Система управления аккумулятором определяет состояние заряда и работоспособности литий-ионных аккумуляторов с помощью методов косвенной оценки. Она не может измерить эти параметры напрямую, поскольку внутри аккумулятора происходят сложные реакции. Поэтому система использует такие методы, как статистическое извлечение признаков, подсчет кулоновских зарядов и усовершенствованные модели на основе данных. Например, она анализирует статистические показатели, такие как дисперсия, среднее значение и асимметрия кривых напряжения и тока, чтобы отслеживать деградацию аккумулятора. Использование методов косвенной оценки, таких как машинное обучение и подходы, основанные на наблюдении, помогает сделать оценку soc более точной и безопасной. Эти методы оценки soc помогают системе управления аккумулятором прогнозировать изменения в литий-ионных аккумуляторах. Они также помогают лучше управлять потерей емкости, старением и рисками. Хорошая оценка состояния заряда и состояния работоспособности помогает каждой литий-ионной батарее работать лучше и дольше.
Точная оценка soc в системах литий-ионных аккумуляторов защищает аккумулятор от перезарядки, перегрева и внезапных отказов. Это делает сильные методы оценки очень важными для современных систем управления аккумуляторами.
Статистическая метрика | Описание | Корреляция с деградацией батареи |
|---|---|---|
дисперсия | Проверяет, насколько стабильны изменения напряжения/тока | Более высокая дисперсия означает неравномерное внутреннее сопротивление и химические реакции, а также повреждение электродов. |
Максимальное значение | Максимальное напряжение/ток во время зарядки или разрядки | Более низкие цифры указывают на меньшую грузоподъемность и возможные проблемы безопасности, такие как перезарядка или перегрев. |
Минимальное значение | Самое низкое напряжение/ток во время зарядки или разрядки | Демонстрирует потерю мощности и проблемы безопасности |
Среднее (среднее) | Среднее напряжение/ток за цикл | Изменения показывают распад электролитов и меньшую выработку энергии. |
перекос | Насколько неравномерно распределено напряжение/ток | Используется при извлечении признаков для прогнозирования SOH |
Избыточный эксцесс | Насколько остр пик напряжения/тока? | Более высокие числа означают большую поляризацию и меньшую способность к внедрению лития. |
Основные выводы
Системы управления аккумулятором не могут измерять заряд или состояние напрямую. Они используют косвенные методы, такие как статистический анализ, подсчет Кулона и машинное обучение. Эти методы помогают оценить заряд и состояние аккумулятора.
Знание уровня заряда помогает сохранять аккумуляторы в безопасности. Это предотвращает перезарядку, перегрев и внезапные проблемы.
Существуют различные способы проверки аккумуляторов. Напряжение разомкнутой цепи, подсчет Кулона, фильтрация Калмана и модели на основе ИИ — вот некоторые из методов. У каждого из них есть свои плюсы и минусы. Их совместное использование позволяет получить лучшие и более надежные результаты.
Оценка состояния здоровья проверяет возраст батареи. Она учитывает потерю емкости и внутреннее сопротивление. Это помогает оценить срок службы батареи и избежать проблем с безопасностью.
Гибридные подходы сочетают методы, основанные на моделях, и методы, основанные на данных. Они дают наилучшие результаты. Они могут меняться в зависимости от реального использования. Это помогает батареям служить дольше и работать лучше.
Основы системы управления аккумуляторными батареями
Основные функции
Система управления аккумулятором очень важна для литий-ионных аккумуляторов. Она помогает поддерживать литий-ионные аккумуляторы в безопасности и хорошей работе. Система проверяет напряжение, ток и температуру каждой ячейки литий-ионного аккумулятора. Она также обеспечивает равномерную зарядку и разрядку всех ячеек литий-ионного аккумулятора. Это помогает каждой литий-ионной батарее служить дольше и работать лучше.
Система управления аккумулятором отслеживает состояние заряда и состояние здоровья каждой литий-ионной батареи. Она использует эти данные, чтобы предотвратить перезарядку и глубокую разрядку, которые могут повредить литий-ионные батареи.
Безопасность превыше всего. Система отключит литий-ионную батарею, если обнаружит такие проблемы, как перегрев или короткое замыкание. Она может использовать резервные ячейки или пакеты, чтобы все работало.
Связь имеет значение. Система управления аккумулятором использует SPI и CAN шину для отправки данных в другие части устройства или транспортного средства.
Существуют различные типы систем управления аккумуляторными батареями, например централизованные или распределенные, поэтому система управления аккумуляторными батареями может подойти ко многим конструкциям литий-ионных аккумуляторов.
Некоторые системы имеют дополнительные функции, такие как удаленный мониторинг, прогнозирование жизненного цикла и обнаружение неисправностей. Они используют облачные вычисления и машинное обучение, чтобы помочь аккумулятору работать лучше и безопаснее.
Ключевая функция/алгоритм | Описание |
|---|---|
Мониторинг клеток | Отслеживает напряжение, ток и температуру каждой ячейки литий-ионного аккумулятора. Находит проблемы и запускает меры безопасности. Выясняет состояние заряда и работоспособность. |
Оптимизация мощности | Контролирует зарядку и разрядку для обеспечения безопасности литий-ионных аккумуляторных ячеек. Работает с другими системами для разумного использования энергии. |
Обеспечение безопасности | Останавливает такие опасности, как тепловой разгон. Использует резервные планы и защищает людей от поражения электрическим током. |
Оптимизация зарядки аккумулятора | Изменяет зарядку для снижения нагрузки на каждую ячейку литий-ионной батареи. Сохраняет коды неисправностей для последующих проверок. |
Алгоритм балансировки ячеек | Обеспечивает одинаковое напряжение всех литий-ионных аккумуляторных ячеек. Использует активную или пассивную балансировку, чтобы помочь аккумулятору работать лучше. |
Алгоритмы связи | Отправляет данные между системой управления аккумулятором и другими устройствами. Останавливает зарядку, если обнаруживает небезопасные условия. |
Совет: использование готовых программных и аппаратных средств может помочь инженерам быстрее создать и протестировать систему управления литий-ионными аккумуляторами.
Поддерживаемые химические вещества
Система управления аккумулятором должна работать со многими химическими составами литий-ионных аккумуляторов. Каждый химический состав, например NMC, LFP и NCA, имеет свои собственные положительные и отрицательные стороны. Например, литий-ионные аккумуляторы NMC имеют высокую плотность энергии. Литий-ионные аккумуляторы LFP служат дольше и лучше справляются с теплом. Система управления аккумулятором меняет свой принцип работы, чтобы соответствовать каждому химическому составу литий-ионных аккумуляторов.
Недавние исследования изучают, как работают различные химические составы литий-ионных аккумуляторов в электромобилях. Эти исследования показывают, что системы управления аккумуляторами должны учитывать изменения в плотности энергии, стоимости и сроке службы. Они также показывают, что управление температурой и расширенная оценка состояния важны для каждого типа литий-ионных аккумуляторов. Модели машинного обучения могут помочь предсказать состояние здоровья литий-ионных аккумуляторов с помощью отфильтрованных данных. Это снижает количество ошибок и помогает системе управления аккумуляторами справляться с тем, как стареет химический состав каждого литий-ионного аккумулятора.
Гибкая система управления аккумулятором может работать со многими химическими составами литий-ионных аккумуляторов. Это помогает каждому приложению, от электромобилей до портативной электроники, получить наилучшую производительность и безопасность аккумулятора.
Состояние заряда литий-ионных аккумуляторов
Состояние заряда очень важно для литий-ионных аккумуляторов. Оно помогает поддерживать аккумулятор в безопасности и хорошей работе. Если состояние заряда неправильное, аккумулятор может перегреться или потерять мощность. Это может привести к поломке аккумулятора или даже вызвать опасные проблемы, такие как пожары. В электромобилях знание состояния заряда помогает при торможении и зарядке. Это также продлевает срок службы аккумулятора. Исследования показывают, что правильная оценка состояния заряда снижает количество ошибок и помогает окружающей среде.
Вы не можете измерить состояние заряда непосредственно в литий-ионной батарее. Химические реакции внутри скрыты и их трудно увидеть. Датчики могут ошибаться из-за шума и изменений в батарее. Поэтому системы управления батареей используют специальные способы определения состояния заряда. Они смотрят на напряжение, ток и температуру, чтобы выяснить это. Эти методы помогают решать проблемы с датчиками и старением батареи.
Метод OCV
Метод напряжения разомкнутой цепи предполагает состояние заряда, проверяя напряжение батареи после ее отдыха. Каждая химия батареи имеет свою собственную связь напряжения и состояния заряда. Этот метод прост и не требует больших затрат. Он хорошо подходит для первой проверки состояния заряда и не требует большой модели батареи.
Аспект | Описание |
|---|---|
Принцип | Напряжение батареи измеряется после отдыха. Связь OCV и состояния заряда определяется путем тестирования каждого типа батареи. |
Преимущества | 1. Простой процесс |
Ограничения | 1. Нужен длительный отдых (более 2 часов, если холодно) |
Метод OCV не может проверить состояние заряда во время работы батареи. Литий-ионные батареи часто быстро меняются, поэтому ожидание, пока батарея отдохнет, бесполезно. Плоские участки на кривой OCV позволяют легко получить большие ошибки из-за небольших изменений напряжения.
Кулон подсчет
Подсчет кулонов или А-ч предполагает состояние заряда путем сложения входящего и выходящего тока. Он начинается с первого числа состояния заряда и меняет его по мере движения тока.
Аспект оценки | Описание |
|---|---|
Способ доставки | Улучшенный алгоритм подсчета Кулона |
Подход к проверке | Тест MATLAB по сравнению с реальным состоянием заряда по кривым заряда/разряда |
Максимальная ошибка (конец зарядки) | О 3.5% |
Ошибка на этапе CC | Менее 2% |
Ошибка на этапе резюме | Менее 1% |
Ошибка Тенденция | Со временем становится больше перед проверкой состояния здоровья |
Важные факторы | Хорошее первоначальное состояние заряда и проверки зарядки снижают количество ошибок |
Преимущества | Простая математика; достаточно высокая точность; не требуются дополнительные данные о батарее |
ограничения | Ошибки накапливаются с течением времени; необходимы хорошие первые показатели состояния заряда и состояния здоровья |
Подсчет кулонов прост в использовании и не требует дополнительных данных о батарее. Но ошибки могут накапливаться со временем. Небольшие ошибки в текущем или первом состоянии заряда могут ухудшиться. Этот метод лучше всего работает с регулярными проверками или другими способами помощи.
Способ доставки | СКО | MSE | ДЕД | Ключевые результаты |
|---|---|---|---|---|
Подсчет Кулона (CC) | 0.5071 | 0.2572 | 0.4571 | Наибольшее количество ошибок из-за шума и ошибок датчика; не подходит для длительного использования |
Расширенный фильтр Калмана | 0.0925 | ARCXNUMX | ARCXNUMX | Лучшая точность с помощью модели; требуется хорошая модель батареи |
Линейная регрессия | 0.0778 | ARCXNUMX | ARCXNUMX | Лучше, чем EKF, но не идеально подходит для изменения уровня заряда |
Машина опорных векторов | 0.0319 | ARCXNUMX | ARCXNUMX | Лучше обрабатывает изменения; требуется больше вычислительной мощности |
Случайная лесная регрессия | 0.0229 | 0.0005 | 0.0139 | Лучшая точность; хорошо работает с шумом и изменениями; подходит для реального управления батареей |
Фильтрация Калмана
Фильтрация Калмана использует математические модели для оценки состояния заряда. Расширенный фильтр Калмана и неароматизированный фильтр Калмана пользуются популярностью. Эти фильтры смешивают данные в реальном времени с предположениями модели батареи. Они исправляют свои предположения по мере поступления новых данных.
Широко используются такие методы фильтрации Калмана, как EKF, UKF, адаптивные фильтры Калмана и двойные фильтры Калмана.
В этих фильтрах используются как простые модели батарей, так и более сложные для получения лучших результатов.
Тесты показывают, что фильтры Калмана хорошо справляются с изменениями, памятью аккумулятора и шумом датчика.
Изменение настроек и использование нейронных сетей делают их еще лучше.
Постоянное обновление цифр помогает исправить ошибки, вызванные изменениями модели и дрейфом датчиков.
Исследования показывают, что адаптивные и двойные фильтры Калмана лучше справляются с определением состояния заряда, чем обычные фильтры EKF.
Фильтрация Калмана дает хорошие, в режиме реального времени, оценки состояния заряда литий-ионных аккумуляторов. Она требует тщательной настройки и хорошей модели аккумулятора. Она может быть сложна в использовании, но она хорошо работает, когда все быстро меняется.
Гибридные и ИИ-методы
Гибридные и ИИ-методы смешивают способы, основанные на моделях и данных, для угадывания состояния заряда. Они используют машинное обучение, например, нейронные сети, машины опорных векторов и регрессию случайного леса. Они обучаются на данных о напряжении, токе и температуре. Гибридные методы решают проблемы, которые не могут решить отдельные методы.
Аспект | Описание |
|---|---|
Способ доставки | Гибридное предположение о состоянии заряда с использованием кулоновской счетной и релевантной векторной машины (movIRVM-Coulomb) |
Dataset | Данные по отдельным элементам аккумуляторной батареи, данные испытаний аккумуляторной батареи, данные моделирования Advisor |
Conditions | Испытания с US06, UDDS, NYCC, 1015 циклов езды; температуры 0°C, 25°C, 45°C; начальное состояние заряда 50%, 80% |
Точность (среднеквадратическая ошибка) | В пределах 2% для многих тестов и температур |
Улучшение | Более чем на 30% лучше, чем при использовании только movIRVM; меньше ошибок с течением времени |
Ключевое ограничение устранено | Исправление ошибок, возникающих при чистом подсчете Кулона |
Дополнительные примечания | Использует скользящее среднее для устранения шума; требуется только 10–30 % обучающих данных для части RVM |
Гибридные методы объединяют данные и модели для обработки необычных действий батареи.
Методы, основанные на данных, включают нейронные сети, машины опорных векторов, регрессию гауссовых процессов, вейвлет-нейронные сети и нечеткую логику.
Эти способы позволяют определить состояние заряда на основе сигналов, которые можно измерить.
К проблемам относятся различия в аккумуляторах, необычное использование и износ аккумулятора.
Сегодня исследователи отдают предпочтение методам, основанным на данных, поскольку одни лишь модели не могут решить все проблемы.
Новые исследования с использованием глубокого обучения и реальных данных автомобиля показывают, что гибридные и ИИ-методы могут предсказывать состояние заряда с ошибкой менее 2%. Эти способы очень точны и хорошо работают, даже когда все сильно меняется.
Примечание: Статистические методы помогают угадывать состояние заряда, фиксируя неопределенность, ошибки датчиков и случайный шум. Калибровка, регрессия и тестирование делают все методы состояния заряда более надежными.
Методы оценки состояния здоровья
Состояние здоровья, или SOH, говорит нам, насколько состарилась литий-ионная батарея. Он сравнивает текущую батарею с той, когда она была новой. SOH определяется путем сравнения текущей емкости с исходной емкостью. Его также можно проверить, сравнив внутреннее сопротивление с новой ячейкой. Когда SOH падает ниже 80% или 70%, батарея подходит к концу своего срока службы. SOH имеет значение, поскольку влияет на то, насколько хорошо работает батарея, насколько она безопасна и как долго она служит. По мере снижения SOH батарея удерживает меньше энергии. Это означает, что электромобили не могут ездить так далеко, а устройства работают не так долго. Если батарея сильно стареет, она может вздуться, протечь или даже загореться. Хорошее прогнозирование SOH помогает предотвратить эти проблемы и сохранить батареи в безопасности.
Аспект | Доказательства | Числовые данные/Детали |
|---|---|---|
Определение СХ | SOH — это отношение текущей емкости к пусковой емкости или сравнение внутреннего сопротивления с новым аккумулятором. | Уровни окончания срока службы SOH составляют 80% или 70% остаточной емкости. |
Влияние на долголетие | SOH показывает, сколько емкости теряется, что ограничивает дальность хода электромобилей. Старение аккумулятора означает меньшую емкость. | Аккумуляторы электромобилей, прошедшие более 10,000 800 км и использовавшиеся более XNUMX дней, демонстрируют тенденцию к снижению емкости. |
Влияние на безопасность | Плохое старение может привести к протечкам, вздутию, перегреву и возгоранию. | Риски безопасности возрастают по мере снижения SOH, поэтому проверка SOH важна. |
Источник данных | Данные поступают от множества электромобилей с различными способами вождения и зарядки. | В наборе данных содержится информация о 347 электромобилях, записях о зарядке за 25 месяцев и множестве реальных изменений. |
Проблемы оценки SOH | Изменения в реальном мире, ошибки в SOC, зашумленные данные и недостаточное количество образцов затрудняют проверку SOH. | Ошибки SOC увеличиваются по мере старения аккумуляторов, а у BMS возникают проблемы с быстрым обновлением емкости. |
Продвинутые методы | Машинное обучение и методы, основанные на данных, улучшают проверки SOH. | BiGRU, регрессия опорных векторов и глубокие нейронные сети помогают точнее определить SOH и SOC. |
внутреннее сопротивление
Внутреннее сопротивление очень важно для проверки SOH в литий-ионных аккумуляторах. По мере старения аккумуляторов их внутреннее сопротивление увеличивается. Это происходит из-за того, что детали внутри аккумулятора изнашиваются и выходят из строя. Если сопротивление удваивается или емкость падает до 70–80 %, аккумулятор подходит к концу. Многие способы проверки SOH используют внутреннее сопротивление. Измерение сопротивления напрямую дает хорошие результаты, но обычно требует, чтобы аккумулятор отдохнул, что сложно при обычном использовании.
Ученые разработали новые способы использования внутреннего сопротивления для улучшения проверок SOH. Например, они фиксируют кривую напряжения разомкнутой цепи, используя данные о сопротивлении. Это помогает снизить ошибки, связанные с изменениями скорости зарядки. Этот способ использует такие вещи, как постоянное время зарядки тока вместо сложной математики. Тесты на реальных данных аккумулятора показывают, что этот метод может снизить среднюю абсолютную погрешность примерно до 1.28% для некоторых диапазонов напряжения. Эти результаты показывают, что наблюдение за внутренним сопротивлением делает проверки SOH более сильными и точными.
полное сопротивление
Методы на основе импеданса используют реакцию батареи на электричество для проверки SOH. Эти методы часто используют электрохимическую импедансную спектроскопию или аналогичные тесты. Наблюдая за тем, как батарея ведет себя на разных частотах, инженеры могут определить старение и предположить SOH. Методы на основе импеданса могут быть очень точными, со среднеквадратической ошибкой от 0.75% до 1.5% единиц SOH.
Тип метода | Описание | Точность прогнозирования SOH (среднеквадратическая ошибка) | Практические соображения |
|---|---|---|---|
Прямые данные EIS | Использует необработанные данные электрохимической импедансной спектроскопии | 0.75% – 1.5% единиц SOH | Быстро измерить, но клетки могут быть разными |
Эквивалентная схема подходит | Сопоставляет данные EIS с моделями цепей | 0.75% – 1.5% единиц SOH | Требует больше работы и математики, но имеет меньше неопределенности |
Распределение времени релаксации (DRT) | Анализирует, сколько времени требуется для урегулирования ситуации с использованием данных EIS. | 0.75% – 1.5% единиц SOH | Требует много вычислительной мощности, но является гибким |
Нелинейный анализ частотной характеристики (NFRA) | Использует специальные частотные данные для проверки SOH | 0.75% – 1.5% единиц SOH | Дает полезную информацию о работе батареи, быстрее полной разрядки |
Методы на основе импеданса хорошо работают в лабораториях и дают много подробностей о старении батареи. Но эти методы могут быть сложными и запутанными для использования в системах батарей в реальном времени. Часто для них требуются специальные инструменты и тщательная настройка. Новые методы на основе данных начинают вытеснять, используя машинное обучение для прогнозирования старения батареи без жестких моделей.
Подсчет циклов
Подсчет циклов — один из старейших способов проверки SOH в литий-ионных аккумуляторах. Этот способ подсчитывает, сколько раз аккумулятор заряжался и использовался. Каждый полный цикл немного старит аккумулятор. Подсчитывая циклы, инженеры могут предположить, насколько износился аккумулятор.
Подсчет циклов прост и не требует специальных инструментов или сложной математики. Но он не учитывает, чем отличается каждый цикл. Такие вещи, как температура, насколько сильно используется аккумулятор и как быстро он заряжается, меняют скорость его старения, но подсчет циклов обрабатывает каждый цикл одинаково. Это может привести к ошибкам в проверках SOH, особенно в реальной жизни, где аккумуляторы подвергаются многим видам стресса.
Продвинутые методы
Продвинутые способы проверки SOH используют машинное обучение и искусственный интеллект для изучения большого количества данных о батарее. Эти способы изучают напряжение, ток и температуру, чтобы лучше предсказать SOH, чем старые способы. Модели машинного обучения, такие как опорные векторные машины, случайные леса и глубокие нейронные сети, могут находить сложные закономерности старения батареи.
Недавние исследования показывают, что эти основанные на данных способы работают лучше, чем старые физические модели. Например, регрессия опорных векторов и регрессия гауссовского процесса могут получить среднеквадратические ошибки ниже 0.4% при угадывании SOH. Нейронные сети прямого распространения и адаптивные нейро-нечеткие системы вывода также хорошо справляются с низкими ошибками и хорошими результатами для разных батарей.
Методы машинного обучения не требуют подробных моделей аккумуляторов.
Облачные вычисления позволяют запускать более крупные модели, что повышает качество проверок SOH даже при небольшом размере аккумуляторной системы.
Использование более чем одной модели машинного обучения может сделать проверки SOH еще более точными.
Эти способы позволяют получить среднюю абсолютную погрешность в пределах 3% и среднеквадратичную погрешность в пределах 2% в реальных испытаниях.
Но продвинутые способы требуют хороших и больших данных для обучения. У них могут возникнуть проблемы со странным старением батареи или большими изменениями в том, как используются батареи. Выбор хороших характеристик из данных зарядки важен, поскольку зарядка более регулярна, чем использование батареи в электромобилях. Инженеры должны убедиться, что эти способы надежны и безопасны, прежде чем использовать их в аккумуляторные системы, защищающие людей.
Примечание: Переход от старых физических моделей к способам, основанным на данных, показывает, что нам нужны более качественные и гибкие проверки SOH для литий-ионных аккумуляторов. Машинное обучение помогает обнаружить старение аккумуляторов на ранней стадии и заставляет аккумуляторы работать лучше, обнаруживая признаки проблем раньше.
Сочетание методов для точности
Гибридные подходы
Системы управления аккумуляторами работают лучше, когда они используют более одного метода для проверки состояния заряда и состояния здоровья. Один метод сам по себе не может решить все проблемы в системах литий-ионных аккумуляторов. Гибридные методы смешивать сильные стороны алгоритмов на основе моделей, данных и обучения. Это помогает сократить шум, справиться с неизвестными и не отставать от старения батареи.
Многие алгоритмы оптимизации, такие как наименьшие квадраты, алгоритм оптимизации Sunflower и алгоритм поиска белоголового орлана, улучшают проверку состояния заряда. Например, алгоритм поиска белоголового орлана имел пиковую ошибку всего 1.06% для SOC.
Улучшенные карты самоорганизации и полуконтролируемое обучение показали максимальную погрешность около 1.25% и среднеквадратичную погрешность всего 0.55%. Эти результаты означают, что гибридные методы обеспечивают надежные проверки SOC для литий-ионных аккумуляторов.
Использование активной балансировки ячеек с машинным обучением для определения остаточного срока службы помогает с различиями ячеек и старением аккумулятора. Сбалансированные ячейки предоставляют лучшие данные о состоянии заряда, что помогает прогнозировать состояние литий-ионного аккумулятора.
Гибридные модели нейронных сетей помогают с изменениями температуры и тем, как используются батареи. Смешивая методы физической балансировки и управления данными, системы управления батареями могут помочь литий-ионным батареям служить дольше и работать лучше. Многомодельное слияние, например, Random Forest, делает проверки состояния работоспособности еще более эффективными, используя лучшие части разных моделей.
Гибридные методы помогают системам управления аккумуляторами справляться с изменениями в реальном мире. Это делает их более надежными для электромобилей и других применений.
Рекомендации по применению
Выбор и использование гибридных методов в реальных литий-ионных аккумуляторных системах требует тщательного планирования. Инженеры должны думать о том, что нужно для каждого использования, например, электромобили или хранилища.
Методы, основанные на данных, используют данные датчиков в реальном времени и изменяются по мере старения или использования батарей. Эти способы более точны, работают с различными химическими веществами и хорошо справляются с шумом датчиков.
Гибридные фреймворки сочетают лучшие алгоритмы случайного леса, физические модели и другие инструменты машинного обучения. Этот баланс обеспечивает точность, работает быстро и может использоваться для многих типов литий-ионных аккумуляторов и ситуаций.
Инженеры должны решать такие проблемы, как необходимость большого количества хороших данных, выбор правильных функций и затраты на компьютеры. Смешивание функций и настроек может улучшить прогнозы и помочь с изменениями в реальном времени.
Множество данных, таких как напряжение ячейки, ток, температура и количество циклов, помогают выбрать лучшие гибридные методы. Эти способы помогают с шумными или отсутствующими данными и дают специальные результаты для каждого использования, а не только базовое состояние заряда и состояние здоровья. В реальной жизни гибридные методы хорошо работают в лабораториях и в полевых условиях, например, в электромобилях, где они обеспечивают безопасность аккумуляторов и их работоспособность в различных условиях.
Совет: при выборе гибридных методов инженеры должны сопоставить метод с целями, данными и местом использования аккумуляторной системы. Это помогает убедиться, что управление литий-ионными аккумуляторами надежно, может расти и работает в режиме реального времени.
Знание правильных soc и SOH очень важно для того, насколько хорошо и безопасно работают литий-ионные аккумуляторы. Каждый метод имеет свои собственные положительные стороны, но использование более чем одного метода вместе в системе управления аккумуляторами дает наилучшие результаты для продления срока службы и лучшей работы литий-ионных аккумуляторов. Новые исследования показывают, что использование умных способов выбора важных данных и улучшенных нейронных сетей может сделать ошибки очень маленькими, вплоть до 0.16%. Это помогает аккумуляторам служить дольше и оставаться более безопасными. Важно выбрать метод оценки, который соответствует потребностям каждого литий-ионного аккумулятора.
FAQ
Какова основная задача системы управления аккумуляторными батареями?
Система управления батареями обеспечивает безопасность батарей. Она проверяет состояние заряда и работоспособность. Система балансирует ячейки, чтобы они работали вместе. Она не дает батареям перегреваться или переполняться. Это помогает батареям служить дольше и работать лучше.
Почему датчики не могут измерять уровень заряда напрямую?
Датчики не могут заглянуть внутрь батареи. Химические реакции происходят внутри, где датчики не могут видеть. Датчики измеряют только напряжение, ток и температуру. Система использует эти числа с помощью специальных алгоритмов для определения состояния заряда.
Как температура влияет на оценку состояния аккумулятора?
Когда очень жарко или холодно, реакции батареи меняются. Система может допускать ошибки в состоянии заряда или состоянии здоровья. Хорошие системы управления батареями меняют свою математику, чтобы исправить эти ошибки.
Какой метод дает наиболее точную оценку состояния здоровья?
Способ доставки | Уровень точности |
|---|---|
Машинное обучение | Очень высоко |
Анализ импеданса | Высокий |
внутреннее сопротивление | Средний |
Подсчет циклов | Низкий |
Машинное обучение обычно дает наилучшие результаты, если данные качественные.
