Një sistem menaxhimi baterish zbulon gjendjen e karikimit dhe gjendjen shëndetësore në bateritë litium-jon duke përdorur teknika indirekte vlerësimi. Ai nuk mund t'i matë këto gjëra drejtpërdrejt sepse bateria ka reaksione komplekse brenda. Pra, sistemi përdor metoda si nxjerrja statistikore e karakteristikave, numërimi i Kulombit dhe modele të avancuara të bazuara në të dhëna. Për shembull, ai shqyrton metrika statistikore si varianca, mesatarja dhe shtrembërimi nga kurbat e tensionit dhe rrymës për të vëzhguar degradimin e baterisë. Përdorimi i metodave indirekte të vlerësimit, si të mësuarit automatik dhe qasjet e bazuara në vëzhgues, ndihmon që vlerësimi soc të jetë më i saktë dhe i sigurt. Këto metoda vlerësimi soc ndihmojnë sistemin e menaxhimit të baterive të parashikojë ndryshimet në bateritë litium-jon. Ato gjithashtu ndihmojnë në menaxhimin më të mirë të humbjes së kapacitetit, plakjes dhe rreziqeve. Vlerësimi i mirë i gjendjes së karikimit dhe vlerësimi i gjendjes shëndetësore ndihmojnë çdo bateri litium-jon të funksionojë më mirë dhe të zgjasë më shumë.
Vlerësimi i saktë i fuqisë në sistemet e baterive litium-jon e mban baterinë të sigurt nga mbingarkesa, mbinxehja dhe defektet e papritura. Kjo i bën teknikat e forta të vlerësimit shumë të rëndësishme për sistemet moderne të menaxhimit të baterive.
Metrika statistikore | Përshkrim | Korrelacioni me degradimin e baterisë |
|---|---|---|
grindje | Kontrollon se sa janë ndryshimet e qëndrueshme të tensionit/rrymës | Variancë më e lartë do të thotë rezistencë e pabarabartë e brendshme dhe reaksione kimike, si dhe dëmtim i elektrodës. |
Vlera maksimale | Tensioni/rryma më e lartë gjatë karikimit ose shkarkimit | Numrat më të ulët tregojnë më pak kapacitet ngarkese dhe probleme të mundshme sigurie si mbingarkesa ose mbinxehja |
Vlera minimale | Tensioni/rryma më e ulët gjatë karikimit ose shkarkimit | Tregon humbje të kapacitetit dhe probleme sigurie |
Mesatarja (Mesatarja) | Tensioni/rryma mesatare gjatë një cikli | Ndryshimet tregojnë zbërthim të elektroliteve dhe prodhim më të ulët të energjisë |
lakueshmërisë | Sa e pabarabartë është përhapja e tensionit/rrymës | Përdoret në nxjerrjen e karakteristikave për të parashikuar SOH |
Kurtoza e tepërt | Sa e mprehtë është kulmi i tensionit/rrymës | Numrat më të lartë nënkuptojnë më shumë polarizim dhe më pak aftësi futjeje të litiumit |
Ndërmarrjet kryesore
Sistemet e menaxhimit të baterisë nuk mund ta matin drejtpërdrejt ngarkimin ose gjendjen e baterisë. Ato përdorin mënyra indirekte si analiza statistikore, numërimi i Kulombit dhe të mësuarit automatik. Këto metoda ndihmojnë në vlerësimin e ngarkimit dhe gjendjes së baterisë.
Njohja e gjendjes së karikimit ndihmon në mbajtjen e baterive të sigurta. Kjo parandalon mbingarkesën, mbinxehjen dhe problemet e papritura.
Ekzistojnë mënyra të ndryshme për të kontrolluar bateritë. Tensioni i qarkut të hapur, numërimi i Kulombit, filtrimi i Kalmanit dhe modelet e bazuara në inteligjencën artificiale janë disa metoda. Secila prej tyre ka pika të mira dhe të këqija. Përdorimi i tyre së bashku i bën rezultatet më të mira dhe më të besueshme.
Vlerësimi i gjendjes shëndetësore kontrollon se sa e vjetër është një bateri. Ai shqyrton humbjen e kapacitetit dhe rezistencën e brendshme. Kjo ndihmon në parashikimin e jetëgjatësisë së baterisë dhe në shmangien e problemeve të sigurisë.
Qasjet hibride përziejnë metodat e bazuara në model dhe ato të bazuara në të dhëna. Këto japin rezultatet më të mira. Ato mund të ndryshojnë me përdorimin në botën reale. Kjo ndihmon që bateritë të zgjasin më shumë dhe të funksionojnë më mirë.
Bazat e Sistemit të Menaxhimit të Baterisë
Funksionet kryesore
Një sistem menaxhimi i baterive është shumë i rëndësishëm për bateritë litium-jon. Ai ndihmon që bateritë litium-jon të jenë të sigurta dhe të funksionojnë mirë. Sistemi kontrollon çdo qelizë baterie litium-jon për tension, rrymë dhe temperaturë. Gjithashtu, ai sigurohet që të gjitha qelizat e baterisë litium-jon të karikohen dhe shkarkohen në mënyrë të barabartë. Kjo ndihmon që çdo bateri litium-jon të zgjasë më shumë dhe të funksionojë më mirë.
Sistemi i menaxhimit të baterisë monitoron gjendjen e karikimit dhe gjendjen shëndetësore për secilën bateri litium-jon. Ai përdor këto numra për të ndaluar mbingarkimin dhe shkarkimin e thellë, të cilat mund të dëmtojnë bateritë litium-jon.
Siguria vjen e para. Sistemi do ta shkëpusë baterinë litium-jon nëse gjen probleme si mbinxehje ose qarqe të shkurtra. Mund të përdorë qeliza ose bateri rezervë për t'i mbajtur gjërat në punë.
Komunikimi ka rëndësi. Sistemi i menaxhimit të baterisë përdor SPI dhe CAN bus për të dërguar të dhëna në pjesë të tjera të pajisjes ose automjetit.
Ekzistojnë lloje të ndryshme, si të centralizuara ose të shpërndara, kështu që sistemi i menaxhimit të baterive mund të përshtatet me shumë dizajne baterish litium-jon.
Disa sisteme kanë veçori shtesë si monitorimi në distancë, parashikimi i ciklit jetësor dhe zbulimi i defekteve. Këto përdorin cloud computing dhe të mësuarit automatik për të ndihmuar baterinë të funksionojë më mirë dhe më të sigurt.
Funksioni kryesor / Algoritmi | Përshkrim |
|---|---|
Monitorimi i qelizave | Monitoron tensionin, rrymën dhe temperaturën e secilës qelizë të baterisë litium-jon. Gjen problemet dhe ndërmerr veprime sigurie. Përcakton gjendjen e karikimit dhe gjendjen e saj. |
Optimizimi i energjisë | Kontrollon karikimin dhe shkarkimin për të mbajtur të sigurta qelizat e baterisë litium-jon. Punon me sisteme të tjera për të përdorur energjinë në një mënyrë inteligjente. |
Sigurimi i Sigurisë | Ndalon rreziqet si ikja nga nxehtësia. Përdor plane rezervë dhe i mban njerëzit të sigurt nga goditja elektrike. |
Optimizimi i karikimit të baterisë | Ndryshon karikimin për të ulur stresin në secilën qelizë të baterisë litium-jon. Ruan kodet e defektit për kontrolle të mëvonshme. |
Algoritmi i Balancimit të Qelizave | Sigurohet që të gjitha qelizat e baterive litium-jon të kenë të njëjtin tension. Përdor balancimin aktiv ose pasiv për të ndihmuar baterinë të funksionojë më mirë. |
Algoritmet e Komunikimit | Dërgon të dhëna midis sistemit të menaxhimit të baterisë dhe pajisjeve të tjera. Ndërpret karikimin nëse gjen kushte të pasigurta. |
Këshillë: Përdorimi i mjeteve të gatshme të softuerit dhe pajisjeve mund t'i ndihmojë inxhinierët të ndërtojnë dhe testojnë më shpejt një sistem menaxhimi të baterive për bateritë litium-jon.
Kimi të mbështetura
Një sistem menaxhimi baterish duhet të funksionojë me shumë kimikate të baterive litium-jon. Çdo kimi, si NMC, LFP dhe NCA, ka pikat e veta të mira dhe të këqija. Për shembull, bateritë litium-jon NMC kanë dendësi të lartë energjie. Bateritë litium-jon LFP zgjasin më shumë dhe e përballojnë më mirë nxehtësinë. Sistemi i menaxhimit të baterive ndryshon mënyrën e funksionimit të tij për t'iu përshtatur çdo kimike të baterisë litium-jon.
Studimet e fundit shqyrtojnë se si funksionojnë kimikatet e ndryshme të baterive litium-jon në automjetet elektrike. Këto studime tregojnë se sistemet e menaxhimit të baterive duhet të trajtojnë ndryshimet në dendësinë e energjisë, koston dhe jetëgjatësinë e ciklit. Ato gjithashtu tregojnë se menaxhimi termik dhe vlerësimi i avancuar i gjendjes janë të rëndësishme për secilin lloj baterie litium-jon. Modelet e të mësuarit automatik mund të ndihmojnë në parashikimin e gjendjes shëndetësore të baterive litium-jon duke përdorur të dhëna të filtruara. Kjo ul gabimet dhe ndihmon sistemin e menaxhimit të baterive të merret me mënyrën se si plaket kimia e çdo baterie litium-jon.
Një sistem fleksibël i menaxhimit të baterive mund të funksionojë me shumë kimikate të baterive litium-jon. Kjo ndihmon çdo aplikim, nga automjetet elektrike te elektronika portative, të marrë performancën dhe sigurinë më të mirë të baterisë.
Gjendja e karikimit në bateritë litium-jon
Gjendja e karikimit është shumë e rëndësishme për bateritë litium-jon. Ndihmon që bateria të mbahet e sigurt dhe të funksionojë mirë. Nëse gjendja e karikimit nuk është e duhura, bateria mund të nxehet shumë ose të humbasë energji. Kjo mund të bëjë që bateria të prishet ose edhe të shkaktojë probleme të rrezikshme si zjarre. Në makinat elektrike, njohja e gjendjes së karikimit ndihmon me frenimin dhe karikimin. Gjithashtu bën që bateria të zgjasë më shumë. Studimet tregojnë se vlerësimi i mirë i gjendjes së karikimit ul gabimet dhe ndihmon mjedisin.
Nuk mund ta matni gjendjen e karikimit direkt në një bateri litium-jon. Reaksionet kimike brenda janë të fshehura dhe të vështira për t'u parë. Sensorët mund të jenë të gabuar për shkak të zhurmës dhe ndryshimeve në bateri. Pra, sistemet e menaxhimit të baterive përdorin mënyra të veçanta për të hamendësuar gjendjen e karikimit. Ato shikojnë tensionin, rrymën dhe temperaturën për ta kuptuar atë. Këto metoda ndihmojnë në trajtimin e problemeve të sensorëve dhe plakjes së baterisë.
Metoda OCV
Metoda e Tensionit të Qarkimit të Hapur parashikon gjendjen e karikimit duke kontrolluar tensionin e baterisë pasi ajo të pushojë. Çdo kimi e baterisë ka lidhjen e vet të tensionit dhe gjendjes së karikimit. Kjo metodë është e thjeshtë dhe nuk kushton shumë. Funksionon mirë për kontrollin e parë të gjendjes së karikimit dhe nuk ka nevojë për një model të madh baterie.
Aspekt | Detaje |
|---|---|
Parim | Tensioni i baterisë matet pas qetësisë. Lidhja OCV dhe gjendja e karikimit gjendet duke testuar secilin lloj baterie. |
përfitimet | 1. Proces i thjeshtë |
Kufizimet | 1. Ka nevojë për një kohë të gjatë pushimi (mbi 2 orë nëse është ftohtë) |
Metoda OCV nuk mund të kontrollojë gjendjen e karikimit ndërsa bateria është duke punuar. Bateritë litium-jon shpesh ndryshojnë shpejt, kështu që pritja që bateria të pushojë nuk është e dobishme. Pikat e sheshta në kurbën OCV e bëjnë të lehtë gabimet e mëdha nga ndryshimet e vogla të tensionit.
Numërimi i Kulonit
Numërimi i Kulombit, ose numërimi i Ah, përcakton gjendjen e ngarkesës duke mbledhur rrymën që hyn dhe del. Ai fillon me një numër të parë të gjendjes së ngarkesës dhe e ndryshon atë ndërsa lëviz rryma.
Aspekti i Vlerësimit | Detaje |
|---|---|
Metoda e dërgesës | Algoritmi i përmirësuar i numërimit të Kulombit |
Qasja e Validimit | Testi MATLAB krahasuar me gjendjen reale të ngarkesës nga kurbat e ngarkimit/shkarkimit |
Gabim Maksimal (Fundi i Ngarkimit) | Rreth 3.5% |
Gabim gjatë fazës CC | Më pak se 2% |
Gabim gjatë fazës së CV-së | Më pak se 1% |
Trendi i Gabimit | Zmadhohet me kalimin e kohës para kontrollit të gjendjes shëndetësore |
Faktorë të rëndësishëm | Gjendje e mirë e karikimit të parë dhe kontrollet e karikimit më pak gabime |
Përparësitë | Matematikë e thjeshtë; saktësi mjaftueshëm e mirë; nuk nevojiten të dhëna shtesë për baterinë |
kufizimet | Gabimet shtohen me kalimin e kohës; ka nevojë për një gjendje të mirë të ngarkesës dhe shifra të gjendjes shëndetësore. |
Numërimi i Kulombit është i lehtë për t’u përdorur dhe nuk kërkon të dhëna shtesë të baterisë. Por gabimet mund të shtohen me kalimin e kohës. Gabimet e vogla në gjendjen aktuale ose të parë të karikimit mund të përkeqësohen. Kjo metodë funksionon më mirë me kontrolle të rregullta ose mënyra të tjera për të ndihmuar.
Metoda e dërgesës | RMSE | MSE | MPJ | Gjetjet kryesore |
|---|---|---|---|---|
Numërimi i Kulombit (CC) | 0.5071 | 0.2572 | 0.4571 | Gabimet më të larta për shkak të zhurmës dhe gabimeve të sensorit; jo i mirë për përdorim afatgjatë |
Filtri i zgjeruar Kalman | 0.0925 | N / A | N / A | Saktësi më e mirë me ndihmën e modelit; nevojitet një model i mirë baterie |
Linear regresionit | 0.0778 | N / A | N / A | Më mirë se EKF, por jo perfekt për ndryshimet e gjendjes së ngarkesës |
Makina Vektoriale Mbështetëse | 0.0319 | N / A | N / A | Përballon ndryshimet më mirë; ka nevojë për më shumë fuqi kompjuterike |
Regresioni i Pyllit të Rastësishëm | 0.0229 | 0.0005 | 0.0139 | Saktësia më e mirë; funksionon mirë me zhurmën dhe ndryshimet; i mirë për menaxhimin real të baterisë |
Filtrimi Kalman
Filtrimi Kalman përdor modele matematikore për të hamendësuar gjendjen e karikimit. Filtri i zgjeruar Kalman dhe filtri Kalman pa aromë janë të njohur. Këta filtra përziejnë të dhëna në kohë reale me hamendësime të modelit të baterisë. Ata i rregullojnë hamendësimet e tyre ndërsa vijnë të dhëna të reja.
Metodat e filtrimit Kalman si EKF, UKF, filtrat adaptivë Kalman dhe filtrat e dyfishtë Kalman përdoren shumë.
Këto filtra përdorin modele të thjeshta baterish dhe ato më komplekse për të marrë rezultate më të mira.
Testet tregojnë se filtrat Kalman i përballojnë mirë ndryshimet, memorien e baterisë dhe zhurmën e sensorit.
Ndryshimi i cilësimeve dhe përdorimi i rrjeteve nervore i bën ato edhe më të mira.
Përditësimi i numrave vazhdimisht ndihmon në korrigjimin e gabimeve nga ndryshimet e modelit dhe devijimi i sensorëve.
Studimet tregojnë se filtrat adaptivë dhe të dyfishtë Kalman funksionojnë më mirë sesa EKF-ja e rregullt për gjendjen e karikimit.
Filtrimi Kalman jep parashikime të mira dhe në kohë reale të gjendjes së karikimit për bateritë litium-jon. Kërkon konfigurim të kujdesshëm dhe një model të mirë baterie. Mund të jetë i vështirë për t’u përdorur, por funksionon mirë kur gjërat ndryshojnë shpejt.
Metodat Hibride dhe të IA-së
Metodat hibride dhe ato të inteligjencës artificiale përziejnë mënyra të bazuara në model dhe të dhëna për të hamendësuar gjendjen e ngarkesës. Këto përdorin të mësuarit automatik, si rrjetet nervore, mbështesin makinat vektoriale dhe regresionin e pyjeve të rastësishme. Ato mësojnë nga të dhënat e tensionit, rrymës dhe temperaturës. Metodat hibride rregullojnë probleme që metodat e vetme nuk mund t'i zgjidhin.
Aspekt | Përshkrim |
|---|---|
Metoda e dërgesës | Gjendja hibride e ngarkesës duke përdorur makinën vektoriale të numërimit dhe relevancës së Kulombit (movIRVM-Coulomb) |
dataset | Të dhëna të një qelize të vetme baterie, të dhëna të testimit të paketës së baterisë, të dhëna të simulimit Advisor |
Kushtet | Teste me US06, UDDS, NYCC, cikle drejtimi 1015; temperaturat 0°C, 25°C, 45°C; gjendja e parë e karikimit 50%, 80% |
Saktësia (RMSE) | Brenda 2% për shumë teste dhe temperatura |
përmirësim | Mbi 30% më mirë se vetëm movIRVM; më pak gabime me kalimin e kohës |
Kufizimi kyç i adresuar | Rregullon grumbullimin e gabimeve në Numërimin e pastër të Kulombit |
Shënime shtesë | Përdor mesataren lëvizëse për të ulur zhurmën; nevojiten vetëm 10-30% të të dhënave të trajnimit për pjesën RVM |
Metodat hibride përziejnë të dhënat dhe modelet për të trajtuar veprimet e çuditshme të baterisë.
Metodat e bazuara në të dhëna përfshijnë rrjetet nervore, makinat vektoriale mbështetëse, regresionin e procesit Gaussian, rrjetet nervore me valëza dhe logjikën fuzzy.
Këto mënyra për të hamendësuar gjendjen e ngarkesës nga sinjalet që mund të matni.
Problemet përfshijnë ndryshimet e baterisë, përdorimin e çuditshëm dhe konsumimin e baterisë.
Tani, studiuesve u pëlqejnë metodat e bazuara në të dhëna sepse vetëm modelet nuk mund t'i zgjidhin të gjitha problemet.
Studime të reja që përdorin të dhëna të të mësuarit të thellë dhe makina reale tregojnë se metodat hibride dhe ato të inteligjencës artificiale mund të hamendësojnë gjendjen e karikimit me më pak se 2% gabim. Këto mënyra janë shumë të sakta dhe funksionojnë mirë, edhe kur gjërat ndryshojnë shumë.
Shënim: Metodat statistikore ndihmojnë në përcaktimin e gjendjes së ngarkesës duke rregulluar pasigurinë, gabimet e sensorëve dhe zhurmën e rastësishme. Kalibrimi, regresioni dhe testimi i bëjnë të gjitha metodat e gjendjes së ngarkesës më të besueshme.
Metodat e Vlerësimit të Gjendjes Shëndetësore
Gjendja e shëndetit, ose SOH, na tregon se sa është plakur një bateri litium-jon. Ajo krahason baterinë tani me kohën kur ishte e re. SOH gjendet duke parë kapacitetin aktual dhe duke e krahasuar atë me kapacitetin origjinal. Mund të kontrollohet gjithashtu duke krahasuar rezistencën e brendshme me një qelizë të re. Kur SOH bie nën 80% ose 70%, bateria është në fund të jetëgjatësisë së saj. SOH ka rëndësi sepse ndikon në mënyrën se si funksionon bateria, sa e sigurt është dhe sa zgjat. Ndërsa SOH bie, bateria mban më pak energji. Kjo do të thotë që makinat elektrike nuk mund të shkojnë aq larg dhe pajisjet nuk funksionojnë aq gjatë. Nëse një bateri plaket shumë, ajo mund të fryhet, të rrjedhë ose edhe të ndizet. Parashikimi i mirë i SOH ndihmon në ndalimin e këtyre problemeve dhe i mban bateritë të sigurta.
Aspekt | dëshmi | Të dhëna numerike / detaje |
|---|---|---|
Përkufizimi i SOH | SOH është raporti i kapacitetit të rrymës me kapacitetin fillestar ose krahason rezistencën e brendshme me një bateri të re. | Nivelet e fundit të jetëgjatësisë së SOH janë 80% ose 70% e kapacitetit të mbetur. |
Ndikimi në jetëgjatësi | SOH tregon se sa kapacitet humbet, gjë që kufizon distancën që mund të shkojnë automjetet elektrike. Plakja e baterisë do të thotë më pak kapacitet. | Bateritë e automjeteve elektrike të përdorura për mbi 10,000 km dhe për më shumë se 800 ditë tregojnë modele të humbjes së kapacitetit. |
Ndikimi në Siguri | Plakja e keqe mund të shkaktojë rrjedhje, ënjtje, mbinxehje dhe zjarre. | Rreziqet e sigurisë përkeqësohen me rënien e SOH, prandaj kontrollimi i SOH është i rëndësishëm. |
Burimi i të dhënave | Të dhënat vijnë nga shumë automjete elektrike me mënyra të ndryshme drejtimi dhe karikimi. | Seti i të dhënave përmban 347 automjete elektrike, të dhëna karikimi për 25 muaj dhe shumë ndryshime në botën reale. |
Sfidat në Vlerësimin e SOH | Ndryshimet në botën reale, gabimet në SOC, të dhënat e zhurmshme dhe mostra të pamjaftueshme e bëjnë SOH të vështirë për t'u kontrolluar. | Gabimet në SOC bëhen më të mëdha me plakjen e baterive, dhe BMS ka probleme me përditësimin e shpejtë të kapacitetit. |
Metodat e Avancuara | Mësimi automatik dhe mënyrat e bazuara në të dhëna i bëjnë kontrollet SOH më të mira. | BiGRU, mbështet regresionin vektorial dhe rrjetet nervore të thella ndihmojnë në përcaktimin më të saktë të SOH dhe SOC. |
Rezistenca e brendshme
Rezistenca e brendshme është shumë e rëndësishme për kontrollin e SOH në bateritë litium-jon. Ndërsa bateritë plaken, rezistenca e tyre e brendshme rritet. Kjo ndodh sepse pjesët brenda baterisë konsumohen dhe prishen. Nëse rezistenca dyfishohet ose kapaciteti bie në 70-80%, bateria është në fund të jetëgjatësisë së saj. Shumë mënyra për të kontrolluar SOH përdorin rezistencën e brendshme. Matja e drejtpërdrejtë e rezistencës jep rezultate të mira, por zakonisht kërkon që bateria të pushojë, gjë që është e vështirë gjatë përdorimit normal.
Shkencëtarët kanë krijuar mënyra të reja për të përdorur rezistencën e brendshme për t'i bërë kontrollet SOH më të mira. Për shembull, ata e rregullojnë kurbën e tensionit në qark të hapur duke përdorur të dhënat e rezistencës. Kjo ndihmon në uljen e gabimeve nga ndryshimet në shpejtësinë e karikimit. Kjo mënyrë përdor gjëra të tilla si koha e karikimit me rrymë konstante në vend të matematikës së vështirë. Testet në të dhënat reale të baterisë tregojnë se kjo metodë mund ta ulë gabimin absolut mesatar në rreth 1.28% për disa diapazone tensioni. Këto rezultate tregojnë se vëzhgimi i rezistencës së brendshme i bën kontrollet SOH më të forta dhe më të sakta.
rezistencë e plotë
Metodat e bazuara në impedancë përdorin mënyrën se si një bateri reagon ndaj energjisë elektrike për të kontrolluar SOH. Këto metoda shpesh përdorin spektroskopi të impedancës elektrokimike ose teste të ngjashme. Duke parë se si vepron bateria me frekuenca të ndryshme, inxhinierët mund të dallojnë plakjen dhe të hamendësojnë SOH. Metodat e impedancës mund të jenë shumë të sakta, me gabime të rrënjës mesatare katrore midis njësive SOH 0.75% dhe 1.5%.
Lloji i metodës | Përshkrim | Saktësia e Parashikimit SOH (Gabimi RMS) | Konsiderata Praktike |
|---|---|---|---|
Të dhëna të drejtpërdrejta EIS | Përdor të dhëna të papërpunuara të spektroskopisë së impedancës elektrokimike | 0.75% – 1.5% njësi SOH | I shpejtë për t’u matur, por qelizat mund të jenë të ndryshme |
Përshtatjet e qarqeve ekuivalente | Përputh të dhënat EIS me modelet e qarkut | 0.75% – 1.5% njësi SOH | Ka nevojë për më shumë punë dhe matematikë, por ka më pak pasiguri |
Shpërndarja e Kohëve të Relaksimit (DRT) | Shikon se sa kohë duhet që gjërat të zgjidhen duke përdorur të dhënat EIS | 0.75% – 1.5% njësi SOH | Konsumon shumë energji kompjuterike, por është fleksibël |
Analiza Jolineare e Përgjigjes në Frekuencë (NFRA) | Përdor të dhëna të veçanta të frekuencës për të kontrolluar SOH | 0.75% – 1.5% njësi SOH | Jep informacion të mirë rreth veprimeve të baterisë, më shpejt se shkarkimi i plotë |
Metodat e bazuara në impedancë funksionojnë mirë në laboratorë dhe japin shumë detaje rreth plakjes së baterisë. Por këto metoda mund të jenë të vështira dhe të ndërlikuara për t'u përdorur në sistemet e baterisë në kohë reale. Ato shpesh kërkojnë mjete speciale dhe konfigurim të kujdesshëm. Metodat më të reja të bazuara në të dhëna po fillojnë të mbizotërojnë duke përdorur të mësuarit automatik për të hamendësuar plakjen e baterisë pa modele të sakta.
Numërimi i ciklit
Numërimi i cikleve është një nga mënyrat më të vjetra për të kontrolluar SOH në bateritë litium-jon. Kjo mënyrë numëron sa herë është karikuar dhe përdorur një bateri. Çdo cikël i plotë e bën baterinë të plaket pak. Duke numëruar ciklet, inxhinierët mund të hamendësojnë se sa është konsumuar bateria.
Numërimi i cikleve është i lehtë dhe nuk ka nevojë për mjete të posaçme ose llogaritje të vështira. Por nuk shqyrton se si ndryshon çdo cikël. Gjëra të tilla si temperatura, sa përdoret bateria dhe sa shpejt karikohet, të gjitha ndryshojnë shpejtësinë e plakjes së saj, por numërimi i cikleve e trajton çdo cikël njësoj. Kjo mund t'i bëjë kontrollet SOH të gabuara, veçanërisht në jetën reale ku bateritë përballen me shumë lloje stresi.
Metodat e Avancuara
Mënyrat e avancuara për të kontrolluar SOH përdorin të mësuarit automatik dhe inteligjencën artificiale për të studiuar shumë të dhëna të baterisë. Këto mënyra mësojnë nga tensioni, rryma dhe temperatura për të parashikuar SOH më mirë sesa mënyrat e vjetra. Modelet e të mësuarit automatik si makinat vektoriale mbështetëse, pyjet e rastësishme dhe rrjetet e thella nervore mund të gjejnë modele të ndërlikuara të plakjes së baterisë.
Studimet e fundit tregojnë se këto mënyra të bazuara në të dhëna funksionojnë më mirë sesa modelet e vjetra fizike. Për shembull, regresioni i vektorit mbështetës dhe regresioni i procesit Gaussian mund të çojnë në gabime rrënjore mesatare katrore nën 0.4% kur supozohet SOH. Rrjetet nervore me feed-forward dhe sistemet adaptive neuro-fuzzy të inferencës gjithashtu funksionojnë mirë, me gabime të ulëta dhe rezultate të mira për bateri të ndryshme.
Mënyrat e të mësuarit automatik nuk kanë nevojë për modele të detajuara të baterive.
Cloud computing lejon që modelet më të mëdha të funksionojnë, duke i bërë kontrollet SOH më të mira edhe nëse sistemi i baterisë është i vogël.
Përdorimi i më shumë se një modeli të të mësuarit automatik mund t'i bëjë kontrollet SOH edhe më të sakta.
Këto mënyra mund të marrin gabime absolute mesatare brenda 3% dhe gabime rrënjore katrore mesatare brenda 2% në testet reale.
Por, mënyrat e avancuara kërkojnë të dhëna të mira dhe shumë trajnimi. Ato mund të kenë probleme me plakjen e çuditshme të baterive ose ndryshime të mëdha në mënyrën se si përdoren bateritë. Zgjedhja e veçorive të mira nga të dhënat e karikimit është e rëndësishme, pasi karikimi është më i rregullt sesa përdorimi i baterisë në makinat elektrike. Inxhinierët duhet të sigurohen që këto mënyra janë të forta dhe të sigurta përpara se t'i përdorin ato në sisteme baterish që mbrojnë njerëzit.
Shënim: Kalimi nga modelet e vjetra fizike në mënyra të bazuara në të dhëna tregon se nevojiten kontrolle SOH më të mira dhe më fleksibile për bateritë litium-jon. Mësimi automatik ndihmon në zbulimin e plakjes së baterive herët dhe i bën bateritë të funksionojnë më mirë duke gjetur shenja problemesh më shpejt.
Kombinimi i Metodave për Saktësi
Qasje Hibride
Sistemet e menaxhimit të baterive funksionojnë më mirë kur përdorin më shumë se një metodë për të kontrolluar gjendjen e karikimit dhe gjendjen shëndetësore. Një metodë e vetme nuk mund të zgjidhë çdo problem në sistemet e baterive litium-jon. Metodat hibride kombinoni pikat e forta të algoritmeve të bazuara në model, të bazuara në të dhëna dhe të të nxënit. Kjo ndihmon në uljen e zhurmës, trajtimin e të panjohurave dhe përballimin e plakjes së baterisë.
Shumë algoritme optimizimi, si katrorët më të vegjël, Algoritmi i Optimizimit Sunflower dhe algoritmi i kërkimit bald eagle, i bëjnë kontrollet e gjendjes së ngarkesës më të mira. Për shembull, algoritmi i kërkimit bald eagle kishte një gabim maksimal prej vetëm 1.06% për SOC.
Hartat e përmirësuara të Vetëorganizimit dhe të mësuarit gjysmë të mbikëqyrur kanë treguar gabime maksimale afër 1.25% dhe RMSE deri në 0.55%. Këto rezultate nënkuptojnë se metodat hibride japin kontrolle të forta SOC për bateritë litium-jon.
Përdorimi i balancimit aktiv të qelizave me të mësuarit automatik për jetëgjatësinë e mbetur të dobishme ndihmon me ndryshimet e qelizave dhe plakjen e baterisë. Qelizat e balancuara japin të dhëna më të mira të gjendjes së karikimit, të cilat ndihmojnë në parashikimin e shëndetit të baterisë litium-jon.
Modelet hibride të rrjetit nervor ndihmojnë me ndryshimet e temperaturës dhe mënyrën e përdorimit të baterive. Duke kombinuar balancimin fizik dhe metodat e bazuara në të dhëna, sistemet e menaxhimit të baterive mund të ndihmojnë bateritë litium-jon të zgjasin më shumë dhe të funksionojnë më mirë. Bashkimi i shumë modeleve, si Random Forest, i bën kontrollet e gjendjes shëndetësore edhe më të forta duke përdorur pjesët më të mira të modeleve të ndryshme.
Metodat hibride ndihmojnë sistemet e menaxhimit të baterive të përballojnë ndryshimet në botën reale. Kjo i bën ato më të besueshme për automjetet elektrike dhe përdorime të tjera.
Konsideratat e aplikimit
Zgjedhja dhe përdorimi i metodave hibride në sistemet reale të baterive litium-jon kërkon planifikim të kujdesshëm. Inxhinierët duhet të mendojnë se çfarë i duhet secilit përdorim, si makinat elektrike ose hapësirat e magazinimit.
Metodat e bazuara në të dhëna përdorin të dhëna sensorësh në kohë reale dhe ndryshojnë ndërsa bateritë plaken ose përdoren. Këto mënyra janë më të sakta, funksionojnë me kimikate të ndryshme dhe e trajtojnë mirë zhurmën e sensorëve.
Kornizat hibride përziejnë më mirë algoritmet e pyllit të rastësishëm, modelet e bazuara në fizikë dhe mjete të tjera të të mësuarit automatik. Ky ekuilibër jep saktësi, funksionon shpejt dhe mund të përdoret për shumë lloje dhe situata baterish litium-jon.
Inxhinierët duhet të zgjidhin probleme të tilla si nevoja për shumë të dhëna të mira, zgjedhja e veçorive të duhura dhe kostot e kompjuterit. Përzierja e veçorive dhe akordimi i cilësimeve mund t'i bëjë parashikimet më të mira dhe të ndihmojë me ndryshimet në kohë reale.
Shumë të dhëna, si tensioni i qelizave, rryma, temperatura dhe numri i cikleve, ndihmojnë në zgjedhjen e metodave më të mira hibride. Këto mënyra ndihmojnë me të dhënat e zhurmshme ose që mungojnë dhe japin rezultate të veçanta për çdo përdorim, jo vetëm për gjendjen bazë të karikimit dhe gjendjen shëndetësore. Në jetën reale, metodat hibride funksionojnë mirë në laboratorë dhe në terren, si në makinat elektrike, ku ato i mbajnë bateritë të sigurta dhe funksionale në kushte të ndryshme.
Këshillë: Kur zgjedhin metoda hibride, inxhinierët duhet ta përshtasin metodën me qëllimet, të dhënat dhe vendin ku do të përdoret sistemi i baterive. Kjo ndihmon që menaxhimi i baterive litium-jon të jetë i besueshëm, të mund të rritet dhe të funksionojë në kohë reale.
Njohja e soc-it dhe SOH-it të duhur është shumë e rëndësishme për sa mirë dhe sa të sigurt funksionojnë bateritë litium-jon. Çdo metodë ka pikat e veta të mira, por përdorimi i më shumë se një metode së bashku në një sistem menaxhimi baterish jep rezultatet më të mira për t'i bërë bateritë litium-jon të zgjasin dhe të funksionojnë më mirë. Hulumtimet e reja tregojnë se përdorimi i mënyrave të zgjuara për të zgjedhur të dhëna të rëndësishme dhe rrjetet nervore të përmirësuara mund të bëjë gabime shumë të vogla, madje deri në 0.16%. Kjo i ndihmon bateritë të zgjasin më shumë dhe të qëndrojnë më të sigurta. Është e rëndësishme të zgjidhni metodën e vlerësimit që i përshtatet asaj që i nevojitet secilës bateri litium-jon.
FAQ
Cila është funksioni kryesor i një sistemi të menaxhimit të baterive?
Një sistem menaxhimi i baterive i mban bateritë të sigurta. Ai kontrollon gjendjen e karikimit dhe gjendjen shëndetësore. Sistemi balancon qelizat në mënyrë që ato të punojnë së bashku. Ai parandalon që bateritë të nxehen shumë ose të mbushen shumë. Kjo i ndihmon bateritë të zgjasin më shumë dhe të funksionojnë më mirë.
Pse sensorët nuk mund ta matin drejtpërdrejt gjendjen e ngarkesës?
Sensorët nuk mund të shikojnë brenda një baterie. Reaksionet kimike ndodhin brenda aty ku sensorët nuk mund të shohin. Sensorët matin vetëm tensionin, rrymën dhe temperaturën. Sistemi i përdor këto numra me algoritme të veçanta për të hamendësuar gjendjen e karikimit.
Si ndikon temperatura në vlerësimin e gjendjes së baterisë?
Kur është shumë nxehtë ose ftohtë, reagimet e baterisë ndryshojnë. Sistemi mund të bëjë gabime në gjendjen e karikimit ose gjendjen e shëndetit. Sistemet e mira të menaxhimit të baterisë ndryshojnë llogaritjet e tyre për të rregulluar këto gabime.
Cila metodë jep vlerësimin më të saktë të gjendjes shëndetësore?
Metoda e dërgesës | Niveli i saktësisë |
|---|---|
Mësim Machine | Shumë i lartë |
Analiza e impedancës | i lartë |
Rezistenca e brendshme | Medium |
Numërimi i ciklit | ulët |
Mësimi automatik zakonisht jep rezultatet më të mira nëse të dhënat janë të mira.
