System zarządzania baterią ustala stan naładowania i stan zdrowia baterii litowo-jonowych, stosując pośrednie techniki szacowania. Nie może mierzyć tych rzeczy bezpośrednio, ponieważ bateria ma złożone reakcje wewnątrz. Dlatego system wykorzystuje metody takie jak ekstrakcja cech statystycznych, liczenie Coulomba i zaawansowane modele oparte na danych. Na przykład analizuje metryki statystyczne, takie jak wariancja, średnia i skośność z krzywych napięcia i prądu, aby obserwować degradację baterii. Stosowanie pośrednich metod szacowania, takich jak uczenie maszynowe i podejścia oparte na obserwatorach, pomaga uczynić szacowanie soc dokładniejszym i bezpieczniejszym. Te metody szacowania soc pomagają systemowi zarządzania baterią przewidywać zmiany w bateriach litowo-jonowych. Pomagają również lepiej zarządzać utratą pojemności, starzeniem się i ryzykiem. Dobra ocena stanu naładowania i ocena stanu zdrowia pomagają każdej baterii litowo-jonowej działać lepiej i dłużej.
Dokładne oszacowanie soc w systemach akumulatorów litowo-jonowych chroni akumulator przed przeładowaniem, przegrzaniem i nagłymi awariami. To sprawia, że silne techniki szacowania są bardzo ważne dla nowoczesnych systemów zarządzania akumulatorami.
Metryka statystyczna | OPIS | Korelacja z degradacją baterii |
|---|---|---|
Zmienność | Sprawdza, jak stabilne są zmiany napięcia/prądu | Większa zmienność oznacza nierównomierny opór wewnętrzny i reakcje chemiczne oraz uszkodzenie elektrody |
Maksymalna wartość | Najwyższe napięcie/prąd podczas ładowania lub rozładowywania | Niższe liczby oznaczają mniejszą ładowność i możliwe problemy z bezpieczeństwem, takie jak przeładowanie lub przegrzanie |
Minimalna wartość | Najniższe napięcie/prąd podczas ładowania lub rozładowywania | Pokazuje utratę pojemności i problemy z bezpieczeństwem |
Średnia (średnia) | Średnie napięcie/prąd w cyklu | Zmiany wskazują na rozpad elektrolitów i mniejsze wydzielanie energii |
Skośność | Jak nierównomiernie rozłożone jest napięcie/prąd | Stosowany w ekstrakcji cech w celu przewidywania SOH |
Nadmiar kurtozy | Jak ostry jest szczyt napięcia/prądu | Wyższe liczby oznaczają większą polaryzację i mniejszą możliwość wprowadzania litu |
Na wynos
Systemy zarządzania akumulatorem nie mogą bezpośrednio mierzyć naładowania ani stanu. Używają pośrednich metod, takich jak analiza statystyczna, liczenie Coulomba i uczenie maszynowe. Te metody pomagają oszacować naładowanie i stan akumulatora.
Znajomość stanu naładowania pomaga zachować bezpieczeństwo baterii. Zapobiega przeładowaniu, przegrzaniu i nagłym problemom.
Istnieją różne sposoby sprawdzania baterii. Niektóre metody to napięcie w obwodzie otwartym, liczenie kulombowskie, filtrowanie Kalmana i modele oparte na sztucznej inteligencji. Każda z nich ma dobre i złe strony. Używanie ich razem sprawia, że wyniki są lepsze i bardziej niezawodne.
Oszacowanie stanu zdrowia sprawdza, ile lat ma bateria. Analizuje utratę pojemności i rezystancję wewnętrzną. Pomaga to oszacować żywotność baterii i uniknąć problemów z bezpieczeństwem.
Podejścia hybrydowe łączą metody oparte na modelach i danych. Dają najlepsze rezultaty. Mogą się zmieniać w zależności od rzeczywistego użytkowania. Pomaga to bateriom działać dłużej i lepiej.
Podstawy systemu zarządzania baterią
Kluczowe funkcje
System zarządzania baterią jest bardzo ważny dla baterii litowo-jonowych. Pomaga utrzymać baterie litowo-jonowe w bezpiecznym stanie i zapewnić ich prawidłowe działanie. System sprawdza napięcie, natężenie i temperaturę każdej celi baterii litowo-jonowej. Upewnia się również, że wszystkie celi baterii litowo-jonowej ładują się i rozładowują równomiernie. Dzięki temu każda bateria litowo-jonowa działa dłużej i lepiej.
System zarządzania baterią monitoruje stan naładowania i stan zdrowia każdej baterii litowo-jonowej. Używa tych liczb, aby zapobiec przeładowaniu i głębokiemu rozładowaniu, które może zaszkodzić bateriom litowo-jonowym.
Bezpieczeństwo przede wszystkim. System odłączy akumulator litowo-jonowy, jeśli znajdzie problemy, takie jak przegrzanie lub zwarcie. Może używać ogniw zapasowych lub pakietów, aby wszystko działało.
Komunikacja ma znaczenie. System zarządzania baterią używa magistrali SPI i CAN do przesyłania danych do innych części urządzenia lub pojazdu.
Istnieją różne typy systemów, takie jak scentralizowany i rozproszony, dzięki czemu system zarządzania bateriami może pasować do wielu modeli baterii litowo-jonowych.
Niektóre systemy mają dodatkowe funkcje, takie jak zdalne monitorowanie, przewidywanie cyklu życia i wykrywanie błędów. Wykorzystują one przetwarzanie w chmurze i uczenie maszynowe, aby pomóc baterii działać lepiej i bezpieczniej.
Funkcja kluczowa / algorytm | OPIS |
|---|---|
Monitorowanie komórek | Monitoruje napięcie, prąd i temperaturę każdej celi baterii litowo-jonowej. Wykrywa problemy i podejmuje działania bezpieczeństwa. Określa stan naładowania i stan zdrowia. |
Optymalizacja mocy | Kontroluje ładowanie i rozładowywanie, aby zapewnić bezpieczeństwo ogniwom baterii litowo-jonowej. Współpracuje z innymi systemami, aby inteligentnie wykorzystywać energię. |
Zapewnienie bezpieczeństwa | Zatrzymuje zagrożenia takie jak ucieczka termiczna. Używa planów zapasowych i chroni ludzi przed porażeniem prądem. |
Optymalizacja ładowania akumulatora | Zmienia ładowanie, aby zmniejszyć obciążenie każdej celi baterii litowo-jonowej. Zapisuje kody błędów do późniejszych kontroli. |
Algorytm równoważenia komórek | Upewnia się, że wszystkie ogniwa baterii litowo-jonowej mają takie samo napięcie. Wykorzystuje aktywne lub pasywne wyważanie, aby pomóc baterii lepiej działać. |
Algorytmy komunikacyjne | Wysyła dane między systemem zarządzania baterią a innymi urządzeniami. Zatrzymuje ładowanie, jeśli znajdzie niebezpieczne warunki. |
Wskazówka: Korzystanie z gotowych narzędzi programowych i sprzętowych może pomóc inżynierom szybciej tworzyć i testować systemy zarządzania bateriami litowo-jonowymi.
Obsługiwane chemikalia
System zarządzania baterią musi współpracować z wieloma chemiami baterii litowo-jonowych. Każda chemia, taka jak NMC, LFP i NCA, ma swoje dobre i złe strony. Na przykład baterie litowo-jonowe NMC mają wysoką gęstość energii. Baterie litowo-jonowe LFP działają dłużej i lepiej radzą sobie z ciepłem. System zarządzania baterią zmienia sposób działania, aby dopasować się do każdej chemii baterii litowo-jonowej.
Najnowsze badania przyglądają się temu, jak różne chemie akumulatorów litowo-jonowych działają w pojazdach elektrycznych. Badania te pokazują, że systemy zarządzania akumulatorami muszą radzić sobie ze zmianami gęstości energii, kosztami i cyklem życia. Pokazują również, że zarządzanie termiczne i zaawansowana ocena stanu są ważne dla każdego typu akumulatora litowo-jonowego. Modele uczenia maszynowego mogą pomóc przewidzieć stan zdrowia akumulatorów litowo-jonowych przy użyciu filtrowanych danych. Zmniejsza to liczbę błędów i pomaga systemowi zarządzania akumulatorami radzić sobie ze sposobem starzenia się każdego składu chemicznego akumulatora litowo-jonowego.
Elastyczny system zarządzania akumulatorem może współpracować z wieloma rodzajami chemii akumulatorów litowo-jonowych. Pomaga to każdej aplikacji, od pojazdów elektrycznych po przenośną elektronikę, uzyskać najlepszą wydajność i bezpieczeństwo akumulatora.
Stan naładowania baterii litowo-jonowych
Stan naładowania jest bardzo ważny dla akumulatorów litowo-jonowych. Pomaga utrzymać akumulator w bezpiecznym stanie i w dobrym stanie. Jeśli stan naładowania nie jest właściwy, akumulator może się przegrzać lub stracić moc. Może to spowodować uszkodzenie akumulatora lub nawet niebezpieczne problemy, takie jak pożary. W samochodach elektrycznych znajomość stanu naładowania pomaga w hamowaniu i ładowaniu. Sprawia również, że akumulator działa dłużej. Badania pokazują, że dobra ocena stanu naładowania zmniejsza liczbę błędów i pomaga środowisku.
Nie można bezpośrednio zmierzyć stanu naładowania w akumulatorze litowo-jonowym. Reakcje chemiczne wewnątrz są ukryte i trudne do zobaczenia. Czujniki mogą się mylić z powodu szumu i zmian w akumulatorze. Dlatego systemy zarządzania akumulatorem wykorzystują specjalne sposoby, aby odgadnąć stan naładowania. Analizują napięcie, prąd i temperaturę, aby to ustalić. Te metody pomagają radzić sobie z problemami z czujnikami i starzeniem się akumulatora.
Metoda OCV
Metoda Open Circuit Voltage szacuje stan naładowania poprzez sprawdzenie napięcia akumulatora po jego odpoczynku. Każda chemia akumulatora ma własne połączenie napięcia i stanu naładowania. Ta metoda jest prosta i nie kosztuje dużo. Działa dobrze przy pierwszym sprawdzeniu stanu naładowania i nie wymaga dużego modelu akumulatora.
WYGLĄD | Szczegóły |
|---|---|
Zasada | Napięcie akumulatora jest mierzone po odpoczynku. Połączenie OCV i stanu naładowania jest znajdowane poprzez testowanie każdego typu akumulatora. |
Korzyści | 1. Prosty proces |
Ograniczenia | 1. Wymaga długiego czasu odpoczynku (ponad 2 godziny, jeśli jest zimno) |
Metoda OCV nie może sprawdzić stanu naładowania, gdy akumulator pracuje. Akumulatory litowo-jonowe często szybko się zmieniają, więc czekanie, aż akumulator się zregeneruje, nie jest przydatne. Płaskie punkty na krzywej OCV ułatwiają popełnianie dużych błędów z powodu małych zmian napięcia.
Liczenie Coulomba
Liczenie Coulomba, lub liczenie Ah, zgaduje stan naładowania poprzez dodanie prądu wchodzącego i wychodzącego. Zaczyna się od pierwszego stanu naładowania i zmienia go w miarę przemieszczania się prądu.
Aspekt ewaluacyjny | Szczegóły |
|---|---|
Metoda wykonania | Ulepszony algorytm liczenia kulombów |
Podejście walidacyjne | Test MATLAB w porównaniu ze stanem naładowania rzeczywistym na podstawie krzywych ładowania/rozładowania |
Maksymalny błąd (koniec ładowania) | O 3.5% |
Błąd podczas etapu CC | Mniej niż 2% |
Błąd podczas etapu CV | Mniej niż 1% |
Trend błędów | Z czasem staje się większy, zanim zostanie przeprowadzona kontrola stanu zdrowia |
Ważne czynniki | Dobry pierwszy stan naładowania i ładowanie sprawdza mniej błędów |
Zalety | Prosta matematyka, wystarczająca dokładność, nie są potrzebne żadne dodatkowe dane dotyczące baterii |
ograniczenia | Błędy kumulują się z czasem; potrzebny jest dobry stan naładowania i stan zdrowia |
Liczenie Coulomba jest łatwe w użyciu i nie wymaga dodatkowych danych baterii. Jednak błędy mogą się z czasem kumulować. Małe błędy w bieżącym lub pierwszym stanie naładowania mogą się pogorszyć. Ta metoda działa najlepiej z regularnymi kontrolami lub innymi sposobami pomocy.
Metoda wykonania | RMSE | MSE | MAE | Kluczowe wnioski |
|---|---|---|---|---|
Liczenie kulombowskie (CC) | 0.5071 | 0.2572 | 0.4571 | Największe błędy spowodowane szumem i błędami czujnika; nie nadaje się do długotrwałego użytkowania |
Rozszerzony filtr Kalmana | 0.0925 | N / A | N / A | Większa dokładność dzięki pomocy modelu; wymagany jest dobry model baterii |
regresji liniowej | 0.0778 | N / A | N / A | Lepszy niż EKF, ale nie idealny do zmian stanu naładowania |
Maszyna wektorów nośnych | 0.0319 | N / A | N / A | Lepiej radzi sobie ze zmianami, wymaga większej mocy obliczeniowej komputera |
Regresja losowego lasu | 0.0229 | 0.0005 | 0.0139 | Najlepsza dokładność; dobrze współpracuje z szumem i zmianami; nadaje się do rzeczywistego zarządzania baterią |
Filtrowanie Kalmana
Filtr Kalmana wykorzystuje modele matematyczne do odgadnięcia stanu naładowania. Rozszerzony filtr Kalmana i bezzapachowy filtr Kalmana są popularne. Te filtry mieszają dane w czasie rzeczywistym z domysłami modelu baterii. Poprawiają swoje domysły, gdy pojawiają się nowe dane.
Metody filtrowania Kalmana, takie jak EKF, UKF, adaptacyjne filtry Kalmana i podwójne filtry Kalmana, są powszechnie stosowane.
Filtry te wykorzystują proste modele baterii oraz bardziej złożone modele, aby uzyskać lepsze rezultaty.
Testy wykazały, że filtry Kalmana dobrze radzą sobie ze zmianami, pamięcią baterii i szumem czujnika.
Zmiana ustawień i wykorzystanie sieci neuronowych sprawia, że stają się one jeszcze lepsze.
Ciągła aktualizacja liczb pozwala naprawiać błędy wynikające ze zmian w modelu i dryfu czujnika.
Badania wykazują, że filtry Kalmana adaptacyjne i podwójne sprawdzają się lepiej w przypadku stanu naładowania niż zwykłe filtry EKF.
Filtr Kalmana daje dobre, bieżące szacunki stanu naładowania baterii litowo-jonowych. Wymaga starannej konfiguracji i dobrego modelu baterii. Może być trudny w użyciu, ale działa dobrze, gdy sytuacja zmienia się szybko.
Metody hybrydowe i AI
Metody hybrydowe i AI łączą metody oparte na modelach i danych, aby zgadywać stan naładowania. Wykorzystują one uczenie maszynowe, takie jak sieci neuronowe, maszyny wektorów nośnych i regresję losowego lasu. Uczą się na podstawie danych dotyczących napięcia, prądu i temperatury. Metody hybrydowe rozwiązują problemy, których nie potrafią rozwiązać pojedyncze metody.
WYGLĄD | OPIS |
|---|---|
Metoda wykonania | Hybrydowy stan naładowania zgadywania przy użyciu Coulomb Counting and Relevance Vector Machine (movIRVM-Coulomb) |
Dataset | Dane pojedynczej celi baterii, dane z testu pakietu baterii, dane symulacji doradcy |
Warunki | Testy z US06, UDDS, NYCC, 1015 cykli jazdy; temperatury 0°C, 25°C, 45°C; pierwszy stan naładowania 50%, 80% |
Dokładność (RMSE) | W granicach 2% dla wielu testów i temperatur |
Poprawa | Ponad 30% lepsze niż sam movIRVM; mniej błędów w czasie |
Kluczowe ograniczenie zostało rozwiązane | Naprawiono narastanie błędów w czystym liczeniu kulombowskim |
Uwagi dodatkowe | Wykorzystuje średnią ruchomą do redukcji szumów; potrzebuje tylko 10-30% danych treningowych dla części RVM |
Metody hybrydowe łączą dane i modele, aby poradzić sobie z nietypowymi zachowaniami baterii.
Metody oparte na danych obejmują sieci neuronowe, maszyny wektorów nośnych, regresję procesów Gaussa, sieci neuronowe falkowe i logikę rozmytą.
Te sposoby pozwalają określić stan naładowania na podstawie sygnałów, które można zmierzyć.
Problemy obejmują różnice w bateriach, nietypowe użytkowanie i zużycie baterii.
Obecnie naukowcy preferują metody oparte na danych, ponieważ same modele nie są w stanie rozwiązać wszystkich problemów.
Nowe badania wykorzystujące głębokie uczenie i dane z prawdziwych samochodów pokazują, że hybrydowe i sztucznej inteligencji metody mogą odgadnąć stan naładowania z błędem mniejszym niż 2%. Te metody są bardzo dokładne i działają dobrze, nawet gdy rzeczy bardzo się zmieniają.
Uwaga: Metody statystyczne pomagają w zgadywaniu stanu naładowania poprzez naprawienie niepewności, błędów czujników i losowego szumu. Kalibracja, regresja i testowanie sprawiają, że wszystkie metody określania stanu naładowania są bardziej niezawodne.
Metody Oceny Stanu Zdrowia
Stan zdrowia, czyli SOH, informuje nas, jak bardzo zestarzała się bateria litowo-jonowa. Porównuje obecną pojemność baterii z tą, gdy była nowa. SOH można znaleźć, patrząc na aktualną pojemność i porównując ją z pierwotną pojemnością. Można go również sprawdzić, porównując rezystancję wewnętrzną z nową celą. Gdy SOH spada poniżej 80% lub 70%, bateria jest u kresu swojej żywotności. SOH ma znaczenie, ponieważ wpływa na to, jak dobrze działa bateria, jak jest bezpieczna i jak długo wytrzymuje. W miarę jak SOH spada, bateria przechowuje mniej energii. Oznacza to, że samochody elektryczne nie mogą przejechać tak dużej odległości, a urządzenia nie działają tak długo. Jeśli bateria bardzo się zestarzeje, może puchnąć, przeciekać, a nawet się zapalić. Dobra prognoza SOH pomaga zapobiegać tym problemom i zapewnia bezpieczeństwo baterii.
WYGLĄD | Dowód | Dane liczbowe / Szczegóły |
|---|---|---|
Definicja SOH | SOH to stosunek aktualnej pojemności do pojemności początkowej lub porównanie rezystancji wewnętrznej z nową baterią. | Końcowy poziom wykorzystania SOH wynosi 80% lub 70%. |
Wpływ na długowieczność | SOH pokazuje, ile pojemności jest tracone, co ogranicza, jak daleko mogą dotrzeć pojazdy elektryczne. Starzenie się baterii oznacza mniejszą pojemność. | Akumulatory pojazdów elektrycznych użytkowane przez ponad 10,000 800 km i ponad XNUMX dni wykazują tendencję do utraty pojemności. |
Wpływ na bezpieczeństwo | Niewłaściwe starzenie się może być przyczyną przecieków, pęcznienia, przegrzewania i pożarów. | Ryzyko związane z bezpieczeństwem wzrasta wraz ze spadkiem SOH, dlatego ważne jest sprawdzanie SOH. |
Źródło danych | Dane pochodzą z wielu pojazdów elektrycznych o różnym sposobie jazdy i ładowania. | Zbiór danych obejmuje 347 pojazdów elektrycznych, zapisy ładowania z 25 miesięcy i wiele zmian w świecie rzeczywistym. |
Wyzwania w szacowaniu SOH | Zmiany w świecie rzeczywistym, błędy w SOC, zaszumione dane i niewystarczająca liczba próbek sprawiają, że SOH jest trudny do sprawdzenia. | Błędy SOC stają się większe wraz ze starzeniem się baterii, a BMS ma problemy z szybką aktualizacją pojemności. |
Zaawansowane metody | Uczenie maszynowe i metody oparte na danych usprawniają kontrole SOH. | BiGRU, regresja wektorów nośnych i głębokie sieci neuronowe pomagają dokładniej szacować SOH i SOC. |
Opór wewnętrzny
Rezystancja wewnętrzna jest bardzo ważna przy sprawdzaniu SOH w bateriach litowo-jonowych. Wraz ze starzeniem się baterii, ich rezystancja wewnętrzna wzrasta. Dzieje się tak, ponieważ części wewnątrz baterii zużywają się i psują. Jeśli rezystancja podwaja się lub pojemność spada do 70-80%, bateria jest na końcu swojej żywotności. Wiele sposobów sprawdzania SOH wykorzystuje rezystancję wewnętrzną. Bezpośredni pomiar rezystancji daje dobre wyniki, ale zwykle wymaga odpoczynku baterii, co jest trudne podczas normalnego użytkowania.
Naukowcy opracowali nowe sposoby wykorzystania oporu wewnętrznego, aby ulepszyć kontrole SOH. Na przykład, poprawiają krzywą napięcia obwodu otwartego, używając danych o oporności. Pomaga to zmniejszyć błędy wynikające ze zmian w szybkości ładowania. W ten sposób wykorzystuje się takie rzeczy, jak stały czas ładowania prądem zamiast trudnych obliczeń matematycznych. Testy na rzeczywistych danych akumulatorowych pokazują, że ta metoda może obniżyć średni błąd bezwzględny do około 1.28% dla niektórych zakresów napięcia. Te wyniki pokazują, że obserwowanie oporu wewnętrznego sprawia, że kontrole SOH są silniejsze i dokładniejsze.
Impedancja
Metody oparte na impedancji wykorzystują sposób, w jaki bateria reaguje na elektryczność, aby sprawdzić SOH. Te metody często wykorzystują spektroskopię impedancji elektrochemicznej lub podobne testy. Obserwując, jak bateria działa przy różnych częstotliwościach, inżynierowie mogą wykryć starzenie się i zgadnąć SOH. Metody oparte na impedancji mogą być bardzo dokładne, ze średnimi błędami kwadratowymi między 0.75% a 1.5% jednostek SOH.
Rodzaj metody | OPIS | Dokładność przewidywania SOH (błąd RMS) | Względy praktyczne |
|---|---|---|---|
Dane bezpośrednie EIS | Wykorzystuje surowe dane spektroskopii impedancji elektrochemicznej | 0.75% – 1.5% jednostek SOH | Szybkie pomiary, ale komórki mogą się różnić |
Dopasowania obwodów równoważnych | Dopasowuje dane EIS do modeli obwodów | 0.75% – 1.5% jednostek SOH | Wymaga więcej pracy i matematyki, ale ma mniej niepewności |
Dystrybucja Czasów Relaksu (DRT) | Sprawdza, ile czasu zajmuje uregulowanie spraw, korzystając z danych EIS | 0.75% – 1.5% jednostek SOH | Wymaga dużej mocy obliczeniowej komputera, ale jest elastyczny |
Analiza nieliniowej odpowiedzi częstotliwościowej (NFRA) | Wykorzystuje specjalne dane częstotliwości do sprawdzania SOH | 0.75% – 1.5% jednostek SOH | Podaje dobre informacje o działaniu baterii, szybsze niż pełne rozładowanie |
Metody oparte na impedancji sprawdzają się w laboratoriach i dostarczają wielu szczegółów na temat starzenia się baterii. Jednak te metody mogą być trudne i trudne do wykorzystania w systemach baterii w czasie rzeczywistym. Często wymagają specjalnych narzędzi i starannej konfiguracji. Nowsze metody oparte na danych zaczynają przejmować kontrolę, wykorzystując uczenie maszynowe do odgadywania starzenia się baterii bez twardych modeli.
Liczenie cykli
Liczenie cykli jest jednym z najstarszych sposobów sprawdzania SOH w bateriach litowo-jonowych. W ten sposób zlicza się, ile razy bateria jest ładowana i używana. Każdy pełny cykl sprawia, że bateria trochę się starzeje. Licząc cykle, inżynierowie mogą zgadnąć, jak bardzo bateria się zużyła.
Liczenie cykli jest łatwe i nie wymaga specjalnych narzędzi ani trudnej matematyki. Ale nie bierze pod uwagę tego, jak każdy cykl jest inny. Takie rzeczy jak temperatura, stopień wykorzystania baterii i szybkość ładowania zmieniają szybkość starzenia się, ale liczenie cykli traktuje każdy cykl tak samo. Może to powodować błędne sprawdzanie SOH, szczególnie w prawdziwym życiu, gdzie baterie są narażone na wiele rodzajów obciążeń.
Zaawansowane metody
Zaawansowane sposoby sprawdzania SOH wykorzystują uczenie maszynowe i sztuczną inteligencję do badania wielu danych dotyczących baterii. Te sposoby uczą się na podstawie napięcia, prądu i temperatury, aby lepiej odgadnąć SOH niż stare sposoby. Modele uczenia maszynowego, takie jak maszyny wektorów nośnych, lasy losowe i głębokie sieci neuronowe, mogą znaleźć trudne wzorce starzenia się baterii.
Najnowsze badania pokazują, że te oparte na danych metody działają lepiej niż stare modele fizyczne. Na przykład regresja wektorów nośnych i regresja procesu Gaussa mogą dawać błędy średniokwadratowe poniżej 0.4% przy zgadywaniu SOH. Sieci neuronowe typu feed-forward i adaptacyjne systemy wnioskowania neuro-fuzzy również radzą sobie dobrze, z niskimi błędami i dobrymi wynikami dla różnych baterii.
Metody uczenia maszynowego nie wymagają szczegółowych modeli baterii.
Chmura obliczeniowa umożliwia uruchamianie większych modeli, co pozwala na skuteczniejsze sprawdzanie SOH, nawet jeśli system akumulatorów jest mały.
Korzystanie z więcej niż jednego modelu uczenia maszynowego może sprawić, że kontrole SOH będą jeszcze dokładniejsze.
W rzeczywistych testach te metody pozwalają uzyskać średnie błędy bezwzględne w granicach 3% i średnie błędy kwadratowe w granicach 2%.
Ale zaawansowane metody wymagają dobrych i mnóstwa danych szkoleniowych. Mogą mieć problemy z dziwnym starzeniem się baterii lub dużymi zmianami w sposobie użytkowania baterii. Wybieranie dobrych funkcji z danych ładowania jest ważne, ponieważ ładowanie jest bardziej regularne niż zużywanie baterii w samochodach elektrycznych. Inżynierowie muszą upewnić się, że te metody są mocne i bezpieczne, zanim ich użyją. systemy baterii chroniące ludzi.
Uwaga: Przejście ze starych modeli fizycznych na metody oparte na danych pokazuje, że potrzebujemy lepszych i bardziej elastycznych kontroli SOH dla akumulatorów litowo-jonowych. Uczenie maszynowe pomaga wcześnie wykryć starzenie się akumulatorów i sprawia, że akumulatory działają lepiej, szybciej znajdując oznaki problemów.
Łączenie metod dla dokładności
Podejścia hybrydowe
Systemy zarządzania akumulatorem działają lepiej, gdy wykorzystują więcej niż jedną metodę sprawdzania stanu naładowania i stanu zdrowia. Jedna metoda sama w sobie nie rozwiąże każdego problemu w systemach akumulatorów litowo-jonowych. Metody hybrydowe połącz mocne strony algorytmów opartych na modelach, danych i uczenia się. Pomaga to ograniczyć hałas, poradzić sobie z nieznanymi i nadążyć za starzeniem się baterii.
Wiele algorytmów optymalizacji, takich jak najmniejsze kwadraty, algorytm optymalizacji słonecznika i algorytm wyszukiwania orła bielika, usprawniają sprawdzanie stanu naładowania. Na przykład algorytm wyszukiwania orła bielika miał błąd szczytowy wynoszący zaledwie 1.06% dla SOC.
Udoskonalone mapy samoorganizacji i uczenie półnadzorowane wykazały, że maksymalne błędy wynoszą około 1.25% i RMSE na poziomie zaledwie 0.55%. Wyniki te oznaczają, że metody hybrydowe zapewniają dokładne kontrole SOC akumulatorów litowo-jonowych.
Wykorzystanie aktywnego równoważenia ogniw z uczeniem maszynowym w celu uzyskania pozostałej żywotności pomaga w przypadku różnic w ogniwach i starzenia się baterii. Zrównoważone ogniwa zapewniają lepsze dane o stanie naładowania, co pomaga przewidywać stan baterii litowo-jonowej.
Hybrydowe modele sieci neuronowych pomagają w zmianach temperatury i sposobie użytkowania baterii. Łącząc fizyczne równoważenie i metody oparte na danych, systemy zarządzania bateriami mogą pomóc bateriom litowo-jonowym działać dłużej i lepiej. Fuzja wielu modeli, taka jak Random Forest, sprawia, że kontrole stanu zdrowia są jeszcze silniejsze, wykorzystując najlepsze części różnych modeli.
Metody hybrydowe pomagają systemom zarządzania akumulatorami radzić sobie ze zmianami w świecie rzeczywistym. Dzięki temu są bardziej niezawodne w pojazdach elektrycznych i innych zastosowaniach.
Uwagi dotyczące aplikacji
Wybór i stosowanie metod hybrydowych w rzeczywistych systemach akumulatorów litowo-jonowych wymaga starannego planowania. Inżynierowie muszą pomyśleć o tym, czego potrzebuje każde zastosowanie, np. samochody elektryczne lub magazyny.
Metody oparte na danych wykorzystują dane z czujników w czasie rzeczywistym i zmieniają się wraz ze starzeniem się baterii lub ich zużyciem. Te metody są dokładniejsze, działają z różnymi chemikaliami i dobrze radzą sobie z szumem czujników.
Hybrydowe struktury łączą lepsze algorytmy losowego lasu, modele oparte na fizyce i inne narzędzia uczenia maszynowego. Ta równowaga zapewnia dokładność, działa szybko i może być stosowana w przypadku wielu typów baterii litowo-jonowych i sytuacji.
Inżynierowie muszą rozwiązywać problemy, takie jak potrzeba dużej ilości dobrych danych, wybieranie właściwych funkcji i koszty komputerów. Mieszanie funkcji i dostrajanie ustawień może poprawić przewidywania i pomóc w zmianach w czasie rzeczywistym.
Wiele danych, takich jak napięcie ogniwa, prąd, temperatura i liczba cykli, pomaga wybrać najlepsze metody hybrydowe. Te metody pomagają w przypadku zakłóconych lub brakujących danych i dają specjalne wyniki dla każdego zastosowania, a nie tylko podstawowy stan naładowania i stan zdrowia. W rzeczywistości metody hybrydowe sprawdzają się w laboratoriach i w terenie, np. w samochodach elektrycznych, gdzie zapewniają bezpieczeństwo akumulatorów i ich działanie w różnych warunkach.
Wskazówka: Wybierając metody hybrydowe, inżynierowie powinni dopasować metodę do celów systemu baterii, danych i miejsca, w którym będzie używana. Pomaga to upewnić się, że zarządzanie baterią litowo-jonową jest niezawodne, może się rozwijać i działa w czasie rzeczywistym.
Znajomość właściwego soc i SOH jest bardzo ważna dla tego, jak dobrze i bezpiecznie działają baterie litowo-jonowe. Każda metoda ma swoje dobre strony, ale używanie więcej niż jednej metody razem w systemie zarządzania bateriami daje najlepsze rezultaty, jeśli chodzi o wydłużenie żywotności baterii litowo-jonowych i poprawę ich działania. Nowe badania pokazują, że korzystanie z inteligentnych sposobów wybierania ważnych danych i ulepszonych sieci neuronowych może powodować bardzo małe błędy, nawet do 0.16%. Dzięki temu baterie działają dłużej i są bezpieczniejsze. Ważne jest, aby wybrać metodę szacowania, która odpowiada potrzebom każdej baterii litowo-jonowej.
FAQ
Jakie jest główne zadanie systemu zarządzania baterią?
System zarządzania bateriami zapewnia bezpieczeństwo baterii. Sprawdza stan naładowania i stan zdrowia. System równoważy ogniwa, aby działały razem. Zapobiega nadmiernemu nagrzewaniu się baterii lub ich nadmiernemu napełnianiu. Dzięki temu baterie działają dłużej i lepiej.
Dlaczego czujniki nie mogą bezpośrednio mierzyć stanu naładowania?
Czujniki nie mogą zajrzeć do wnętrza baterii. Reakcje chemiczne zachodzą wewnątrz, gdzie czujniki nie mogą ich zobaczyć. Czujniki mierzą tylko napięcie, prąd i temperaturę. System wykorzystuje te liczby ze specjalnymi algorytmami, aby odgadnąć stan naładowania.
Jak temperatura wpływa na ocenę stanu akumulatora?
Gdy jest bardzo gorąco lub zimno, reakcje baterii ulegają zmianie. System może popełniać błędy w stanie naładowania lub stanie zdrowia. Dobre systemy zarządzania baterią zmieniają swoją matematykę, aby naprawić te błędy.
Która metoda daje najdokładniejszą ocenę stanu zdrowia?
Metoda wykonania | Poziom dokładności |
|---|---|
Nauczanie maszynowe | Bardzo wysoki |
Analiza impedancji | Wysoki |
Opór wewnętrzny | Średni |
Liczenie cykli | Niski |
Uczenie maszynowe zwykle daje najlepsze wyniki, jeżeli dane są dobre.
