Systém správy batérií zisťuje stav nabitia a technické vlastnosti lítium-iónových batérií pomocou techník nepriameho odhadu. Tieto veci nedokáže merať priamo, pretože batéria má vo vnútri zložité reakcie. Systém preto používa metódy ako štatistická extrakcia prvkov, Coulombovské počítanie a pokročilé modely založené na dátach. Napríklad sa zameriava na štatistické metriky, ako je rozptyl, priemer a šikmosť z kriviek napätia a prúdu, aby sledoval degradáciu batérie. Použitie metód nepriameho odhadu, ako je strojové učenie a prístupy založené na pozorovateľoch, pomáha zvýšiť presnosť a bezpečnosť odhadu stavu nabitia (SOC). Tieto metódy odhadu stavu nabitia pomáhajú systému správy batérií predpovedať zmeny v lítium-iónových batériách. Pomáhajú tiež lepšie riadiť stratu kapacity, starnutie a riziká. Dobrý odhad stavu nabitia a technického stavu pomáha každej lítium-iónovej batérii fungovať lepšie a vydržať dlhšie.
Presný odhad nabitia (SOC) v lítium-iónových batériových systémoch chráni batériu pred prebíjaním, prehriatím a náhlymi poruchami. Vďaka tomu sú techniky spoľahlivého odhadu veľmi dôležité pre moderné systémy správy batérií.
Štatistická metrika | Popis | Korelácia s degradáciou batérie |
|---|---|---|
odchýlka | Kontroluje, ako sú zmeny napätia/prúdu stabilné | Vyššia odchýlka znamená nerovnomerný vnútorný odpor a chemické reakcie a poškodenie elektródy |
Maximálna hodnota | Najvyššie napätie/prúd počas nabíjania alebo vybíjania | Nižšie čísla ukazujú menšiu nosnosť a možné bezpečnostné problémy, ako je prebíjanie alebo prehrievanie. |
Minimálna hodnota | Najnižšie napätie/prúd počas nabíjania alebo vybíjania | Zobrazuje stratu kapacity a bezpečnostné problémy |
Priemer (priemer) | Priemerné napätie/prúd počas cyklu | Zmeny naznačujú rozpad elektrolytov a nižší výdaj energie |
šikmosť | Ako nerovnomerne je rozložené napätie/prúd | Používa sa pri extrakcii prvkov na predpovedanie stavu zásobovania (SOH) |
Nadmerná kurtoza | Aký ostrý je vrchol napätia/prúdu | Vyššie čísla znamenajú väčšiu polarizáciu a menšiu schopnosť vkladania lítia |
Kľúčové poznatky
Systémy správy batérií nedokážu priamo merať nabitie alebo stav batérie. Používajú nepriame metódy, ako je štatistická analýza, Coulombovské počítanie a strojové učenie. Tieto metódy pomáhajú odhadnúť nabitie a stav batérie.
Znalosť stavu nabitia pomáha udržiavať batérie v bezpečí. Zabraňuje prebíjaniu, prehrievaniu a náhlym problémom.
Existujú rôzne spôsoby kontroly batérií. Medzi metódy patrí napätie naprázdno, Coulombovské počítanie, Kalmanovo filtrovanie a modely založené na umelej inteligencii. Každá z nich má dobré aj nevýhody. Ich spoločné použitie prináša lepšie a spoľahlivejšie výsledky.
Odhad stavu batérie kontroluje jej vek. Zohľadňuje stratu kapacity a vnútorný odpor. To pomáha odhadnúť životnosť batérie a vyhnúť sa bezpečnostným problémom.
Hybridné prístupy kombinujú metódy založené na modeloch a metódy riadené dátami. Tieto poskytujú najlepšie výsledky. Môžu sa meniť v závislosti od reálneho používania. To pomáha batériám vydržať dlhšie a lepšie fungovať.
Základy systému správy batérií
Kľúčové funkcie
Systém správy batérií je pre lítium-iónové batérie veľmi dôležitý. Pomáha udržiavať lítium-iónové batérie v bezpečí a v dobrom stave. Systém kontroluje napätie, prúd a teplotu každého článku lítium-iónovej batérie. Taktiež zabezpečuje rovnomerné nabíjanie a vybíjanie všetkých článkov lítium-iónovej batérie. To pomáha každej lítium-iónovej batérii vydržať dlhšie a lepšie fungovať.
Systém správy batérií sleduje stav nabitia a funkčnosť každej lítium-iónovej batérie. Tieto čísla používa na zabránenie prebíjania a hlbokého vybíjania, ktoré môže lítium-iónové batérie poškodiť.
Bezpečnosť je na prvom mieste. Systém odpojí lítium-iónovú batériu, ak zistí problémy, ako je prehriatie alebo skrat. Na udržanie prevádzkyschopnosti môže použiť záložné články alebo batérie.
Komunikácia je dôležitá. Systém správy batérie používa zbernice SPI a CAN na odosielanie údajov do iných častí zariadenia alebo vozidla.
Existujú rôzne typy, napríklad centralizované alebo distribuované, takže systém správy batérií sa hodí pre mnoho dizajnov lítium-iónových batérií.
Niektoré systémy majú ďalšie funkcie, ako je diaľkové monitorovanie, predikcia životného cyklu a detekcia porúch. Tieto využívajú cloud computing a strojové učenie, ktoré pomáhajú batérii fungovať lepšie a bezpečnejšie.
Kľúčová funkcia / algoritmus | Popis |
|---|---|
Monitorovanie buniek | Sleduje napätie, prúd a teplotu každého článku lítium-iónovej batérie. Vyhľadáva problémy a spúšťa bezpečnostné opatrenia. Zisťuje stav nabitia a funkčnosť. |
Optimalizácia výkonu | Riadi nabíjanie a vybíjanie, aby chránil články lítium-iónovej batérie. Spolupracuje s inými systémami na inteligentnom využívaní energie. |
Zabezpečenie bezpečnosti | Zastavuje nebezpečenstvá, ako je tepelný únik. Používa záložné plány a chráni ľudí pred úrazom elektrickým prúdom. |
Optimalizácia nabíjania batérie | Mení nabíjanie tak, aby sa znížilo zaťaženie každého článku lítium-iónovej batérie. Ukladá chybové kódy pre neskoršie kontroly. |
Algoritmus na vyvažovanie buniek | Zaisťuje, že všetky články lítium-iónovej batérie majú rovnaké napätie. Používa aktívne alebo pasívne vyváženie, aby batéria fungovala lepšie. |
Komunikačné algoritmy | Odosiela dáta medzi systémom správy batérie a inými zariadeniami. Zastaví nabíjanie, ak zistí nebezpečné podmienky. |
Tip: Používanie hotových softvérových a hardvérových nástrojov môže pomôcť inžinierom rýchlejšie zostaviť a otestovať systém správy batérií pre lítium-iónové batérie.
Podporovaná chémia
Systém správy batérií musí fungovať s mnohými chemickými zloženiami lítium-iónových batérií. Každé chemické zloženie, ako napríklad NMC, LFP a NCA, má svoje dobré a nevýhody. Napríklad lítium-iónové batérie NMC majú vysokú energetickú hustotu. Lítium-iónové batérie LFP vydržia dlhšie a lepšie zvládajú teplo. Systém správy batérií mení svoj spôsob fungovania tak, aby vyhovoval každému chemickému zloženiu lítium-iónovej batérie.
Nedávne štúdie sa zaoberajú tým, ako fungujú rôzne chemické zloženia lítium-iónových batérií v elektrických vozidlách. Tieto štúdie ukazujú, že systémy správy batérií musia zvládať zmeny v hustote energie, nákladoch a životnosti. Taktiež ukazujú, že tepelný manažment a pokročilý odhad stavu sú dôležité pre každý typ lítium-iónovej batérie. Modely strojového učenia môžu pomôcť predpovedať stav lítium-iónových batérií pomocou filtrovaných údajov. To znižuje počet chýb a pomáha systému správy batérií vyrovnať sa so starnutím každej chemickej zložky lítium-iónovej batérie.
Flexibilný systém správy batérií dokáže fungovať s mnohými chemickými zloženiami lítium-iónových batérií. To pomáha každej aplikácii, od elektrických vozidiel až po prenosnú elektroniku, dosiahnuť najlepší výkon a bezpečnosť batérie.
Stav nabitia lítium-iónových batérií
Stav nabitia je pre lítium-iónové batérie veľmi dôležitý. Pomáha udržiavať batériu v bezpečí a v dobrom stave. Ak stav nabitia nie je správny, batéria sa môže príliš prehriať alebo stratiť energiu. To môže viesť k jej poškodeniu alebo dokonca k nebezpečným problémom, ako sú požiare. V elektromobiloch pomáha znalosť stavu nabitia pri brzdení a nabíjaní. Taktiež predlžuje životnosť batérie. Štúdie ukazujú, že dobrý odhad stavu nabitia znižuje počet chýb a pomáha životnému prostrediu.
Stav nabitia lítium-iónovej batérie nemožno priamo merať. Chemické reakcie vo vnútri sú skryté a ťažko viditeľné. Senzory sa môžu mýliť kvôli šumu a zmenám v batérii. Systémy správy batérií preto používajú špeciálne spôsoby na odhadnutie stavu nabitia. Na jeho zistenie sledujú napätie, prúd a teplotu. Tieto metódy pomáhajú riešiť problémy so senzormi a starnutie batérie.
Metóda OCV
Metóda napätia otvoreného obvodu odhaduje stav nabitia kontrolou napätia batérie po jej pokoji. Každá chémia batérie má svoj vlastný vzťah medzi napätím a stavom nabitia. Táto metóda je jednoduchá a nie je drahá. Funguje dobre na prvú kontrolu stavu nabitia a nevyžaduje veľký model batérie.
Aspekt | podrobnosti |
|---|---|
Zásada | Napätie batérie sa meria po pokojovom stave. Súvislosť medzi napätím a stavom nabitia sa zisťuje testovaním každého typu batérie. |
Výhody | 1. Jednoduchý proces |
Obmedzenia | 1. Potrebuje dlhý čas odpočinku (viac ako 2 hodiny, ak je zima) |
Metóda OCV nedokáže skontrolovať stav nabitia, kým je batéria v prevádzke. Lítium-iónové batérie sa často rýchlo menia, takže čakanie na odpočinok nie je užitočné. Ploché miesta na krivke OCV umožňujú ľahké získanie veľkých chýb z malých zmien napätia.
Coulombovo počítanie
Coulombovské počítanie alebo počítanie v Ah odhaduje stav nabitia sčítaním vstupného a výstupného prúdu. Začína sa s prvým číslom stavu nabitia a mení sa s pohybom prúdu.
Aspekt hodnotenia | podrobnosti |
|---|---|
Metóda | Vylepšený algoritmus Coulombovho počítania |
Validačný prístup | MATLAB test v porovnaní so skutočným stavom nabitia z kriviek nabíjania/vybíjania |
Maximálna chyba (koniec nabíjania) | O 3.5% |
Chyba počas fázy CC | Menej ako 2% |
Chyba počas fázy životopisu | Menej ako 1% |
Trend chýb | Pred kontrolou zdravotného stavu sa časom zväčšuje |
Dôležité faktory | Dobrý počiatočný stav nabitia a kontroly nabíjania znižujú chyby |
výhody | Jednoduchá matematika; dostatočne dobrá presnosť; nie sú potrebné žiadne ďalšie údaje o batérii |
obmedzenia | Chyby sa časom hromadia; vyžaduje si dobré počiatočné údaje o stave nabitia a zdravotnom stave. |
Coulombovské počítanie sa ľahko používa a nevyžaduje dodatočné údaje o batérii. Chyby sa však môžu časom hromadiť. Malé chyby v aktuálnom alebo počiatočnom stave nabitia sa môžu zhoršiť. Táto metóda funguje najlepšie s pravidelnými kontrolami alebo inými spôsobmi pomoci.
Metóda | RMSE | MSE | MAE | Kľúčové poznatky |
|---|---|---|---|---|
Coulombovské počítanie (CC) | 0.5071 | 0.2572 | 0.4571 | Najvyššie chyby kvôli šumu a chybám senzorov; nie je vhodné na dlhodobé používanie |
Rozšírený Kalmanov filter | 0.0925 | N / A | N / A | Lepšia presnosť s pomocou modelu; vyžaduje dobrý model batérie |
lineárna regresia | 0.0778 | N / A | N / A | Lepšie ako EKF, ale nie ideálne na zmeny stavu nabitia |
Podporný vektorový stroj | 0.0319 | N / A | N / A | Lepšie zvláda zmeny; potrebuje viac počítačového výkonu |
Náhodná lesná regresia | 0.0229 | 0.0005 | 0.0139 | Najlepšia presnosť; dobre funguje s hlukom a zmenami; vhodné pre skutočnú správu batérie |
Kalmanovo filtrovanie
Kalmanov filter používa matematické modely na odhad stavu nabitia. Rozšírený Kalmanov filter a Kalmanov filter bez vône sú obľúbené. Tieto filtre kombinujú údaje v reálnom čase s odhadmi modelu batérie. Svoje odhady opravujú s príchodom nových údajov.
Často sa používajú metódy Kalmanovej filtrácie ako EKF, UKF, adaptívne Kalmanove filtre a duálne Kalmanove filtre.
Tieto filtre používajú jednoduché modely batérií a zložitejšie modely, aby dosiahli lepšie výsledky.
Testy ukazujú, že Kalmanove filtre dobre zvládajú zmeny, pamäť batérie a šum senzorov.
Zmena nastavení a používanie neurónových sietí ich ešte vylepšujú.
Opakovaná aktualizácia čísel pomáha opraviť chyby spôsobené zmenami modelu a posunom senzora.
Štúdie ukazujú, že adaptívne a duálne Kalmanove filtre fungujú lepšie ako bežné EKF, čo sa týka stavu nabitia.
Kalmanovo filtrovanie poskytuje dobré odhady stavu nabitia lítium-iónových batérií v reálnom čase. Vyžaduje si starostlivé nastavenie a dobrý model batérie. Jeho používanie môže byť náročné, ale funguje dobre, keď sa veci rýchlo menia.
Hybridné a umelo vytvorené metódy
Hybridné metódy a metódy umelej inteligencie kombinujú metódy založené na modeloch a dátach na odhadnutie stavu náboja. Tieto metódy využívajú strojové učenie, ako sú neurónové siete, podporné vektorové stroje a regresia náhodného lesa. Učia sa z údajov o napätí, prúde a teplote. Hybridné metódy riešia problémy, ktoré jednotlivé metódy nedokážu riešiť.
Aspekt | Popis |
|---|---|
Metóda | Odhad stavu hybridného náboja pomocou Coulombovho počítania a relevantného vektorového stroja (movIRVM-Coulomb) |
dataset | Údaje o jednotlivých batériových článkoch, údaje o testoch batériových blokov, údaje o simulácii Advisor |
Podmienky | Testy s US06, UDDS, NYCC, 1015 jazdnými cyklami; teploty 0 °C, 25 °C, 45 °C; prvý stav nabitia 50 %, 80 % |
Presnosť (RMSE) | V rámci 2 % pre mnohé testy a teploty |
Zlepšenie | O viac ako 30 % lepšie ako samotný movIRVM; menej chýb v priebehu času |
Kľúčové obmedzenie bolo vyriešené | Opravuje hromadenie chýb v čistom Coulombovom počítaní |
Ďalšie poznámky | Používa kĺzavý priemer na redukciu šumu; pre časť RVM potrebuje iba 10 – 30 % trénovacích dát |
Hybridné metódy kombinujú dáta a modely na spracovanie zvláštnych činností batérie.
Medzi metódy založené na dátach patria neurónové siete, podporné vektorové stroje, Gaussova procesná regresia, waveletové neurónové siete a fuzzy logika.
Tieto spôsoby odhadujú stav nabitia zo signálov, ktoré môžete merať.
Medzi problémy patria rozdiely v batériách, zvláštne používanie a opotrebovanie batérie.
Teraz výskumníci uprednostňujú metódy založené na údajoch, pretože samotné modely nedokážu vyriešiť všetky problémy.
Nové štúdie využívajúce hlboké učenie a reálne dáta z automobilov ukazujú, že hybridné a umelo vytvorená metóda dokážu odhadnúť stav nabitia s chybou menšou ako 2 %. Tieto spôsoby sú veľmi presné a fungujú dobre, aj keď sa veci výrazne menia.
Poznámka: Štatistické metódy pomáhajú odhadovať stav nabitia tým, že opravujú neistotu, chyby senzorov a náhodný šum. Kalibrácia, regresia a testovanie zvyšujú spoľahlivosť všetkých metód na meranie stavu nabitia.
Metódy odhadu zdravotného stavu
Stav batérie (SOH) nám hovorí, o koľko lítium-iónová batéria zostarla. Porovnáva súčasný stav batérie s tým, ako bola nová. SOH sa zistí porovnaním aktuálnej kapacity s pôvodnou kapacitou. Dá sa tiež skontrolovať porovnaním vnútorného odporu s novým článkom. Keď SOH klesne pod 80 % alebo 70 %, batéria je na konci svojej životnosti. SOH je dôležitý, pretože ovplyvňuje, ako dobre batéria funguje, aká je bezpečná a ako dlho vydrží. Ako SOH klesá, batéria má menej energie. To znamená, že elektromobily nemôžu ísť tak ďaleko a zariadenia nevydržia tak dlho. Ak batéria veľmi zostarne, môže napučať, vytekať alebo sa dokonca vznietiť. Dobrá predikcia SOH pomáha predchádzať týmto problémom a udržiava batérie v bezpečí.
Aspekt | Dôkaz | Číselné údaje / Podrobnosti |
|---|---|---|
Definícia SOH | SOH je pomer aktuálnej kapacity k počiatočnej kapacite alebo porovnáva vnútorný odpor s novou batériou. | Úrovne životnosti SOH sú na konci životnosti na 80 % alebo 70 % zostávajúcej kapacity. |
Vplyv na dlhovekosť | SOH ukazuje, koľko kapacity sa stráca, čo obmedzuje, ako ďaleko môžu elektrické vozidlá zájsť. Starnutie batérie znamená menšiu kapacitu. | Batérie elektromobilov používané viac ako 10,000 800 km a viac ako XNUMX dní vykazujú tendenciu strácať kapacitu. |
Vplyv na bezpečnosť | Zlé starnutie môže spôsobiť netesnosti, opuchy, prehriatie a požiare. | Bezpečnostné riziká sa zhoršujú s poklesom SOH, preto je kontrola SOH dôležitá. |
Dáta Source | Dáta pochádzajú z mnohých elektrických vozidiel s rôznymi spôsobmi jazdy a nabíjania. | Súbor údajov obsahuje 347 elektrických vozidiel, záznamy o nabíjaní za 25 mesiacov a množstvo zmien v reálnom svete. |
Výzvy pri odhadovaní SOH | Zmeny v reálnom svete, chyby v SOC, zašumené dáta a nedostatok vzoriek sťažujú kontrolu SOH. | Chyby v stave nabitia (SOC) sa s pribúdajúcim vekom batérií zväčšujú a systém BMS má problém s rýchlou aktualizáciou kapacity. |
Pokročilé metódy | Strojové učenie a metódy založené na dátach zlepšujú kontroly SOH. | BiGRU, regresia podporných vektorov a hlboké neurónové siete pomáhajú presnejšie odhadnúť SOH a SOC. |
Vnútorná odolnosť
Vnútorný odpor je veľmi dôležitý pri kontrole stavu nabitia batérie (SOH) v lítium-iónových batériách. S pribúdajúcim vekom batérií sa ich vnútorný odpor zvyšuje. Deje sa to preto, lebo časti vo vnútri batérie sa opotrebúvajú a rozpadajú. Ak sa odpor zdvojnásobí alebo kapacita klesne na 70 – 80 %, batéria je na konci svojej životnosti. Mnoho spôsobov kontroly stavu nabitia batérie využíva vnútorný odpor. Priame meranie odporu dáva dobré výsledky, ale zvyčajne si vyžaduje, aby batéria odpočívala, čo je pri bežnom používaní náročné.
Vedci našli nové spôsoby využitia vnútorného odporu na zlepšenie kontrol SOH. Napríklad opravujú krivku napätia naprázdno pomocou údajov o odporu. To pomáha znížiť chyby spôsobené zmenami v rýchlosti nabíjania. Tento spôsob využíva veci, ako je čas nabíjania konštantným prúdom namiesto tvrdej matematiky. Testy na skutočných údajoch z batérie ukazujú, že táto metóda môže znížiť priemernú absolútnu chybu na približne 1.28 % pre niektoré rozsahy napätia. Tieto výsledky ukazujú, že sledovanie vnútorného odporu robí kontroly SOH spoľahlivejšími a presnejšími.
Impedancia
Metódy založené na impedancii využívajú na kontrolu stavu nabitia batérie (SOH) reakciu batérie na elektrinu. Tieto metódy často využívajú elektrochemickú impedančnú spektroskopiu alebo podobné testy. Sledovaním správania batérie s rôznymi frekvenciami môžu inžinieri odhaliť starnutie a odhadnúť stav nabitia batérie. Metódy impedancie môžu byť veľmi presné, s chybami strednej kvadratickej hodnoty medzi 0.75 % a 1.5 % jednotiek SOH.
Typ metódy | Popis | Presnosť predikcie SOH (chyba RMS) | Praktické úvahy |
|---|---|---|---|
Priame údaje EIS | Používa nespracované údaje z elektrochemickej impedančnej spektroskopie | 0.75 % – 1.5 % jednotiek SOH | Rýchle meranie, ale bunky sa môžu líšiť |
Ekvivalentné obvody | Porovnáva údaje EIS s modelmi obvodov | 0.75 % – 1.5 % jednotiek SOH | Vyžaduje si viac práce a matematiky, ale má menej neistoty |
Rozdelenie relaxačných časov (DRT) | Pozerá sa na to, ako dlho trvá, kým sa veci usadia, pomocou údajov EIS | 0.75 % – 1.5 % jednotiek SOH | Spotrebuje veľa počítačového výkonu, ale je flexibilný |
Nelineárna analýza frekvenčnej odozvy (NFRA) | Používa špeciálne frekvenčné údaje na kontrolu SOH | 0.75 % – 1.5 % jednotiek SOH | Poskytuje dobré informácie o stave batérie, rýchlejšie ako úplné vybitie |
Metódy založené na impedancii fungujú v laboratóriách dobre a poskytujú množstvo podrobností o starnutí batérie. Tieto metódy však môžu byť náročné a zložité na použitie v batériových systémoch v reálnom čase. Často vyžadujú špeciálne nástroje a starostlivé nastavenie. Novšie metódy založené na dátach začínajú preberať dôležitosť využitím strojového učenia na odhad starnutia batérie bez použitia tvrdých modelov.
Počítanie cyklov
Počítanie cyklov je jedným z najstarších spôsobov kontroly stavu nabitia (SOH) v lítium-iónových batériách. Tento spôsob počíta, koľkokrát sa batéria nabije a použije. Každý celý cyklus spôsobí, že batéria trochu starne. Počítaním cyklov môžu inžinieri odhadnúť, ako veľmi sa batéria opotrebovala.
Počítanie cyklov je jednoduché a nevyžaduje si špeciálne nástroje ani zložitú matematiku. Nezohľadňuje však, ako sa každý cyklus líši. Veci ako teplota, množstvo používania batérie a rýchlosť nabíjania ovplyvňujú rýchlosť jej starnutia, ale počítanie cyklov zaobchádza s každým cyklom rovnako. To môže viesť k nesprávnym kontrolám stavu nabitia (SOH), najmä v reálnom živote, kde batérie čelia mnohým druhom namáhania.
Pokročilé metódy
Pokročilé spôsoby kontroly stavu batérie (SOH) využívajú strojové učenie a umelú inteligenciu na štúdium množstva údajov o batérii. Tieto spôsoby sa učia z napätia, prúdu a teploty, aby odhadli SOH lepšie ako staré spôsoby. Modely strojového učenia, ako sú podporné vektorové stroje, náhodné lesy a hlboké neurónové siete, dokážu nájsť zložité vzorce starnutia batérie.
Nedávne štúdie ukazujú, že tieto metódy založené na dátach fungujú lepšie ako staré fyzikálne modely. Napríklad regresia podporných vektorov a gaussovská procesná regresia dokážu dosiahnuť strednú kvadratickú chybu pod 0.4 % pri odhadovaní stavu zásob. Dopredné neurónové siete a adaptívne neurofuzzy inferenčné systémy si tiež vedú dobre, s nízkou chybovosťou a dobrými výsledkami pre rôzne batérie.
Spôsoby strojového učenia nevyžadujú podrobné modely batérií.
Cloudové výpočty umožňujú prevádzku väčších modelov, vďaka čomu sú kontroly SOH lepšie, aj keď je batériový systém malý.
Použitie viac ako jedného modelu strojového učenia môže ešte viac spresniť kontroly SOH.
Týmito spôsobmi je možné v reálnych testoch dosiahnuť priemerné absolútne chyby v rozmedzí 3 % a priemerné kvadratické chyby v rozmedzí 2 %.
Pokročilé metódy však vyžadujú množstvo kvalitných tréningových údajov. Môžu mať problémy s nezvyčajným starnutím batérie alebo veľkými zmenami v spôsobe používania batérií. Výber dobrých funkcií z údajov o nabíjaní je dôležitý, pretože nabíjanie je v elektromobiloch pravidelnejšie ako vybíjanie batérie. Inžinieri sa musia pred použitím uistiť, že tieto metódy sú spoľahlivé a bezpečné. batériové systémy, ktoré chránia ľudí.
Poznámka: Prechod od starých fyzikálnych modelov k metódam založeným na dátach ukazuje, že potrebujeme lepšie a flexibilnejšie kontroly stavu nabitia (SOH) lítium-iónových batérií. Strojové učenie pomáha včas odhaliť starnutie batérie a zlepšuje jej funkčnosť tým, že skôr odhalí príznaky problémov.
Kombinácia metód pre presnosť
Hybridné prístupy
Systémy správy batérií fungujú lepšie, keď používajú viac ako jednu metódu na kontrolu stavu nabitia a funkčnosti. Jedna metóda sama o sebe nedokáže vyriešiť všetky problémy v lítium-iónových batériových systémoch. Hybridné metódy kombinovať silné stránky algoritmov založených na modeloch, riadených dátami a učenia sa. To pomáha znížiť šum, spracovať neznáme a držať krok so starnutím batérie.
Mnohé optimalizačné algoritmy, ako napríklad metóda najmenších štvorcov, optimalizačný algoritmus Sunflower a vyhľadávací algoritmus Bald Eagle, zlepšujú kontroly stavu nabitia. Napríklad vyhľadávací algoritmus Bald Eagle mal maximálnu chybu pre SOC iba 1.06 %.
Vylepšené mapy samoorganizácie a čiastočne riadené učenie ukázali najvyššie chyby blízko 1.25 % a RMSE až 0.55 %. Tieto výsledky znamenajú, že hybridné metódy poskytujú silné kontroly stavu nabitia (SOC) pre lítium-iónové batérie.
Používanie aktívneho vyvažovania článkov so strojovým učením pre zostávajúcu životnosť pomáha pri rozdieloch v článkoch a starnutí batérie. Vyvážené články poskytujú lepšie údaje o stave nabitia, čo pomáha predpovedať stav lítium-iónovej batérie.
Hybridné modely neurónových sietí pomáhajú so zmenami teploty a so spôsobom používania batérií. Kombináciou fyzického vyvažovania a metód založených na dátach môžu systémy správy batérií pomôcť lítium-iónovým batériám vydržať dlhšie a lepšie fungovať. Fúzia viacerých modelov, ako napríklad Random Forest, ešte viac posilňuje kontroly stavu batérií využitím najlepších častí rôznych modelov.
Hybridné metódy pomáhajú systémom správy batérií zvládať zmeny v reálnom svete. Vďaka tomu sú spoľahlivejšie pre elektrické vozidlá a iné využitie.
Úvahy o aplikácii
Výber a použitie hybridných metód v reálnych lítium-iónových batériových systémoch si vyžaduje starostlivé plánovanie. Inžinieri musia zvážiť, čo si každé použitie vyžaduje, napríklad elektromobily alebo úložisko energie.
Metódy založené na dátach využívajú údaje zo senzorov v reálnom čase a menia sa s pribúdajúcim vekom alebo používaním batérií. Tieto spôsoby sú presnejšie, fungujú s rôznymi chemickými zložkami a dobre zvládajú šum senzorov.
Hybridné frameworky lepšie kombinujú algoritmy náhodného lesa, modely založené na fyzike a ďalšie nástroje strojového učenia. Táto rovnováha poskytuje presnosť, funguje rýchlo a možno ju použiť pre mnoho typov a situácií lítium-iónových batérií.
Inžinieri musia riešiť problémy, ako je potreba veľkého množstva kvalitných údajov, výber správnych funkcií a náklady na počítače. Kombinácia funkcií a ladenie nastavení môže zlepšiť predpovede a pomôcť so zmenami v reálnom čase.
Množstvo údajov, ako je napätie článkov, prúd, teplota a počet cyklov, pomáha pri výbere najlepších hybridných metód. Tieto spôsoby pomáhajú s údajmi s vysokým šumom alebo chýbajúcimi údajmi a poskytujú špecifické výsledky pre každé použitie, nielen základný stav nabitia a funkčnosť. V reálnom živote hybridné metódy fungujú dobre v laboratóriách aj v teréne, napríklad v elektromobiloch, kde udržiavajú batérie v bezpečí a funkčné za rôznych podmienok.
Tip: Pri výbere hybridných metód by inžinieri mali metódu prispôsobiť cieľom, údajom a miestu použitia batériového systému. To pomáha zabezpečiť spoľahlivú správu lítium-iónových batérií, jej možnosť rastu a fungovanie v reálnom čase.
Poznanie správneho soc a SOH je veľmi dôležité pre to, ako dobre a bezpečne fungujú lítium-iónové batérie. Každá metóda má svoje výhody, ale použitie viacerých metód spolu v systéme správy batérií prináša najlepšie výsledky pre dlhšiu životnosť a lepšiu funkčnosť lítium-iónových batérií. Nový výskum ukazuje, že používanie inteligentných spôsobov výberu dôležitých údajov a vylepšených neurónových sietí môže spôsobiť veľmi malé chyby, dokonca až do 0.16 %. To pomáha batériám vydržať dlhšie a zostať bezpečnejšími. Je dôležité vybrať si metódu odhadu, ktorá vyhovuje potrebám každej lítium-iónovej batérie.
Často kladené otázky
Aká je hlavná úloha systému správy batérií?
Systém správy batérií chráni batérie. Kontroluje stav nabitia a funkčnosť. Systém vyvažuje články tak, aby fungovali spoločne. Zabraňuje prílišnému prehriatiu alebo prílišnému nabitiu batérií. To pomáha batériám vydržať dlhšie a lepšie fungovať.
Prečo senzory nedokážu priamo merať stav nabitia?
Senzory nedokážu nahliadnuť do batérie. Chemické reakcie prebiehajú vo vnútri, kam senzory nevidia. Senzory merajú iba napätie, prúd a teplotu. Systém používa tieto čísla so špeciálnymi algoritmami na odhad stavu nabitia.
Ako teplota ovplyvňuje odhad stavu batérie?
Keď je veľmi teplo alebo zima, reakcie batérie sa menia. Systém môže robiť chyby v stave nabitia alebo funkčnosti. Dobré systémy správy batérií menia svoje výpočty, aby tieto chyby opravili.
Ktorá metóda poskytuje najpresnejší odhad zdravotného stavu?
Metóda | Úroveň presnosti |
|---|---|
Strojové učenie | Veľmi Vysoko |
Analýza impedancie | vysoký |
Vnútorná odolnosť | stredná |
Počítanie cyklov | Nízky |
Strojové učenie zvyčajne poskytuje najlepšie výsledky, ak sú dáta dobré.
