ระบบการจัดการแบตเตอรี่จะตรวจสอบสถานะการชาร์จและสถานะสุขภาพของแบตเตอรี่ลิเธียมไอออนโดยใช้เทคนิคการประมาณค่าทางอ้อม ซึ่งไม่สามารถวัดสิ่งเหล่านี้ได้โดยตรงเนื่องจากแบตเตอรี่มีปฏิกิริยาที่ซับซ้อนอยู่ภายใน ดังนั้น ระบบจึงใช้วิธีการต่างๆ เช่น การสกัดคุณลักษณะทางสถิติ การนับคูลอมบ์ และแบบจำลองขั้นสูงที่ขับเคลื่อนด้วยข้อมูล ยกตัวอย่างเช่น ระบบจะพิจารณาตัวชี้วัดทางสถิติ เช่น ความแปรปรวน ค่าเฉลี่ย และความเบ้จากเส้นโค้งแรงดันไฟฟ้าและกระแสไฟฟ้า เพื่อเฝ้าระวังการเสื่อมสภาพของแบตเตอรี่ การใช้วิธีการประมาณค่าทางอ้อม เช่น การเรียนรู้ของเครื่องและวิธีการแบบอิงผู้สังเกตการณ์ ช่วยให้การประมาณค่า SOC แม่นยำและปลอดภัยยิ่งขึ้น วิธีการประมาณค่า SOC เหล่านี้ช่วยให้ระบบการจัดการแบตเตอรี่สามารถคาดการณ์การเปลี่ยนแปลงในแบตเตอรี่ลิเธียมไอออนได้ นอกจากนี้ยังช่วยจัดการการสูญเสียความจุ อายุ และความเสี่ยงต่างๆ ได้ดียิ่งขึ้น การประมาณค่าสถานะการชาร์จและสถานะสุขภาพที่ดีจะช่วยให้แบตเตอรี่ลิเธียมไอออนทุกก้อนทำงานได้ดีขึ้นและใช้งานได้ยาวนานขึ้น
การประมาณค่าโซซีที่แม่นยำในระบบแบตเตอรี่ลิเธียมไอออนช่วยให้แบตเตอรี่ปลอดภัยจากการชาร์จไฟเกิน ความร้อนสูงเกินไป และความล้มเหลวกะทันหัน ซึ่งทำให้เทคนิคการประมาณค่าที่มีประสิทธิภาพมีความสำคัญอย่างยิ่งต่อระบบจัดการแบตเตอรี่สมัยใหม่
ตัวชี้วัดทางสถิติ | รายละเอียด | ความสัมพันธ์กับการเสื่อมสภาพของแบตเตอรี่ |
|---|---|---|
ความแปรปรวน | ตรวจสอบว่าการเปลี่ยนแปลงแรงดันไฟฟ้า/กระแสไฟฟ้าคงที่แค่ไหน | ความแปรปรวนที่สูงขึ้นหมายถึงความต้านทานภายในและปฏิกิริยาเคมีที่ไม่สม่ำเสมอ และความเสียหายของอิเล็กโทรด |
ค่าสูงสุด | แรงดันไฟฟ้า/กระแสไฟสูงสุดในระหว่างการชาร์จหรือการคายประจุ | ตัวเลขที่ต่ำกว่าแสดงถึงความสามารถในการรับน้ำหนักที่น้อยลงและปัญหาความปลอดภัยที่อาจเกิดขึ้น เช่น การชาร์จมากเกินไปหรือความร้อนสูงเกินไป |
มูลค่าขั้นต่ำ | แรงดันไฟ/กระแสไฟต่ำสุดในระหว่างการชาร์จหรือการคายประจุ | แสดงให้เห็นถึงการสูญเสียความสามารถและปัญหาความปลอดภัย |
ค่าเฉลี่ย (เฉลี่ย) | แรงดันไฟฟ้า/กระแสไฟฟ้าเฉลี่ยในแต่ละรอบ | การเปลี่ยนแปลงแสดงให้เห็นการสลายตัวของอิเล็กโทรไลต์และการใช้พลังงานที่น้อยลง |
เบ้ | การกระจายแรงดันไฟ/กระแสไฟฟ้าไม่สม่ำเสมอ | ใช้ในการสกัดคุณลักษณะเพื่อทำนาย SOH |
ความเบ้เกิน | ความคมชัดของแรงดันไฟฟ้า/กระแสไฟฟ้าสูงสุด | ตัวเลขที่มากขึ้นหมายถึงมีโพลาไรเซชันมากขึ้นและความสามารถในการใส่ลิเธียมน้อยลง |
ประเด็นที่สำคัญ
ระบบการจัดการแบตเตอรี่ไม่สามารถวัดประจุหรือสุขภาพแบตเตอรี่ได้โดยตรง แต่ใช้วิธีทางอ้อม เช่น การวิเคราะห์ทางสถิติ การนับคูลอมบ์ และการเรียนรู้ของเครื่อง วิธีการเหล่านี้ช่วยประเมินประจุและสุขภาพแบตเตอรี่
การรู้สถานะการชาร์จจะช่วยให้แบตเตอรี่ปลอดภัย ช่วยป้องกันปัญหาการชาร์จไฟเกิน ความร้อนสูงเกินไป และปัญหาอื่นๆ ที่อาจเกิดขึ้นโดยฉับพลัน
มีวิธีตรวจสอบแบตเตอรี่หลายวิธี เช่น แรงดันวงจรเปิด การนับคูลอมบ์ การกรองคาลแมน และแบบจำลองที่ใช้ AI แต่ละวิธีมีข้อดีและข้อเสีย การใช้ทั้งสองวิธีร่วมกันจะช่วยให้ผลลัพธ์ดีขึ้นและเชื่อถือได้มากขึ้น
การประมาณค่าสถานะสุขภาพจะตรวจสอบอายุของแบตเตอรี่ โดยจะพิจารณาจากการสูญเสียความจุและความต้านทานภายใน ซึ่งช่วยให้สามารถประมาณอายุแบตเตอรี่และหลีกเลี่ยงปัญหาด้านความปลอดภัยได้
แนวทางแบบไฮบริดผสมผสานวิธีการแบบอิงแบบจำลองและวิธีการที่ใช้ข้อมูลเป็นหลัก วิธีนี้ให้ผลลัพธ์ที่ดีที่สุด และสามารถปรับเปลี่ยนได้ตามการใช้งานจริง ซึ่งช่วยให้แบตเตอรี่ใช้งานได้นานขึ้นและทำงานได้ดีขึ้น
พื้นฐานระบบการจัดการแบตเตอรี่
ฟังก์ชั่นที่สำคัญ
ระบบจัดการแบตเตอรี่มีความสำคัญอย่างยิ่งสำหรับแบตเตอรี่ลิเธียมไอออน ช่วยให้แบตเตอรี่ลิเธียมไอออนมีความปลอดภัยและทำงานได้ดี ระบบจะตรวจสอบแรงดันไฟฟ้า กระแสไฟฟ้า และอุณหภูมิของเซลล์แบตเตอรี่ลิเธียมไอออนแต่ละเซลล์ นอกจากนี้ยังช่วยให้มั่นใจว่าเซลล์แบตเตอรี่ลิเธียมไอออนทั้งหมดชาร์จและคายประจุอย่างเท่าเทียมกัน ซึ่งช่วยให้แบตเตอรี่ลิเธียมไอออนแต่ละก้อนใช้งานได้ยาวนานขึ้นและทำงานได้ดีขึ้น
ระบบจัดการแบตเตอรี่จะคอยตรวจสอบสถานะการชาร์จและสภาพของแบตเตอรี่ลิเธียมไอออนแต่ละก้อน โดยใช้ตัวเลขเหล่านี้เพื่อป้องกันการชาร์จเกินและการคายประจุมากเกินไป ซึ่งอาจส่งผลเสียต่อแบตเตอรี่ลิเธียมไอออน
ความปลอดภัยต้องมาก่อน ระบบจะตัดการเชื่อมต่อแบตเตอรี่ลิเธียมไอออนหากพบปัญหา เช่น ความร้อนสูงเกินไปหรือไฟฟ้าลัดวงจร สามารถใช้เซลล์หรือชุดแบตเตอรี่สำรองเพื่อให้อุปกรณ์ทำงานได้
การสื่อสารเป็นสิ่งสำคัญ ระบบจัดการแบตเตอรี่ใช้ SPI และ CAN bus เพื่อส่งข้อมูลไปยังส่วนอื่นๆ ของอุปกรณ์หรือยานพาหนะ
มีหลายประเภท เช่น แบบรวมศูนย์หรือแบบกระจาย ดังนั้นระบบจัดการแบตเตอรี่จึงเหมาะกับแบตเตอรี่ลิเธียมไอออนหลายแบบ
ระบบบางระบบมีฟีเจอร์เสริม เช่น การตรวจสอบระยะไกล การคาดการณ์วงจรชีวิต และการตรวจจับข้อผิดพลาด ระบบเหล่านี้ใช้ระบบคลาวด์คอมพิวติ้งและแมชชีนเลิร์นนิงเพื่อช่วยให้แบตเตอรี่ทำงานได้ดีขึ้นและปลอดภัยยิ่งขึ้น
ฟังก์ชันหลัก / อัลกอริทึม | รายละเอียด |
|---|---|
การตรวจสอบเซลล์ | ตรวจสอบแรงดัน กระแสไฟฟ้า และอุณหภูมิของเซลล์แบตเตอรี่ลิเธียมไอออนแต่ละเซลล์ ค้นหาปัญหาและเริ่มดำเนินการด้านความปลอดภัย ระบุสถานะการชาร์จและสถานะความสมบูรณ์ |
การเพิ่มประสิทธิภาพพลังงาน | ควบคุมการชาร์จและการปล่อยประจุเพื่อรักษาเซลล์แบตเตอรี่ลิเธียมไอออนให้ปลอดภัย ทำงานร่วมกับระบบอื่นๆ เพื่อใช้พลังงานอย่างชาญฉลาด |
ประกันความปลอดภัย | หยุดยั้งอันตรายต่างๆ เช่น ความร้อนสะสม มีระบบสำรองและป้องกันไฟฟ้าช็อต |
การเพิ่มประสิทธิภาพการชาร์จแบตเตอรี่ | เปลี่ยนการชาร์จเพื่อลดความเครียดของเซลล์แบตเตอรี่ลิเธียมไอออนแต่ละเซลล์ บันทึกรหัสข้อผิดพลาดไว้สำหรับการตรวจสอบในภายหลัง |
อัลกอริธึมการปรับสมดุลของเซลล์ | ตรวจสอบให้แน่ใจว่าเซลล์แบตเตอรี่ลิเธียมไอออนทั้งหมดมีแรงดันไฟฟ้าเท่ากัน ใช้การปรับสมดุลแบบแอคทีฟหรือพาสซีฟเพื่อช่วยให้แบตเตอรี่ทำงานได้ดีขึ้น |
อัลกอริธึมการสื่อสาร | ส่งข้อมูลระหว่างระบบการจัดการแบตเตอรี่และอุปกรณ์อื่นๆ หยุดชาร์จหากพบสภาวะที่ไม่ปลอดภัย |
เคล็ดลับ: การใช้ซอฟต์แวร์และเครื่องมือฮาร์ดแวร์สำเร็จรูปสามารถช่วยให้วิศวกรสร้างและทดสอบระบบจัดการแบตเตอรี่สำหรับแบตเตอรี่ลิเธียมไอออนได้เร็วขึ้น
เคมีที่รองรับ
ระบบจัดการแบตเตอรี่จำเป็นต้องทำงานร่วมกับเคมีของแบตเตอรี่ลิเธียมไอออนหลายชนิด เคมีแต่ละชนิด เช่น NMC, LFP และ NCA ต่างก็มีข้อดีและข้อเสียแตกต่างกันไป ตัวอย่างเช่น แบตเตอรี่ลิเธียมไอออน NMC มีความหนาแน่นพลังงานสูง แบตเตอรี่ลิเธียมไอออน LFP มีอายุการใช้งานยาวนานกว่าและทนความร้อนได้ดีกว่า ระบบจัดการแบตเตอรี่จึงปรับเปลี่ยนวิธีการทำงานเพื่อให้เหมาะสมกับเคมีของแบตเตอรี่ลิเธียมไอออนแต่ละชนิด
การศึกษาล่าสุดศึกษาถึงกลไกการทำงานของเคมีของแบตเตอรี่ลิเธียมไอออนที่แตกต่างกันในรถยนต์ไฟฟ้า การศึกษาเหล่านี้แสดงให้เห็นว่าระบบการจัดการแบตเตอรี่ต้องรับมือกับการเปลี่ยนแปลงของความหนาแน่นพลังงาน ต้นทุน และอายุการใช้งาน นอกจากนี้ยังแสดงให้เห็นว่าการจัดการความร้อนและการประมาณค่าสถานะขั้นสูงมีความสำคัญต่อแบตเตอรี่ลิเธียมไอออนแต่ละประเภท แบบจำลองการเรียนรู้ของเครื่องสามารถช่วยคาดการณ์สถานะการทำงานของแบตเตอรี่ลิเธียมไอออนได้โดยใช้ข้อมูลที่กรองแล้ว วิธีนี้ช่วยลดข้อผิดพลาดและช่วยให้ระบบการจัดการแบตเตอรี่สามารถจัดการกับอายุของเคมีของแบตเตอรี่ลิเธียมไอออนแต่ละชนิดได้
ระบบจัดการแบตเตอรี่แบบยืดหยุ่นสามารถทำงานร่วมกับสารเคมีของแบตเตอรี่ลิเธียมไอออนได้หลากหลายชนิด ช่วยให้ทุกการใช้งาน ตั้งแต่ยานยนต์ไฟฟ้าไปจนถึงอุปกรณ์อิเล็กทรอนิกส์พกพา ได้รับประสิทธิภาพและความปลอดภัยของแบตเตอรี่ที่ดีที่สุด
สถานะการชาร์จในแบตเตอรี่ลิเธียมไอออน
สถานะการชาร์จมีความสำคัญอย่างยิ่งต่อแบตเตอรี่ลิเธียมไอออน ช่วยให้แบตเตอรี่ปลอดภัยและทำงานได้ดี หากสถานะการชาร์จไม่ถูกต้อง แบตเตอรี่อาจร้อนเกินไปหรือสูญเสียพลังงาน ซึ่งอาจทำให้แบตเตอรี่เสียหายหรือก่อให้เกิดอันตราย เช่น ไฟไหม้ ในรถยนต์ไฟฟ้า การรู้สถานะการชาร์จจะช่วยในการเบรกและการชาร์จ นอกจากนี้ยังช่วยให้แบตเตอรี่ใช้งานได้นานขึ้น งานวิจัยแสดงให้เห็นว่าการประมาณสถานะการชาร์จที่ดีช่วยลดความผิดพลาดและช่วยรักษาสิ่งแวดล้อม
คุณไม่สามารถวัดสถานะการชาร์จของแบตเตอรี่ลิเธียมไอออนได้โดยตรง ปฏิกิริยาเคมีภายในถูกซ่อนไว้และมองเห็นได้ยาก เซ็นเซอร์อาจผิดพลาดได้เนื่องจากสัญญาณรบกวนและการเปลี่ยนแปลงภายในแบตเตอรี่ ดังนั้น ระบบจัดการแบตเตอรี่จึงใช้วิธีพิเศษในการคาดเดาสถานะการชาร์จ โดยพิจารณาจากแรงดันไฟฟ้า กระแสไฟฟ้า และอุณหภูมิเพื่อหาค่า วิธีการเหล่านี้ช่วยจัดการกับปัญหาของเซ็นเซอร์และอายุการใช้งานของแบตเตอรี่
วิธี OCV
วิธีแรงดันไฟฟ้าวงจรเปิดจะคาดเดาสถานะการชาร์จโดยการตรวจสอบแรงดันไฟฟ้าของแบตเตอรี่หลังจากพักไว้ เคมีของแบตเตอรี่แต่ละชนิดมีแรงดันไฟฟ้าและสถานะการชาร์จของตัวเอง วิธีนี้ง่ายและราคาไม่แพง วิธีนี้เหมาะสำหรับการตรวจสอบสถานะการชาร์จครั้งแรก และไม่จำเป็นต้องใช้แบตเตอรี่ขนาดใหญ่
แง่มุม | รายละเอียด |
|---|---|
หลัก | แรงดันไฟแบตเตอรี่จะถูกวัดหลังจากพักไว้ OCV และสถานะการชาร์จจะพบได้จากการทดสอบแบตเตอรี่แต่ละประเภท |
ประโยชน์ | 1. กระบวนการง่ายๆ |
ข้อ จำกัด | 1. ต้องพักนาน (เกิน 2 ชม. ถ้าเป็นหวัด) |
วิธี OCV ไม่สามารถตรวจสอบสถานะการชาร์จในขณะที่แบตเตอรี่กำลังทำงานได้ แบตเตอรี่ลิเธียมไอออนมักเปลี่ยนรูปอย่างรวดเร็ว ดังนั้นการรอให้แบตเตอรี่พักจึงไม่มีประโยชน์ จุดแบนในกราฟ OCV ทำให้เกิดข้อผิดพลาดใหญ่ๆ ได้ง่ายจากการเปลี่ยนแปลงแรงดันไฟฟ้าเพียงเล็กน้อย
การนับคูลอมบ์
การนับคูลอมบ์ หรือ การนับ Ah เป็นการคาดเดาสถานะของประจุโดยการบวกกระแสที่เข้าและออก เริ่มต้นด้วยหมายเลขสถานะประจุแรก และเปลี่ยนแปลงตามการเคลื่อนที่ของกระแส
ด้านการประเมินผล | รายละเอียด |
|---|---|
วิธี | ปรับปรุงอัลกอริทึมการนับคูลอมบ์ |
แนวทางการตรวจสอบ | การทดสอบ MATLAB เปรียบเทียบกับสถานะการชาร์จจริงจากกราฟการชาร์จ/การคายประจุ |
ข้อผิดพลาดสูงสุด (สิ้นสุดการชาร์จ) | ประมาณ 3.5% |
ข้อผิดพลาดระหว่างขั้นตอน CC | น้อยกว่า 2% |
ข้อผิดพลาดระหว่างขั้นตอน CV | น้อยกว่า 1% |
แนวโน้มข้อผิดพลาด | มีขนาดใหญ่ขึ้นเมื่อเวลาผ่านไปก่อนการตรวจสอบสถานะสุขภาพ |
ปัจจัยสำคัญ | การตรวจสอบสถานะการชาร์จและการชาร์จที่ดีจะช่วยลดข้อผิดพลาด |
ข้อดี | คณิตศาสตร์ง่ายๆ ความแม่นยำเพียงพอ ไม่ต้องใช้ข้อมูลแบตเตอรี่เพิ่มเติม |
ข้อ จำกัด | ข้อผิดพลาดจะเพิ่มขึ้นตามกาลเวลา จำเป็นต้องมีสถานะการชาร์จและสถานะสุขภาพที่ดี |
การนับคูลอมบ์ใช้งานง่ายและไม่ต้องใช้ข้อมูลแบตเตอรี่เพิ่มเติม แต่ข้อผิดพลาดอาจสะสมมากขึ้นเมื่อเวลาผ่านไป ข้อผิดพลาดเล็กๆ น้อยๆ ในสถานะการชาร์จปัจจุบันหรือสถานะการชาร์จครั้งแรกอาจแย่ลงได้ วิธีนี้ได้ผลดีที่สุดหากตรวจสอบเป็นประจำหรือใช้วิธีอื่นๆ ที่สามารถช่วยได้
วิธี | RMSE | MSE | MAE | ผลการค้นพบที่สำคัญ |
|---|---|---|---|---|
การนับคูลอมบ์ (CC) | 0.5071 | 0.2572 | 0.4571 | ข้อผิดพลาดสูงสุดเนื่องจากสัญญาณรบกวนและข้อผิดพลาดของเซ็นเซอร์ ไม่เหมาะสำหรับการใช้งานในระยะยาว |
ตัวกรอง Kalman แบบขยาย | 0.0925 | N / A | N / A | ความแม่นยำที่ดีขึ้นด้วยความช่วยเหลือจากแบบจำลอง จำเป็นต้องมีแบบจำลองแบตเตอรี่ที่ดี |
การถดถอยเชิงเส้น | 0.0778 | N / A | N / A | ดีกว่า EKF แต่ไม่สมบูรณ์แบบสำหรับการเปลี่ยนแปลงสถานะการชาร์จ |
สนับสนุนเครื่องเวกเตอร์ | 0.0319 | N / A | N / A | จัดการการเปลี่ยนแปลงได้ดีขึ้น ต้องใช้พลังคอมพิวเตอร์มากขึ้น |
การถดถอยของป่าแบบสุ่ม | 0.0229 | 0.0005 | 0.0139 | ความแม่นยำสูงสุด ทำงานได้ดีกับเสียงรบกวนและการเปลี่ยนแปลง ดีสำหรับการจัดการแบตเตอรี่จริง |
การกรองคาลมาน
การกรองคาลมานใช้แบบจำลองทางคณิตศาสตร์เพื่อคาดเดาสถานะการชาร์จ ตัวกรองคาลมานแบบขยายและแบบไม่มีกลิ่นเป็นที่นิยม ตัวกรองเหล่านี้ผสมผสานข้อมูลแบบเรียลไทม์เข้ากับการคาดเดาแบบจำลองแบตเตอรี่ โดยจะแก้ไขการคาดเดาเมื่อมีข้อมูลใหม่เข้ามา
มีการใช้วิธีการกรอง Kalman เช่น EKF, UKF, ตัวกรอง Kalman แบบปรับตัว และตัวกรอง Kalman แบบคู่ เป็นจำนวนมาก
ตัวกรองเหล่านี้ใช้แบตเตอรี่รุ่นที่เรียบง่ายและรุ่นที่ซับซ้อนมากขึ้นเพื่อให้ได้ผลลัพธ์ที่ดีขึ้น
การทดสอบแสดงให้เห็นว่าตัวกรอง Kalman จัดการกับการเปลี่ยนแปลง หน่วยความจำแบตเตอรี่ และสัญญาณรบกวนของเซ็นเซอร์ได้ดี
การเปลี่ยนแปลงการตั้งค่าและการใช้เครือข่ายประสาทจะทำให้ดีขึ้นกว่าเดิม
การอัปเดตตัวเลขซ้ำแล้วซ้ำเล่าจะช่วยแก้ไขข้อผิดพลาดจากการเปลี่ยนแปลงโมเดลและการดริฟต์ของเซ็นเซอร์
การศึกษาวิจัยแสดงให้เห็นว่าตัวกรอง Kalman แบบปรับได้และแบบคู่มีประสิทธิภาพดีกว่า EKF ทั่วไปในสถานะการชาร์จ
การกรองคาลมานให้การคาดเดาสถานะการชาร์จแบบเรียลไทม์ที่ดีสำหรับแบตเตอรี่ลิเธียมไอออน จำเป็นต้องมีการตั้งค่าอย่างระมัดระวังและรุ่นแบตเตอรี่ที่ดี การใช้งานอาจทำได้ยาก แต่ใช้งานได้ดีเมื่อมีการเปลี่ยนแปลงอย่างรวดเร็ว
วิธีการไฮบริดและ AI
วิธีการไฮบริดและ AI ผสมผสานวิธีการคาดเดาสถานะประจุไฟฟ้าทั้งแบบอิงแบบจำลองและแบบอิงข้อมูล วิธีการเหล่านี้ใช้การเรียนรู้ของเครื่อง เช่น เครือข่ายประสาทเทียม แมชชีนเวกเตอร์สนับสนุน และการถดถอยแบบแรนดอมฟอเรสต์ วิธีการเหล่านี้เรียนรู้จากข้อมูลแรงดัน กระแสไฟฟ้า และอุณหภูมิ วิธีการไฮบริดสามารถแก้ปัญหาที่วิธีการเดี่ยวๆ ไม่สามารถแก้ปัญหาได้
แง่มุม | รายละเอียด |
|---|---|
วิธี | การคาดเดาสถานะประจุไฮบริดโดยใช้เครื่องนับคูลอมบ์และเวกเตอร์ความเกี่ยวข้อง (movIRVM-คูลอมบ์) |
ชุด | ข้อมูลเซลล์แบตเตอรี่เดี่ยว ข้อมูลการทดสอบชุดแบตเตอรี่ ข้อมูลจำลองที่ปรึกษา |
เงื่อนไขเพิ่มเติมสำหรับการขอคืนเงิน (Refund Policy) | ทดสอบด้วย US06, UDDS, NYCC, รอบการขับเคลื่อน 1015 รอบ อุณหภูมิ 0°C, 25°C, 45°C สถานะการชาร์จครั้งแรก 50%, 80% |
ความแม่นยำ (RMSE) | ภายใน 2% สำหรับการทดสอบและอุณหภูมิจำนวนมาก |
การปรับปรุง | ดีกว่า movIRVM เพียงอย่างเดียวมากกว่า 30%; ข้อผิดพลาดน้อยลงเมื่อเวลาผ่านไป |
ข้อจำกัดที่สำคัญได้รับการแก้ไข | แก้ไขข้อผิดพลาดที่เกิดขึ้นในการนับคูลอมบ์แบบบริสุทธิ์ |
หมายเหตุเพิ่มเติม | ใช้ค่าเฉลี่ยเคลื่อนที่เพื่อลดสัญญาณรบกวน ต้องการข้อมูลการฝึกอบรมเพียง 10-30% สำหรับส่วน RVM |
วิธีไฮบริดผสมผสานข้อมูลและโมเดลเพื่อจัดการกับการทำงานของแบตเตอรี่ที่แปลกประหลาด
วิธีการที่ใช้ข้อมูลเป็นหลัก ได้แก่ เครือข่ายประสาท เครื่องเวกเตอร์สนับสนุน การถดถอยกระบวนการแบบเกาส์เซียน เครือข่ายประสาทเวฟเล็ต และลอจิกฟัซซี
วิธีเหล่านี้สามารถคาดเดาสถานะการชาร์จจากสัญญาณที่คุณสามารถวัดได้
ปัญหาต่างๆ ได้แก่ ความแตกต่างของแบตเตอรี่ การใช้งานที่แปลก และการสึกหรอของแบตเตอรี่
ปัจจุบันนักวิจัยชอบวิธีการที่ใช้ข้อมูลเป็นหลัก เนื่องจากแบบจำลองเพียงอย่างเดียวไม่สามารถแก้ไขปัญหาทั้งหมดได้
การศึกษาใหม่ที่ใช้การเรียนรู้เชิงลึกและข้อมูลรถยนต์จริงแสดงให้เห็นว่าวิธีการแบบไฮบริดและ AI สามารถคาดเดาสถานะการชาร์จได้โดยมีความผิดพลาดน้อยกว่า 2% วิธีการเหล่านี้มีความแม่นยำและใช้งานได้ดี แม้ในสภาวะที่มีการเปลี่ยนแปลงมาก
หมายเหตุ: วิธีการทางสถิติช่วยในการคาดเดาสถานะประจุโดยการแก้ไขความไม่แน่นอน ข้อผิดพลาดของเซ็นเซอร์ และสัญญาณรบกวนแบบสุ่ม การสอบเทียบ การถดถอย และการทดสอบทำให้วิธีการต่างๆ ของสถานะประจุมีความน่าเชื่อถือมากขึ้น
วิธีการประเมินสถานะสุขภาพ
สถานะสุขภาพ หรือ SOH บอกเราว่าแบตเตอรี่ลิเธียมไอออนมีอายุใช้งานนานเท่าใด โดยเปรียบเทียบแบตเตอรี่ปัจจุบันกับตอนที่ยังใหม่ SOH ตรวจพบได้โดยดูความจุปัจจุบันและเปรียบเทียบกับความจุเดิม นอกจากนี้ยังสามารถตรวจสอบได้โดยการเปรียบเทียบความต้านทานภายในกับเซลล์ใหม่ เมื่อ SOH ลดลงต่ำกว่า 80% หรือ 70% แสดงว่าแบตเตอรี่หมดอายุการใช้งาน SOH มีความสำคัญเนื่องจากส่งผลต่อประสิทธิภาพการทำงานของแบตเตอรี่ ความปลอดภัย และอายุการใช้งาน เมื่อ SOH ลดลง แบตเตอรี่จะเก็บพลังงานได้น้อยลง ซึ่งหมายความว่ารถยนต์ไฟฟ้าไม่สามารถเดินทางได้ไกลและอุปกรณ์ต่างๆ ก็ทำงานได้ไม่ยาวนานเท่า หากแบตเตอรี่มีอายุใช้งานนานเกินไป อาจเกิดการบวม รั่วซึม หรือแม้แต่ลุกไหม้ได้ การคาดการณ์ SOH ที่ดีจะช่วยหยุดปัญหาเหล่านี้และทำให้แบตเตอรี่ปลอดภัย
แง่มุม | หลักฐาน | ข้อมูลตัวเลข / รายละเอียด |
|---|---|---|
ความหมายของ SOH | SOH คืออัตราส่วนระหว่างความจุกระแสไฟฟ้ากับความจุเริ่มต้นหรือเปรียบเทียบความต้านทานภายในกับแบตเตอรี่ใหม่ | ระดับอายุการใช้งานของ SOH เหลืออยู่ 80% หรือ 70% ของความจุ |
ผลกระทบต่อการมีอายุยืนยาว | SOH แสดงให้เห็นว่าความจุที่สูญเสียไปนั้นมากเพียงใด ซึ่งเป็นข้อจำกัดว่ารถยนต์ไฟฟ้าสามารถวิ่งได้ไกลแค่ไหน อายุการใช้งานของแบตเตอรี่หมายถึงความจุที่ลดลง | แบตเตอรี่รถยนต์ไฟฟ้าที่ใช้งานเกิน 10,000 กม. และเกิน 800 วัน แสดงให้เห็นรูปแบบการสูญเสียความจุ |
ผลกระทบต่อความปลอดภัย | การใช้งานที่ไม่เหมาะสมอาจทำให้เกิดการรั่วซึม การบวม ความร้อนสูงเกินไป และไฟไหม้ได้ | ความเสี่ยงด้านความปลอดภัยจะยิ่งแย่ลงเมื่อระดับ SOH ลดลง ดังนั้นการตรวจสอบระดับ SOH จึงเป็นสิ่งสำคัญ |
แหล่งข้อมูล | ข้อมูลมาจากรถยนต์ไฟฟ้าหลายรุ่นที่มีวิธีการขับเคลื่อนและการชาร์จที่แตกต่างกัน | ชุดข้อมูลประกอบด้วยรถยนต์ไฟฟ้า 347 คัน บันทึกการชาร์จเป็นเวลา 25 เดือน และการเปลี่ยนแปลงในโลกแห่งความเป็นจริงมากมาย |
ความท้าทายในการประมาณค่า SOH | การเปลี่ยนแปลงในโลกแห่งความเป็นจริง ข้อผิดพลาดใน SOC ข้อมูลที่มีสัญญาณรบกวน และตัวอย่างที่ไม่เพียงพอทำให้การตรวจสอบ SOH เป็นเรื่องยาก | ข้อผิดพลาดของ SOC จะยิ่งมากขึ้นตามอายุแบตเตอรี่ และ BMS ก็มีปัญหาในการอัปเดตความจุอย่างรวดเร็ว |
วิธีการขั้นสูง | การเรียนรู้ของเครื่องจักรและวิธีการที่ใช้ข้อมูลทำให้การตรวจสอบ SOH ดียิ่งขึ้น | BiGRU รองรับการถดถอยเวกเตอร์ และเครือข่ายประสาทลึก ช่วยให้คาดเดา SOH และ SOC ได้แม่นยำยิ่งขึ้น |
ความต้านทานภายใน
ความต้านทานภายในมีความสำคัญอย่างยิ่งต่อการตรวจสอบค่าความต้านทานภายใน (SOH) ในแบตเตอรี่ลิเธียมไอออน เมื่อแบตเตอรี่มีอายุมากขึ้น ความต้านทานภายในจะเพิ่มขึ้น ซึ่งเกิดจากชิ้นส่วนภายในแบตเตอรี่เสื่อมสภาพและเสื่อมสภาพ หากความต้านทานเพิ่มขึ้นเป็นสองเท่าหรือความจุลดลงเหลือ 70-80% แสดงว่าแบตเตอรี่หมดอายุการใช้งานแล้ว มีหลายวิธีในการตรวจสอบค่าความต้านทานภายใน การวัดค่าความต้านทานโดยตรงให้ผลลัพธ์ที่ดี แต่โดยปกติแล้วจำเป็นต้องให้แบตเตอรี่พักการทำงาน ซึ่งเป็นเรื่องยากในการใช้งานปกติ
นักวิทยาศาสตร์ได้คิดค้นวิธีการใหม่ๆ ในการใช้ความต้านทานภายในเพื่อให้การตรวจสอบ SOH มีประสิทธิภาพมากขึ้น ตัวอย่างเช่น การแก้ไขเส้นโค้งแรงดันไฟฟ้าวงจรเปิดโดยใช้ข้อมูลความต้านทาน ซึ่งช่วยลดความผิดพลาดจากการเปลี่ยนแปลงความเร็วในการชาร์จ วิธีนี้ใช้ปัจจัยต่างๆ เช่น เวลาในการชาร์จด้วยกระแสคงที่แทนการคำนวณทางคณิตศาสตร์ที่ซับซ้อน การทดสอบกับข้อมูลแบตเตอรี่จริงแสดงให้เห็นว่าวิธีนี้สามารถลดค่าความผิดพลาดสัมบูรณ์เฉลี่ยลงเหลือประมาณ 1.28% สำหรับช่วงแรงดันไฟฟ้าบางช่วง ผลลัพธ์เหล่านี้แสดงให้เห็นว่าการตรวจสอบความต้านทานภายในทำให้การตรวจสอบ SOH มีประสิทธิภาพและแม่นยำยิ่งขึ้น
อิมพีแดนซ์
วิธีการที่ใช้อิมพีแดนซ์จะใช้ปฏิกิริยาของแบตเตอรี่ต่อไฟฟ้าเพื่อตรวจสอบ SOH วิธีการเหล่านี้มักใช้สเปกโทรสโกปีอิมพีแดนซ์ทางเคมีไฟฟ้าหรือการทดสอบที่คล้ายคลึงกัน โดยการดูการทำงานของแบตเตอรี่ที่ความถี่ต่างๆ วิศวกรสามารถระบุอายุและคาดเดา SOH ได้ วิธีการที่ใช้อิมพีแดนซ์อาจมีความแม่นยำมาก โดยมีค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (root mean square error) อยู่ระหว่าง 0.75% ถึง 1.5% ของหน่วย SOH
วิธีการ Type | รายละเอียด | ความแม่นยำในการทำนาย SOH (ข้อผิดพลาด RMS) | ข้อควรพิจารณาในทางปฏิบัติ |
|---|---|---|---|
ข้อมูล EIS โดยตรง | ใช้ข้อมูลสเปกโตรสโคปีอิมพีแดนซ์ไฟฟ้าเคมีดิบ | หน่วย SOH 0.75% – 1.5% | วัดได้เร็วแต่เซลล์อาจแตกต่างกัน |
วงจรเทียบเท่าพอดี | จับคู่ข้อมูล EIS กับแบบจำลองวงจร | หน่วย SOH 0.75% – 1.5% | ต้องมีการทำงานและคณิตศาสตร์เพิ่มเติม แต่มีความไม่แน่นอนน้อยลง |
การกระจายของเวลาผ่อนคลาย (DRT) | ดูว่าใช้เวลานานเท่าใดกว่าสิ่งต่างๆ จะลงตัวโดยใช้ข้อมูล EIS | หน่วย SOH 0.75% – 1.5% | กินพลังงานคอมพิวเตอร์มากแต่ก็มีความยืดหยุ่น |
การวิเคราะห์การตอบสนองความถี่แบบไม่เชิงเส้น (NFRA) | ใช้ข้อมูลความถี่พิเศษเพื่อตรวจสอบ SOH | หน่วย SOH 0.75% – 1.5% | ให้ข้อมูลที่ดีเกี่ยวกับการทำงานของแบตเตอรี่ เร็วกว่าการคายประจุจนหมด |
วิธีการที่ใช้อิมพีแดนซ์ได้ผลดีในห้องปฏิบัติการและให้รายละเอียดมากมายเกี่ยวกับอายุของแบตเตอรี่ แต่วิธีการเหล่านี้อาจเป็นเรื่องยากและยุ่งยากในการใช้งานในระบบแบตเตอรี่แบบเรียลไทม์ มักต้องใช้เครื่องมือพิเศษและการตั้งค่าอย่างระมัดระวัง วิธีการใหม่ๆ ที่อิงข้อมูลกำลังเริ่มได้รับความนิยม โดยการใช้การเรียนรู้ของเครื่องเพื่อคาดเดาอายุของแบตเตอรี่โดยไม่ต้องใช้แบบจำลองที่ซับซ้อน
การนับรอบ
การนับรอบการใช้งาน (Cycle counting) เป็นหนึ่งในวิธีที่เก่าแก่ที่สุดในการตรวจสอบค่า SOH ในแบตเตอรี่ลิเธียมไอออน วิธีนี้จะนับจำนวนครั้งที่แบตเตอรี่ถูกชาร์จและใช้งาน แต่ละรอบการใช้งานจะทำให้แบตเตอรี่เสื่อมสภาพลงเล็กน้อย การนับรอบการใช้งานช่วยให้วิศวกรสามารถคาดเดาได้ว่าแบตเตอรี่เสื่อมสภาพไปเท่าใด
การนับรอบแบตเตอรี่นั้นง่ายและไม่ต้องใช้เครื่องมือพิเศษหรือคณิตศาสตร์ที่ซับซ้อน แต่ไม่ได้พิจารณาว่าแต่ละรอบมีความแตกต่างกันอย่างไร ปัจจัยต่างๆ เช่น อุณหภูมิ ปริมาณการใช้งานแบตเตอรี่ และความเร็วในการชาร์จ ล้วนส่งผลต่ออายุการใช้งานของแบตเตอรี่ แต่การนับรอบแบตเตอรี่จะถือว่าแต่ละรอบเหมือนกัน ซึ่งอาจทำให้การตรวจสอบ SOH ผิดพลาด โดยเฉพาะอย่างยิ่งในชีวิตจริงที่แบตเตอรี่ต้องเผชิญกับความเครียดหลายรูปแบบ
วิธีการขั้นสูง
วิธีขั้นสูงในการตรวจสอบ SOH ใช้การเรียนรู้ของเครื่องและปัญญาประดิษฐ์เพื่อศึกษาข้อมูลแบตเตอรี่จำนวนมาก วิธีการเหล่านี้เรียนรู้จากแรงดัน กระแสไฟฟ้า และอุณหภูมิ เพื่อคาดเดา SOH ได้ดีกว่าวิธีเดิม โมเดลการเรียนรู้ของเครื่อง เช่น เครื่องเวกเตอร์สนับสนุน แรนดอมฟอเรสต์ และเครือข่ายประสาทเทียมเชิงลึก สามารถค้นหารูปแบบอายุแบตเตอรี่ที่ซับซ้อนได้
การศึกษาเมื่อเร็วๆ นี้แสดงให้เห็นว่าวิธีการที่ใช้ข้อมูลเหล่านี้ได้ผลดีกว่าแบบจำลองทางกายภาพแบบเก่า ตัวอย่างเช่น การถดถอยเวกเตอร์สนับสนุนและการถดถอยกระบวนการแบบเกาส์เซียนสามารถให้ค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (RMS) ต่ำกว่า 0.4% เมื่อคาดเดา SOH เครือข่ายประสาทเทียมแบบฟีดฟอร์เวิร์ดและระบบอนุมานประสาทเทียมแบบปรับตัวก็ทำงานได้ดีเช่นกัน โดยมีข้อผิดพลาดต่ำและให้ผลลัพธ์ที่ดีในแบตเตอรี่ที่แตกต่างกัน
วิธีการเรียนรู้ของเครื่องจักรไม่จำเป็นต้องมีแบบจำลองแบตเตอรี่โดยละเอียด
ระบบคลาวด์คอมพิวติ้งช่วยให้โมเดลขนาดใหญ่ทำงานได้ ทำให้การตรวจสอบ SOH ดีขึ้นแม้ว่าระบบแบตเตอรี่จะมีขนาดเล็กก็ตาม
การใช้โมเดลการเรียนรู้ของเครื่องมากกว่าหนึ่งโมเดลสามารถทำให้การตรวจสอบ SOH แม่นยำยิ่งขึ้น
วิธีการเหล่านี้สามารถให้ค่าความคลาดเคลื่อนเฉลี่ยสัมบูรณ์ได้ภายใน 3% และค่าความคลาดเคลื่อนรากที่สองของค่ากลางภายใน 2% ในการทดสอบจริง
แต่วิธีการขั้นสูงจำเป็นต้องมีข้อมูลการฝึกอบรมที่ดีและจำนวนมาก ซึ่งอาจมีปัญหาเรื่องอายุแบตเตอรี่ที่ผิดปกติหรือการเปลี่ยนแปลงครั้งใหญ่ในวิธีการใช้งานแบตเตอรี่ การเลือกคุณสมบัติที่ดีจากข้อมูลการชาร์จเป็นสิ่งสำคัญ เนื่องจากการชาร์จจะสม่ำเสมอมากกว่าการใช้แบตเตอรี่จนหมดในรถยนต์ไฟฟ้า วิศวกรต้องตรวจสอบให้แน่ใจว่าวิธีการเหล่านี้มีความแข็งแรงและปลอดภัยก่อนนำไปใช้ ระบบแบตเตอรี่ที่ปกป้องผู้คน.
หมายเหตุ: การเปลี่ยนจากแบบจำลองทางกายภาพแบบเก่ามาใช้วิธีการแบบอิงข้อมูลแสดงให้เห็นว่าเราต้องการการตรวจสอบ SOH ที่ดีขึ้นและยืดหยุ่นมากขึ้นสำหรับแบตเตอรี่ลิเธียมไอออน การเรียนรู้ของเครื่องช่วยตรวจจับการเสื่อมสภาพของแบตเตอรี่ได้เร็วยิ่งขึ้น และทำให้แบตเตอรี่ทำงานได้ดีขึ้นโดยการค้นหาสัญญาณของปัญหาได้เร็วขึ้น
การผสมผสานวิธีการเพื่อความแม่นยำ
แนวทางไฮบริด
ระบบจัดการแบตเตอรี่จะทำงานได้ดีขึ้นเมื่อใช้มากกว่าหนึ่งวิธีในการตรวจสอบสถานะการชาร์จและสภาพแบตเตอรี่ วิธีการเดียวไม่สามารถแก้ไขปัญหาทั้งหมดในระบบแบตเตอรี่ลิเธียมไอออนได้ วิธีไฮบริด ผสมผสานจุดแข็งของอัลกอริทึมที่อิงตามแบบจำลอง ขับเคลื่อนด้วยข้อมูล และการเรียนรู้เข้าด้วยกัน ซึ่งจะช่วยลดสัญญาณรบกวน จัดการกับสิ่งที่ไม่รู้จัก และรักษาอายุการใช้งานของแบตเตอรี่ให้เหมาะสม
อัลกอริทึมการหาค่าเหมาะที่สุดหลายตัว เช่น อัลกอริทึมกำลังสองน้อยที่สุด อัลกอริทึมการหาค่าเหมาะที่สุดสำหรับดอกทานตะวัน และอัลกอริทึมการค้นหาแบบอินทรีหัวล้าน ช่วยให้การตรวจสอบสถานะการชาร์จมีประสิทธิภาพมากขึ้น ตัวอย่างเช่น อัลกอริทึมการค้นหาแบบอินทรีหัวล้านมีค่าความคลาดเคลื่อนสูงสุดเพียง 1.06% สำหรับ SOC
แผนผังการจัดระบบตนเองที่ได้รับการปรับปรุงและการเรียนรู้แบบกึ่งมีผู้สอนแสดงค่าความผิดพลาดสูงสุดที่ 1.25% และค่า RMSE ต่ำถึง 0.55% ผลลัพธ์เหล่านี้หมายความว่าวิธีไฮบริดให้ผลการตรวจสอบ SOC ที่แข็งแกร่งสำหรับแบตเตอรี่ลิเธียมไอออน
การใช้การปรับสมดุลเซลล์แบบแอคทีฟร่วมกับการเรียนรู้ของเครื่องเพื่อยืดอายุการใช้งาน ช่วยลดความแตกต่างของเซลล์และอายุของแบตเตอรี่ เซลล์ที่สมดุลให้ข้อมูลสถานะการชาร์จที่ดีกว่า ซึ่งช่วยคาดการณ์สุขภาพของแบตเตอรี่ลิเธียมไอออน
แบบจำลองเครือข่ายประสาทเทียมแบบไฮบริดช่วยในเรื่องการเปลี่ยนแปลงของอุณหภูมิและวิธีการใช้แบตเตอรี่ ระบบการจัดการแบตเตอรี่สามารถช่วยให้แบตเตอรี่ลิเธียมไอออนใช้งานได้นานขึ้นและทำงานได้ดีขึ้นด้วยการผสมผสานวิธีการปรับสมดุลทางกายภาพเข้ากับข้อมูล การรวมหลายแบบจำลอง เช่น Random Forest ทำให้การตรวจสอบสถานะสุขภาพมีประสิทธิภาพมากขึ้นด้วยการใช้ส่วนที่ดีที่สุดของแบบจำลองต่างๆ
วิธีการแบบไฮบริดช่วยให้ระบบการจัดการแบตเตอรี่สามารถรับมือกับการเปลี่ยนแปลงในโลกแห่งความเป็นจริงได้ ซึ่งทำให้ระบบมีความน่าเชื่อถือมากขึ้นสำหรับการใช้งานในรถยนต์ไฟฟ้าและการใช้งานอื่นๆ
การพิจารณาการใช้งาน
การเลือกและใช้งานวิธีไฮบริดในระบบแบตเตอรี่ลิเธียมไอออนจริงจำเป็นต้องมีการวางแผนอย่างรอบคอบ วิศวกรต้องพิจารณาถึงความต้องการของการใช้งานแต่ละประเภท เช่น รถยนต์ไฟฟ้า หรือระบบจัดเก็บพลังงาน
วิธีการขับเคลื่อนด้วยข้อมูลใช้ข้อมูลเซ็นเซอร์แบบเรียลไทม์และเปลี่ยนแปลงไปตามอายุแบตเตอรี่หรือการใช้งาน วิธีการเหล่านี้มีความแม่นยำมากกว่า ทำงานร่วมกับสารเคมีที่แตกต่างกัน และจัดการกับสัญญาณรบกวนจากเซ็นเซอร์ได้ดี
เฟรมเวิร์กแบบไฮบริดผสานรวมอัลกอริทึมแรนดอมฟอเรสต์ แบบจำลองเชิงฟิสิกส์ และเครื่องมือการเรียนรู้ของเครื่องอื่นๆ เข้าด้วยกันได้อย่างมีประสิทธิภาพ ความสมดุลนี้ให้ความแม่นยำ ทำงานรวดเร็ว และสามารถใช้งานได้กับแบตเตอรี่ลิเธียมไอออนหลายประเภทและหลายสถานการณ์
วิศวกรต้องแก้ปัญหาต่างๆ เช่น การต้องการข้อมูลจำนวนมาก การเลือกฟีเจอร์ที่เหมาะสม และต้นทุนของคอมพิวเตอร์ การผสมผสานฟีเจอร์และการตั้งค่าปรับแต่งต่างๆ จะช่วยให้การคาดการณ์แม่นยำยิ่งขึ้นและช่วยแก้ไขการเปลี่ยนแปลงแบบเรียลไทม์
ข้อมูลจำนวนมาก เช่น แรงดันไฟฟ้าของเซลล์ กระแสไฟฟ้า อุณหภูมิ และจำนวนรอบการทำงาน ล้วนช่วยเลือกวิธีไฮบริดที่ดีที่สุด วิธีเหล่านี้ช่วยแก้ปัญหาข้อมูลที่มีสัญญาณรบกวนหรือข้อมูลที่หายไป และให้ผลลัพธ์ที่พิเศษเฉพาะสำหรับการใช้งานแต่ละครั้ง ไม่ใช่แค่เพียงสถานะการชาร์จและสถานะสุขภาพพื้นฐานเท่านั้น ในชีวิตจริง วิธีไฮบริดใช้ได้ผลดีทั้งในห้องปฏิบัติการและภาคสนาม เช่น ในรถยนต์ไฟฟ้า ซึ่งช่วยรักษาแบตเตอรี่ให้ปลอดภัยและทำงานได้ภายใต้สภาวะที่แตกต่างกัน
เคล็ดลับ: เมื่อเลือกวิธีไฮบริด วิศวกรควรจับคู่วิธีการกับเป้าหมาย ข้อมูล และตำแหน่งที่จะใช้งานของระบบแบตเตอรี่ วิธีนี้ช่วยให้มั่นใจได้ว่าการจัดการแบตเตอรี่ลิเธียมไอออนมีความน่าเชื่อถือ สามารถขยายขนาดได้ และทำงานได้แบบเรียลไทม์
การรู้จักค่า SOC และ SOH ที่ถูกต้องมีความสำคัญอย่างยิ่งต่อประสิทธิภาพและความปลอดภัยของแบตเตอรี่ลิเธียมไอออน แต่ละวิธีมีข้อดีของตัวเอง แต่การใช้มากกว่าหนึ่งวิธีร่วมกันในระบบจัดการแบตเตอรี่จะให้ผลลัพธ์ที่ดีที่สุดในการทำให้แบตเตอรี่ลิเธียมไอออนมีอายุการใช้งานยาวนานและทำงานได้ดีขึ้น งานวิจัยใหม่แสดงให้เห็นว่าการใช้วิธีการอย่างชาญฉลาดในการดึงข้อมูลสำคัญและเครือข่ายประสาทเทียมที่ได้รับการปรับปรุงให้ดีขึ้นอาจทำให้เกิดข้อผิดพลาดได้น้อยมาก แม้เพียง 0.16% ซึ่งช่วยให้แบตเตอรี่มีอายุการใช้งานยาวนานขึ้นและปลอดภัยยิ่งขึ้น การเลือกวิธีการประมาณการที่เหมาะสมกับความต้องการของแบตเตอรี่ลิเธียมไอออนแต่ละชนิดจึงเป็นสิ่งสำคัญ
คำถามที่พบบ่อย
ระบบจัดการแบตเตอรี่มีหน้าที่หลักอะไร
ระบบจัดการแบตเตอรี่ช่วยรักษาแบตเตอรี่ให้ปลอดภัย โดยจะตรวจสอบสถานะการชาร์จและสุขภาพแบตเตอรี่ ระบบจะปรับสมดุลเซลล์เพื่อให้ทำงานร่วมกัน ป้องกันไม่ให้แบตเตอรี่ร้อนเกินไปหรือเต็มเกินไป ช่วยให้แบตเตอรี่ใช้งานได้นานขึ้นและทำงานได้ดีขึ้น
เหตุใดเซ็นเซอร์จึงไม่สามารถวัดสถานะการชาร์จโดยตรงได้
เซ็นเซอร์ไม่สามารถมองเข้าไปภายในแบตเตอรี่ได้ ปฏิกิริยาเคมีเกิดขึ้นภายในที่เซ็นเซอร์ไม่สามารถมองเห็นได้ เซ็นเซอร์วัดได้เพียงแรงดันไฟฟ้า กระแสไฟฟ้า และอุณหภูมิเท่านั้น ระบบใช้ตัวเลขเหล่านี้ร่วมกับอัลกอริทึมพิเศษเพื่อคาดเดาสถานะการชาร์จ
อุณหภูมิส่งผลต่อการประมาณสถานะแบตเตอรี่อย่างไร
เมื่ออากาศร้อนจัดหรือเย็นจัด ปฏิกิริยาของแบตเตอรี่จะเปลี่ยนแปลงไป ระบบอาจเกิดข้อผิดพลาดเกี่ยวกับสถานะการชาร์จหรือสถานะสุขภาพ ระบบจัดการแบตเตอรี่ที่ดีจะปรับเปลี่ยนการคำนวณเพื่อแก้ไขข้อผิดพลาดเหล่านี้
วิธีใดให้การประมาณค่าสภาวะสุขภาพที่แม่นยำที่สุด?
วิธี | ระดับความแม่นยำ |
|---|---|
เครื่องเรียนรู้ | สูงมาก |
การวิเคราะห์อิมพีแดนซ์ | จุดสูง |
ความต้านทานภายใน | กลาง |
การนับรอบ | ต่ำ |
การเรียนรู้ของเครื่องจักรมักจะให้ผลลัพธ์ที่ดีที่สุดหากข้อมูลนั้นดี
