Un sistem de gestionare a bateriei descoperă starea de încărcare și starea de funcționare a bateriilor litiu-ion utilizând tehnici de estimare indirectă. Nu poate măsura aceste lucruri direct deoarece bateria are reacții complexe în interior. Prin urmare, sistemul folosește metode precum extragerea caracteristicilor statistice, numărarea Coulomb și modele avansate bazate pe date. De exemplu, analizează valori statistice precum varianța, media și asimetria din curbele de tensiune și curent pentru a monitoriza degradarea bateriei. Utilizarea metodelor de estimare indirectă, cum ar fi învățarea automată și abordările bazate pe observatori, ajută la o estimare a nivelului de încărcare mai precisă și mai sigură. Aceste metode de estimare a nivelului de încărcare ajută sistemul de gestionare a bateriei să prezică schimbările bateriilor litiu-ion. De asemenea, ajută la o mai bună gestionare a pierderii de capacitate, a îmbătrânirii și a riscurilor. O bună estimare a stării de încărcare și a stării de funcționare ajută fiecare baterie litiu-ion să funcționeze mai bine și să reziste mai mult.
Estimarea precisă a soc-ului în sistemele de baterii litiu-ion protejează bateria de supraîncărcare, supraîncălzire și defecțiuni bruște. Acest lucru face ca tehnicile puternice de estimare să fie foarte importante pentru sistemele moderne de gestionare a bateriilor.
Metrică statistică | Descriere | Corelația cu degradarea bateriei |
|---|---|---|
variație | Verifică cât de constante sunt schimbările de tensiune/curent | Varianța mai mare înseamnă rezistență internă neuniformă și reacții chimice, precum și deteriorarea electrodului |
Valoare maximă | Cea mai mare tensiune/curent în timpul încărcării sau descărcării | Numerele mai mici indică o capacitate de încărcare mai mică și posibile probleme de siguranță, cum ar fi supraîncărcarea sau supraîncălzirea |
Valoare minimă | Cea mai mică tensiune/curent în timpul încărcării sau descărcării | Prezintă pierderi de capacitate și probleme de siguranță |
Medie (Valoare medie) | Tensiunea/curentul mediu în timpul unui ciclu | Modificările arată descompunerea electroliților și o producție de energie mai mică |
asimetria | Cât de neuniformă este răspândită tensiunea/curentul | Folosit în extragerea caracteristicilor pentru a prezice SOH |
Kurtoză excesivă | Cât de ascuțit este vârful de tensiune/curent | Numerele mai mari înseamnă o polarizare mai mare și o capacitate de inserție a litiului mai mică |
Intrebari cu cheie
Sistemele de gestionare a bateriilor nu pot măsura direct nivelul de încărcare sau starea de sănătate. Acestea utilizează metode indirecte, cum ar fi analiza statistică, numărarea Coulomb și învățarea automată. Aceste metode ajută la estimarea nivelului de încărcare și a stării de sănătate a bateriei.
Cunoașterea stării de încărcare ajută la menținerea siguranței bateriilor. Previne supraîncărcarea, supraîncălzirea și problemele bruște.
Există diferite modalități de a verifica bateriile. Tensiunea în circuit deschis, numărarea Coulomb, filtrarea Kalman și modelele bazate pe inteligență artificială sunt câteva metode. Fiecare are avantaje și dezavantaje. Utilizarea lor împreună face ca rezultatele să fie mai bune și mai fiabile.
Estimarea stării de funcționare verifică vechimea unei baterii. Aceasta analizează pierderea de capacitate și rezistența internă. Acest lucru ajută la estimarea duratei de viață a bateriei și la evitarea problemelor de siguranță.
Abordările hibride combină metode bazate pe modele și metode bazate pe date. Acestea oferă cele mai bune rezultate. Se pot schimba odată cu utilizarea în lumea reală. Acest lucru ajută bateriile să dureze mai mult și să funcționeze mai bine.
Noțiuni de bază despre sistemul de gestionare a bateriei
Funcții cheie
Un sistem de gestionare a bateriei este foarte important pentru bateriile litiu-ion. Acesta ajută la menținerea siguranței și a bunei funcționări a bateriilor litiu-ion. Sistemul verifică tensiunea, curentul și temperatura fiecărei celule a bateriei litiu-ion. De asemenea, se asigură că toate celulele bateriei litiu-ion se încarcă și se descarcă uniform. Acest lucru ajută fiecare baterie litiu-ion să reziste mai mult și să funcționeze mai bine.
Sistemul de gestionare a bateriei monitorizează starea de încărcare și starea de funcționare a fiecărei baterii litiu-ion. Folosește aceste valori pentru a opri supraîncărcarea și descărcarea profundă, care pot deteriora bateriile litiu-ion.
Siguranța este pe primul loc. Sistemul va deconecta bateria litiu-ion dacă găsește probleme precum supraîncălzirea sau scurtcircuitele. Poate folosi celule sau pachete de baterii de rezervă pentru a menține totul în funcțiune.
Comunicarea contează. Sistemul de gestionare a bateriei utilizează magistrala SPI și CAN pentru a trimite date către alte părți ale dispozitivului sau vehiculului.
Există diferite tipuri, cum ar fi centralizate sau distribuite, astfel încât sistemul de gestionare a bateriei se poate potrivi multor modele de baterii litiu-ion.
Unele sisteme au funcții suplimentare, cum ar fi monitorizarea de la distanță, predicția ciclului de viață și detectarea defecțiunilor. Acestea utilizează cloud computing și învățarea automată pentru a ajuta bateria să funcționeze mai bine și mai în siguranță.
Funcție cheie / Algoritm | Descriere |
|---|---|
Monitorizarea celulelor | Monitorizează tensiunea, curentul și temperatura fiecărei celule de baterie litiu-ion. Descoperă problemele și inițiază acțiuni de siguranță. Calculează starea de încărcare și starea de funcționare. |
Optimizarea puterii | Controlează încărcarea și descărcarea pentru a menține celulele bateriei litiu-ion în siguranță. Funcționează cu alte sisteme pentru a utiliza energia într-un mod inteligent. |
Asigurarea sigurantei | Oprește pericole precum pierderea de energie termică. Folosește planuri de rezervă și protejează oamenii de electrocutare. |
Optimizarea încărcării bateriei | Modifică încărcarea pentru a reduce solicitarea fiecărei celule de baterie litiu-ion. Salvează codurile de eroare pentru verificări ulterioare. |
Algoritmul de echilibrare a celulelor | Asigură că toate celulele bateriei litiu-ion au aceeași tensiune. Folosește echilibrarea activă sau pasivă pentru a ajuta bateria să funcționeze mai bine. |
Algoritmi de comunicare | Trimite date între sistemul de gestionare a bateriei și alte dispozitive. Oprește încărcarea dacă găsește condiții nesigure. |
Sfat: Utilizarea instrumentelor software și hardware prefabricate poate ajuta inginerii să construiască și să testeze mai rapid un sistem de gestionare a bateriilor pentru bateriile litiu-ion.
Chimie suportate
Un sistem de gestionare a bateriei trebuie să funcționeze cu multe tipuri de baterii litiu-ion. Fiecare tip de baterii, cum ar fi NMC, LFP și NCA, are propriile avantaje și dezavantaje. De exemplu, bateriile litiu-ion NMC au o densitate energetică mare. Bateriile litiu-ion LFP durează mai mult și gestionează mai bine căldura. Sistemul de gestionare a bateriei își schimbă modul de funcționare pentru a se potrivi fiecărei tipuri de baterii litiu-ion.
Studii recente analizează modul în care funcționează diferitele compoziții chimice ale bateriilor litiu-ion în vehiculele electrice. Aceste studii arată că sistemele de gestionare a bateriei trebuie să gestioneze schimbările în densitatea energiei, costul și durata de viață a ciclului. De asemenea, ele arată că gestionarea termică și estimarea avansată a stării sunt importante pentru fiecare tip de baterie litiu-ion. Modelele de învățare automată pot ajuta la prezicerea stării de sănătate a bateriilor litiu-ion utilizând date filtrate. Acest lucru reduce erorile și ajută sistemul de gestionare a bateriei să gestioneze modul în care fiecare compoziție chimică a bateriei litiu-ion îmbătrânește.
Un sistem flexibil de gestionare a bateriei poate funcționa cu multe tipuri de baterii litiu-ion. Acest lucru ajută fiecare aplicație, de la vehicule electrice la electronice portabile, să obțină cea mai bună performanță și siguranță a bateriei.
Starea de încărcare a bateriilor litiu-ion
Starea de încărcare este foarte importantă pentru bateriile litiu-ion. Aceasta ajută la menținerea siguranței și a bunei funcționări a bateriei. Dacă starea de încărcare nu este corectă, bateria se poate încălzi prea tare sau își poate pierde puterea. Acest lucru poate duce la defectarea bateriei sau chiar la probleme periculoase, cum ar fi incendiile. În cazul mașinilor electrice, cunoașterea stării de încărcare ajută la frânare și încărcare. De asemenea, crește durata de viață a bateriei. Studiile arată că o estimare bună a stării de încărcare reduce numărul de greșeli și ajută mediul înconjurător.
Nu poți măsura direct starea de încărcare într-o baterie litiu-ion. Reacțiile chimice din interior sunt ascunse și greu de văzut. Senzorii pot fi greșiți din cauza zgomotului și a modificărilor din baterie. Prin urmare, sistemele de gestionare a bateriei folosesc metode speciale pentru a ghici starea de încărcare. Acestea analizează tensiunea, curentul și temperatura pentru a o determina. Aceste metode ajută la rezolvarea problemelor senzorilor și a îmbătrânirii bateriei.
Metoda OCV
Metoda tensiunii în circuit deschis estimează starea de încărcare verificând tensiunea bateriei după ce aceasta se oprește. Fiecare componentă chimică a bateriei are propria legătură între tensiune și starea de încărcare. Această metodă este simplă și nu costă mult. Funcționează bine pentru prima verificare a stării de încărcare și nu necesită un model mare de baterie.
Aspect | Detalii |
|---|---|
Principiu | Tensiunea bateriei este măsurată după repaus. Legătura dintre tensiunea de încărcare (OCV) și starea de încărcare se determină prin testarea fiecărui tip de baterie. |
Beneficii | 1. Proces simplu |
Limitări | 1. Necesită un timp lung de odihnă (peste 2 ore dacă este rece) |
Metoda OCV nu poate verifica starea de încărcare în timp ce bateria funcționează. Bateriile litiu-ion se schimbă adesea rapid, așa că așteptarea repausului bateriei nu este utilă. Punctele plate din curba OCV facilitează apariția unor erori majore din cauza unor mici variații de tensiune.
Numărarea Coulombilor
Numărarea Coulomb, sau numărarea Ah, estimează starea de sarcină prin adunarea curentului care intră și iese. Începe cu un prim număr al stării de sarcină și îl modifică pe măsură ce curentul se mișcă.
Aspectul de evaluare | Detalii |
|---|---|
Metodă | Algoritm îmbunătățit de numărare Coulomb |
Abordarea de validare | Test MATLAB comparat cu starea reală de încărcare din curbele de încărcare/descărcare |
Eroare maximă (sfârșitul încărcării) | Despre 3.5% |
Eroare în timpul etapei CC | Mai puțin de 2% |
Eroare în timpul etapei CV | Mai puțin de 1% |
Tendința erorilor | Se mărește în timp înainte de controlul stării de sănătate |
Factori importanți | Prima stare de încărcare bună și verificările de încărcare reduc numărul de erori |
Avantaje | Matematică simplă; precizie suficient de bună; nu sunt necesare date suplimentare despre baterie |
Constrângerile | Greșelile se acumulează în timp; necesită o primă stare de încărcare bună și statistici privind starea de funcționare |
Numărarea Coulomb este ușor de utilizat și nu necesită date suplimentare despre baterie. Însă greșelile se pot acumula în timp. Micile erori de curent sau de la prima stare de încărcare se pot agrava. Această metodă funcționează cel mai bine cu verificări regulate sau alte modalități de ajutor.
Metodă | RMSE | MSE | DAR ASTA ESTE | Descoperiri cheie |
|---|---|---|---|---|
Numărarea Coulomb (CC) | 0.5071 | 0.2572 | 0.4571 | Cele mai mari erori sunt cauzate de zgomotul și erorile senzorului; nu este potrivit pentru utilizare pe termen lung |
Filtru Kalman extins | 0.0925 | - | - | Precizie mai bună cu ajutorul modelului; necesită un model bun de baterie |
linear Regression | 0.0778 | - | - | Mai bun decât EKF, dar nu perfect pentru schimbările stării de încărcare |
Suport Vector Machine | 0.0319 | - | - | Gestionează mai bine schimbările; necesită mai multă putere de calcul |
Regresie aleatorie a pădurii | 0.0229 | 0.0005 | 0.0139 | Cea mai bună precizie; funcționează bine cu zgomot și schimbări; bun pentru gestionarea reală a bateriei |
Filtrarea Kalman
Filtrarea Kalman folosește modele matematice pentru a estima starea de încărcare. Filtrul Kalman extins și filtrul Kalman fără parfum sunt populare. Aceste filtre combină date în timp real cu estimări ale modelului bateriei. Își corectează estimările pe măsură ce apar date noi.
Metodele de filtrare Kalman precum EKF, UKF, filtrele Kalman adaptive și filtrele Kalman duale sunt mult utilizate.
Aceste filtre folosesc modele simple de baterii și altele mai complexe pentru a obține rezultate mai bune.
Testele arată că filtrele Kalman gestionează bine modificările, memoria bateriei și zgomotul senzorului.
Modificarea setărilor și utilizarea rețelelor neuronale le fac și mai bune.
Actualizarea repetată a numerelor ajută la corectarea greșelilor cauzate de modificările modelului și de abaterile senzorilor.
Studiile arată că filtrele Kalman adaptive și duale au performanțe mai bune decât filtrele EKF obișnuite în ceea ce privește starea de încărcare.
Filtrarea Kalman oferă estimări bune, în timp real, ale stării de încărcare a bateriilor litiu-ion. Necesită o configurare atentă și un model de baterie bun. Poate fi dificil de utilizat, dar funcționează bine atunci când lucrurile se schimbă rapid.
Metode hibride și de inteligență artificială
Metodele hibride și cele bazate pe inteligență artificială combină metode bazate pe modele și date pentru a ghici starea de încărcare. Acestea utilizează învățarea automată, cum ar fi rețelele neuronale, mașinile cu vectori de suport și regresia forestieră aleatorie. Ele învață din datele de tensiune, curent și temperatură. Metodele hibride rezolvă probleme pe care metodele individuale nu le pot rezolva.
Aspect | Descriere |
|---|---|
Metodă | Estimarea stării de sarcină hibride folosind numărarea Coulomb și mașina de vectori de relevanță (movIRVM-Coulomb) |
Setul de date | Date despre o singură celulă de baterie, date despre testarea pachetului de baterii, date despre simularea Advisor |
Condiţii | Teste cu US06, UDDS, NYCC, 1015 cicluri de acționare; temperaturi 0°C, 25°C, 45°C; prima stare de încărcare 50%, 80% |
Precizie (RMSE) | În limita a 2% pentru multe teste și temperaturi |
Îmbunătăţire | Cu peste 30% mai bun decât movIRVM singur; mai puține greșeli în timp |
Constrângere cheie abordată | Corectează acumularea de erori în numărarea pură Coulomb |
Note suplimentare | Folosește media mobilă pentru a reduce zgomotul; necesită doar 10-30% din datele de antrenament pentru partea RVM |
Metodele hibride combină date și modele pentru a gestiona acțiuni ciudate ale bateriei.
Metodele bazate pe date includ rețele neuronale, mașini cu vectori de suport, regresia proceselor gaussiene, rețele neuronale wavelet și logica fuzzy.
Aceste metode ghicesc starea de încărcare din semnale pe care le poți măsura.
Problemele includ diferențe între baterii, utilizare ciudată și uzura bateriei.
Acum, cercetătorilor le plac metodele bazate pe date, deoarece modelele singure nu pot rezolva toate problemele.
Noi studii care utilizează învățarea profundă și datele reale provenite de la mașini arată că metodele hibride și cele cu inteligență artificială pot estima starea de încărcare cu o eroare mai mică de 2%. Aceste metode sunt foarte precise și funcționează bine, chiar și atunci când lucrurile se schimbă mult.
Notă: Metodele statistice ajută la estimarea stării de încărcare prin corectarea incertitudinii, a erorilor senzorilor și a zgomotului aleatoriu. Calibrarea, regresia și testarea fac ca toate metodele de determinare a stării de încărcare să fie mai fiabile.
Metode de estimare a stării de sănătate
Starea de sănătate, sau SOH, ne spune cât de mult a îmbătrânit o baterie litiu-ion. Compară bateria actuală cu cea din momentul în care era nouă. SOH se determină analizând capacitatea actuală și comparând-o cu capacitatea inițială. De asemenea, poate fi verificată comparând rezistența internă cu o celulă nouă. Când SOH scade sub 80% sau 70%, bateria este la sfârșitul duratei sale de viață. SOH este importantă deoarece afectează cât de bine funcționează bateria, cât de sigură este și cât timp durează. Pe măsură ce SOH scade, bateria reține mai puțină energie. Aceasta înseamnă că mașinile electrice nu pot merge atât de departe, iar dispozitivele nu funcționează atât de mult timp. Dacă o baterie îmbătrânește mult, se poate umfla, poate avea scurgeri sau chiar poate lua foc. O predicție bună a SOH ajută la oprirea acestor probleme și menține bateriile în siguranță.
Aspect | Dovadă | Date numerice / Detalii |
|---|---|---|
Definiția SOH | SOH este raportul dintre capacitatea curentă și capacitatea de pornire sau compară rezistența internă cu o baterie nouă. | Nivelurile SOH la sfârșitul duratei de viață sunt de 80% sau 70% din capacitate rămasă. |
Impactul asupra longevității | SOH arată câtă capacitate se pierde, ceea ce limitează distanța pe care o pot parcurge vehiculele electrice. Îmbătrânirea bateriei înseamnă o capacitate mai mică. | Bateriile vehiculelor electrice utilizate timp de peste 10,000 km și mai mult de 800 de zile prezintă modele de pierdere a capacității. |
Impact asupra siguranței | Îmbătrânirea necorespunzătoare poate provoca scurgeri, umflături, supraîncălzire și incendii. | Riscurile de siguranță se agravează pe măsură ce SOH scade, așa că verificarea SOH este importantă. |
Sursă de date | Datele provin de la numeroase vehicule electrice cu moduri diferite de conducere și încărcare. | Setul de date conține 347 de vehicule electrice, înregistrări de încărcare timp de 25 de luni și o mulțime de schimbări din lumea reală. |
Provocări în estimarea SOH | Schimbările din lumea reală, erorile în SOC, datele zgomotoase și numărul insuficient de eșantioane fac ca SOH să fie dificil de verificat. | Erorile SOC devin mai mari pe măsură ce bateriile îmbătrânesc, iar BMS are probleme cu actualizarea rapidă a capacității. |
Metode avansate | Învățarea automată și metodele bazate pe date îmbunătățesc verificările SOH. | BiGRU, regresia vectorului de suport și rețelele neuronale profunde ajută la ghicirea mai exactă a SOH și SOC. |
Rezistență internă
Rezistența internă este foarte importantă pentru verificarea SOH-ului în bateriile litiu-ion. Pe măsură ce bateriile îmbătrânesc, rezistența lor internă crește. Acest lucru se întâmplă deoarece componentele din interiorul bateriei se uzează și se deteriorează. Dacă rezistența se dublează sau capacitatea scade la 70-80%, bateria este la sfârșitul duratei de viață. Multe metode de verificare a SOH utilizează rezistența internă. Măsurarea directă a rezistenței oferă rezultate bune, dar de obicei necesită ca bateria să se odihnească, ceea ce este dificil în timpul utilizării normale.
Oamenii de știință au descoperit noi metode de utilizare a rezistenței interne pentru a îmbunătăți verificările SOH. De exemplu, ei corectează curba tensiunii în circuit deschis folosind date despre rezistență. Acest lucru ajută la reducerea erorilor cauzate de modificările vitezei de încărcare. Această metodă folosește elemente precum timpul de încărcare la curent constant în loc de calcule matematice dificile. Testele pe date reale ale bateriilor arată că această metodă poate reduce eroarea absolută medie la aproximativ 1.28% pentru anumite intervale de tensiune. Aceste rezultate arată că monitorizarea rezistenței interne face ca verificările SOH să fie mai puternice și mai exacte.
impedanta
Metodele bazate pe impedanță utilizează modul în care o baterie reacționează la electricitate pentru a verifica SOH. Aceste metode utilizează adesea spectroscopia de impedanță electrochimică sau teste similare. Observând cum se comportă bateria cu diferite frecvențe, inginerii pot detecta îmbătrânirea și pot estima SOH. Metodele de impedanță pot fi foarte precise, cu erori medii pătratice între 0.75% și 1.5% unități SOH.
Tipul metodei | Descriere | Precizia predicției SOH (eroare RMS) | Consideratii practice |
|---|---|---|---|
Date EIS directe | Utilizează date brute de spectroscopie de impedanță electrochimică | 0.75% – 1.5% unități SOH | Rapid de măsurat, dar celulele pot fi diferite |
Potriviri de circuite echivalente | Potrivește datele EIS cu modelele de circuite | 0.75% – 1.5% unități SOH | Necesită mai multă muncă și matematică, dar are mai puțină incertitudine |
Distribuția timpilor de relaxare (DRT) | Analizează cât durează până când lucrurile se liniștesc folosind datele EIS | 0.75% – 1.5% unități SOH | Necesită multă putere de calcul, dar este flexibil |
Analiza neliniară a răspunsului în frecvență (NFRA) | Folosește date speciale de frecvență pentru a verifica SOH | 0.75% – 1.5% unități SOH | Oferă informații utile despre acțiunile bateriei, mai rapid decât descărcarea completă |
Metodele bazate pe impedanță funcționează bine în laboratoare și oferă o mulțime de detalii despre îmbătrânirea bateriei. Dar aceste metode pot fi dificil de utilizat în sistemele de baterii în timp real. Adesea necesită instrumente speciale și o configurare atentă. Metodele mai noi, bazate pe date, încep să preia controlul, utilizând învățarea automată pentru a ghici îmbătrânirea bateriei fără modele concrete.
Numărarea ciclului
Numărarea ciclurilor este una dintre cele mai vechi metode de verificare a suprafeței de eliberare a energiei (SOH) în bateriile litiu-ion. Această metodă numără de câte ori este încărcată și utilizată o baterie. Fiecare ciclu complet îmbătrânește puțin bateria. Prin numărarea ciclurilor, inginerii pot ghici cât de mult s-a uzat bateria.
Numărarea ciclurilor este ușoară și nu necesită instrumente speciale sau calcule matematice complexe. Dar nu analizează diferențele dintre fiecare ciclu. Factori precum temperatura, durata de utilizare a bateriei și viteza de încărcare influențează rapiditatea îmbătrânirii acesteia, însă numărarea ciclurilor tratează fiecare ciclu la fel. Acest lucru poate face ca verificările SOH să fie greșite, mai ales în viața reală, unde bateriile se confruntă cu multe tipuri de solicitări.
Metode avansate
Metodele avansate de verificare a SOH utilizează învățarea automată și inteligența artificială pentru a studia o mulțime de date despre baterie. Aceste metode învață din tensiune, curent și temperatură pentru a ghici SOH mai bine decât metodele vechi. Modelele de învățare automată, cum ar fi mașinile cu vectori de suport, pădurile aleatorii și rețelele neuronale profunde, pot identifica modele complicate de îmbătrânire a bateriei.
Studiile recente arată că aceste metode bazate pe date funcționează mai bine decât vechile modele fizice. De exemplu, regresia cu vectori de suport și regresia prin procese gaussiene pot obține erori medii pătratice sub 0.4% atunci când se estimează SOH. Rețelele neuronale feed-forward și sistemele de inferență neuro-fuzzy adaptive se comportă, de asemenea, bine, cu un număr mic de erori și rezultate bune pentru diferite baterii.
Metodele de învățare automată nu necesită modele detaliate ale bateriilor.
Cloud computing permite rularea unor modele mai mari, ceea ce face ca verificările SOH să fie mai bune chiar dacă sistemul de baterii este mic.
Utilizarea mai multor modele de învățare automată poate face verificările SOH și mai precise.
Aceste metode pot obține erori absolute medii în limita a 3% și erori pătratice medii în limita a 2% în testele reale.
Însă metodele avansate necesită date de antrenament bune și numeroase. Acestea pot avea probleme cu îmbătrânirea ciudată a bateriei sau cu schimbări majore în modul în care sunt utilizate bateriile. Alegerea unor caracteristici bune din datele de încărcare este importantă, deoarece încărcarea este mai regulată decât consumul bateriei în mașinile electrice. Inginerii trebuie să se asigure că aceste metode sunt puternice și sigure înainte de a le utiliza. sisteme de baterii care protejează oamenii.
Notă: Trecerea de la modelele fizice vechi la metode bazate pe date arată că avem nevoie de verificări SOH mai bune și mai flexibile pentru bateriile litiu-ion. Învățarea automată ajută la detectarea timpurie a îmbătrânirii bateriilor și face ca bateriile să funcționeze mai bine prin identificarea mai rapidă a semnelor de probleme.
Combinarea metodelor pentru precizie
Abordări hibride
Sistemele de gestionare a bateriilor funcționează mai bine atunci când utilizează mai multe metode pentru a verifica starea de încărcare și starea de funcționare. O singură metodă nu poate rezolva toate problemele din sistemele de baterii litiu-ion. Metode hibride combină punctele forte ale algoritmilor bazați pe modele, axați pe date și ai algoritmilor de învățare. Acest lucru ajută la reducerea zgomotului, la gestionarea necunoscutelor și la ținerea pasului cu îmbătrânirea bateriei.
Mulți algoritmi de optimizare, precum algoritmul celor mai mici pătrate, algoritmul de optimizare Floarea-soarelui și algoritmul de căutare Bald Eagle, îmbunătățesc verificările stării de încărcare. De exemplu, algoritmul de căutare Bald Eagle a avut o eroare de vârf de doar 1.06% pentru SOC.
Hărțile de autoorganizare îmbunătățite și învățarea semi-supervizată au arătat erori maxime de aproape 1.25% și o valoare RMSE de doar 0.55%. Aceste rezultate înseamnă că metodele hibride oferă verificări SOC puternice pentru bateriile litiu-ion.
Utilizarea echilibrării active a celulelor cu învățare automată pentru durata de viață utilă rămasă ajută la reducerea diferențelor dintre celule și a îmbătrânirii bateriei. Celulele echilibrate oferă date mai bune despre starea de încărcare, ceea ce ajută la prezicerea stării de sănătate a bateriei litiu-ion.
Modelele de rețele neuronale hibride ajută la gestionarea schimbărilor de temperatură și a modului în care sunt utilizate bateriile. Prin combinarea echilibrării fizice cu metode bazate pe date, sistemele de gestionare a bateriilor pot ajuta bateriile litiu-ion să dureze mai mult și să funcționeze mai bine. Fuziunea multi-model, precum Random Forest, face ca verificările stării de sănătate să fie și mai puternice prin utilizarea celor mai bune părți ale diferitelor modele.
Metodele hibride ajută sistemele de gestionare a bateriilor să gestioneze schimbările din lumea reală. Acest lucru le face mai fiabile pentru vehiculele electrice și alte utilizări.
Considerații privind aplicarea
Alegerea și utilizarea metodelor hibride în sistemele reale de baterii litiu-ion necesită o planificare atentă. Inginerii trebuie să se gândească la nevoile fiecărei utilizări, cum ar fi mașinile electrice sau stocarea.
Metodele bazate pe date utilizează date de la senzori în timp real și se modifică pe măsură ce bateriile îmbătrânesc sau sunt uzate. Aceste metode sunt mai precise, funcționează cu diferite substanțe chimice și gestionează bine zgomotul senzorilor.
Framework-urile hibride combină algoritmi de tip „random forest” mai buni, modele bazate pe fizică și alte instrumente de învățare automată. Acest echilibru oferă precizie, funcționează rapid și poate fi utilizat pentru multe tipuri și situații de baterii litiu-ion.
Inginerii trebuie să rezolve probleme precum nevoia unei cantități mari de date bune, alegerea caracteristicilor potrivite și costurile computerelor. Combinarea caracteristicilor și reglarea setărilor poate face predicții mai bune și poate ajuta la schimbări în timp real.
O multitudine de date, precum tensiunea celulelor, curentul, temperatura și numărul de cicluri, ajută la alegerea celor mai bune metode hibride. Aceste metode ajută la gestionarea datelor zgomotoase sau lipsitoare și oferă rezultate speciale pentru fiecare utilizare, nu doar starea de încărcare și starea de funcționare de bază. În viața reală, metodele hibride funcționează bine în laboratoare și pe teren, cum ar fi în cazul mașinilor electrice, unde mențin bateriile în siguranță și funcționează în diferite condiții.
Sfat: Atunci când aleg metode hibride, inginerii ar trebui să adapteze metoda la obiectivele, datele și locul în care va fi utilizat sistemul de baterii. Acest lucru ajută la asigurarea faptului că gestionarea bateriilor litiu-ion este fiabilă, poate crește și funcționează în timp real.
Cunoașterea soc-ului (SOC) și a soc-ului (SOH) corecte este foarte importantă pentru a determina cât de bine și cât de sigur funcționează bateriile litiu-ion. Fiecare metodă are propriile avantaje, dar utilizarea mai multor metode împreună într-un sistem de gestionare a bateriilor oferă cele mai bune rezultate pentru a face ca bateriile litiu-ion să dureze mai mult și să funcționeze mai bine. Noi cercetări arată că utilizarea unor metode inteligente de selectare a datelor importante și a rețelelor neuronale îmbunătățite poate face ca greșelile să fie foarte mici, chiar și de până la 0.16%. Acest lucru ajută bateriile să dureze mai mult și să rămână mai sigure. Este important să alegeți metoda de estimare care se potrivește nevoilor fiecărei baterii litiu-ion.
FAQ
Care este principala funcție a unui sistem de gestionare a bateriilor?
Un sistem de gestionare a bateriilor menține bateriile în siguranță. Acesta verifică starea de încărcare și starea de funcționare. Sistemul echilibrează celulele astfel încât acestea să funcționeze împreună. Împiedică bateriile să se încălzească prea mult sau să se încarce prea mult. Acest lucru ajută bateriile să reziste mai mult și să funcționeze mai bine.
De ce nu pot senzorii să măsoare direct starea de încărcare?
Senzorii nu pot privi în interiorul unei baterii. Reacțiile chimice au loc în interior, unde senzorii nu pot vedea. Senzorii măsoară doar tensiunea, curentul și temperatura. Sistemul folosește aceste numere cu algoritmi speciali pentru a ghici starea de încărcare.
Cum afectează temperatura estimarea stării bateriei?
Când este foarte cald sau foarte frig, reacțiile bateriei se schimbă. Sistemul ar putea face erori în ceea ce privește starea de încărcare sau starea de funcționare. Sistemele bune de gestionare a bateriei își modifică calculele pentru a remedia aceste greșeli.
Care metodă oferă cea mai precisă estimare a stării de sănătate?
Metodă | Nivel de precizie |
|---|---|
Invatare mecanica | Foarte mare |
Analiza impedanței | Înalt |
Rezistență internă | Mediu |
Numărarea ciclului | Scăzut |
Învățarea automată dă de obicei cele mai bune rezultate dacă datele sunt bune.
