzko datu hobeak ematen dituzte, eta horrek litio-ioizko bateriaren osasuna aurreikusten laguntzen du.
Sare neuronal hibridoen ereduek tenperatura-aldaketekin eta baterien erabilerarekin laguntzen dute. Oreka fisikoa eta datuetan oinarritutako metodoak nahastuz, bateriak kudeatzeko sistemek litio-ioizko baterien iraupena eta funtzionamendua hobetzen lagun dezakete. Random Forest bezalako eredu anitzeko fusioak osasun-egoeraren egiaztapenak are indartsuagoak egiten ditu eredu desberdinen atal onenak erabiliz.
Metodo hibridoek bateriak kudeatzeko sistemei laguntzen diete benetako munduko aldaketak kudeatzen. Horrek fidagarriagoak egiten ditu ibilgailu elektrikoetarako eta beste erabilera batzuetarako.
Aplikazioari buruzko gogoetak
Benetako litio-ioizko bateria-sistemetan metodo hibridoak aukeratzeak eta erabiltzeak plangintza zaindua behar du. Ingeniariek erabilera bakoitzak zer behar duen pentsatu behar dute, hala nola auto elektrikoak edo biltegiratzea.
Datuetan oinarritutako metodoek denbora errealeko sentsoreen datuak erabiltzen dituzte eta bateriak zahartzen edo erabiltzen diren heinean aldatzen dira. Metodo hauek zehatzagoak dira, konposatu kimiko desberdinekin funtzionatzen dute eta sentsoreen zarata ondo kudeatzen dute.
Esparru hibridoek ausazko baso-algoritmo hobeak, fisikan oinarritutako ereduak eta beste makina-ikaskuntza tresna batzuk konbinatzen dituzte. Oreka honek zehaztasuna ematen du, azkar funtzionatzen du eta litio-ioizko bateria mota eta egoera askotan erabil daiteke.
Ingeniariek datu on asko behar izatea, ezaugarri egokiak aukeratzea eta ordenagailuen kostuak bezalako arazoak konpondu behar dituzte. Ezaugarriak nahasteak eta ezarpenak doitzeak iragarpenak hobetu ditzake eta denbora errealeko aldaketekin lagun dezake.
Datu ugarik, hala nola zelulen tentsioak, korronteak, tenperaturak eta ziklo-kopuruak, metodo hibrido onenak aukeratzen laguntzen dute. Metodo hauek zaratatsuak edo falta diren datuak konpontzen laguntzen dute eta emaitza bereziak ematen dituzte erabilera bakoitzerako, ez bakarrik oinarrizko karga-egoera eta osasun-egoera. Benetako bizitzan, metodo hibridoek ondo funtzionatzen dute laborategietan eta lantokietan, auto elektrikoetan bezala, non bateriak seguru mantentzen dituzten eta baldintza desberdinetan funtzionatzen duten.
Aholkua: Metodo hibridoak aukeratzerakoan, ingeniariek metodoa bateria-sistemaren helburuekin, datuekin eta erabiliko den tokiarekin lotu beharko lukete. Horrek litio-ioizko baterien kudeaketa fidagarria dela, hazteko aukera duela eta denbora errealean funtzionatzen duela ziurtatzen laguntzen du.
Litio-ioizko baterien funtzionamendua zein ondo eta zein segurua den jakiteko, oso garrantzitsua da soc eta SOH egokiak ezagutzea. Metodo bakoitzak bere alde onak ditu, baina bateria kudeatzeko sistema batean metodo bat baino gehiago batera erabiltzeak emaitzarik onenak ematen ditu litio-ioizko baterien iraupena eta funtzionamendu hobea lortzeko. Ikerketa berriek erakusten dute datu garrantzitsuak hautatzeko modu adimentsuak eta sare neuronal hobetuak erabiltzeak akatsak oso txikiak egin ditzakeela, % 0.16raino ere. Horrek bateriei gehiago irauten eta seguruago mantentzen laguntzen die. Garrantzitsua da litio-ioizko bateria bakoitzak behar dituenetara egokitzen den kalkulu-metodoa aukeratzea.
ohiko galderak
Zein da bateria kudeatzeko sistema baten funtzio nagusia?
Baterien kudeaketa sistema batek bateriak seguru mantentzen ditu. Karga-egoera eta osasun-egoera egiaztatzen ditu. Sistemak zelulak orekatzen ditu elkarrekin lan egin dezaten. Bateriak gehiegi berotzea edo gehiegi betetzea eragozten du. Horrek bateriei gehiago irauten eta hobeto funtzionatzen laguntzen die.
Zergatik ezin dute sentsoreek karga-egoera zuzenean neurtu?
Sentsoreek ezin dute bateriaren barrualdea ikusi. Erreakzio kimikoak gertatzen dira barruan, sentsoreek ezin duten ikusi. Sentsoreek tentsioa, korrontea eta tenperatura bakarrik neurtzen dituzte. Sistemak zenbaki horiek erabiltzen ditu algoritmo bereziekin karga-egoera asmatzeko.
Nola eragiten du tenperaturak bateriaren egoeraren estimazioan?
Oso beroa edo hotz egiten duenean, bateriaren erreakzioak aldatu egiten dira. Sistemak akatsak egin ditzake karga-egoeran edo osasun-egoeran. Bateria kudeatzeko sistema onek beren kalkuluak aldatzen dituzte akats horiek konpontzeko.
Zein metodok ematen du osasun-egoeraren estimazio zehatzena?
metodoa | Zehaztasun maila |
|---|---|
Makina ikastea | oso High |
Inpedantziaren analisia | High |
Barne erresistentzia | Ertaina |
Zikloen Zenbaketa | Behe- |
Makina-ikaskuntzak emaitzarik onenak ematen ditu normalean datuak onak badira.
