Sistem manajemen baterai mengetahui status pengisian daya dan kondisi kesehatan baterai litium-ion menggunakan teknik estimasi tidak langsung. Sistem ini tidak dapat mengukurnya secara langsung karena baterai memiliki reaksi kompleks di dalamnya. Oleh karena itu, sistem menggunakan metode seperti ekstraksi fitur statistik, penghitungan Coulomb, dan model berbasis data tingkat lanjut. Misalnya, sistem ini mengamati metrik statistik seperti varians, rerata, dan kemiringan dari kurva tegangan dan arus untuk memantau degradasi baterai. Penggunaan metode estimasi tidak langsung, seperti pembelajaran mesin dan pendekatan berbasis pengamat, membantu membuat estimasi soc lebih akurat dan aman. Metode estimasi soc ini membantu sistem manajemen baterai memprediksi perubahan pada baterai litium-ion. Metode ini juga membantu mengelola kehilangan kapasitas, penuaan, dan risiko dengan lebih baik. Estimasi status pengisian daya dan kondisi kesehatan yang baik membantu setiap baterai litium-ion bekerja lebih baik dan lebih tahan lama.
Estimasi soc yang akurat dalam sistem baterai lithium-ion menjaga baterai tetap aman dari pengisian daya berlebih, panas berlebih, dan kegagalan tiba-tiba. Hal ini membuat teknik estimasi yang kuat menjadi sangat penting bagi sistem manajemen baterai modern.
Metrik Statistik | Uraian Teknis | Korelasi dengan Degradasi Baterai |
|---|---|---|
Perbedaan | Memeriksa seberapa stabil perubahan tegangan/arus | Varians yang lebih tinggi berarti resistansi internal dan reaksi kimia yang tidak merata, serta kerusakan elektroda. |
Nilai maksimum | Tegangan/arus tertinggi selama pengisian atau pengosongan | Angka yang lebih rendah menunjukkan kapasitas beban yang lebih rendah dan kemungkinan masalah keselamatan seperti pengisian daya yang berlebihan atau panas berlebih |
Nilai Minimum | Tegangan/arus terendah selama pengisian atau pengosongan | Menunjukkan hilangnya kapasitas dan masalah keselamatan |
Berarti (Rata-rata) | Tegangan/arus rata-rata selama satu siklus | Perubahan menunjukkan kerusakan elektrolit dan berkurangnya keluaran energi |
Kecondongan | Seberapa tidak meratanya penyebaran tegangan/arus | Digunakan dalam ekstraksi fitur untuk memprediksi SOH |
Kurtosis Berlebih | Seberapa tajam puncak tegangan/arus | Angka yang lebih tinggi berarti lebih banyak polarisasi dan lebih sedikit kemampuan penyisipan litium |
Ringkasan Utama
Sistem manajemen baterai tidak dapat mengukur daya atau kesehatan secara langsung. Sistem ini menggunakan cara tidak langsung seperti analisis statistik, penghitungan Coulomb, dan pembelajaran mesin. Metode ini membantu memperkirakan daya dan kesehatan baterai.
Mengetahui status pengisian daya membantu menjaga baterai tetap aman. Ini menghentikan pengisian daya berlebih, panas berlebih, dan masalah tiba-tiba.
Ada berbagai cara untuk memeriksa baterai. Tegangan Sirkuit Terbuka, Penghitungan Coulomb, Penyaringan Kalman, dan model berbasis AI adalah beberapa metodenya. Masing-masing metode memiliki kelebihan dan kekurangan. Menggabungkan ketiganya akan menghasilkan hasil yang lebih baik dan lebih andal.
Estimasi status kesehatan memeriksa usia baterai. Estimasi ini melihat kehilangan kapasitas dan resistansi internal. Estimasi ini membantu memperkirakan masa pakai baterai dan menghindari masalah keamanan.
Pendekatan hibrida menggabungkan metode berbasis model dan berbasis data. Metode ini memberikan hasil terbaik. Hasil ini dapat berubah seiring penggunaan di dunia nyata. Hal ini membantu baterai bertahan lebih lama dan berfungsi lebih baik.
Dasar-dasar Sistem Manajemen Baterai
Fungsi utama
Sistem manajemen baterai sangat penting untuk baterai lithium-ion. Sistem ini membantu menjaga baterai lithium-ion tetap aman dan berfungsi dengan baik. Sistem ini memeriksa tegangan, arus, dan suhu pada setiap sel baterai lithium-ion. Sistem ini juga memastikan semua sel baterai lithium-ion terisi dan terkuras secara merata. Hal ini membantu setiap baterai lithium-ion bertahan lebih lama dan berfungsi lebih baik.
Sistem manajemen baterai memantau status pengisian daya dan status kesehatan setiap baterai lithium-ion. Sistem ini menggunakan angka-angka ini untuk menghentikan pengisian daya yang berlebihan dan pengosongan daya yang dalam, yang dapat merusak baterai lithium-ion.
Keselamatan adalah prioritas utama. Sistem akan memutus baterai litium-ion jika menemukan masalah seperti panas berlebih atau korsleting. Sistem dapat menggunakan sel atau paket cadangan untuk menjaga semuanya tetap berfungsi.
Komunikasi itu penting. Sistem manajemen baterai menggunakan SPI dan bus CAN untuk mengirim data ke bagian lain perangkat atau kendaraan.
Ada berbagai jenis, seperti terpusat atau terdistribusi, sehingga sistem manajemen baterai dapat disesuaikan dengan banyak desain baterai lithium-ion.
Beberapa sistem memiliki fitur tambahan seperti pemantauan jarak jauh, prediksi siklus hidup, dan deteksi kesalahan. Fitur-fitur ini menggunakan komputasi awan dan pembelajaran mesin untuk membantu baterai bekerja lebih baik dan lebih aman.
Fungsi Kunci / Algoritma | Uraian Teknis |
|---|---|
Pemantauan Sel | Memantau tegangan, arus, dan suhu setiap sel baterai litium-ion. Menemukan masalah dan memulai tindakan pengamanan. Mengetahui status pengisian daya dan kondisi kesehatan baterai. |
Optimasi Daya | Mengontrol pengisian dan pengosongan daya untuk menjaga sel baterai lithium-ion tetap aman. Bekerja dengan sistem lain untuk menggunakan daya secara cerdas. |
Jaminan Keamanan | Mencegah bahaya seperti thermal runaway. Menggunakan rencana cadangan dan menjaga orang-orang tetap aman dari sengatan listrik. |
Optimasi Pengisian Baterai | Mengubah pengisian daya untuk mengurangi tekanan pada setiap sel baterai lithium-ion. Menyimpan kode kesalahan untuk pemeriksaan selanjutnya. |
Algoritma Penyeimbangan Sel | Memastikan semua sel baterai litium-ion memiliki tegangan yang sama. Menggunakan penyeimbangan aktif atau pasif untuk membantu baterai bekerja lebih baik. |
Algoritma Komunikasi | Mengirim data antara sistem manajemen baterai dan perangkat lain. Menghentikan pengisian daya jika mendeteksi kondisi yang tidak aman. |
Kiat: Menggunakan perangkat lunak dan perangkat keras yang siap pakai dapat membantu teknisi membangun dan menguji sistem manajemen baterai untuk baterai lithium-ion dengan lebih cepat.
Kimia yang Didukung
Sistem manajemen baterai perlu bekerja dengan banyak kimia baterai lithium-ion. Setiap kimia, seperti NMC, LFP, dan NCA, memiliki kelebihan dan kekurangannya sendiri. Misalnya, baterai lithium-ion NMC memiliki kepadatan energi yang tinggi. Baterai lithium-ion LFP bertahan lebih lama dan menangani panas dengan lebih baik. Sistem manajemen baterai mengubah cara kerjanya agar sesuai dengan setiap kimia baterai lithium-ion.
Studi terbaru mengkaji cara kerja berbagai kimia baterai litium-ion pada kendaraan listrik. Studi ini menunjukkan bahwa sistem manajemen baterai harus mampu menangani perubahan kepadatan energi, biaya, dan siklus hidup. Studi ini juga menunjukkan bahwa manajemen termal dan estimasi status lanjutan penting untuk setiap jenis baterai litium-ion. Model pembelajaran mesin dapat membantu memprediksi kondisi kesehatan baterai litium-ion dengan menggunakan data yang telah difilter. Hal ini mengurangi kesalahan dan membantu sistem manajemen baterai menangani proses penuaan kimia masing-masing baterai litium-ion.
Sistem manajemen baterai yang fleksibel dapat bekerja dengan berbagai jenis kimia baterai litium-ion. Hal ini membantu setiap aplikasi, mulai dari kendaraan listrik hingga elektronik portabel, mendapatkan kinerja dan keamanan baterai terbaik.
Status Pengisian Daya pada Baterai Lithium-Ion
Status pengisian daya sangat penting untuk baterai litium-ion. Status ini membantu menjaga baterai tetap aman dan berfungsi dengan baik. Jika status pengisian daya tidak tepat, baterai dapat menjadi terlalu panas atau kehilangan daya. Hal ini dapat menyebabkan baterai rusak atau bahkan menyebabkan masalah berbahaya seperti kebakaran. Pada mobil listrik, mengetahui status pengisian daya membantu pengereman dan pengisian daya. Hal ini juga membuat baterai lebih awet. Studi menunjukkan bahwa estimasi status pengisian daya yang baik mengurangi kesalahan dan membantu menjaga lingkungan.
Anda tidak dapat mengukur status pengisian daya secara langsung pada baterai litium-ion. Reaksi kimia di dalamnya tersembunyi dan sulit diamati. Sensor bisa saja salah karena kebisingan dan perubahan pada baterai. Oleh karena itu, sistem manajemen baterai menggunakan cara khusus untuk memperkirakan status pengisian daya. Sistem ini mengamati tegangan, arus, dan suhu untuk mengetahuinya. Metode ini membantu mengatasi masalah sensor dan penuaan baterai.
Metode OCV
Metode Tegangan Sirkuit Terbuka (OPT) memperkirakan status pengisian daya dengan memeriksa tegangan baterai setelah baterai diam. Setiap komponen kimia baterai memiliki hubungan tegangan dan status pengisian dayanya sendiri. Metode ini sederhana dan tidak memerlukan biaya besar. Metode ini efektif untuk pemeriksaan status pengisian daya pertama dan tidak memerlukan model baterai yang besar.
Aspek | Detail |
|---|---|
Prinsip | Tegangan baterai diukur setelah istirahat. Nilai OCV dan status pengisian daya diketahui dengan menguji setiap jenis baterai. |
Keunggulan | 1. Proses sederhana |
keterbatasan | 1. Membutuhkan waktu istirahat yang lama (lebih dari 2 jam jika kedinginan) |
Metode OCV tidak dapat memeriksa status pengisian daya saat baterai sedang beroperasi. Baterai litium-ion sering kali cepat berubah, jadi menunggu baterai beristirahat tidaklah efektif. Titik-titik datar pada kurva OCV memudahkan terjadinya kesalahan besar dari perubahan tegangan kecil.
Penghitungan Coulomb
Penghitungan Coulomb, atau penghitungan Ah, menebak status pengisian daya dengan menambahkan arus yang masuk dan keluar. Dimulai dengan angka status pengisian daya pertama dan mengubahnya saat arus bergerak.
Aspek Evaluasi | Detail |
|---|---|
metode | Algoritma Penghitungan Coulomb yang Disempurnakan |
Pendekatan Validasi | Uji MATLAB dibandingkan dengan kondisi pengisian/pengosongan daya yang sebenarnya |
Kesalahan Maksimum (Akhir Pengisian Daya) | Tentang 3.5% |
Kesalahan Selama Tahap CC | Kurang dari 2% |
Kesalahan Selama Tahap CV | Kurang dari 1% |
Tren Kesalahan | Menjadi lebih besar seiring waktu sebelum pemeriksaan kondisi kesehatan |
Faktor Penting | Kondisi pengisian daya awal yang baik dan pemeriksaan pengisian daya mengurangi kesalahan |
Kelebihan | Matematika sederhana; akurasi cukup baik; tidak memerlukan data baterai tambahan |
kendala | Kesalahan bertambah seiring waktu; perlu status pengisian dan angka kesehatan yang baik |
Penghitungan Coulomb mudah digunakan dan tidak memerlukan data baterai tambahan. Namun, kesalahan dapat bertambah seiring waktu. Kesalahan kecil pada kondisi pengisian daya saat ini atau awal dapat bertambah parah. Metode ini paling efektif jika disertai pemeriksaan rutin atau cara lain yang membantu.
metode | RMSE | MSE | MFA | Temuan Kunci |
|---|---|---|---|---|
Penghitungan Coulomb (CC) | 0.5071 | 0.2572 | 0.4571 | Kesalahan tertinggi karena kebisingan dan kesalahan sensor; tidak baik untuk penggunaan jangka panjang |
Filter Kalman yang Diperluas | 0.0925 | N / A | N / A | Akurasi lebih baik dengan bantuan model; membutuhkan model baterai yang bagus |
linear Regression | 0.0778 | N / A | N / A | Lebih baik dari EKF tetapi tidak sempurna untuk perubahan status pengisian daya |
Mendukung Mesin Vektor | 0.0319 | N / A | N / A | Menangani perubahan dengan lebih baik; membutuhkan lebih banyak daya komputer |
Regresi Hutan Acak | 0.0229 | 0.0005 | 0.0139 | Akurasi terbaik; bekerja dengan baik terhadap noise dan perubahan; baik untuk manajemen baterai yang sebenarnya |
Penyaringan Kalman
Penyaringan Kalman menggunakan model matematika untuk memperkirakan status pengisian daya. Filter Kalman yang diperluas dan filter Kalman tanpa aroma sangat populer. Filter ini menggabungkan data waktu nyata dengan perkiraan model baterai. Filter ini memperbaiki perkiraannya seiring masuknya data baru.
Metode penyaringan Kalman seperti EKF, UKF, filter Kalman adaptif, dan filter Kalman ganda banyak digunakan.
Filter ini menggunakan model baterai sederhana dan model yang lebih kompleks untuk mendapatkan hasil yang lebih baik.
Pengujian menunjukkan filter Kalman menangani perubahan, memori baterai, dan gangguan sensor dengan baik.
Mengubah pengaturan dan menggunakan jaringan saraf membuatnya menjadi lebih baik.
Memperbarui angka berulang kali membantu memperbaiki kesalahan akibat perubahan model dan pergeseran sensor.
Studi menunjukkan filter Kalman adaptif dan ganda memiliki performa yang lebih baik daripada EKF biasa dalam hal status pengisian daya.
Kalman Filtering memberikan perkiraan status pengisian daya yang baik dan real-time untuk baterai lithium-ion. Diperlukan pengaturan yang cermat dan model baterai yang baik. Mungkin sulit digunakan, tetapi berfungsi dengan baik saat terjadi perubahan yang cepat.
Metode Hibrida dan AI
Metode hibrida dan AI menggabungkan metode berbasis model dan berbasis data untuk memperkirakan status pengisian daya. Metode ini menggunakan pembelajaran mesin, seperti jaringan saraf tiruan, mesin vektor pendukung, dan regresi hutan acak. Metode ini belajar dari data tegangan, arus, dan suhu. Metode hibrida dapat mengatasi masalah yang tidak dapat diatasi oleh metode tunggal.
Aspek | Uraian Teknis |
|---|---|
metode | Tebakan status muatan hibrida menggunakan Coulomb Counting and Relevance Vector Machine (movIRVM-Coulomb) |
Dataset | Data sel baterai tunggal, data uji paket baterai, data simulasi Advisor |
Kondisi | Pengujian dengan US06, UDDS, NYCC, 1015 siklus penggerak; suhu 0°C, 25°C, 45°C; status pengisian pertama 50%, 80% |
Akurasi (RMSE) | Dalam 2% untuk banyak pengujian dan suhu |
Perbaikan | Lebih dari 30% lebih baik daripada movIRVM saja; lebih sedikit kesalahan seiring waktu |
Kendala Utama yang Ditangani | Memperbaiki kesalahan yang terjadi dalam Penghitungan Coulomb murni |
Catatan Tambahan | Menggunakan rata-rata bergerak untuk mengurangi kebisingan; hanya membutuhkan 10-30% data pelatihan untuk bagian RVM |
Metode hibrida menggabungkan data dan model untuk menangani tindakan baterai yang aneh.
Metode berbasis data meliputi jaringan saraf, mesin vektor pendukung, regresi proses Gaussian, jaringan saraf wavelet, dan logika fuzzy.
Cara ini menebak status pengisian daya dari sinyal yang dapat Anda ukur.
Masalahnya meliputi perbedaan baterai, penggunaan yang aneh, dan keausan baterai.
Sekarang, para peneliti menyukai metode berbasis data karena model saja tidak dapat menyelesaikan semua masalah.
Studi baru yang menggunakan pembelajaran mendalam dan data mobil sungguhan menunjukkan metode hibrida dan AI dapat memperkirakan status pengisian daya dengan kesalahan kurang dari 2%. Cara-cara ini sangat akurat dan berfungsi dengan baik, bahkan ketika banyak perubahan.
Catatan: Metode statistik membantu menebak status pengisian daya dengan memperbaiki ketidakpastian, kesalahan sensor, dan gangguan acak. Kalibrasi, regresi, dan pengujian membuat semua metode status pengisian daya lebih andal.
Metode Estimasi Keadaan Kesehatan
Status kesehatan, atau SOH, memberi tahu kita seberapa tua baterai lithium-ion. Ini membandingkan baterai sekarang dengan saat baru. SOH ditemukan dengan melihat kapasitas saat ini dan membandingkannya dengan kapasitas asli. Itu juga dapat diperiksa dengan membandingkan resistansi internal dengan sel baru. Ketika SOH turun di bawah 80% atau 70%, baterai berada di akhir masa pakainya. SOH penting karena memengaruhi seberapa baik baterai bekerja, seberapa amannya, dan berapa lama ia bertahan. Ketika SOH turun, baterai menyimpan lebih sedikit energi. Ini berarti mobil listrik tidak dapat melaju sejauh itu dan perangkat tidak berfungsi selama itu. Jika baterai banyak menua, baterai dapat membengkak, bocor, atau bahkan terbakar. Prediksi SOH yang baik membantu menghentikan masalah ini dan menjaga baterai tetap aman.
Aspek | Bukti | Data Numerik / Detail |
|---|---|---|
Definisi SOH | SOH adalah rasio kapasitas arus terhadap kapasitas awal atau membandingkan resistansi internal dengan baterai baru. | Tingkat akhir masa pakai SOH adalah 80% atau 70% kapasitas yang tersisa. |
Dampak pada Umur Panjang | SOH menunjukkan besarnya kapasitas yang hilang, yang membatasi jangkauan kendaraan listrik. Penuaan baterai berarti berkurangnya kapasitas. | Baterai kendaraan listrik yang digunakan lebih dari 10,000 km dan lebih dari 800 hari menunjukkan pola kehilangan kapasitas. |
Dampak terhadap Keamanan | Penuaan yang buruk dapat menyebabkan kebocoran, pembengkakan, panas berlebih, dan kebakaran. | Risiko keselamatan bertambah buruk saat SOH turun, jadi memeriksa SOH menjadi penting. |
Sumber data | Data berasal dari banyak kendaraan listrik dengan cara mengemudi dan pengisian daya yang berbeda. | Kumpulan data tersebut memiliki 347 kendaraan listrik, catatan pengisian daya selama 25 bulan, dan banyak perubahan di dunia nyata. |
Tantangan dalam Estimasi SOH | Perubahan dunia nyata, kesalahan dalam SOC, data yang tidak jelas, dan jumlah sampel yang tidak mencukupi membuat SOH sulit diperiksa. | Kesalahan SOC semakin besar seiring bertambahnya usia baterai, dan BMS mengalami kesulitan memperbarui kapasitas dengan cepat. |
Metode Lanjutan | Pembelajaran mesin dan cara berbasis data membuat pemeriksaan SOH lebih baik. | BiGRU, regresi vektor pendukung, dan jaringan saraf dalam membantu menebak SOH dan SOC dengan lebih tepat. |
Perlawanan internal
Resistansi internal sangat penting untuk memeriksa SOH pada baterai litium-ion. Seiring bertambahnya usia baterai, resistansi internalnya akan meningkat. Hal ini terjadi karena komponen di dalam baterai aus dan rusak. Jika resistansi berlipat ganda atau kapasitas turun menjadi 70-80%, baterai telah mencapai akhir masa pakainya. Banyak cara untuk memeriksa SOH menggunakan resistansi internal. Mengukur resistansi secara langsung memberikan hasil yang baik, tetapi biasanya baterai perlu diistirahatkan, yang sulit dilakukan dalam penggunaan normal.
Para ilmuwan telah menemukan cara baru untuk memanfaatkan resistansi internal guna meningkatkan hasil pemeriksaan SOH. Misalnya, mereka memperbaiki kurva tegangan rangkaian terbuka menggunakan data resistansi. Hal ini membantu mengurangi kesalahan akibat perubahan kecepatan pengisian daya. Cara ini menggunakan hal-hal seperti waktu pengisian daya arus konstan, alih-alih perhitungan matematika yang rumit. Pengujian pada data baterai asli menunjukkan bahwa metode ini dapat menurunkan kesalahan absolut rata-rata hingga sekitar 1.28% untuk beberapa rentang tegangan. Hasil ini menunjukkan bahwa mengamati resistansi internal membuat hasil pemeriksaan SOH lebih kuat dan lebih akurat.
impedansi
Metode berbasis impedansi menggunakan reaksi baterai terhadap listrik untuk memeriksa SOH. Metode ini sering kali menggunakan spektroskopi impedansi elektrokimia atau uji serupa. Dengan mengamati bagaimana baterai bereaksi pada frekuensi yang berbeda, para insinyur dapat mendeteksi penuaan dan memperkirakan SOH. Metode impedansi bisa sangat akurat, dengan kesalahan akar kuadrat rata-rata (root mean square error) antara 0.75% dan 1.5% unit SOH.
Jenis Metode | Uraian Teknis | Akurasi Prediksi SOH (Kesalahan RMS) | Pertimbangan Praktis |
|---|---|---|---|
Data EIS Langsung | Menggunakan data spektroskopi impedansi elektrokimia mentah | 0.75% – 1.5% unit SOH | Cepat untuk diukur, tetapi selnya bisa berbeda |
Sirkuit Setara Cocok | Mencocokkan data EIS dengan model sirkuit | 0.75% – 1.5% unit SOH | Membutuhkan lebih banyak pekerjaan dan matematika, tetapi memiliki lebih sedikit ketidakpastian |
Distribusi Waktu Relaksasi (DRT) | Melihat berapa lama waktu yang dibutuhkan untuk menyelesaikan masalah menggunakan data EIS | 0.75% – 1.5% unit SOH | Membutuhkan banyak daya komputer, tetapi fleksibel |
Analisis Respons Frekuensi Nonlinier (NFRA) | Menggunakan data frekuensi khusus untuk memeriksa SOH | 0.75% – 1.5% unit SOH | Memberikan info bagus tentang tindakan baterai, lebih cepat daripada pengosongan penuh |
Metode berbasis impedansi bekerja dengan baik di laboratorium dan memberikan banyak detail tentang penuaan baterai. Namun, metode ini bisa jadi sulit dan rumit untuk digunakan dalam sistem baterai waktu nyata. Metode ini sering kali memerlukan alat khusus dan pengaturan yang cermat. Metode berbasis data yang lebih baru mulai digunakan dengan menggunakan pembelajaran mesin untuk menebak penuaan baterai tanpa model yang sulit.
Penghitungan Siklus
Penghitungan siklus adalah salah satu cara tertua untuk memeriksa SOH pada baterai litium-ion. Cara ini menghitung berapa kali baterai diisi dan digunakan. Setiap siklus penuh membuat baterai sedikit menua. Dengan menghitung siklus, para insinyur dapat memperkirakan seberapa besar keausan baterai.
Penghitungan siklus mudah dan tidak memerlukan alat khusus atau perhitungan matematika yang rumit. Namun, penghitungan siklus tidak memperhatikan perbedaan setiap siklus. Faktor-faktor seperti suhu, seberapa sering baterai digunakan, dan seberapa cepat pengisian daya, semuanya memengaruhi seberapa cepat baterai menua. Namun, penghitungan siklus memperlakukan setiap siklus secara sama. Hal ini dapat membuat pemeriksaan SOH menjadi salah, terutama dalam kehidupan nyata di mana baterai menghadapi berbagai jenis tekanan.
Metode Lanjutan
Cara canggih untuk memeriksa SOH menggunakan pembelajaran mesin dan kecerdasan buatan untuk mempelajari banyak data baterai. Cara ini mempelajari tegangan, arus, dan suhu untuk menebak SOH lebih baik daripada cara lama. Model pembelajaran mesin seperti support vector machines, random forest, dan deep neural networks dapat menemukan pola penuaan baterai yang rumit.
Studi terbaru menunjukkan bahwa metode berbasis data ini bekerja lebih baik daripada model fisik lama. Misalnya, regresi vektor pendukung dan regresi proses Gaussian dapat menghasilkan galat akar kuadrat rata-rata di bawah 0.4% saat menebak SOH. Jaringan saraf tiruan umpan-maju dan sistem inferensi neuro-fuzzy adaptif juga berkinerja baik, dengan kesalahan rendah dan hasil yang baik untuk berbagai baterai.
Cara pembelajaran mesin tidak memerlukan model baterai yang terperinci.
Komputasi awan memungkinkan model yang lebih besar berjalan, membuat pemeriksaan SOH lebih baik meskipun sistem baterainya kecil.
Menggunakan lebih dari satu model pembelajaran mesin dapat membuat pemeriksaan SOH lebih tepat.
Cara ini dapat menghasilkan kesalahan absolut rata-rata dalam 3% dan kesalahan akar kuadrat rata-rata dalam 2% dalam pengujian sesungguhnya.
Namun, cara-cara canggih memerlukan data pelatihan yang baik dan banyak. Cara-cara tersebut dapat mengalami masalah dengan penuaan baterai yang aneh atau perubahan besar dalam cara penggunaan baterai. Memilih fitur-fitur yang baik dari data pengisian daya adalah penting, karena pengisian daya lebih teratur daripada penggunaan baterai pada mobil listrik. Insinyur harus memastikan cara-cara ini kuat dan aman sebelum menggunakannya dalam sistem baterai yang melindungi orang.
Catatan: Peralihan dari model fisik lama ke metode berbasis data menunjukkan bahwa kita membutuhkan pemeriksaan SOH yang lebih baik dan lebih fleksibel untuk baterai litium-ion. Pembelajaran mesin membantu mendeteksi penuaan baterai sejak dini dan membuat baterai berfungsi lebih baik dengan mendeteksi tanda-tanda masalah lebih awal.
Menggabungkan Metode untuk Akurasi
Pendekatan Hibrida
Sistem manajemen baterai bekerja lebih baik jika menggunakan lebih dari satu metode untuk memeriksa status pengisian daya dan kondisi kesehatan. Satu metode saja tidak dapat menyelesaikan semua masalah dalam sistem baterai lithium-ion. Metode hibrida memadukan kekuatan berbasis model, berbasis data, dan algoritma pembelajaran. Ini membantu mengurangi gangguan, menangani hal-hal yang tidak diketahui, dan mengimbangi penuaan baterai.
Banyak algoritma pengoptimalan, seperti kuadrat terkecil, Algoritma Pengoptimalan Bunga Matahari, dan algoritma pencarian elang botak, membuat pemeriksaan status pengisian daya menjadi lebih baik. Misalnya, algoritma pencarian elang botak memiliki kesalahan puncak hanya 1.06% untuk SOC.
Peta Pengorganisasian Diri yang Disempurnakan dan pembelajaran semi-supervised menunjukkan kesalahan tertinggi mendekati 1.25% dan RMSE serendah 0.55%. Hasil ini menunjukkan bahwa metode hibrida memberikan pemeriksaan SOC yang kuat untuk baterai litium-ion.
Penggunaan penyeimbangan sel aktif dengan pembelajaran mesin untuk sisa masa pakai membantu mengatasi perbedaan sel dan penuaan baterai. Sel yang seimbang memberikan data status pengisian daya yang lebih baik, yang membantu memprediksi kesehatan baterai litium-ion.
Model jaringan saraf hibrida membantu mengatasi perubahan suhu dan cara penggunaan baterai. Dengan memadukan metode penyeimbangan fisik dan metode berbasis data, sistem manajemen baterai dapat membantu baterai lithium-ion bertahan lebih lama dan bekerja lebih baik. Penggabungan multimodel, seperti Random Forest, membuat pemeriksaan status kesehatan menjadi lebih kuat dengan menggunakan bagian terbaik dari berbagai model.
Metode hibrida membantu sistem manajemen baterai menangani perubahan di dunia nyata. Hal ini membuatnya lebih andal untuk kendaraan listrik dan penggunaan lainnya.
Pertimbangan Aplikasi
Pemilihan dan penggunaan metode hibrida dalam sistem baterai litium-ion yang sesungguhnya membutuhkan perencanaan yang matang. Para insinyur harus mempertimbangkan kebutuhan masing-masing penggunaan, seperti mobil listrik atau penyimpanan.
Metode berbasis data menggunakan data sensor waktu nyata dan berubah seiring bertambahnya usia baterai atau penggunaannya. Cara ini lebih akurat, bekerja dengan kimia yang berbeda, dan menangani gangguan sensor dengan baik.
Kerangka kerja hibrida menggabungkan algoritma hutan acak yang lebih baik, model berbasis fisika, dan perangkat pembelajaran mesin lainnya. Keseimbangan ini menghasilkan akurasi, bekerja cepat, dan dapat digunakan untuk berbagai jenis dan situasi baterai litium-ion.
Insinyur harus memecahkan masalah seperti kebutuhan akan banyak data yang akurat, pemilihan fitur yang tepat, dan biaya komputer. Menggabungkan fitur dan pengaturan penyetelan dapat menghasilkan prediksi yang lebih baik dan membantu perubahan secara real-time.
Banyak data, seperti tegangan sel, arus, suhu, dan jumlah siklus, membantu memilih metode hibrida terbaik. Cara-cara ini membantu mengatasi data yang bermasalah atau hilang dan memberikan hasil khusus untuk setiap penggunaan, bukan hanya status pengisian daya dan kondisi kesehatan dasar. Dalam praktiknya, metode hibrida bekerja dengan baik di laboratorium dan di lapangan, seperti pada mobil listrik, yang menjaga baterai tetap aman dan berfungsi dalam berbagai kondisi.
Tips: Saat memilih metode hibrida, teknisi harus menyesuaikan metode tersebut dengan tujuan, data, dan lokasi penerapan sistem baterai. Hal ini membantu memastikan manajemen baterai litium-ion andal, dapat berkembang, dan berfungsi secara real-time.
Mengetahui SOC dan SOH yang tepat sangat penting untuk memastikan kinerja baterai litium-ion yang baik dan aman. Setiap metode memiliki kelebihannya masing-masing, tetapi menggabungkan lebih dari satu metode dalam sistem manajemen baterai akan memberikan hasil terbaik untuk membuat baterai litium-ion awet dan berfungsi lebih baik. Penelitian baru menunjukkan bahwa penggunaan cara cerdas untuk memilih data penting dan jaringan saraf tiruan yang lebih baik dapat memperkecil kesalahan, bahkan hingga 0.16%. Hal ini membantu baterai bertahan lebih lama dan tetap aman. Penting untuk memilih metode estimasi yang sesuai dengan kebutuhan setiap baterai litium-ion.
FAQ (Pertanyaan Umum)
Apa tugas utama sistem manajemen baterai?
Sistem manajemen baterai menjaga baterai tetap aman. Sistem ini memeriksa status pengisian dan kondisi kesehatan baterai. Sistem ini menyeimbangkan sel-sel agar dapat bekerja sama. Sistem ini mencegah baterai menjadi terlalu panas atau terlalu penuh. Hal ini membantu baterai bertahan lebih lama dan bekerja lebih baik.
Mengapa sensor tidak dapat mengukur status pengisian daya secara langsung?
Sensor tidak dapat melihat ke dalam baterai. Reaksi kimia terjadi di dalam tempat yang tidak dapat dilihat oleh sensor. Sensor hanya mengukur tegangan, arus, dan suhu. Sistem menggunakan angka-angka ini dengan algoritma khusus untuk menebak status pengisian daya.
Bagaimana suhu memengaruhi estimasi status baterai?
Saat cuaca sangat panas atau dingin, reaksi baterai berubah. Sistem mungkin membuat kesalahan dalam status pengisian daya atau status kesehatan. Sistem manajemen baterai yang baik mengubah perhitungannya untuk memperbaiki kesalahan ini.
Metode manakah yang memberikan estimasi keadaan kesehatan yang paling akurat?
metode | Tingkat Akurasi |
|---|---|
Pembelajaran mesin | Sangat tinggi |
Analisis Impedansi | High |
Perlawanan internal | Medium |
Penghitungan Siklus | Rendah |
Pembelajaran mesin biasanya memberikan hasil terbaik jika datanya bagus.
