Sistem za upravljanje baterij ugotavlja stanje napolnjenosti in zdravja litij-ionskih baterij z uporabo tehnik posrednega ocenjevanja. Teh stvari ne more neposredno izmeriti, ker ima baterija v sebi kompleksne reakcije. Zato sistem uporablja metode, kot so statistična ekstrakcija značilnosti, Coulombovo štetje in napredni modeli, ki temeljijo na podatkih. Na primer, preučuje statistične metrike, kot so varianca, povprečje in asimetrija iz krivulj napetosti in toka, da bi opazoval degradacijo baterije. Uporaba posrednih metod ocenjevanja, kot sta strojno učenje in pristopi, ki temeljijo na opazovalcih, pomaga, da je ocena napolnjenosti (SOC) natančnejša in varnejša. Te metode ocenjevanja napolnjenosti (SOC) pomagajo sistemu za upravljanje baterij napovedati spremembe v litij-ionskih baterijah. Prav tako pomagajo bolje obvladovati izgubo zmogljivosti, staranje in tveganja. Dobra ocena stanja napolnjenosti in zdravja pomaga, da vsaka litij-ionska baterija deluje bolje in traja dlje.
Natančna ocena napetosti (SOC) v litij-ionskih baterijskih sistemih ščiti baterijo pred prenapolnjenjem, pregrevanjem in nenadnimi odpovedmi. Zaradi tega so močne tehnike ocenjevanja zelo pomembne za sodobne sisteme upravljanja baterij.
Statistična metrika | Opis | Korelacija z degradacijo baterije |
|---|---|---|
variance | Preverja, kako so spremembe napetosti/toka stalne | Večja variance pomeni neenakomeren notranji upor in kemične reakcije ter poškodbe elektrod. |
Najvišja vrednost | Najvišja napetost/tok med polnjenjem ali praznjenjem | Nižje številke kažejo manjšo nosilnost in morebitne varnostne težave, kot sta prekomerno polnjenje ali pregrevanje |
Najmanjša vrednost | Najnižja napetost/tok med polnjenjem ali praznjenjem | Prikazuje izgubo zmogljivosti in varnostne težave |
Povprečje (Average) | Povprečna napetost/tok med ciklom | Spremembe kažejo na razgradnjo elektrolitov in manjšo proizvodnjo energije |
Asimetrija | Kako neenakomerno se porazdeli napetost/tok | Uporablja se pri ekstrakciji značilnosti za napovedovanje SOH |
Prekomerna kurtoza | Kako oster je vrh napetosti/toka | Višje številke pomenijo večjo polarizacijo in manjšo sposobnost vstavljanja litija |
Ključni izdelki
Sistemi za upravljanje baterij ne morejo neposredno meriti napolnjenosti ali stanja. Uporabljajo posredne načine, kot so statistična analiza, Coulombovo štetje in strojno učenje. Te metode pomagajo oceniti napolnjenost in stanje baterije.
Poznavanje stanja napolnjenosti pomaga ohranjati varnost baterij. Preprečuje prekomerno polnjenje, pregrevanje in nenadne težave.
Obstajajo različni načini za preverjanje baterij. Napetost odprtega tokokroga, Coulombovo štetje, Kalmanovo filtriranje in modeli, ki temeljijo na umetni inteligenci, so le nekatere metode. Vsaka ima dobre in slabe strani. Njihova skupna uporaba izboljša in poveča zanesljivost rezultatov.
Ocena stanja preveri starost baterije. Upošteva izgubo kapacitete in notranji upor. To pomaga oceniti življenjsko dobo baterije in se izogniti varnostnim težavam.
Hibridni pristopi združujejo metode, ki temeljijo na modelih, in metode, ki temeljijo na podatkih. Ti dajejo najboljše rezultate. Z uporabo v resničnem svetu se lahko spremenijo. To pomaga, da baterije zdržijo dlje in delujejo bolje.
Osnove sistema za upravljanje baterij
Ključne funkcije
Sistem za upravljanje baterij je zelo pomemben za litij-ionske baterije. Pomaga ohranjati litij-ionske baterije varne in dobro delujoče. Sistem preverja napetost, tok in temperaturo vsake litij-ionske celice baterije. Prav tako zagotavlja enakomerno polnjenje in praznjenje vseh litij-ionskih celic baterije. To pomaga, da vsaka litij-ionska baterija traja dlje in deluje bolje.
Sistem za upravljanje baterij spremlja stanje napolnjenosti in stanje vsake litij-ionske baterije. Te številke uporablja za preprečevanje prekomernega polnjenja in globokega praznjenja, ki lahko škoduje litij-ionskim baterijam.
Varnost je na prvem mestu. Sistem bo odklopil litij-ionsko baterijo, če odkrije težave, kot so pregrevanje ali kratki stiki. Za delovanje lahko uporabi rezervne celice ali pakete.
Komunikacija je pomembna. Sistem za upravljanje baterij uporablja vodila SPI in CAN za pošiljanje podatkov drugim delom naprave ali vozila.
Obstajajo različne vrste, kot so centralizirani ali porazdeljeni, zato lahko sistem za upravljanje baterij ustreza številnim izvedbam litij-ionskih baterij.
Nekateri sistemi imajo dodatne funkcije, kot so oddaljeno spremljanje, napovedovanje življenjskega cikla in odkrivanje napak. Ti uporabljajo računalništvo v oblaku in strojno učenje, da bi baterija delovala bolje in varneje.
Ključna funkcija / algoritem | Opis |
|---|---|
Spremljanje celic | Spremlja napetost, tok in temperaturo vsake litij-ionske baterije. Odkrije težave in sproži varnostne ukrepe. Ugotavlja stanje napolnjenosti in stanje baterije. |
Optimizacija porabe energije | Nadzira polnjenje in praznjenje, da zaščiti litij-ionske baterije. Deluje z drugimi sistemi za pametno uporabo energije. |
Zagotavljanje varnosti | Preprečuje nevarnosti, kot je toplotni pobeg. Uporablja rezervne načrte in ščiti ljudi pred električnim udarom. |
Optimizacija polnjenja baterije | Spremeni polnjenje za manjšo obremenitev vsake litij-ionske baterije. Shrani kode napak za kasnejše preglede. |
Algoritem za uravnoteženje celic | Zagotavlja, da imajo vse litij-ionske baterije enako napetost. Uporablja aktivno ali pasivno uravnoteženje za boljše delovanje baterije. |
Komunikacijski algoritmi | Pošilja podatke med sistemom za upravljanje baterije in drugimi napravami. Preneha polnjenje, če zazna nevarne pogoje. |
Nasvet: Uporaba že pripravljenih programskih in strojnih orodij lahko inženirjem pomaga pri hitrejši izgradnji in testiranju sistema za upravljanje litij-ionskih baterij.
Podprte kemije
Sistem za upravljanje baterij mora delovati z različnimi kemijskimi sestavami litij-ionskih baterij. Vsaka kemijska sestava, kot so NMC, LFP in NCA, ima svoje dobre in slabe strani. Na primer, litij-ionske baterije NMC imajo visoko energijsko gostoto. Litij-ionske baterije LFP zdržijo dlje in bolje prenašajo toploto. Sistem za upravljanje baterij spremeni način delovanja, da ustreza vsaki kemijski sestavi litij-ionske baterije.
Nedavne študije preučujejo, kako delujejo različne kemijske sestave litij-ionskih baterij v električnih vozilih. Te študije kažejo, da morajo sistemi za upravljanje baterij obvladovati spremembe v gostoti energije, stroških in življenjski dobi. Prav tako kažejo, da sta toplotno upravljanje in napredna ocena stanja pomembna za vsako vrsto litij-ionske baterije. Modeli strojnega učenja lahko pomagajo napovedati stanje litij-ionskih baterij z uporabo filtriranih podatkov. To zmanjšuje napake in pomaga sistemu za upravljanje baterij, da se spopade s staranjem vsake kemijske sestave litij-ionske baterije.
Prilagodljiv sistem za upravljanje baterij lahko deluje s številnimi kemičnimi vrstami litij-ionskih baterij. To pomaga vsaki aplikaciji, od električnih vozil do prenosne elektronike, doseči najboljšo zmogljivost in varnost baterije.
Stanje napolnjenosti litij-ionskih baterij
Stanje napolnjenosti je zelo pomembno za litij-ionske baterije. Pomaga ohranjati baterijo varno in dobro delovanje. Če stanje napolnjenosti ni pravilno, se lahko baterija pregreje ali izgubi energijo. To lahko povzroči zlom baterije ali celo nevarne težave, kot so požari. Pri električnih avtomobilih poznavanje stanja napolnjenosti pomaga pri zaviranju in polnjenju. Prav tako podaljša življenjsko dobo baterije. Študije kažejo, da dobra ocena stanja napolnjenosti zmanjšuje število napak in pomaga okolju.
Stanja napolnjenosti litij-ionske baterije ni mogoče neposredno izmeriti. Kemijske reakcije v notranjosti so skrite in jih je težko videti. Senzorji se lahko motijo zaradi šuma in sprememb v bateriji. Zato sistemi za upravljanje baterij uporabljajo posebne načine za ugotavljanje stanja napolnjenosti. Za ugotavljanje stanja upoštevajo napetost, tok in temperaturo. Te metode pomagajo pri reševanju težav s senzorji in staranju baterije.
Metoda OCV
Metoda napetosti odprtega tokokroga ugane stanje napolnjenosti s preverjanjem napetosti akumulatorja po mirovanju. Vsak kemični sestav akumulatorja ima svojo povezavo med napetostjo in stanjem napolnjenosti. Ta metoda je preprosta in ni draga. Dobro deluje za prvo preverjanje stanja napolnjenosti in ne potrebuje velikega modela akumulatorja.
Vidik | podrobnosti |
|---|---|
Načelo | Napetost baterije se izmeri po mirovanju. Povezava med OCV in stanjem napolnjenosti se ugotovi s testiranjem vsake vrste baterije. |
Prednosti | 1. Preprost postopek |
Omejitve | 1. Potrebuje dolg čas počitka (več kot 2 uri, če je hladno) |
Metoda OCV ne more preveriti stanja napolnjenosti med delovanjem baterije. Litij-ionske baterije se pogosto hitro menjajo, zato čakanje, da se baterija polni, ni smiselno. Ravne točke na krivulji OCV omogočajo lažje velike napake zaradi majhnih sprememb napetosti.
Coulombovo štetje
Coulombovo štetje ali štetje v Ah ugiba stanje naboja s seštevanjem vhodnega in izhodnega toka. Začne se s prvo številko stanja naboja in jo spreminja glede na gibanje toka.
Evalvacijski vidik | podrobnosti |
|---|---|
Metoda | Izboljšan algoritem štetja Coulombov |
Validacijski pristop | MATLAB test v primerjavi z dejanskim stanjem napolnjenosti iz krivulj polnjenja/praznjenja |
Največja napaka (konec polnjenja) | O 3.5% |
Napaka med fazo CC | Manj kot 2% |
Napaka med fazo življenjepisa | Manj kot 1% |
Trend napak | Sčasoma se pred zdravstvenim pregledom poveča |
Pomembni dejavniki | Dobro prvo stanje napolnjenosti in preverjanje polnjenja zmanjšujeta napake |
Prednosti | Preprosta matematika; dovolj dobra natančnost; dodatni podatki o bateriji niso potrebni |
Omejitve | Napake se sčasoma kopičijo; potrebne so dobre številke o prvem stanju napolnjenosti in zdravstvenem stanju. |
Coulombovo štetje je enostavno za uporabo in ne potrebuje dodatnih podatkov o bateriji. Vendar se lahko napake sčasoma kopičijo. Majhne napake v trenutnem ali prvem stanju napolnjenosti se lahko poslabšajo. Ta metoda najbolje deluje z rednimi pregledi ali drugimi načini pomoči.
Metoda | RMSE | MSE | MZZ | Ključne ugotovitve |
|---|---|---|---|---|
Coulombovo štetje (CC) | 0.5071 | 0.2572 | 0.4571 | Največ napak zaradi šuma in napak senzorjev; ni primerno za dolgotrajno uporabo |
Razširjeni Kalmanov filter | 0.0925 | N / A | N / A | Boljša natančnost z uporabo modela; potreben je dober model baterije |
linearna regresija | 0.0778 | N / A | N / A | Boljše od EKF, vendar ni popolno za spremembe stanja napolnjenosti |
Podporni vektorski stroj | 0.0319 | N / A | N / A | Bolje obvladuje spremembe; potrebuje več računalniške moči |
Naključna gozdna regresija | 0.0229 | 0.0005 | 0.0139 | Najboljša natančnost; dobro deluje s šumom in spremembami; dobro za resnično upravljanje baterije |
Kalmanovo filtriranje
Kalmanovo filtriranje uporablja matematične modele za ugibanje stanja napolnjenosti. Priljubljena sta razširjeni Kalmanov filter in Kalmanov filter brez vonja. Ta filtra mešata podatke v realnem času z ugibanji modela baterije. Svoja ugibanja popravijo, ko pridejo novi podatki.
Kalmanove metode filtriranja, kot so EKF, UKF, adaptivni Kalmanovi filtri in dvojni Kalmanovi filtri, se pogosto uporabljajo.
Ti filtri uporabljajo preproste modele baterij in bolj zapletene za doseganje boljših rezultatov.
Testi kažejo, da Kalmanovi filtri dobro obvladujejo spremembe, pomnilnik baterije in šum senzorjev.
Spreminjanje nastavitev in uporaba nevronskih mrež jih še izboljšata.
Vedno znova posodabljanje številk pomaga odpraviti napake zaradi sprememb modela in odmika senzorjev.
Študije kažejo, da so prilagodljivi in dvojni Kalmanovi filtri boljši za stanje napolnjenosti kot običajni EKF.
Kalmanovo filtriranje daje dobre ocene stanja napolnjenosti litij-ionskih baterij v realnem času. Zahteva skrbno nastavitev in dober model baterije. Uporaba je lahko težavna, vendar deluje dobro, ko se stvari hitro spreminjajo.
Hibridne in umetne inteligence metode
Hibridne in umetne inteligence metode združujejo načine, ki temeljijo na modelih in podatkih, za ugibanje stanja naboja. Te uporabljajo strojno učenje, kot so nevronske mreže, stroji podpornih vektorjev in regresija naključnega gozda. Učijo se iz podatkov o napetosti, toku in temperaturi. Hibridne metode odpravljajo težave, ki jih posamezne metode ne morejo rešiti.
Vidik | Opis |
|---|---|
Metoda | Ugibanje hibridnega stanja naboja z uporabo Coulombovega štetja in stroja za vektorje ustreznosti (movIRVM-Coulomb) |
Podatkovni niz | Podatki o posameznih baterijskih celicah, podatki o testiranju baterijskih sklopov, podatki simulacije Advisor |
Pogoji | Testi z US06, UDDS, NYCC, 1015 voznimi cikli; temperature 0 °C, 25 °C, 45 °C; prvo stanje napolnjenosti 50 %, 80 % |
Natančnost (RMSE) | Znotraj 2 % za številne teste in temperature |
Izboljšava | Več kot 30 % boljše kot samo movIRVM; manj napak skozi čas |
Ključna omejitev odpravljena | Odpravlja kopičenje napak pri čistem Coulombovem štetju |
Dodatne opombe | Uporablja drseče povprečje za zmanjšanje šuma; za del RVM potrebuje le 10–30 % učnih podatkov. |
Hibridne metode združujejo podatke in modele za obvladovanje nenavadnih dejanj baterij.
Metode, ki temeljijo na podatkih, vključujejo nevronske mreže, stroje podpornih vektorjev, Gaussovo procesno regresijo, valovne nevronske mreže in mehko logiko.
Na te načine lahko ugotovite stanje naboja iz signalov, ki jih lahko izmerite.
Težave vključujejo razlike v baterijah, nenavadno uporabo in obrabo baterije.
Raziskovalcem so zdaj všeč metode, ki temeljijo na podatkih, ker modeli sami po sebi ne morejo rešiti vseh težav.
Nove študije, ki uporabljajo globoko učenje in podatke iz resničnih avtomobilov, kažejo, da lahko hibridne in umetne inteligence metode uganejo stanje napolnjenosti z manj kot 2-odstotno napako. Ti načini so zelo natančni in delujejo dobro, tudi ko se stvari zelo spremenijo.
Opomba: Statistične metode pomagajo pri ugibanju stanja napolnjenosti z odpravljanjem negotovosti, napak senzorjev in naključnega šuma. Kalibracija, regresija in testiranje naredijo vse metode za merjenje stanja napolnjenosti zanesljivejše.
Metode ocenjevanja zdravstvenega stanja
Stanje zdravja ali SOH nam pove, koliko se je litij-ionska baterija postarala. Primerja trenutno stanje baterije s stanjem, ko je bila nova. SOH se ugotovi tako, da se trenutna kapaciteta primerja z originalno kapaciteto. Preveri se lahko tudi s primerjavo notranjega upora z novo celico. Ko SOH pade pod 80 % ali 70 %, je baterija na koncu svoje življenjske dobe. SOH je pomemben, ker vpliva na to, kako dobro deluje baterija, kako varna je in kako dolgo zdrži. Ko se SOH zmanjšuje, baterija zadrži manj energije. To pomeni, da električni avtomobili ne morejo prevoziti toliko energije in naprave ne delujejo tako dolgo. Če se baterija zelo postara, lahko nabrekne, pušča ali se celo vname. Dobra napoved SOH pomaga preprečiti te težave in ohranja baterije varne.
Vidik | dokazi | Številski podatki / Podrobnosti |
|---|---|---|
Opredelitev SOH | SOH je razmerje med trenutno kapaciteto in začetno kapaciteto oziroma primerja notranji upor z novo baterijo. | Konec življenjske dobe SOH je še vedno na 80 % ali 70 % zmogljivosti. |
Vpliv na dolgoživost | SOH kaže, koliko kapacitete se izgubi, kar omejuje doseg električnih vozil. Staranje baterije pomeni manjšo kapaciteto. | Baterije električnih vozil, ki se uporabljajo več kot 10,000 km in več kot 800 dni, kažejo vzorce izgubljanja zmogljivosti. |
Vpliv na varnost | Slabo staranje lahko povzroči puščanje, otekanje, pregrevanje in požare. | Varnostna tveganja se poslabšajo, ko se SOH zmanjša, zato je preverjanje SOH pomembno. |
Vir podatkov | Podatki prihajajo iz številnih električnih vozil z različnimi načini vožnje in polnjenja. | Nabor podatkov vsebuje 347 električnih vozil, zapise o polnjenju za 25 mesecev in veliko sprememb v resničnem svetu. |
Izzivi pri ocenjevanju SOH | Zaradi sprememb v resničnem svetu, napak v SOC, šumnih podatkov in nezadostnega števila vzorcev je SOH težko preveriti. | Napake v stanju pripravljenosti (SOC) se s staranjem baterij povečujejo, BMS pa ima težave s hitrim posodabljanjem zmogljivosti. |
Napredne metode | Strojno učenje in metode, ki temeljijo na podatkih, izboljšajo preverjanja SOH. | BiGRU, regresija podpornih vektorjev in globoke nevronske mreže pomagajo natančneje uganiti SOH in SOC. |
Notranji odpor
Notranji upor je zelo pomemben za preverjanje stanja napolnjenosti (SOH) v litij-ionskih baterijah. Ko se baterije starajo, se njihov notranji upor povečuje. To se zgodi, ker se deli v notranjosti baterije obrabijo in pokvarijo. Če se upor podvoji ali kapaciteta pade na 70–80 %, je baterija na koncu svoje življenjske dobe. Številni načini za preverjanje stanja napolnjenosti (SOH) uporabljajo notranji upor. Neposredno merjenje upora daje dobre rezultate, vendar običajno zahteva, da baterija počiva, kar je med normalno uporabo težko.
Znanstveniki so odkrili nove načine uporabe notranjega upora za izboljšanje preverjanj SOH. Na primer, krivuljo napetosti odprtega tokokroga popravijo z uporabo podatkov o uporu. To pomaga zmanjšati napake zaradi sprememb hitrosti polnjenja. Ta način uporablja stvari, kot je čas polnjenja s konstantnim tokom namesto trde matematike. Testi na dejanskih podatkih o baterijah kažejo, da lahko ta metoda zmanjša povprečno absolutno napako na približno 1.28 % za nekatera napetostna območja. Ti rezultati kažejo, da spremljanje notranjega upora naredi preverjanja SOH močnejša in natančnejša.
impedanca
Metode, ki temeljijo na impedanci, uporabljajo odziv baterije na elektriko za preverjanje stanja naboja (SOH). Te metode pogosto uporabljajo elektrokemijsko impedančno spektroskopijo ali podobne teste. Z opazovanjem delovanja baterije pri različnih frekvencah lahko inženirji opazijo staranje in ugibajo stanje naboja. Metode impedance so lahko zelo natančne, z napakami korena povprečja kvadratov med 0.75 % in 1.5 % enot SOH.
Vrsta metode | Opis | Natančnost napovedi SOH (RMS napaka) | Praktični premisleki |
|---|---|---|---|
Neposredni podatki EIS | Uporablja surove podatke elektrokemijske impedančne spektroskopije | 0.75 % – 1.5 % enot SOH | Hitro za merjenje, vendar so celice lahko različne |
Ekvivalentna vezja ustrezajo | Ujema podatke EIS z modeli vezij | 0.75 % – 1.5 % enot SOH | Potrebuje več dela in matematike, vendar ima manj negotovosti |
Porazdelitev časov relaksacije (DRT) | Z uporabo podatkov EIS se preveri, koliko časa traja, da se stvari umirijo. | 0.75 % – 1.5 % enot SOH | Porabi veliko računalniške moči, vendar je prilagodljiv |
Nelinearna analiza frekvenčnega odziva (NFRA) | Uporablja posebne frekvenčne podatke za preverjanje SOH | 0.75 % – 1.5 % enot SOH | Daje dobre informacije o delovanju baterije, hitreje kot pri popolni izpraznitvi |
Metode, ki temeljijo na impedanci, se dobro obnesejo v laboratorijih in dajejo veliko podrobnosti o staranju baterij. Vendar pa je te metode lahko težko in zapleteno uporabljati v sistemih baterij v realnem času. Pogosto zahtevajo posebna orodja in skrbno nastavitev. Novejši načini, ki temeljijo na podatkih, začenjajo prevzemati prevlado z uporabo strojnega učenja za ugibanje staranja baterij brez trdih modelov.
Štetje ciklov
Štetje ciklov je eden najstarejših načinov za preverjanje stanja napolnjenosti (SOH) v litij-ionskih baterijah. Na ta način se šteje, kolikokrat je bila baterija napolnjena in uporabljena. Vsak poln cikel baterijo nekoliko postara. S štetjem ciklov lahko inženirji ugibajo, koliko se je baterija obrabila.
Štetje ciklov je enostavno in ne zahteva posebnih orodij ali zahtevne matematike. Vendar ne upošteva, kako se vsak cikel razlikuje. Stvari, kot so temperatura, koliko se baterija uporablja in kako hitro se polni, vplivajo na hitrost staranja, vendar štetje ciklov obravnava vsak cikel enako. Zaradi tega so lahko preverjanja stanja napolnjenosti baterije napačna, zlasti v resničnem življenju, kjer so baterije izpostavljene številnim vrstam obremenitev.
Napredne metode
Napredni načini preverjanja stanja baterij uporabljajo strojno učenje in umetno inteligenco za preučevanje številnih podatkov o baterijah. Ti načini se učijo iz napetosti, toka in temperature, da bi bolje uganili stanje baterij kot starejši načini. Modeli strojnega učenja, kot so podporni vektorji, naključni gozdovi in globoke nevronske mreže, lahko odkrijejo zapletene vzorce staranja baterij.
Nedavne študije kažejo, da ti načini, ki temeljijo na podatkih, delujejo bolje kot stari fizikalni modeli. Na primer, regresija podpornih vektorjev in Gaussova procesna regresija lahko pri ugibanju stanja nabora dosežeta napake korena povprečja kvadratov pod 0.4 %. Tudi nevronske mreže s predhodno navedbo in prilagodljivi nevro-mehki sistemi sklepanja se dobro obnesejo, z malo napakami in dobrimi rezultati za različne baterije.
Strojno učenje ne potrebuje podrobnih modelov baterij.
Računalništvo v oblaku omogoča delovanje večjih modelov, zaradi česar so preverjanja SOH boljša, tudi če je baterijski sistem majhen.
Uporaba več kot enega modela strojnega učenja lahko še bolj natančno preveri SOH.
Na te načine je mogoče v resničnih testih doseči povprečne absolutne napake znotraj 3 % in korenske povprečne kvadratne napake znotraj 2 %.
Vendar pa napredni načini potrebujejo dobre in veliko podatkov za učenje. Lahko imajo težave z nenavadnim staranjem baterij ali velikimi spremembami v načinu uporabe baterij. Pomembno je izbrati dobre lastnosti iz podatkov o polnjenju, saj je polnjenje bolj pogosto kot praznjenje baterije v električnih avtomobilih. Inženirji morajo pred uporabo zagotoviti, da so ti načini močni in varni. baterijski sistemi, ki ščitijo ljudi.
Opomba: Prehod s starih fizikalnih modelov na načine, ki temeljijo na podatkih, kaže, da potrebujemo boljše in bolj prilagodljive preglede stanja napolnjenosti (SOH) litij-ionskih baterij. Strojno učenje pomaga zgodaj odkriti staranje baterij in izboljša delovanje baterij, saj prej odkrije znake težav.
Kombiniranje metod za natančnost
Hibridni pristopi
Sistemi za upravljanje baterij delujejo bolje, če uporabljajo več kot eno metodo za preverjanje stanja napolnjenosti in zdravja. Ena sama metoda ne more rešiti vseh težav v litij-ionskih baterijskih sistemih. Hibridne metode združite prednosti algoritmov, ki temeljijo na modelih, podatkih in učenju. To pomaga zmanjšati šum, obravnavati neznanke in slediti staranju baterije.
Številni optimizacijski algoritmi, kot so metoda najmanjših kvadratov, algoritem optimizacije Sunflower in algoritem iskanja Bald Eagle, izboljšajo preverjanje stanja napolnjenosti. Na primer, algoritem iskanja Bald Eagle je imel največjo napako le 1.06 % za SOC.
Izboljšani zemljevidi samoorganizacije in delno nadzorovano učenje so pokazali največje napake blizu 1.25 % in RMSE le 0.55 %. Ti rezultati pomenijo, da hibridne metode zagotavljajo močne preizkuse stanja napolnjenosti (SOC) za litij-ionske baterije.
Uporaba aktivnega uravnoteženja celic s strojnim učenjem za preostalo življenjsko dobo pomaga pri razlikah med celicami in staranju baterij. Uravnotežene celice zagotavljajo boljše podatke o stanju napolnjenosti, kar pomaga napovedati zdravje litij-ionske baterije.
Hibridni modeli nevronskih mrež pomagajo pri temperaturnih spremembah in načinu uporabe baterij. Z združevanjem fizičnega uravnoteženja in podatkovno vodenih metod lahko sistemi za upravljanje baterij pomagajo, da litij-ionske baterije trajajo dlje in delujejo bolje. Združevanje več modelov, kot je Random Forest, še izboljša preglede stanja z uporabo najboljših delov različnih modelov.
Hibridne metode pomagajo sistemom za upravljanje baterij pri obvladovanju sprememb v resničnem svetu. Zaradi tega so zanesljivejši za električna vozila in druge namene.
Premisleki glede uporabe
Izbira in uporaba hibridnih metod v resničnih litij-ionskih baterijskih sistemih zahteva skrbno načrtovanje. Inženirji morajo razmisliti o tem, kaj vsaka uporaba potrebuje, na primer električni avtomobili ali shranjevanje energije.
Metode, ki temeljijo na podatkih, uporabljajo podatke senzorjev v realnem času in se spreminjajo, ko se baterije starajo ali obrabljajo. Te metode so natančnejše, delujejo z različnimi kemikalijami in dobro obvladujejo šum senzorjev.
Hibridni ogrodji združujejo boljše algoritme naključnega gozda, modele, ki temeljijo na fiziki, in druga orodja za strojno učenje. To ravnovesje zagotavlja natančnost, hitro delovanje in se lahko uporablja za številne vrste in situacije litij-ionskih baterij.
Inženirji morajo reševati probleme, kot so potreba po veliko dobrih podatkih, izbira pravih funkcij in stroški računalnika. Kombiniranje funkcij in prilagajanje nastavitev lahko izboljša napovedi in pomaga pri spremembah v realnem času.
Veliko podatkov, kot so napetost celic, tok, temperatura in število ciklov, pomaga pri izbiri najboljših hibridnih metod. Te metode pomagajo pri šumnih ali manjkajočih podatkih in dajejo posebne rezultate za vsako uporabo, ne le za osnovno stanje napolnjenosti in stanje delovanja. V resničnem življenju hibridne metode dobro delujejo v laboratorijih in na terenu, na primer v električnih avtomobilih, kjer ohranjajo baterije varne in delujoče v različnih pogojih.
Nasvet: Pri izbiri hibridnih metod morajo inženirji metodo uskladiti s cilji, podatki in kje se bo uporabljal baterijski sistem. To pomaga zagotoviti, da je upravljanje litij-ionskih baterij zanesljivo, da se lahko razvija in da deluje v realnem času.
Poznavanje pravilnega soc in SOH je zelo pomembno za to, kako dobro in varno delujejo litij-ionske baterije. Vsaka metoda ima svoje prednosti, vendar uporaba več metod skupaj v sistemu za upravljanje baterij daje najboljše rezultate za podaljšanje življenjske dobe in boljše delovanje litij-ionskih baterij. Nove raziskave kažejo, da lahko uporaba pametnih načinov za izbiranje pomembnih podatkov in izboljšanih nevronskih mrež povzroči zelo majhne napake, celo do 0.16 %. To pomaga, da baterije trajajo dlje in ostanejo varnejše. Pomembno je izbrati metodo ocenjevanja, ki ustreza potrebam posamezne litij-ionske baterije.
FAQ
Kaj je glavna naloga sistema za upravljanje baterij?
Sistem za upravljanje baterij zagotavlja varnost baterij. Preverja stanje napolnjenosti in njihovo uporabnost. Sistem uravnava celice, da delujejo skupaj. Preprečuje, da bi se baterije preveč segrele ali preveč napolnile. To pomaga, da baterije zdržijo dlje in delujejo bolje.
Zakaj senzorji ne morejo neposredno meriti stanja napolnjenosti?
Senzorji ne morejo pogledati v notranjost baterije. Kemijske reakcije se dogajajo v notranjosti, kjer senzorji ne morejo videti. Senzorji merijo le napetost, tok in temperaturo. Sistem uporablja te številke s posebnimi algoritmi za ugibanje stanja napolnjenosti.
Kako temperatura vpliva na oceno stanja baterije?
Ko je zelo vroče ali mrzlo, se odzivi baterij spremenijo. Sistem lahko dela napake glede stanja napolnjenosti ali stanja delovanja. Dobri sistemi za upravljanje baterij spremenijo svojo matematiko, da odpravijo te napake.
Katera metoda daje najnatančnejšo oceno zdravstvenega stanja?
Metoda | Raven natančnosti |
|---|---|
strojno učenje | Zelo visoko |
Impedančna analiza | visoka |
Notranji odpor | srednje |
Štetje ciklov | nizka |
Strojno učenje običajno daje najboljše rezultate, če so podatki dobri.
