Um sistema de gerenciamento de bateria descobre o estado de carga e a integridade das baterias de íons de lítio usando técnicas de estimativa indireta. Ele não pode medir esses fatores diretamente porque a bateria possui reações complexas em seu interior. Portanto, o sistema utiliza métodos como extração estatística de características, contagem de Coulomb e modelos avançados baseados em dados. Por exemplo, ele analisa métricas estatísticas como variância, média e assimetria das curvas de tensão e corrente para observar a degradação da bateria. O uso de métodos de estimativa indireta, como aprendizado de máquina e abordagens baseadas em observadores, ajuda a tornar a estimativa de SOC mais precisa e segura. Esses métodos de estimativa de SOC ajudam o sistema de gerenciamento de bateria a prever mudanças nas baterias de íons de lítio. Eles também ajudam a gerenciar melhor a perda de capacidade, o envelhecimento e os riscos. Uma boa estimativa do estado de carga e da integridade ajuda todas as baterias de íons de lítio a funcionar melhor e durar mais.
A estimativa precisa de SOC em sistemas de baterias de íons de lítio protege a bateria contra sobrecarga, superaquecimento e falhas repentinas. Isso torna técnicas de estimativa robustas muito importantes para os sistemas modernos de gerenciamento de baterias.
Métrica Estatística | Descrição | Correlação com degradação da bateria |
|---|---|---|
variação | Verifica o quão constantes são as mudanças de tensão/corrente | Maior variação significa resistência interna irregular e reações químicas, além de danos ao eletrodo |
Valor máximo | Maior tensão/corrente durante o carregamento ou descarregamento | Números mais baixos mostram menor capacidade de carga e possíveis problemas de segurança, como sobrecarga ou superaquecimento |
Valor mínimo | Menor tensão/corrente durante o carregamento ou descarregamento | Mostra perda de capacidade e problemas de segurança |
Média (Média) | Tensão/corrente média durante um ciclo | As alterações mostram degradação de eletrólitos e menor produção de energia |
Torção | Quão desigual é a distribuição da tensão/corrente | Usado na extração de recursos para prever SOH |
Excesso de curtose | Quão acentuado é o pico de tensão/corrente | Números mais altos significam mais polarização e menos capacidade de inserção de lítio |
Principais lições
Os sistemas de gerenciamento de bateria não conseguem medir a carga ou a integridade da bateria diretamente. Eles utilizam métodos indiretos, como análise estatística, contagem de Coulomb e aprendizado de máquina. Esses métodos ajudam a estimar a carga e a integridade da bateria.
Saber o estado da carga ajuda a manter as baterias seguras. Evita sobrecarga, superaquecimento e problemas repentinos.
Existem diferentes maneiras de verificar baterias. Tensão de circuito aberto, contagem de Coulomb, filtragem de Kalman e modelos baseados em IA são alguns métodos. Cada um tem seus pontos positivos e negativos. A combinação deles resulta em resultados melhores e mais confiáveis.
A estimativa do estado de saúde verifica a idade de uma bateria. Ela analisa a perda de capacidade e a resistência interna. Isso ajuda a estimar a vida útil da bateria e evitar problemas de segurança.
Abordagens híbridas combinam métodos baseados em modelos e dados. Estes fornecem os melhores resultados. Eles podem mudar com o uso no mundo real. Isso ajuda as baterias a durarem mais e a funcionarem melhor.
Noções básicas do sistema de gerenciamento de bateria
Principais Funções
Um sistema de gerenciamento de bateria é muito importante para baterias de íons de lítio. Ele ajuda a mantê-las seguras e funcionando bem. O sistema verifica a voltagem, a corrente e a temperatura de cada célula da bateria de íons de lítio. Ele também garante que todas as células da bateria de íons de lítio sejam carregadas e descarregadas uniformemente. Isso ajuda cada bateria de íons de lítio a durar mais e funcionar melhor.
O sistema de gerenciamento de bateria monitora o estado de carga e a integridade de cada bateria de íons de lítio. Ele usa esses dados para impedir sobrecargas e descargas profundas, que podem danificar as baterias de íons de lítio.
A segurança vem em primeiro lugar. O sistema desconectará a bateria de íons de lítio se detectar problemas como superaquecimento ou curto-circuito. Ele pode usar células ou baterias de reserva para manter tudo funcionando.
A comunicação é importante. O sistema de gerenciamento de bateria utiliza SPI e barramento CAN para enviar dados para outras partes do dispositivo ou veículo.
Existem diferentes tipos, como centralizado ou distribuído, de modo que o sistema de gerenciamento de bateria pode ser adequado a muitos designs de baterias de íons de lítio.
Alguns sistemas possuem recursos extras, como monitoramento remoto, previsão do ciclo de vida e detecção de falhas. Eles utilizam computação em nuvem e aprendizado de máquina para ajudar a bateria a funcionar melhor e com mais segurança.
Função chave / Algoritmo | Descrição |
|---|---|
Monitoramento Celular | Monitora a voltagem, a corrente e a temperatura de cada célula da bateria de íons de lítio. Identifica problemas e inicia ações de segurança. Calcula o estado de carga e a integridade da bateria. |
Otimização de energia | Controla o carregamento e o descarregamento para manter as células da bateria de íons de lítio seguras. Funciona com outros sistemas para usar a energia de forma inteligente. |
Garantia de segurança | Impede perigos como fuga térmica. Utiliza planos de emergência e mantém as pessoas protegidas contra choques elétricos. |
Otimização de carregamento de bateria | Altera o carregamento para reduzir o estresse em cada célula da bateria de íons de lítio. Salva códigos de falha para verificações posteriores. |
Algoritmo de balanceamento de células | Garante que todas as células da bateria de íons de lítio tenham a mesma voltagem. Utiliza balanceamento ativo ou passivo para ajudar a bateria a funcionar melhor. |
Algoritmos de Comunicação | Envia dados entre o sistema de gerenciamento de bateria e outros dispositivos. Interrompe o carregamento se encontrar condições inseguras. |
Dica: Usar ferramentas de software e hardware prontas pode ajudar engenheiros a criar e testar um sistema de gerenciamento de bateria para baterias de íons de lítio mais rapidamente.
Químicas Suportadas
Um sistema de gerenciamento de bateria precisa funcionar com diversas químicas de baterias de íons de lítio. Cada química, como NMC, LFP e NCA, tem seus próprios pontos positivos e negativos. Por exemplo, as baterias de íons de lítio NMC têm alta densidade energética. As baterias de íons de lítio LFP duram mais e lidam melhor com o calor. O sistema de gerenciamento de bateria muda seu funcionamento para se adaptar a cada química de bateria de íons de lítio.
Estudos recentes analisam o funcionamento de diferentes composições químicas de baterias de íons de lítio em veículos elétricos. Esses estudos demonstram que os sistemas de gerenciamento de baterias precisam lidar com mudanças na densidade energética, no custo e na vida útil do ciclo. Eles também demonstram que o gerenciamento térmico e a estimativa avançada de estado são importantes para cada tipo de bateria de íons de lítio. Modelos de aprendizado de máquina podem ajudar a prever o estado de saúde das baterias de íons de lítio usando dados filtrados. Isso reduz erros e ajuda o sistema de gerenciamento de baterias a lidar com o envelhecimento da composição química de cada bateria de íons de lítio.
Um sistema flexível de gerenciamento de bateria pode funcionar com diversas composições químicas de baterias de íons de lítio. Isso ajuda todas as aplicações, de veículos elétricos a eletrônicos portáteis, a obter o melhor desempenho e segurança da bateria.
Estado de carga em baterias de íons de lítio
O estado de carga é muito importante para baterias de íons de lítio. Ajuda a manter a bateria segura e funcionando bem. Se o estado de carga não estiver correto, a bateria pode esquentar demais ou perder energia. Isso pode causar danos à bateria ou até mesmo problemas perigosos, como incêndios. Em carros elétricos, saber o estado de carga ajuda na frenagem e no carregamento. Também aumenta a durabilidade da bateria. Estudos mostram que uma boa estimativa do estado de carga reduz erros e contribui para o meio ambiente.
Não é possível medir o estado de carga diretamente em uma bateria de íons de lítio. As reações químicas internas são ocultas e difíceis de serem vistas. Os sensores podem apresentar erros devido a ruídos e alterações na bateria. Portanto, os sistemas de gerenciamento de bateria utilizam métodos especiais para estimar o estado de carga. Eles analisam a tensão, a corrente e a temperatura para identificá-lo. Esses métodos ajudam a lidar com problemas nos sensores e o envelhecimento da bateria.
Método OCV
O método da Tensão de Circuito Aberto estima o estado de carga verificando a tensão da bateria após o repouso. Cada componente químico da bateria possui sua própria relação de tensão e estado de carga. Este método é simples e barato. Funciona bem para a primeira verificação do estado de carga e não requer um modelo de bateria grande.
Aspecto | Detalhes |
|---|---|
Princípio | A tensão da bateria é medida após o repouso. A relação entre o OCV e o estado de carga é determinada testando cada tipo de bateria. |
Benefícios | 1. Processo simples |
Limitações | 1. Precisa de um longo tempo de descanso (mais de 2 horas se estiver frio) |
O método OCV não consegue verificar o estado de carga enquanto a bateria está funcionando. Baterias de íons de lítio costumam trocar de carga rapidamente, portanto, esperar que a bateria descanse não é útil. Pontos planos na curva OCV facilitam erros graves devido a pequenas variações de tensão.
Contagem de Coulomb
A Contagem de Coulomb, ou Contagem de Ah, estima o estado de carga somando a corrente de entrada e saída. Ela começa com um primeiro valor de estado de carga e o altera conforme a corrente se move.
Aspecto de avaliação | Detalhes |
|---|---|
Forma | Algoritmo de contagem de Coulomb aprimorado |
Abordagem de Validação | Teste MATLAB comparado com estado real de carga a partir de curvas de carga/descarga |
Erro Máximo (Fim do Carregamento) | Sobre 3.5% |
Erro durante o estágio CC | Menos de 2% |
Erro durante a fase CV | Menos de 1% |
Tendência de erro | Fica maior com o tempo antes do exame de saúde |
Fatores importantes | Bom primeiro estado de carga e verificações de carga reduzem erros |
Vantagens | Matemática simples; precisão suficiente; não são necessários dados extras da bateria |
restrições | Os erros acumulam-se ao longo do tempo; necessita de um bom estado inicial de carga e de números sobre o estado de saúde |
A Contagem de Coulomb é fácil de usar e não requer dados extras da bateria. Mas os erros podem se acumular com o tempo. Pequenos erros no estado atual ou inicial da carga podem piorar. Este método funciona melhor com verificações regulares ou outras maneiras de ajudar.
Forma | REQM | MSE | MAE | Principais conclusões |
|---|---|---|---|---|
Contagem de Coulomb (CC) | 0.5071 | 0.2572 | 0.4571 | Maiores erros devido ao ruído do sensor e erros; não é bom para uso a longo prazo |
Filtro de Kalman Estendido | 0.0925 | N/D | N/D | Melhor precisão com ajuda do modelo; precisa de um bom modelo de bateria |
Regressão linear | 0.0778 | N/D | N/D | Melhor que EKF, mas não é perfeito para mudanças de estado de carga |
Máquina de vetores de suporte | 0.0319 | N/D | N/D | Lida melhor com mudanças; precisa de mais poder de processamento do computador |
Regressão da Floresta Aleatória | 0.0229 | 0.0005 | 0.0139 | Melhor precisão; funciona bem com ruído e mudanças; bom para gerenciamento real de bateria |
Filtragem Kalman
A Filtragem de Kalman utiliza modelos matemáticos para estimar o estado da carga. O filtro de Kalman estendido e o filtro de Kalman sem fragrância são populares. Esses filtros combinam dados em tempo real com estimativas do modelo da bateria. Eles corrigem suas estimativas à medida que novos dados chegam.
Métodos de filtragem de Kalman como EKF, UKF, filtros de Kalman adaptativos e filtros de Kalman duplos são muito utilizados.
Esses filtros usam modelos de bateria simples e outros mais complexos para obter melhores resultados.
Testes mostram que os filtros de Kalman lidam bem com alterações, memória da bateria e ruído do sensor.
Alterar configurações e usar redes neurais os tornam ainda melhores.
Atualizar os números repetidamente ajuda a corrigir erros de alterações no modelo e desvios do sensor.
Estudos mostram que filtros Kalman adaptativos e duplos têm melhor desempenho do que EKF regular para estado de carga.
A Filtragem de Kalman fornece boas estimativas em tempo real do estado de carga de baterias de íons de lítio. Ela requer uma configuração cuidadosa e um bom modelo de bateria. Pode ser difícil de usar, mas funciona bem quando as coisas mudam rapidamente.
Métodos Híbridos e de IA
Métodos híbridos e de IA combinam métodos baseados em modelos e dados para estimar o estado de carga. Eles utilizam aprendizado de máquina, como redes neurais, máquinas de vetores de suporte e regressão de floresta aleatória. Eles aprendem com dados de tensão, corrente e temperatura. Métodos híbridos corrigem problemas que métodos isolados não conseguem.
Aspecto | Descrição |
|---|---|
Forma | Estimativa do estado híbrido de carga usando contagem de Coulomb e máquina de vetores de relevância (movIRVM-Coulomb) |
Conjunto de dados | Dados de célula de bateria única, dados de teste de bateria, dados de simulação do Advisor |
Condições | Testes com US06, UDDS, NYCC, 1015 ciclos de acionamento; temperaturas 0°C, 25°C, 45°C; primeiro estado de carga 50%, 80% |
Precisão (RMSE) | Dentro de 2% para muitos testes e temperaturas |
Melhoria | Mais de 30% melhor que o movIRVM sozinho; menos erros ao longo do tempo |
Restrição-chave abordada | Corrige acúmulo de erros na contagem pura de Coulomb |
Notas adicionais | Usa média móvel para reduzir ruído; precisa apenas de 10-30% de dados de treinamento para a parte RVM |
Métodos híbridos misturam dados e modelos para lidar com ações estranhas da bateria.
Métodos baseados em dados incluem redes neurais, máquinas de vetores de suporte, regressão de processo gaussiano, redes neurais wavelet e lógica fuzzy.
Essas maneiras estimam o estado de carga a partir de sinais que você pode medir.
Os problemas incluem diferenças na bateria, uso estranho e desgaste da bateria.
Agora, os pesquisadores gostam de métodos baseados em dados porque modelos sozinhos não conseguem resolver todos os problemas.
Novos estudos utilizando aprendizado profundo e dados reais de carros mostram que métodos híbridos e de IA podem estimar o estado de carga com menos de 2% de erro. Esses métodos são muito precisos e funcionam bem, mesmo quando as coisas mudam muito.
Observação: Métodos estatísticos auxiliam na estimativa do estado de carga, corrigindo incertezas, erros de sensor e ruído aleatório. Calibração, regressão e testes tornam todos os métodos de estado de carga mais confiáveis.
Métodos de estimativa do estado de saúde
O estado de saúde, ou SOH, nos diz o quanto uma bateria de íons de lítio envelheceu. Ele compara a bateria atual com a de quando era nova. O SOH é encontrado observando a capacidade atual e comparando-a com a capacidade original. Também pode ser verificado comparando a resistência interna com uma célula nova. Quando o SOH cai abaixo de 80% ou 70%, a bateria está no fim de sua vida útil. O SOH é importante porque afeta o funcionamento da bateria, sua segurança e sua durabilidade. À medida que o SOH diminui, a bateria retém menos energia. Isso significa que os carros elétricos não duram tanto e os dispositivos não duram tanto. Se uma bateria envelhece muito, ela pode inchar, vazar ou até mesmo pegar fogo. Uma boa previsão do SOH ajuda a evitar esses problemas e mantém as baterias seguras.
Aspecto | evidência | Dados Numéricos / Detalhes |
|---|---|---|
Definição de SOH | SOH é a razão entre a capacidade de corrente e a capacidade de partida ou compara a resistência interna a uma bateria nova. | Os níveis de fim de vida do SOH são de 80% ou 70% da capacidade restante. |
Impacto na longevidade | O SOH mostra quanta capacidade é perdida, o que limita a autonomia dos veículos elétricos. O envelhecimento da bateria significa menos capacidade. | Baterias de veículos elétricos usadas por mais de 10,000 km e mais de 800 dias apresentam padrões de perda de capacidade. |
Impacto na segurança | O envelhecimento inadequado pode causar vazamentos, inchaço, superaquecimento e incêndios. | Os riscos de segurança pioram à medida que o SOH cai, por isso é importante verificar o SOH. |
Fonte de dados | Os dados vêm de muitos veículos elétricos com diferentes formas de condução e carregamento. | O conjunto de dados tem 347 veículos elétricos, registros de carregamento de 25 meses e muitas mudanças no mundo real. |
Desafios na estimativa de SOH | Mudanças no mundo real, erros no SOC, dados ruidosos e amostras insuficientes tornam o SOH difícil de verificar. | Os erros do SOC aumentam à medida que as baterias envelhecem, e o BMS tem dificuldade para atualizar a capacidade rapidamente. |
Métodos Avançados | Aprendizado de máquina e métodos baseados em dados tornam as verificações de SOH melhores. | BiGRU, regressão de vetores de suporte e redes neurais profundas ajudam a estimar SOH e SOC com mais exatidão. |
Resistência interna
A resistência interna é muito importante para verificar a SOH em baterias de íons de lítio. À medida que as baterias envelhecem, sua resistência interna aumenta. Isso ocorre porque as peças internas da bateria se desgastam e quebram. Se a resistência dobrar ou a capacidade cair para 70-80%, a bateria está no fim de sua vida útil. Muitas maneiras de verificar a SOH usam a resistência interna. Medir a resistência diretamente fornece bons resultados, mas geralmente requer que a bateria esteja em repouso, o que é difícil durante o uso normal.
Cientistas desenvolveram novas maneiras de usar a resistência interna para aprimorar as verificações de SOH. Por exemplo, eles corrigem a curva de tensão de circuito aberto usando dados de resistência. Isso ajuda a reduzir erros causados por alterações na velocidade de carregamento. Dessa forma, são utilizados recursos como tempo de carregamento de corrente constante em vez de cálculos complexos. Testes com dados reais de baterias mostram que esse método pode reduzir o erro absoluto médio para cerca de 1.28% em algumas faixas de tensão. Esses resultados mostram que a observação da resistência interna torna as verificações de SOH mais robustas e precisas.
Impedância
Métodos baseados em impedância usam a reação de uma bateria à eletricidade para verificar a SOH. Esses métodos geralmente utilizam espectroscopia de impedância eletroquímica ou testes semelhantes. Ao observar como a bateria se comporta em diferentes frequências, os engenheiros podem identificar o envelhecimento e estimar a SOH. Métodos baseados em impedância podem ser muito precisos, com erros quadráticos médios entre 0.75% e 1.5% das unidades de SOH.
Tipo de Método | Descrição | Precisão de previsão de SOH (erro RMS) | Considerações práticas |
|---|---|---|---|
Dados EIS diretos | Utiliza dados brutos de espectroscopia de impedância eletroquímica | 0.75% – 1.5% unidades SOH | Rápido de medir, mas as células podem ser diferentes |
Ajustes de circuito equivalentes | Corresponde dados EIS a modelos de circuito | 0.75% – 1.5% unidades SOH | Precisa de mais trabalho e matemática, mas tem menos incerteza |
Distribuição dos Tempos de Relaxamento (DRT) | Analisa quanto tempo leva para as coisas se resolverem usando dados do EIS | 0.75% – 1.5% unidades SOH | Exige muito poder do computador, mas é flexível |
Análise de Resposta de Frequência Não Linear (NFRA) | Utiliza dados de frequência especiais para verificar SOH | 0.75% – 1.5% unidades SOH | Fornece boas informações sobre as ações da bateria, mais rápido do que a descarga completa |
Métodos baseados em impedância funcionam bem em laboratórios e fornecem muitos detalhes sobre o envelhecimento da bateria. No entanto, esses métodos podem ser complexos e complexos de usar em sistemas de bateria em tempo real. Muitas vezes, exigem ferramentas especiais e configuração cuidadosa. Métodos mais recentes baseados em dados estão começando a ganhar espaço, utilizando aprendizado de máquina para estimar o envelhecimento da bateria sem modelos rígidos.
Contagem cíclica
A contagem de ciclos é uma das formas mais antigas de verificar a SOH em baterias de íons de lítio. Dessa forma, é possível contabilizar quantas vezes uma bateria é carregada e usada. Cada ciclo completo faz com que a bateria envelheça um pouco. Ao contar os ciclos, os engenheiros podem estimar o quanto a bateria se desgastou.
A contagem de ciclos é fácil e não requer ferramentas especiais ou cálculos complexos. Mas ela não considera como cada ciclo é diferente. Fatores como temperatura, o uso da bateria e a velocidade de carregamento alteram a velocidade de envelhecimento, mas a contagem de ciclos trata cada ciclo da mesma forma. Isso pode tornar as verificações de SOH incorretas, especialmente na vida real, onde as baterias enfrentam diversos tipos de estresse.
Métodos Avançados
Maneiras avançadas de verificar o SOH usam aprendizado de máquina e inteligência artificial para estudar muitos dados de baterias. Essas maneiras aprendem com tensão, corrente e temperatura para estimar o SOH melhor do que os métodos antigos. Modelos de aprendizado de máquina como máquinas de vetores de suporte, florestas aleatórias e redes neurais profundas podem encontrar padrões complexos de envelhecimento de baterias.
Estudos recentes mostram que esses métodos baseados em dados funcionam melhor do que os modelos físicos antigos. Por exemplo, a regressão de vetores de suporte e a regressão de processo gaussiano podem gerar erros quadráticos médios abaixo de 0.4% ao estimar o SOH. Redes neurais feed-forward e sistemas de inferência neurofuzzy adaptativos também se saem bem, com poucos erros e bons resultados para diferentes baterias.
Métodos de aprendizado de máquina não precisam de modelos detalhados de bateria.
A computação em nuvem permite que modelos maiores sejam executados, tornando as verificações de SOH melhores mesmo se o sistema de bateria for pequeno.
Usar mais de um modelo de aprendizado de máquina pode tornar as verificações de SOH ainda mais exatas.
Essas maneiras podem gerar erros absolutos médios de até 3% e erros quadráticos médios de até 2% em testes reais.
No entanto, métodos avançados exigem dados de treinamento consistentes e abundantes. Eles podem apresentar problemas com o envelhecimento anormal da bateria ou grandes mudanças na forma como as baterias são usadas. Selecionar boas características dos dados de carregamento é importante, já que o carregamento é mais regular do que o consumo da bateria em carros elétricos. Os engenheiros devem garantir que esses métodos sejam robustos e seguros antes de usá-los em sistemas de bateria que protegem as pessoas.
Observação: A transição de modelos físicos antigos para métodos baseados em dados demonstra a necessidade de verificações SOH melhores e mais flexíveis para baterias de íons de lítio. O aprendizado de máquina ajuda a detectar o envelhecimento precoce das baterias e melhora seu desempenho, identificando sinais de problemas mais cedo.
Combinando métodos para precisão
Abordagens Híbridas
Os sistemas de gerenciamento de baterias funcionam melhor quando utilizam mais de um método para verificar o estado de carga e a integridade da bateria. Um único método não resolve todos os problemas em sistemas de baterias de íons de lítio. Métodos híbridos Combine os pontos fortes de algoritmos baseados em modelos, orientados por dados e de aprendizagem. Isso ajuda a reduzir o ruído, lidar com incógnitas e acompanhar o envelhecimento da bateria.
Muitos algoritmos de otimização, como o algoritmo de mínimos quadrados, o algoritmo de otimização do girassol e o algoritmo de busca da águia americana, melhoram as verificações do estado de carga. Por exemplo, o algoritmo de busca da águia americana apresentou um erro de pico de apenas 1.06% para SOC.
Mapas de Auto-Organização aprimorados e aprendizado semissupervisionado mostraram erros máximos próximos a 1.25% e RMSE tão baixo quanto 0.55%. Esses resultados significam que os métodos híbridos fornecem verificações SOC robustas para baterias de íons de lítio.
O uso do balanceamento ativo de células com aprendizado de máquina para a vida útil restante ajuda a lidar com diferenças entre as células e o envelhecimento da bateria. Células balanceadas fornecem melhores dados sobre o estado de carga, o que ajuda a prever a saúde da bateria de íons de lítio.
Modelos de redes neurais híbridas auxiliam nas mudanças de temperatura e no uso de baterias. Ao combinar balanceamento físico e métodos baseados em dados, os sistemas de gerenciamento de baterias podem ajudar as baterias de íons de lítio a durar mais e funcionar melhor. A fusão multimodelo, como a Random Forest, torna as verificações do estado de saúde ainda mais robustas, aproveitando os melhores aspectos de diferentes modelos.
Métodos híbridos ajudam os sistemas de gerenciamento de baterias a lidar com mudanças no mundo real. Isso os torna mais confiáveis para veículos elétricos e outros usos.
Considerações de aplicação
A escolha e o uso de métodos híbridos em sistemas reais de baterias de íons de lítio exigem um planejamento cuidadoso. Os engenheiros devem considerar as necessidades de cada uso, como carros elétricos ou armazenamento.
Métodos baseados em dados utilizam dados de sensores em tempo real e mudam conforme as baterias envelhecem ou são usadas. Esses métodos são mais precisos, funcionam com diferentes produtos químicos e lidam bem com o ruído do sensor.
Estruturas híbridas combinam algoritmos de floresta aleatória de melhor qualidade, modelos baseados em física e outras ferramentas de aprendizado de máquina. Esse equilíbrio proporciona precisão, velocidade e pode ser usado para diversos tipos e situações de baterias de íons de lítio.
Engenheiros precisam resolver problemas como a necessidade de muitos dados de qualidade, a escolha dos recursos certos e os custos com computadores. Combinar recursos e ajustar configurações pode melhorar as previsões e auxiliar nas mudanças em tempo real.
Muitos dados, como voltagem, corrente, temperatura e contagem de ciclos da célula, ajudam a escolher os melhores métodos híbridos. Essas técnicas ajudam com dados com ruído ou ausentes e fornecem resultados específicos para cada uso, não apenas para o estado básico de carga e integridade. Na vida real, os métodos híbridos funcionam bem em laboratórios e em campo, como em carros elétricos, onde mantêm as baterias seguras e funcionando em diferentes condições.
Dica: Ao escolher métodos híbridos, os engenheiros devem combiná-los com os objetivos, os dados e o local de uso do sistema de bateria. Isso ajuda a garantir que o gerenciamento da bateria de íons de lítio seja confiável, possa crescer e funcione em tempo real.
Conhecer o SoC e o SOH corretos é fundamental para o bom e seguro funcionamento das baterias de íons de lítio. Cada método tem seus pontos positivos, mas usar mais de um método em conjunto em um sistema de gerenciamento de baterias proporciona os melhores resultados para que as baterias de íons de lítio durem e funcionem melhor. Novas pesquisas mostram que o uso de métodos inteligentes para selecionar dados importantes e redes neurais aprimoradas pode resultar em erros muito pequenos, chegando a até 0.16%. Isso ajuda as baterias a durarem mais e a permanecerem mais seguras. É importante escolher o método de estimativa que se adapte às necessidades de cada bateria de íons de lítio.
Perguntas frequentes
Qual é a principal função de um sistema de gerenciamento de bateria?
Um sistema de gerenciamento de bateria mantém as baterias seguras. Ele verifica o estado de carga e a integridade da bateria. O sistema equilibra as células para que funcionem em conjunto. Ele evita que as baterias esquentem demais ou fiquem muito cheias. Isso ajuda as baterias a durarem mais e a funcionarem melhor.
Por que os sensores não podem medir o estado de carga diretamente?
Sensores não conseguem enxergar o interior de uma bateria. Reações químicas acontecem lá dentro, onde os sensores não conseguem ver. Os sensores medem apenas tensão, corrente e temperatura. O sistema usa esses números com algoritmos especiais para estimar o estado da carga.
Como a temperatura afeta a estimativa do estado da bateria?
Quando está muito quente ou muito frio, as reações da bateria mudam. O sistema pode cometer erros no estado de carga ou na integridade da bateria. Bons sistemas de gerenciamento de bateria alteram seus cálculos para corrigir esses erros.
Qual método fornece a estimativa mais precisa do estado de saúde?
Forma | Nível de precisão |
|---|---|
Machine Learning | Muito alto |
Análise de Impedância | Alto |
Resistência interna | Suporte: |
Contagem cíclica | Baixo |
O aprendizado de máquina geralmente oferece os melhores resultados se os dados forem bons.
