Un système de gestion de batterie détermine l'état de charge et l'état de santé des batteries lithium-ion grâce à des techniques d'estimation indirecte. Il ne peut pas mesurer ces éléments directement, car la batterie présente des réactions complexes. Le système utilise donc des méthodes telles que l'extraction de caractéristiques statistiques, le comptage de Coulomb et des modèles avancés basés sur les données. Par exemple, il analyse des indicateurs statistiques tels que la variance, la moyenne et l'asymétrie des courbes de tension et de courant pour surveiller la dégradation de la batterie. L'utilisation de méthodes d'estimation indirecte, comme l'apprentissage automatique et les approches basées sur l'observation, contribue à rendre l'estimation du SOC plus précise et plus sûre. Ces méthodes d'estimation du SOC aident le système de gestion de batterie à prédire les changements dans les batteries lithium-ion. Elles permettent également de mieux gérer la perte de capacité, le vieillissement et les risques. Une bonne estimation de l'état de charge et de l'état de santé contribue à l'amélioration du fonctionnement et à la longévité de chaque batterie lithium-ion.
Une estimation précise de la charge de batterie dans les systèmes de batteries lithium-ion protège la batterie contre les surcharges, les surchauffes et les pannes soudaines. C'est pourquoi des techniques d'estimation rigoureuses sont essentielles pour les systèmes modernes de gestion de batterie.
Métrique statistique | Description | Corrélation avec la dégradation de la batterie |
|---|---|---|
Variance | Vérifie la stabilité des variations de tension/courant | Une variance plus élevée signifie une résistance interne et des réactions chimiques inégales, ainsi que des dommages aux électrodes |
Valeur maximum | Tension/courant le plus élevé pendant la charge ou la décharge | Des nombres inférieurs indiquent une capacité de charge moindre et des problèmes de sécurité possibles comme une surcharge ou une surchauffe |
Valeur minimum | Tension/courant le plus bas pendant la charge ou la décharge | Affiche les pertes de capacité et les problèmes de sécurité |
Moyenne (Moyenne) | Tension/courant moyen au cours d'un cycle | Les changements montrent une dégradation des électrolytes et une diminution de la production d'énergie |
Skewness | À quel point la tension/le courant est réparti de manière inégale | Utilisé dans l'extraction de caractéristiques pour prédire le SOH |
Aplatissement excessif | La netteté du pic de tension/courant | Des nombres plus élevés signifient plus de polarisation et moins de capacité d'insertion du lithium |
Points clés à retenir
Les systèmes de gestion de batterie ne peuvent pas mesurer directement la charge ou l'état de la batterie. Ils utilisent des méthodes indirectes comme l'analyse statistique, le comptage de Coulomb et l'apprentissage automatique. Ces méthodes permettent d'estimer la charge et l'état de la batterie.
Connaître l'état de charge contribue à la sécurité des batteries. Cela évite les surcharges, les surchauffes et les problèmes soudains.
Il existe différentes méthodes pour vérifier les batteries. La tension en circuit ouvert, le comptage de Coulomb, le filtrage de Kalman et les modèles basés sur l'IA en sont quelques-unes. Chacune présente des avantages et des inconvénients. Leur combinaison améliore et fiabilise les résultats.
L'estimation de l'état de santé vérifie l'âge d'une batterie. Elle analyse la perte de capacité et la résistance interne. Cela permet d'estimer la durée de vie de la batterie et d'éviter les problèmes de sécurité.
Les approches hybrides combinent des méthodes basées sur des modèles et des données. Celles-ci donnent les meilleurs résultats. Elles peuvent évoluer en conditions réelles d'utilisation. Cela permet aux batteries de durer plus longtemps et de fonctionner mieux.
Principes de base du système de gestion de batterie
Fonctions clés
Un système de gestion de batterie est essentiel pour les batteries lithium-ion. Il contribue à leur sécurité et à leur bon fonctionnement. Ce système vérifie la tension, le courant et la température de chaque cellule. Il veille également à ce que toutes les cellules se chargent et se déchargent uniformément. Cela permet à chaque batterie lithium-ion de durer plus longtemps et de fonctionner mieux.
Le système de gestion de batterie surveille l'état de charge et l'état de santé de chaque batterie lithium-ion. Il utilise ces données pour éviter les surcharges et les décharges profondes, qui peuvent endommager les batteries lithium-ion.
La sécurité avant tout. Le système déconnecte la batterie lithium-ion en cas de problème, comme une surchauffe ou un court-circuit. Il peut utiliser des cellules ou des packs de secours pour assurer le fonctionnement.
La communication est importante. Le système de gestion de batterie utilise les bus SPI et CAN pour envoyer des données aux autres composants de l'appareil ou du véhicule.
Il existe différents types, comme centralisé ou distribué, de sorte que le système de gestion de batterie peut s'adapter à de nombreuses conceptions de batteries lithium-ion.
Certains systèmes offrent des fonctionnalités supplémentaires comme la surveillance à distance, la prédiction du cycle de vie et la détection des pannes. Ils utilisent le cloud computing et l'apprentissage automatique pour optimiser le fonctionnement et la sécurité de la batterie.
Fonction clé / Algorithme | Description |
|---|---|
Surveillance cellulaire | Surveille la tension, le courant et la température de chaque cellule de batterie lithium-ion. Détecte les problèmes et met en œuvre des mesures de sécurité. Détermine l'état de charge et l'état de santé. |
Optimisation de l'alimentation | Contrôle la charge et la décharge pour préserver la sécurité des cellules de la batterie lithium-ion. Fonctionne avec d'autres systèmes pour une utilisation intelligente de l'énergie. |
Garantie de sécurité | Empêche les dangers comme l'emballement thermique. Utilise des plans de secours et protège les personnes contre les chocs électriques. |
Optimisation de la charge de la batterie | Modifie la charge pour réduire la sollicitation de chaque cellule de batterie lithium-ion. Sauvegarde des codes d'erreur pour vérifications ultérieures. |
Algorithme d’équilibrage cellulaire | S'assure que toutes les cellules de la batterie lithium-ion ont la même tension. Utilise un équilibrage actif ou passif pour optimiser le fonctionnement de la batterie. |
Algorithmes de communication | Envoie des données entre le système de gestion de la batterie et d'autres appareils. Arrête la charge en cas de conditions dangereuses. |
Conseil : l’utilisation d’outils logiciels et matériels prêts à l’emploi peut aider les ingénieurs à créer et à tester plus rapidement un système de gestion de batterie pour batteries lithium-ion.
Chimies prises en charge
Un système de gestion de batterie doit être compatible avec de nombreuses chimies de batteries lithium-ion. Chaque chimie, comme NMC, LFP et NCA, présente ses avantages et ses inconvénients. Par exemple, les batteries lithium-ion NMC ont une densité énergétique élevée. Les batteries lithium-ion LFP durent plus longtemps et gèrent mieux la chaleur. Le système de gestion de batterie adapte son fonctionnement à chaque chimie de batterie lithium-ion.
Des études récentes examinent le fonctionnement des différentes chimies de batteries lithium-ion dans les véhicules électriques. Elles montrent que les systèmes de gestion de batterie doivent gérer les variations de densité énergétique, de coût et de durée de vie. Elles montrent également que la gestion thermique et l'estimation avancée de l'état sont importantes pour chaque type de batterie lithium-ion. Les modèles d'apprentissage automatique peuvent aider à prédire l'état de santé des batteries lithium-ion en utilisant des données filtrées. Cela réduit les erreurs et aide le système de gestion de batterie à gérer le vieillissement de chaque chimie de batterie lithium-ion.
Un système de gestion de batterie flexible est compatible avec de nombreuses chimies de batteries lithium-ion. Cela permet à chaque application, des véhicules électriques aux appareils électroniques portables, d'obtenir des performances et une sécurité optimales.
État de charge des batteries lithium-ion
L'état de charge est essentiel pour les batteries lithium-ion. Il contribue à leur sécurité et à leur bon fonctionnement. Un état de charge incorrect peut entraîner une surchauffe ou une perte de puissance, ce qui peut entraîner une panne, voire des incendies. Sur les voitures électriques, connaître l'état de charge facilite le freinage et la charge. Cela prolonge également la durée de vie de la batterie. Des études montrent qu'une bonne estimation de l'état de charge réduit les erreurs et contribue à la protection de l'environnement.
Il est impossible de mesurer directement l'état de charge d'une batterie lithium-ion. Les réactions chimiques internes sont invisibles et difficiles à observer. Les capteurs peuvent se tromper en raison du bruit et des variations de la batterie. Les systèmes de gestion de batterie utilisent donc des méthodes spécifiques pour estimer l'état de charge. Ils analysent la tension, le courant et la température pour le déterminer. Ces méthodes permettent de gérer les problèmes de capteurs et le vieillissement de la batterie.
Méthode OCV
La méthode de la tension en circuit ouvert évalue l'état de charge de la batterie en vérifiant sa tension après son repos. Chaque type de batterie possède sa propre tension et son propre état de charge. Cette méthode est simple et peu coûteuse. Elle est idéale pour une première vérification de l'état de charge et ne nécessite pas de gros modèle de batterie.
Aspect | DÉTAILS |
|---|---|
Principe | La tension de la batterie est mesurée après repos. Le lien entre l'OCV et l'état de charge est établi en testant chaque type de batterie. |
Les Avantages | 1. Processus simple |
Limites | 1. Nécessite un long temps de repos (plus de 2 heures s'il fait froid) |
La méthode OCV ne permet pas de vérifier l'état de charge de la batterie pendant son fonctionnement. Les batteries lithium-ion se déchargent souvent rapidement ; il est donc inutile d'attendre que la batterie se repose. Les points plats sur la courbe OCV peuvent facilement engendrer des erreurs importantes liées à de faibles variations de tension.
Comptage coulombien
Le comptage de Coulomb, ou comptage Ah, évalue l'état de charge en additionnant les courants entrant et sortant. Il part d'un premier nombre d'états de charge et le modifie au fur et à mesure du courant.
Aspect d'évaluation | DÉTAILS |
|---|---|
Méthode | Algorithme de comptage de Coulomb amélioré |
Approche de validation | Test MATLAB comparé à l'état de charge réel à partir des courbes de charge/décharge |
Erreur maximale (fin de charge) | Environ 3.5% |
Erreur lors de l'étape CC | Moins de 2% |
Erreur lors de l'étape CV | Moins de 1% |
Tendance des erreurs | S'agrandit au fil du temps avant le contrôle de l'état de santé |
Facteurs importants | Un bon premier état de charge et des contrôles de charge réduisent les erreurs |
Avantages | Mathématiques simples ; précision suffisante ; aucune donnée de batterie supplémentaire n'est nécessaire |
contraintes | Les erreurs s'accumulent au fil du temps ; il faut de bons chiffres sur l'état de charge et l'état de santé au départ |
Le comptage de Coulombs est facile à utiliser et ne nécessite pas de données de batterie supplémentaires. Cependant, les erreurs peuvent s'accumuler avec le temps. De petites erreurs de courant ou de premier état de charge peuvent s'aggraver. Cette méthode est optimale avec des contrôles réguliers ou d'autres moyens d'assistance.
Méthode | RMSE | MSE | MAE | Principales conclusions |
|---|---|---|---|---|
Comptage de Coulomb (CC) | 0.5071 | 0.2572 | 0.4571 | Les erreurs les plus fréquentes sont dues au bruit et aux erreurs du capteur ; elles ne conviennent pas à une utilisation à long terme. |
Filtre de Kalman étendu | 0.0925 | N/D | N/D | Meilleure précision avec l'aide du modèle ; nécessite un bon modèle de batterie |
Régression Linéaire | 0.0778 | N/D | N/D | Mieux que l'EKF mais pas parfait pour les changements d'état de charge |
Soutenir la machine vectorielle | 0.0319 | N/D | N/D | Gère mieux les changements ; nécessite plus de puissance informatique |
Régression forestière aléatoire | 0.0229 | 0.0005 | 0.0139 | Meilleure précision ; fonctionne bien avec le bruit et les changements ; bon pour une véritable gestion de la batterie |
Filtrage de Kalman
Le filtrage de Kalman utilise des modèles mathématiques pour estimer l'état de charge. Le filtre de Kalman étendu et le filtre de Kalman non parfumé sont très répandus. Ces filtres combinent des données en temps réel avec des estimations du modèle de batterie. Ils corrigent leurs estimations à mesure que de nouvelles données arrivent.
Les méthodes de filtrage de Kalman telles que EKF, UKF, les filtres de Kalman adaptatifs et les filtres de Kalman doubles sont très utilisées.
Ces filtres utilisent des modèles de batterie simples et des modèles plus complexes pour obtenir de meilleurs résultats.
Les tests montrent que les filtres de Kalman gèrent bien les changements, la mémoire de la batterie et le bruit du capteur.
La modification des paramètres et l’utilisation de réseaux neuronaux les rendent encore meilleurs.
La mise à jour répétée des chiffres permet de corriger les erreurs dues aux changements de modèle et à la dérive des capteurs.
Des études montrent que les filtres adaptatifs et doubles de Kalman sont plus performants que les filtres EKF classiques en termes d'état de charge.
Le filtrage de Kalman fournit des estimations fiables et en temps réel de l'état de charge des batteries lithium-ion. Il nécessite une configuration minutieuse et un bon modèle de batterie. Son utilisation peut être complexe, mais il est efficace lorsque la situation évolue rapidement.
Méthodes hybrides et IA
Les méthodes hybrides et d'IA combinent des méthodes basées sur des modèles et des données pour estimer l'état de charge. Elles utilisent l'apprentissage automatique, comme les réseaux neuronaux, les machines à vecteurs de support et la régression aléatoire par forêt. Elles apprennent à partir des données de tension, de courant et de température. Les méthodes hybrides résolvent des problèmes que les méthodes individuelles ne peuvent résoudre.
Aspect | Description |
|---|---|
Méthode | Estimation de l'état de charge hybride à l'aide de la machine à vecteurs de pertinence et de comptage de Coulomb (movIRVM-Coulomb) |
Ensemble de données | Données sur une seule cellule de batterie, données de test de batterie, données de simulation Advisor |
Conditions | Tests avec US06, UDDS, NYCC, 1015 cycles de conduite ; températures 0°C, 25°C, 45°C ; premier état de charge 50%, 80% |
Précision (RMSE) | Dans les 2% pour de nombreux tests et températures |
Formation | Plus de 30 % meilleur que movIRVM seul ; moins d'erreurs au fil du temps |
Contrainte clé abordée | Corrige l'accumulation d'erreurs dans le comptage de Coulomb pur |
Notes complémentaires | Utilise la moyenne mobile pour réduire le bruit ; nécessite seulement 10 à 30 % des données d'entraînement pour la partie RVM |
Les méthodes hybrides mélangent des données et des modèles pour gérer les actions étranges de la batterie.
Les méthodes basées sur les données comprennent les réseaux neuronaux, les machines à vecteurs de support, la régression par processus gaussien, les réseaux neuronaux par ondelettes et la logique floue.
Ces méthodes permettent de deviner l’état de charge à partir des signaux que vous pouvez mesurer.
Les problèmes incluent les différences de batterie, une utilisation étrange et l'usure de la batterie.
Aujourd’hui, les chercheurs privilégient les méthodes basées sur les données, car les modèles seuls ne peuvent pas résoudre tous les problèmes.
De nouvelles études utilisant l'apprentissage profond et des données réelles sur les véhicules montrent que les méthodes hybrides et l'IA peuvent estimer l'état de charge avec une erreur inférieure à 2 %. Ces méthodes sont très précises et efficaces, même en cas de variations importantes.
Remarque : Les méthodes statistiques permettent d'estimer l'état de charge en corrigeant les incertitudes, les erreurs de capteur et le bruit aléatoire. L'étalonnage, la régression et les tests rendent toutes les méthodes d'évaluation de l'état de charge plus fiables.
Méthodes d'estimation de l'état de santé
L'état de santé (SOH) indique le vieillissement d'une batterie lithium-ion. Il compare la batterie actuelle à sa capacité d'origine. On peut également le vérifier en comparant la résistance interne d'une cellule neuve. Lorsque l'état de santé (SOH) descend en dessous de 80 % ou 70 %, la batterie est en fin de vie. L'état de santé (SOH) est important car il influence le bon fonctionnement, la sécurité et la durée de vie de la batterie. Plus l'état de santé (SOH) diminue, moins la batterie emmagasine d'énergie. Les voitures électriques ont donc une autonomie réduite et les appareils électriques fonctionnent moins longtemps. Si une batterie vieillit trop, elle peut gonfler, fuir, voire prendre feu. Une bonne prédiction de l'état de santé (SOH) permet d'éviter ces problèmes et de préserver la sécurité des batteries.
Aspect | Preuve | Données numériques / Détails |
|---|---|---|
Définition de SOH | Le SOH est le rapport entre la capacité actuelle et la capacité de démarrage ou compare la résistance interne à une nouvelle batterie. | Les niveaux de fin de vie du SOH sont de 80 % ou 70 % de la capacité restante. |
Impact sur la longévité | L'état de santé (SOH) indique la perte de capacité, ce qui limite l'autonomie des véhicules électriques. Le vieillissement de la batterie se traduit par une diminution de sa capacité. | Les batteries de véhicules électriques utilisées pendant plus de 10,000 800 km et plus de XNUMX jours présentent des tendances à la perte de capacité. |
Impact sur la sécurité | Un mauvais vieillissement peut provoquer des fuites, des gonflements, des surchauffes et des incendies. | Les risques de sécurité s'aggravent à mesure que le SOH diminue, il est donc important de vérifier le SOH. |
La source de données | Les données proviennent de nombreux véhicules électriques avec différentes manières de conduire et de se recharger. | L'ensemble de données comprend 347 véhicules électriques, des enregistrements de charge sur 25 mois et de nombreux changements dans le monde réel. |
Défis de l'estimation de l'état de santé | Les changements du monde réel, les erreurs dans le SOC, les données bruyantes et le manque d'échantillons rendent le SOH difficile à vérifier. | Les erreurs SOC s'aggravent à mesure que les batteries vieillissent et le BMS a du mal à mettre à jour rapidement la capacité. |
Méthodes avancées | L’apprentissage automatique et les méthodes basées sur les données améliorent les contrôles SOH. | BiGRU, la régression à vecteur de support et les réseaux neuronaux profonds aident à deviner SOH et SOC plus précisément. |
Résistance interne
La résistance interne est essentielle pour vérifier l'état de santé des batteries lithium-ion. Avec le temps, la résistance interne des batteries augmente. Cela se produit lorsque les composants internes s'usent et tombent en panne. Si la résistance double ou que la capacité chute à 70-80 %, la batterie est en fin de vie. De nombreuses méthodes de vérification de l'état de santé utilisent la résistance interne. La mesure directe de la résistance donne de bons résultats, mais nécessite généralement un repos de la batterie, ce qui est difficile en utilisation normale.
Les scientifiques ont développé de nouvelles méthodes d'utilisation de la résistance interne pour améliorer les contrôles de l'état de santé. Par exemple, ils corrigent la courbe de tension en circuit ouvert à l'aide des données de résistance. Cela permet de réduire les erreurs dues aux variations de vitesse de charge. Cette méthode utilise des paramètres comme le temps de charge à courant constant plutôt que des calculs complexes. Des tests sur des données de batteries réelles montrent que cette méthode peut réduire l'erreur absolue moyenne à environ 1.28 % pour certaines plages de tension. Ces résultats montrent que l'observation de la résistance interne rend les contrôles de l'état de santé plus fiables et plus précis.
Impédance
Les méthodes basées sur l'impédance utilisent la réaction d'une batterie à l'électricité pour vérifier l'état de santé de la batterie. Ces méthodes font souvent appel à la spectroscopie d'impédance électrochimique ou à des tests similaires. En observant le comportement de la batterie à différentes fréquences, les ingénieurs peuvent détecter son vieillissement et estimer l'état de santé de la batterie. Les méthodes basées sur l'impédance peuvent être très précises, avec des erreurs quadratiques moyennes comprises entre 0.75 % et 1.5 % d'unités d'état de santé.
Type de méthode | Description | Précision de prédiction SOH (erreur RMS) | Considérations pratiques |
|---|---|---|---|
Données EIS directes | Utilise des données brutes de spectroscopie d'impédance électrochimique | 0.75 % – 1.5 % unités SOH | Rapide à mesurer, mais les cellules peuvent être différentes |
Ajustements de circuits équivalents | Associe les données EIS aux modèles de circuits | 0.75 % – 1.5 % unités SOH | Nécessite plus de travail et de mathématiques, mais présente moins d'incertitude |
Répartition des Temps de Relaxation (RTD) | Examine le temps qu'il faut pour que les choses se stabilisent à l'aide des données EIS | 0.75 % – 1.5 % unités SOH | Nécessite beaucoup de puissance informatique, mais reste flexible |
Analyse de la réponse en fréquence non linéaire (NFRA) | Utilise des données de fréquence spéciales pour vérifier le SOH | 0.75 % – 1.5 % unités SOH | Donne de bonnes informations sur les actions de la batterie, plus rapide qu'une décharge complète |
Les méthodes basées sur l'impédance fonctionnent bien en laboratoire et fournissent de nombreuses informations sur le vieillissement des batteries. Cependant, leur utilisation dans les systèmes de batteries en temps réel peut s'avérer complexe. Elles nécessitent souvent des outils spécifiques et une configuration minutieuse. De nouvelles méthodes basées sur les données commencent à prendre le dessus, utilisant l'apprentissage automatique pour prédire le vieillissement des batteries sans modèles concrets.
Comptage de cycle
Le comptage des cycles est l'une des méthodes les plus anciennes pour vérifier l'état de santé des batteries lithium-ion. Il permet de compter le nombre de fois qu'une batterie est chargée et utilisée. Chaque cycle complet vieillit légèrement la batterie. En comptant les cycles, les ingénieurs peuvent estimer le degré d'usure de la batterie.
Le comptage des cycles est simple et ne nécessite ni outils spéciaux ni calculs complexes. Cependant, il ne tient pas compte des différences entre chaque cycle. La température, l'utilisation de la batterie et sa vitesse de charge influencent son vieillissement, mais le comptage des cycles traite chaque cycle de la même manière. Cela peut fausser les vérifications de l'état de santé, notamment en conditions réelles où les batteries sont soumises à de nombreuses contraintes.
Méthodes avancées
Des méthodes avancées de vérification de l'état de santé (SOH) utilisent l'apprentissage automatique et l'intelligence artificielle pour analyser de nombreuses données de batterie. Ces méthodes analysent la tension, le courant et la température pour mieux deviner l'état de santé (SOH) que les méthodes traditionnelles. Des modèles d'apprentissage automatique comme les machines à vecteurs de support, les forêts aléatoires et les réseaux de neurones profonds peuvent identifier des schémas complexes de vieillissement des batteries.
Des études récentes montrent que ces méthodes basées sur les données fonctionnent mieux que les anciens modèles physiques. Par exemple, la régression à vecteurs de support et la régression par processus gaussien peuvent obtenir des erreurs quadratiques moyennes inférieures à 0.4 % lors de l'estimation du SOH. Les réseaux de neurones à propagation directe et les systèmes d'inférence neuro-floue adaptatifs s'en sortent également bien, avec peu d'erreurs et de bons résultats pour différentes batteries.
Les méthodes d’apprentissage automatique ne nécessitent pas de modèles de batterie détaillés.
Le cloud computing permet de faire fonctionner des modèles plus grands, ce qui améliore les contrôles SOH même si le système de batterie est petit.
L’utilisation de plusieurs modèles d’apprentissage automatique peut rendre les contrôles SOH encore plus précis.
Ces méthodes permettent d'obtenir des erreurs absolues moyennes de l'ordre de 3 % et des erreurs quadratiques moyennes de l'ordre de 2 % dans des tests réels.
Cependant, les méthodes avancées nécessitent de nombreuses données d'entraînement fiables. Elles peuvent être confrontées à des problèmes de vieillissement anormal des batteries ou à des variations importantes de leur utilisation. Il est important de sélectionner les bonnes caractéristiques à partir des données de charge, car la charge est plus régulière que l'usure de la batterie dans les voitures électriques. Les ingénieurs doivent s'assurer que ces méthodes sont robustes et sûres avant de les utiliser. systèmes de batteries qui protègent les personnes.
Remarque : Le passage des anciens modèles physiques à des méthodes basées sur les données montre que nous avons besoin de contrôles SOH plus performants et plus flexibles pour les batteries lithium-ion. L'apprentissage automatique permet de détecter précocement le vieillissement des batteries et d'améliorer leur fonctionnement en détectant les signes de problèmes plus tôt.
Combinaison de méthodes pour plus de précision
Approches hybrides
Les systèmes de gestion de batterie fonctionnent mieux lorsqu'ils utilisent plusieurs méthodes pour vérifier l'état de charge et l'état de santé. Une seule méthode ne peut résoudre tous les problèmes des systèmes de batteries lithium-ion. Méthodes hybrides Combinez les atouts des algorithmes basés sur les modèles, les données et l'apprentissage. Cela permet de réduire le bruit, de gérer les inconnues et de suivre le vieillissement des batteries.
De nombreux algorithmes d'optimisation, comme les moindres carrés, l'algorithme d'optimisation Sunflower et l'algorithme de recherche Bald Eagle, améliorent les vérifications de l'état de charge. Par exemple, l'algorithme de recherche Bald Eagle présentait une erreur maximale de seulement 1.06 % pour l'état de charge.
Des cartes d'auto-organisation améliorées et un apprentissage semi-supervisé ont montré des erreurs maximales proches de 1.25 % et une RMSE aussi faible que 0.55 %. Ces résultats signifient que les méthodes hybrides offrent des contrôles SOC fiables pour les batteries lithium-ion.
L'équilibrage actif des cellules avec l'apprentissage automatique pour la durée de vie utile restante permet de gérer les différences entre les cellules et le vieillissement de la batterie. Des cellules équilibrées fournissent de meilleures données sur l'état de charge, ce qui permet de prédire l'état de santé de la batterie lithium-ion.
Les modèles de réseaux neuronaux hybrides aident à comprendre les variations de température et l'utilisation des batteries. En combinant équilibrage physique et méthodes basées sur les données, les systèmes de gestion de batterie peuvent optimiser la durée de vie et le fonctionnement des batteries lithium-ion. La fusion multimodèle, comme Random Forest, renforce encore les bilans de santé en exploitant les meilleurs éléments de différents modèles.
Les méthodes hybrides aident les systèmes de gestion de batterie à s'adapter aux changements du monde réel. Cela les rend plus fiables pour les véhicules électriques et autres utilisations.
Considérations relatives à l'application
Le choix et l'utilisation de méthodes hybrides dans des systèmes de batteries lithium-ion réels nécessitent une planification minutieuse. Les ingénieurs doivent réfléchir aux besoins de chaque utilisation, comme les voitures électriques ou le stockage.
Les méthodes basées sur les données utilisent des données de capteurs en temps réel et évoluent avec le vieillissement ou l'usure des batteries. Ces méthodes sont plus précises, fonctionnent avec différentes compositions chimiques et gèrent efficacement le bruit des capteurs.
Les frameworks hybrides combinent de meilleurs algorithmes de forêts aléatoires, des modèles basés sur la physique et d'autres outils d'apprentissage automatique. Cet équilibre offre précision, rapidité et s'adapte à de nombreux types de batteries lithium-ion et à de nombreuses situations.
Les ingénieurs doivent résoudre des problèmes tels que le besoin de données fiables et abondantes, le choix des fonctionnalités adéquates et les coûts informatiques. Combiner les fonctionnalités et optimiser les paramètres permet d'améliorer les prévisions et de faciliter les changements en temps réel.
De nombreuses données, telles que la tension, le courant, la température et le nombre de cycles des cellules, permettent de choisir les meilleures méthodes hybrides. Ces méthodes permettent de corriger les données parasites ou manquantes et d'obtenir des résultats spécifiques à chaque utilisation, et pas seulement l'état de charge et l'état de santé. En pratique, les méthodes hybrides fonctionnent bien en laboratoire et sur le terrain, comme dans les voitures électriques, où elles garantissent la sécurité et le bon fonctionnement des batteries dans différentes conditions.
Conseil : Lors du choix d'une méthode hybride, les ingénieurs doivent adapter la méthode aux objectifs, aux données et à l'utilisation prévue du système de batterie. Cela permet de garantir la fiabilité, la capacité d'évolution et le fonctionnement en temps réel de la gestion des batteries lithium-ion.
Connaître le SOC et le SOH appropriés est essentiel au bon fonctionnement et à la sécurité des batteries lithium-ion. Chaque méthode a ses avantages, mais l'utilisation combinée de plusieurs méthodes dans un système de gestion de batterie permet d'obtenir les meilleurs résultats pour optimiser la durée de vie et le fonctionnement des batteries lithium-ion. De nouvelles recherches montrent que l'utilisation de méthodes intelligentes pour identifier les données importantes et de réseaux neuronaux améliorés permet de réduire considérablement les erreurs, jusqu'à 0.16 %. Cela permet aux batteries de durer plus longtemps et d'être plus sûres. Il est important de choisir la méthode d'estimation adaptée aux besoins de chaque batterie lithium-ion.
QFP
Quelle est la fonction principale d’un système de gestion de batterie ?
Un système de gestion de batterie assure la sécurité des batteries. Il vérifie l'état de charge et l'état de santé des batteries. Il équilibre les cellules pour qu'elles fonctionnent ensemble. Il empêche les batteries de surchauffer ou de se charger excessivement. Cela permet aux batteries de durer plus longtemps et de fonctionner mieux.
Pourquoi les capteurs ne peuvent-ils pas mesurer directement l’état de charge ?
Les capteurs ne peuvent pas voir l'intérieur d'une batterie. Des réactions chimiques se produisent à l'intérieur, là où les capteurs ne peuvent pas voir. Les capteurs mesurent uniquement la tension, le courant et la température. Le système utilise ces valeurs avec des algorithmes spéciaux pour estimer l'état de charge.
Comment la température affecte-t-elle l’estimation de l’état de la batterie ?
Lorsqu'il fait très chaud ou très froid, les réactions de la batterie changent. Le système peut commettre des erreurs d'état de charge ou d'état de santé. Les bons systèmes de gestion de batterie adaptent leurs calculs pour corriger ces erreurs.
Quelle méthode donne l’estimation la plus précise de l’état de santé ?
Méthode | Niveau de précision |
|---|---|
Machine Learning | Très élevé |
Analyse d'impédance | Haute |
Résistance interne | Moyenne |
Comptage de cycle | Low |
L’apprentissage automatique donne généralement les meilleurs résultats si les données sont bonnes.
