Un sistema di gestione della batteria rileva lo stato di carica e lo stato di salute delle batterie agli ioni di litio utilizzando tecniche di stima indiretta. Non può misurare questi parametri direttamente perché la batteria presenta reazioni complesse al suo interno. Pertanto, il sistema utilizza metodi come l'estrazione di caratteristiche statistiche, il conteggio di Coulomb e modelli avanzati basati sui dati. Ad esempio, esamina metriche statistiche come varianza, media e asimmetria dalle curve di tensione e corrente per monitorare il degrado della batteria. L'utilizzo di metodi di stima indiretta, come l'apprendimento automatico e gli approcci basati sull'osservatore, contribuisce a rendere la stima dello stato di carica (SOC) più accurata e sicura. Questi metodi di stima dello stato di carica (SOC) aiutano il sistema di gestione della batteria a prevedere i cambiamenti nelle batterie agli ioni di litio. Contribuiscono inoltre a gestire meglio la perdita di capacità, l'invecchiamento e i rischi. Una buona stima dello stato di carica e dello stato di salute contribuisce a far sì che ogni batteria agli ioni di litio funzioni meglio e duri più a lungo.
Una stima accurata del SOC nei sistemi di batterie agli ioni di litio protegge la batteria da sovraccarico, surriscaldamento e guasti improvvisi. Questo rende le tecniche di stima robuste molto importanti per i moderni sistemi di gestione delle batterie.
Metrica statistica | Descrizione | Correlazione con il degrado della batteria |
|---|---|---|
Varianza | Controlla quanto siano costanti le variazioni di tensione/corrente | Una varianza più elevata significa resistenza interna e reazioni chimiche irregolari e danni agli elettrodi |
Valore massimo | Tensione/corrente più elevata durante la carica o la scarica | I numeri più bassi indicano una minore capacità di carico e possibili problemi di sicurezza come sovraccarico o surriscaldamento |
Valore minimo | Tensione/corrente più bassa durante la carica o la scarica | Mostra perdita di capacità e problemi di sicurezza |
Media (media) | Tensione/corrente media durante un ciclo | I cambiamenti mostrano una degradazione degli elettroliti e una minore produzione di energia |
skewness | Quanto è irregolare la distribuzione della tensione/corrente | Utilizzato nell'estrazione delle caratteristiche per prevedere SOH |
Eccesso di curtosi | Quanto è acuto il picco di tensione/corrente | Numeri più alti indicano una maggiore polarizzazione e una minore capacità di inserimento del litio |
Punti chiave
I sistemi di gestione della batteria non possono misurare direttamente la carica o lo stato di salute. Utilizzano metodi indiretti come l'analisi statistica, il conteggio di Coulomb e l'apprendimento automatico. Questi metodi aiutano a stimare la carica e lo stato di salute della batteria.
Conoscere lo stato di carica aiuta a proteggere le batterie. Previene sovraccarichi, surriscaldamenti e problemi improvvisi.
Esistono diversi metodi per controllare le batterie. La tensione a circuito aperto, il conteggio di Coulomb, il filtraggio di Kalman e i modelli basati sull'intelligenza artificiale sono alcuni di questi. Ognuno di essi presenta vantaggi e svantaggi. Usarli insieme rende i risultati migliori e più affidabili.
La stima dello stato di salute verifica l'età di una batteria. Considera la perdita di capacità e la resistenza interna. Questo aiuta a stimare la durata della batteria ed evitare problemi di sicurezza.
Gli approcci ibridi combinano metodi basati su modelli e dati. Questi offrono i risultati migliori. Possono variare con l'uso reale. Questo aiuta le batterie a durare più a lungo e a funzionare meglio.
Nozioni di base sul sistema di gestione della batteria
Funzioni chiave
Un sistema di gestione della batteria è molto importante per le batterie agli ioni di litio. Contribuisce a mantenerle sicure e funzionanti. Il sistema controlla ogni cella della batteria agli ioni di litio per tensione, corrente e temperatura. Inoltre, garantisce che tutte le celle si carichino e si scarichino in modo uniforme. Questo contribuisce a far durare più a lungo ogni batteria agli ioni di litio e a migliorarne il funzionamento.
Il sistema di gestione della batteria monitora lo stato di carica e lo stato di salute di ciascuna batteria agli ioni di litio. Utilizza questi dati per impedire sovraccarichi e scariche profonde, che possono danneggiare le batterie agli ioni di litio.
La sicurezza viene prima di tutto. Il sistema scollega la batteria agli ioni di litio se rileva problemi come surriscaldamento o cortocircuito. Può utilizzare celle o pacchi batteria di riserva per mantenere il sistema in funzione.
La comunicazione è importante. Il sistema di gestione della batteria utilizza SPI e CAN bus per inviare dati ad altre parti del dispositivo o del veicolo.
Ne esistono di diversi tipi, come centralizzato o distribuito, quindi il sistema di gestione della batteria può adattarsi a molti progetti di batterie agli ioni di litio.
Alcuni sistemi dispongono di funzionalità aggiuntive come il monitoraggio remoto, la previsione del ciclo di vita e il rilevamento dei guasti. Queste sfruttano il cloud computing e l'apprendimento automatico per migliorare e rendere più sicura la batteria.
Funzione chiave / Algoritmo | Descrizione |
|---|---|
Monitoraggio delle cellule | Controlla tensione, corrente e temperatura di ogni cella della batteria agli ioni di litio. Individua i problemi e avvia azioni di sicurezza. Rileva lo stato di carica e lo stato di salute. |
Ottimizzazione della potenza | Controlla la carica e la scarica per proteggere le celle delle batterie agli ioni di litio. Funziona con altri sistemi per utilizzare l'energia in modo intelligente. |
Garanzia di sicurezza | Previene pericoli come la fuga termica. Utilizza piani di riserva e protegge le persone dalle scosse elettriche. |
Ottimizzazione della ricarica della batteria | Modifica la carica per ridurre lo stress su ogni cella della batteria agli ioni di litio. Salva i codici di errore per controlli successivi. |
Algoritmo di bilanciamento delle celle | Assicura che tutte le celle della batteria agli ioni di litio abbiano la stessa tensione. Utilizza il bilanciamento attivo o passivo per migliorare il funzionamento della batteria. |
Algoritmi di comunicazione | Invia dati tra il sistema di gestione della batteria e altri dispositivi. Interrompe la ricarica se rileva condizioni non sicure. |
Suggerimento: l'utilizzo di strumenti software e hardware già pronti può aiutare gli ingegneri a realizzare e testare più rapidamente un sistema di gestione delle batterie agli ioni di litio.
Chimica supportata
Un sistema di gestione della batteria deve essere compatibile con diverse tipologie di batterie agli ioni di litio. Ogni tipologia, come NMC, LFP e NCA, ha i suoi vantaggi e svantaggi. Ad esempio, le batterie agli ioni di litio NMC hanno un'elevata densità energetica. Le batterie agli ioni di litio LFP durano più a lungo e gestiscono meglio il calore. Il sistema di gestione della batteria modifica il proprio funzionamento per adattarsi a ciascuna tipologia di batterie agli ioni di litio.
Studi recenti analizzano il funzionamento delle diverse composizioni chimiche delle batterie agli ioni di litio nei veicoli elettrici. Questi studi dimostrano che i sistemi di gestione della batteria devono gestire le variazioni di densità energetica, costo e ciclo di vita. Dimostrano inoltre che la gestione termica e la stima avanzata dello stato sono importanti per ogni tipo di batteria agli ioni di litio. I modelli di apprendimento automatico possono aiutare a prevedere lo stato di salute delle batterie agli ioni di litio utilizzando dati filtrati. Questo riduce gli errori e aiuta il sistema di gestione della batteria a gestire l'invecchiamento di ciascuna composizione chimica delle batterie agli ioni di litio.
Un sistema di gestione della batteria flessibile può funzionare con diverse tipologie di batterie agli ioni di litio. Questo aiuta ogni applicazione, dai veicoli elettrici ai dispositivi elettronici portatili, a ottenere le migliori prestazioni e la massima sicurezza.
Stato di carica nelle batterie agli ioni di litio
Lo stato di carica è molto importante per le batterie agli ioni di litio. Contribuisce a mantenerle sicure e funzionanti. Se lo stato di carica non è corretto, la batteria può surriscaldarsi o perdere potenza. Questo può causarne la rottura o persino causare problemi pericolosi come incendi. Nelle auto elettriche, conoscere lo stato di carica aiuta a frenare e ricaricare. Inoltre, prolunga la durata della batteria. Studi dimostrano che una buona stima dello stato di carica riduce gli errori e contribuisce alla salvaguardia dell'ambiente.
Non è possibile misurare direttamente lo stato di carica di una batteria agli ioni di litio. Le reazioni chimiche al suo interno sono nascoste e difficili da vedere. I sensori possono sbagliarsi a causa di rumore e variazioni nella batteria. Pertanto, i sistemi di gestione della batteria utilizzano metodi specifici per indovinare lo stato di carica. Esaminano tensione, corrente e temperatura per determinarlo. Questi metodi aiutano a gestire i problemi dei sensori e l'invecchiamento della batteria.
Metodo OCV
Il metodo della tensione a circuito aperto stima lo stato di carica controllando la tensione della batteria dopo il suo riposo. Ogni tipo di batteria ha un proprio collegamento tra tensione e stato di carica. Questo metodo è semplice e poco costoso. Funziona bene per il primo controllo dello stato di carica e non richiede un modello di batteria di grandi dimensioni.
Aspetto | Dettagli |
|---|---|
Principio | La tensione della batteria viene misurata dopo il riposo. Il collegamento tra OCV e stato di carica viene determinato testando ciascun tipo di batteria. |
Vantaggi | 1. Processo semplice |
Limiti | 1. Richiede un lungo tempo di riposo (oltre 2 ore se freddo) |
Il metodo OCV non può controllare lo stato di carica mentre la batteria è in funzione. Le batterie agli ioni di litio spesso si scaricano rapidamente, quindi attendere che la batteria si riposi non è utile. I punti piatti nella curva OCV facilitano errori significativi dovuti a piccole variazioni di tensione.
Conteggio di Coulomb
Il conteggio di Coulomb, o conteggio Ah, stima lo stato di carica sommando la corrente in entrata e in uscita. Inizia con un primo numero che indica lo stato di carica e lo modifica con l'aumentare della corrente.
Aspetto di valutazione | Dettagli |
|---|---|
Metodo | Algoritmo di conteggio di Coulomb migliorato |
Approccio di convalida | Test MATLAB confrontato con lo stato di carica reale dalle curve di carica/scarica |
Errore massimo (fine carica) | Circa 3.5% |
Errore durante la fase CC | Meno 2% |
Errore durante la fase CV | Meno 1% |
Tendenza degli errori | Aumenta nel tempo prima del controllo dello stato di salute |
Fattori importanti | Un buon primo stato di carica e i controlli di carica riducono gli errori |
Vantaggi | Matematica semplice; accuratezza sufficientemente buona; non sono necessari dati aggiuntivi sulla batteria |
vincoli | Gli errori si accumulano nel tempo; sono necessari buoni numeri iniziali sullo stato di carica e sullo stato di salute |
Il conteggio di Coulomb è facile da usare e non richiede dati aggiuntivi sulla batteria. Tuttavia, gli errori possono accumularsi nel tempo. Piccoli errori nella corrente o nel primo stato di carica possono peggiorare. Questo metodo funziona meglio con controlli regolari o altri metodi di supporto.
Metodo | RMSE | MSE | MAE | Risultati chiave |
|---|---|---|---|---|
Conteggio di Coulomb (CC) | 0.5071 | 0.2572 | 0.4571 | Errori più elevati a causa del rumore e degli errori del sensore; non adatto per un uso a lungo termine |
Filtro di Kalman esteso | 0.0925 | N/A | N/A | Maggiore precisione con l'aiuto del modello; necessita di un buon modello di batteria |
Regressione lineare | 0.0778 | N/A | N/A | Meglio di EKF ma non perfetto per i cambiamenti dello stato di carica |
Supporta la macchina vettoriale | 0.0319 | N/A | N/A | Gestisce meglio i cambiamenti; necessita di più potenza di calcolo |
Regressione casuale della foresta | 0.0229 | 0.0005 | 0.0139 | Massima precisione; funziona bene con rumore e cambiamenti; ottimo per una vera gestione della batteria |
Filtraggio Kalman
Il filtro di Kalman utilizza modelli matematici per indovinare lo stato di carica. Il filtro di Kalman esteso e il filtro di Kalman non profumato sono molto diffusi. Questi filtri combinano dati in tempo reale con ipotesi basate sul modello di batteria. Aggiustano le loro ipotesi man mano che arrivano nuovi dati.
Sono ampiamente utilizzati metodi di filtraggio di Kalman come EKF, UKF, filtri di Kalman adattivi e filtri di Kalman doppi.
Questi filtri utilizzano modelli di batteria semplici e modelli più complessi per ottenere risultati migliori.
I test dimostrano che i filtri di Kalman gestiscono bene i cambiamenti, la memoria della batteria e il rumore del sensore.
Modificando le impostazioni e utilizzando le reti neurali, il tutto diventa ancora migliore.
Aggiornare ripetutamente i numeri aiuta a correggere gli errori dovuti a modifiche del modello e alla deriva dei sensori.
Gli studi dimostrano che i filtri Kalman adattivi e doppi sono più efficaci dei normali EKF per quanto riguarda lo stato di carica.
Il filtro di Kalman fornisce stime attendibili e in tempo reale dello stato di carica delle batterie agli ioni di litio. Richiede un'attenta configurazione e un buon modello di batteria. Può essere difficile da usare, ma funziona bene quando le cose cambiano rapidamente.
Metodi ibridi e di intelligenza artificiale
I metodi ibridi e di intelligenza artificiale combinano metodi basati su modelli e dati per stimare lo stato di carica. Questi utilizzano l'apprendimento automatico, come reti neurali, macchine a vettori di supporto e regressione a foresta casuale. Apprendono dai dati di tensione, corrente e temperatura. I metodi ibridi risolvono problemi che i metodi singoli non riescono a risolvere.
Aspetto | Descrizione |
|---|---|
Metodo | Stima dello stato di carica ibrido mediante conteggio di Coulomb e macchina vettoriale di rilevanza (movIRVM-Coulomb) |
dataset | Dati di singole celle di batteria, dati di test del pacco batteria, dati di simulazione Advisor |
Condizioni | Test con US06, UDDS, NYCC, 1015 cicli di guida; temperature 0°C, 25°C, 45°C; primo stato di carica 50%, 80% |
Precisione (RMSE) | Entro il 2% per molti test e temperature |
Progresso | Oltre il 30% migliore rispetto al solo movIRVM; meno errori nel tempo |
Vincolo chiave affrontato | Corregge l'accumulo di errori nel conteggio di Coulomb puro |
Note aggiuntive | Utilizza la media mobile per ridurre il rumore; necessita solo del 10-30% di dati di addestramento per la parte RVM |
I metodi ibridi combinano dati e modelli per gestire comportamenti anomali delle batterie.
I metodi basati sui dati includono reti neurali, macchine a vettori di supporto, regressione del processo gaussiano, reti neurali wavelet e logica fuzzy.
Questi metodi ricavano lo stato di carica dai segnali misurabili.
I problemi includono differenze nelle batterie, un utilizzo anomalo e l'usura delle batterie.
Ora, i ricercatori preferiscono i metodi basati sui dati perché i modelli da soli non possono risolvere tutti i problemi.
Nuovi studi che utilizzano il deep learning e dati di veicoli reali dimostrano che i metodi ibridi e di intelligenza artificiale possono prevedere lo stato di carica con un errore inferiore al 2%. Questi metodi sono molto accurati e funzionano bene, anche in caso di forti variazioni.
Nota: i metodi statistici aiutano a stimare lo stato di carica correggendo l'incertezza, gli errori dei sensori e il rumore casuale. Calibrazione, regressione e test rendono tutti i metodi per la determinazione dello stato di carica più affidabili.
Metodi di stima dello stato di salute
Lo stato di salute, o SOH, ci dice quanto è invecchiata una batteria agli ioni di litio. Confronta la batteria attuale con quella nuova. Lo SOH si calcola analizzando la capacità attuale e confrontandola con quella originale. Può anche essere verificato confrontando la resistenza interna di una nuova cella. Quando lo SOH scende al di sotto dell'80% o del 70%, la batteria è alla fine del suo ciclo di vita. Lo SOH è importante perché influenza il funzionamento della batteria, la sua sicurezza e la sua durata. Quando lo SOH diminuisce, la batteria trattiene meno energia. Questo significa che le auto elettriche non possono percorrere la stessa distanza e i dispositivi non durano a lungo. Se una batteria invecchia molto, può gonfiarsi, perdere o persino prendere fuoco. Una buona previsione dello SOH aiuta a prevenire questi problemi e a mantenere le batterie al sicuro.
Aspetto | Prova | Dati numerici / Dettagli |
|---|---|---|
Definizione di SOH | SOH è il rapporto tra la capacità attuale e la capacità di avviamento oppure confronta la resistenza interna con quella di una batteria nuova. | I livelli di fine vita SOH sono pari all'80% o al 70% della capacità residua. |
Impatto sulla longevità | L'SOH mostra quanta capacità viene persa, limitando l'autonomia dei veicoli elettrici. L'invecchiamento della batteria comporta una minore capacità. | Le batterie dei veicoli elettrici utilizzate per oltre 10,000 km e più di 800 giorni mostrano una tendenza alla perdita di capacità. |
Impatto sulla sicurezza | Un invecchiamento scorretto può causare perdite, rigonfiamenti, surriscaldamento e incendi. | I rischi per la sicurezza peggiorano con la diminuzione dell'SOH, pertanto è importante controllare l'SOH. |
Fonte di dati | I dati provengono da molti veicoli elettrici con diverse modalità di guida e di ricarica. | Il set di dati comprende 347 veicoli elettrici, registri di ricarica per 25 mesi e molti cambiamenti nel mondo reale. |
Sfide nella stima SOH | Cambiamenti nel mondo reale, errori nel SOC, dati rumorosi e campioni insufficienti rendono difficile il controllo del SOH. | Gli errori del SOC aumentano con l'invecchiamento delle batterie e il BMS ha difficoltà ad aggiornare rapidamente la capacità. |
Metodi avanzati | L'apprendimento automatico e i metodi basati sui dati migliorano i controlli SOH. | BiGRU, la regressione del vettore di supporto e le reti neurali profonde aiutano a stimare SOH e SOC in modo più preciso. |
Resistenza interna
La resistenza interna è molto importante per verificare lo stato di carica (SOH) nelle batterie agli ioni di litio. Con l'invecchiamento delle batterie, la loro resistenza interna aumenta. Questo accade perché i componenti interni si usurano e si rompono. Se la resistenza raddoppia o la capacità scende al 70-80%, la batteria è a fine vita. Molti metodi per verificare lo stato di carica (SOH) utilizzano la resistenza interna. La misurazione diretta della resistenza fornisce buoni risultati, ma di solito richiede che la batteria si riposi, il che è difficile durante il normale utilizzo.
Gli scienziati hanno ideato nuovi metodi per utilizzare la resistenza interna per migliorare i controlli SOH. Ad esempio, correggono la curva della tensione a circuito aperto utilizzando i dati di resistenza. Questo aiuta a ridurre gli errori dovuti a variazioni della velocità di carica. In questo modo, si utilizzano parametri come il tempo di carica a corrente costante invece di calcoli matematici complessi. Test su dati di batterie reali dimostrano che questo metodo può ridurre l'errore assoluto medio a circa l'1.28% per alcuni intervalli di tensione. Questi risultati dimostrano che l'osservazione della resistenza interna rende i controlli SOH più efficaci e precisi.
Impedenza
I metodi basati sull'impedenza sfruttano il modo in cui una batteria reagisce all'elettricità per verificare il valore di SOH. Questi metodi spesso utilizzano la spettroscopia di impedenza elettrochimica o test simili. Osservando il comportamento della batteria a diverse frequenze, gli ingegneri possono individuare l'invecchiamento e stimare il valore di SOH. I metodi basati sull'impedenza possono essere molto precisi, con errori quadratici medi compresi tra lo 0.75% e l'1.5% di SOH.
Tipo di metodo | Descrizione | Precisione della previsione SOH (errore RMS) | Considerazioni pratiche |
|---|---|---|---|
Dati EIS diretti | Utilizza dati grezzi di spettroscopia di impedenza elettrochimica | 0.75% – 1.5% unità SOH | Veloce da misurare, ma le cellule possono essere diverse |
Adattamenti del circuito equivalente | Abbina i dati EIS ai modelli di circuito | 0.75% – 1.5% unità SOH | Richiede più lavoro e calcoli matematici, ma ha meno incertezza |
Distribuzione dei tempi di rilassamento (DRT) | Esamina quanto tempo ci vuole perché le cose si sistemino utilizzando i dati EIS | 0.75% – 1.5% unità SOH | Richiede molta potenza di calcolo, ma è flessibile |
Analisi della risposta in frequenza non lineare (NFRA) | Utilizza dati di frequenza speciali per controllare SOH | 0.75% – 1.5% unità SOH | Fornisce informazioni utili sulle azioni della batteria, più veloce della scarica completa |
I metodi basati sull'impedenza funzionano bene in laboratorio e forniscono molti dettagli sull'invecchiamento della batteria. Tuttavia, questi metodi possono essere difficili e complessi da utilizzare nei sistemi di batterie in tempo reale. Spesso richiedono strumenti speciali e una configurazione accurata. I nuovi metodi basati sui dati stanno iniziando a prendere il sopravvento, utilizzando l'apprendimento automatico per prevedere l'invecchiamento della batteria senza modelli rigidi.
Conteggio dei cicli
Il conteggio dei cicli è uno dei metodi più antichi per verificare il livello di carica (SOH) nelle batterie agli ioni di litio. Questo metodo conta quante volte una batteria viene caricata e utilizzata. Ogni ciclo completo invecchia leggermente la batteria. Contando i cicli, gli ingegneri possono stimare il livello di usura della batteria.
Il conteggio dei cicli è semplice e non richiede strumenti speciali o calcoli complessi. Tuttavia, non considera le differenze di ogni ciclo. Fattori come la temperatura, la durata di utilizzo della batteria e la velocità di ricarica influenzano la velocità di invecchiamento, ma il conteggio dei cicli considera ogni ciclo allo stesso modo. Questo può rendere errati i controlli SOH, soprattutto nella vita reale, dove le batterie sono sottoposte a diversi tipi di stress.
Metodi avanzati
Metodi avanzati per verificare il valore di SOH utilizzano l'apprendimento automatico e l'intelligenza artificiale per analizzare numerosi dati della batteria. Questi metodi apprendono da tensione, corrente e temperatura per stimare il valore di SOH in modo più accurato rispetto ai metodi tradizionali. Modelli di apprendimento automatico come macchine a vettori di supporto, foreste casuali e reti neurali profonde possono individuare modelli di invecchiamento complessi della batteria.
Studi recenti dimostrano che questi metodi basati sui dati funzionano meglio dei vecchi modelli fisici. Ad esempio, la regressione vettoriale di supporto e la regressione del processo gaussiano possono portare a errori quadratici medi inferiori allo 0.4% quando si stima la SOH. Anche le reti neurali feed-forward e i sistemi di inferenza neuro-fuzzy adattivi funzionano bene, con pochi errori e buoni risultati per diverse batterie.
I metodi di apprendimento automatico non necessitano di modelli di batteria dettagliati.
Il cloud computing consente l'esecuzione di modelli più grandi, migliorando i controlli SOH anche se il sistema di batterie è di piccole dimensioni.
Utilizzando più di un modello di apprendimento automatico è possibile rendere i controlli SOH ancora più precisi.
Questi metodi possono portare a errori assoluti medi entro il 3% e a errori quadratici medi entro il 2% nei test reali.
Tuttavia, i metodi avanzati necessitano di dati di addestramento validi e numerosi. Possono presentare problemi con un invecchiamento anomalo della batteria o con grandi cambiamenti nel modo in cui vengono utilizzate. È importante individuare le caratteristiche migliori dai dati di ricarica, poiché la ricarica è più regolare rispetto all'esaurimento della batteria nelle auto elettriche. Gli ingegneri devono assicurarsi che questi metodi siano robusti e sicuri prima di utilizzarli. sistemi di batterie che proteggono le persone.
Nota: il passaggio dai vecchi modelli fisici a metodi basati sui dati dimostra la necessità di controlli SOH migliori e più flessibili per le batterie agli ioni di litio. L'apprendimento automatico aiuta a individuare precocemente l'invecchiamento delle batterie e ne migliora il funzionamento, individuando prima i segnali di problemi.
Combinazione di metodi per la precisione
Approcci ibridi
I sistemi di gestione della batteria funzionano meglio quando utilizzano più di un metodo per verificarne lo stato di carica e di salute. Un solo metodo non può risolvere tutti i problemi dei sistemi di batterie agli ioni di litio. Metodi ibridi Combina i punti di forza degli algoritmi basati su modelli, dati e apprendimento. Questo aiuta a ridurre il rumore, gestire le incognite e tenere il passo con l'invecchiamento della batteria.
Molti algoritmi di ottimizzazione, come i minimi quadrati, l'algoritmo di ottimizzazione Sunflower e l'algoritmo di ricerca dell'aquila calva, migliorano i controlli dello stato di carica. Ad esempio, l'algoritmo di ricerca dell'aquila calva ha registrato un errore di picco di appena l'1.06% per il SOC.
Le mappe di auto-organizzazione migliorate e l'apprendimento semi-supervisionato hanno mostrato errori massimi vicini all'1.25% e RMSE bassi fino allo 0.55%. Questi risultati indicano che i metodi ibridi forniscono solidi controlli SOC per le batterie agli ioni di litio.
L'utilizzo del bilanciamento attivo delle celle con l'apprendimento automatico per la valutazione della vita utile residua aiuta a gestire le differenze tra le celle e l'invecchiamento della batteria. Le celle bilanciate forniscono dati più precisi sullo stato di carica, che aiutano a prevedere lo stato di salute delle batterie agli ioni di litio.
I modelli di reti neurali ibride aiutano a gestire le variazioni di temperatura e le modalità di utilizzo delle batterie. Combinando bilanciamento fisico e metodi basati sui dati, i sistemi di gestione delle batterie possono aiutare le batterie agli ioni di litio a durare più a lungo e a funzionare meglio. La fusione multi-modello, come Random Forest, rende i controlli sullo stato di salute ancora più efficaci utilizzando le parti migliori di modelli diversi.
I metodi ibridi aiutano i sistemi di gestione delle batterie a gestire i cambiamenti del mondo reale, rendendoli più affidabili per i veicoli elettrici e altri usi.
Considerazioni sull'applicazione
La scelta e l'utilizzo di metodi ibridi in sistemi di batterie agli ioni di litio reali richiedono un'attenta pianificazione. Gli ingegneri devono considerare le esigenze di ciascun utilizzo, come le auto elettriche o l'accumulo.
I metodi basati sui dati utilizzano i dati dei sensori in tempo reale e cambiano con l'invecchiamento o l'usura delle batterie. Questi metodi sono più accurati, funzionano con diverse sostanze chimiche e gestiscono bene il rumore dei sensori.
I framework ibridi combinano algoritmi di random forest più efficaci, modelli basati sulla fisica e altri strumenti di apprendimento automatico. Questo equilibrio garantisce precisione, velocità e può essere utilizzato per molti tipi e situazioni di batterie agli ioni di litio.
Gli ingegneri devono risolvere problemi come la necessità di molti dati validi, la scelta delle funzionalità giuste e il contenimento dei costi dei computer. Combinare funzionalità e ottimizzare le impostazioni può migliorare le previsioni e favorire modifiche in tempo reale.
Molti dati, come tensione di cella, corrente, temperatura e numero di cicli, aiutano a scegliere i migliori metodi ibridi. Questi metodi aiutano a gestire dati rumorosi o mancanti e forniscono risultati specifici per ogni utilizzo, non solo per quanto riguarda lo stato di carica e lo stato di salute. Nella vita reale, i metodi ibridi funzionano bene in laboratorio e sul campo, come nelle auto elettriche, dove mantengono le batterie sicure e funzionanti in condizioni diverse.
Suggerimento: quando si scelgono metodi ibridi, gli ingegneri dovrebbero adattare il metodo agli obiettivi del sistema di batterie, ai dati e al luogo in cui verrà utilizzato. Questo aiuta a garantire che la gestione delle batterie agli ioni di litio sia affidabile, possa crescere e funzioni in tempo reale.
Conoscere il corretto SOC e SOH è fondamentale per il funzionamento e la sicurezza delle batterie agli ioni di litio. Ogni metodo ha i suoi vantaggi, ma l'utilizzo combinato di più metodi in un sistema di gestione della batteria offre i risultati migliori per migliorare la durata e l'efficienza delle batterie agli ioni di litio. Nuove ricerche dimostrano che l'utilizzo di metodi intelligenti per selezionare i dati importanti e di reti neurali migliorate può ridurre al minimo gli errori, anche dello 0.16%. Questo contribuisce a una maggiore durata delle batterie e a una maggiore sicurezza. È importante scegliere il metodo di stima più adatto alle esigenze di ciascuna batteria agli ioni di litio.
FAQ
Qual è il compito principale di un sistema di gestione della batteria?
Un sistema di gestione della batteria ne garantisce la sicurezza. Controlla lo stato di carica e lo stato di salute. Il sistema bilancia le celle in modo che funzionino insieme. Impedisce alle batterie di surriscaldarsi o caricarsi eccessivamente. Questo contribuisce a farle durare più a lungo e a funzionare meglio.
Perché i sensori non riescono a misurare direttamente lo stato di carica?
I sensori non possono guardare all'interno di una batteria. Le reazioni chimiche avvengono all'interno, dove i sensori non possono vedere. I sensori misurano solo tensione, corrente e temperatura. Il sistema utilizza questi numeri con algoritmi speciali per indovinare lo stato di carica.
In che modo la temperatura influenza la stima dello stato della batteria?
Quando fa molto caldo o molto freddo, le reazioni della batteria cambiano. Il sistema potrebbe commettere errori nello stato di carica o nello stato di salute. I buoni sistemi di gestione della batteria modificano i loro calcoli per correggere questi errori.
Quale metodo fornisce la stima più accurata dello stato di salute?
Metodo | Livello di precisione |
|---|---|
machine Learning | Molto alto |
Analisi dell'impedenza | Alto |
Resistenza interna | Medio |
Conteggio dei cicli | Basso |
Solitamente l'apprendimento automatico fornisce i risultati migliori se i dati sono buoni.
