Система керування акумуляторами визначає стан заряду та справності літій-іонних акумуляторів за допомогою методів непрямої оцінки. Вона не може виміряти ці речі безпосередньо, оскільки всередині акумулятора відбуваються складні реакції. Тому система використовує такі методи, як статистичне вилучення ознак, кулонівське підрахунок та розширені моделі на основі даних. Наприклад, вона розглядає статистичні показники, такі як дисперсія, середнє значення та асиметрія кривих напруги та струму, щоб відстежувати деградацію акумулятора. Використання методів непрямої оцінки, таких як машинне навчання та підходи на основі спостерігачів, допомагає зробити оцінку стану заряду (SOC) більш точною та безпечною. Ці методи оцінки стану заряду допомагають системі керування акумуляторами прогнозувати зміни в літій-іонних акумуляторах. Вони також допомагають краще керувати втратою ємності, старінням та ризиками. Хороша оцінка стану заряду та справності допомагає кожному літій-іонному акумулятору працювати краще та служити довше.
Точна оцінка заряду (SOC) у літій-іонних акумуляторних системах захищає акумулятор від перезаряджання, перегріву та раптових збоїв. Це робить точні методи оцінки дуже важливими для сучасних систем управління акумуляторами.
Статистичний показник | Опис | Кореляція з деградацією батареї |
|---|---|---|
дисперсія | Перевіряє, наскільки стабільними є зміни напруги/струму | Більша дисперсія означає нерівномірний внутрішній опір та хімічні реакції, а також пошкодження електродів. |
Максимальне значення | Найвища напруга/струм під час заряджання або розряджання | Нижчі числа вказують на меншу вантажопідйомність та можливі проблеми з безпекою, такі як перезаряджання або перегрів. |
Мінімальне значення | Найнижча напруга/струм під час заряджання або розряджання | Показує втрату потужності та проблеми з безпекою |
Середнє (середнє) | Середня напруга/струм протягом циклу | Зміни свідчать про розпад електролітів та зменшення вироблення енергії |
Асиметрія | Наскільки нерівномірно розподіляється напруга/струм | Використовується для вилучення ознак для прогнозування стану здоров'я (SOH) |
Надмірний ексцес | Наскільки різкий пік напруги/струму | Вищі числа означають більшу поляризацію та меншу здатність до вбудовування літію |
Ключові винесення
Системи керування акумуляторами не можуть безпосередньо вимірювати заряд або стан. Вони використовують непрямі способи, такі як статистичний аналіз, кулонівський підрахунок та машинне навчання. Ці методи допомагають оцінити заряд та стан акумулятора.
Знання стану заряду допомагає зберегти акумулятори в безпеці. Це запобігає перезарядженню, перегріву та раптовим проблемам.
Існують різні способи перевірки акумуляторів. Напруга холостого ходу, кулонівський підрахунок, фільтрація Калмана та моделі на основі штучного інтелекту – це лише деякі з методів. Кожен з них має свої переваги та недоліки. Їхнє спільне використання робить результати кращими та надійнішими.
Оцінка стану перевіряє вік акумулятора. Вона враховує втрату ємності та внутрішній опір. Це допомагає визначити термін служби акумулятора та уникнути проблем із безпекою.
Гібридні підходи поєднують методи, засновані на моделях, та методи, керовані даними. Вони дають найкращі результати. Вони можуть змінюватися залежно від реального використання. Це допомагає акумуляторам служити довше та працювати краще.
Основи системи управління акумуляторами
Основні функції
Система керування акумуляторами дуже важлива для літій-іонних акумуляторів. Вона допомагає забезпечити безпеку та належну роботу літій-іонних акумуляторів. Система перевіряє кожну комірку літій-іонного акумулятора на напругу, струм та температуру. Вона також забезпечує рівномірний заряд та розряд усіх елементів літій-іонного акумулятора. Це допомагає кожному літій-іонному акумулятору служити довше та працювати краще.
Система керування акумуляторами відстежує стан заряду та справність кожного літій-іонного акумулятора. Вона використовує ці показники, щоб запобігти перезарядуванню та глибокому розряду, які можуть пошкодити літій-іонні акумулятори.
Безпека понад усе. Система відключить літій-іонний акумулятор, якщо виявить такі проблеми, як перегрів або коротке замикання. Вона може використовувати резервні елементи або акумуляторні батареї для підтримки працездатності.
Зв'язок має значення. Система керування акумулятором використовує шини SPI та CAN для надсилання даних до інших частин пристрою або транспортного засобу.
Існують різні типи, такі як централізовані або розподілені, тому система керування акумуляторами може підійти для багатьох конструкцій літій-іонних акумуляторів.
Деякі системи мають додаткові функції, такі як дистанційний моніторинг, прогнозування життєвого циклу та виявлення несправностей. Вони використовують хмарні обчислення та машинне навчання, щоб допомогти акумулятору працювати краще та безпечніше.
Ключова функція / Алгоритм | Опис |
|---|---|
Моніторинг клітин | Відстежує напругу, струм та температуру кожного елемента літій-іонного акумулятора. Виявляє проблеми та запускає заходи безпеки. Визначає стан заряду та справності. |
Оптимізація живлення | Контролює заряджання та розряджання для безпеки літій-іонних акумуляторних елементів. Працює з іншими системами для розумного використання енергії. |
Гарантія безпеки | Запобігає таким небезпекам, як тепловий вибух. Використовує резервні плани та захищає людей від ураження електричним струмом. |
Оптимізація заряджання акумулятора | Змінює режим заряджання для зменшення навантаження на кожен елемент літій-іонного акумулятора. Зберігає коди несправностей для подальших перевірок. |
Алгоритм балансування комірок | Забезпечує однакову напругу всіх елементів літій-іонного акумулятора. Використовує активне або пасивне балансування для кращої роботи акумулятора. |
Алгоритми зв'язку | Надсилає дані між системою керування акумулятором та іншими пристроями. Припиняє заряджання, якщо виявляє небезпечні умови. |
Порада: Використання готових програмних та апаратних інструментів може допомогти інженерам швидше створити та протестувати систему керування літій-іонними акумуляторами.
Підтримувані хімії
Система керування акумуляторами повинна працювати з багатьма хімічними складами літій-іонних акумуляторів. Кожен хімічний склад, такий як NMC, LFP та NCA, має свої переваги та недоліки. Наприклад, літій-іонні акумулятори NMC мають високу щільність енергії. Літій-іонні акумулятори LFP служать довше та краще переносять нагрівання. Система керування акумуляторами змінює свою роботу відповідно до кожного хімічного складу літій-іонного акумулятора.
Нещодавні дослідження розглядають, як різні хімічні склади літій-іонних акумуляторів працюють в електромобілях. Ці дослідження показують, що системи керування акумуляторами повинні враховувати зміни щільності енергії, вартості та терміну служби. Вони також показують, що управління температурою та розширена оцінка стану важливі для кожного типу літій-іонного акумулятора. Моделі машинного навчання можуть допомогти передбачити стан літій-іонних акумуляторів за допомогою відфільтрованих даних. Це зменшує кількість помилок і допомагає системі керування акумуляторами враховувати старіння кожного хімічного складу літій-іонного акумулятора.
Гнучка система керування акумуляторами може працювати з багатьма хімічними типами літій-іонних акумуляторів. Це допомагає кожному застосуванню, від електромобілів до портативної електроніки, отримати найкращу продуктивність та безпеку акумулятора.
Стан заряду літій-іонних акумуляторів
Стан заряду дуже важливий для літій-іонних акумуляторів. Він допомагає підтримувати безпеку та належну роботу акумулятора. Якщо стан заряду неправильний, акумулятор може перегрітися або втратити заряд. Це може призвести до поломки акумулятора або навіть спричинити небезпечні проблеми, такі як пожежі. В електромобілях знання стану заряду допомагає при гальмуванні та зарядці. Це також подовжує термін служби акумулятора. Дослідження показують, що правильна оцінка стану заряду зменшує кількість помилок і допомагає довкіллю.
Ви не можете безпосередньо виміряти стан заряду в літій-іонному акумуляторі. Хімічні реакції всередині приховані та їх важко побачити. Датчики можуть помилятися через шум та зміни в акумуляторі. Тому системи керування акумулятором використовують спеціальні способи визначення стану заряду. Вони враховують напругу, струм та температуру, щоб визначити це. Ці методи допомагають вирішувати проблеми з датчиками та старінням акумулятора.
Метод OCV
Метод напруги розімкнутого кола визначає стан заряду, перевіряючи напругу акумулятора після його розрядки. Кожен хімічний склад акумулятора має власне зв'язок між напругою та станом заряду. Цей метод простий і не вимагає великих витрат. Він добре працює для першої перевірки стану заряду та не потребує великої моделі акумулятора.
Аспект | Деталі |
|---|---|
Принцип | Напруга акумулятора вимірюється після стану спокою. Зв'язок між OCV та станом заряду визначається шляхом тестування кожного типу акумулятора. |
Переваги | 1. Простий процес |
Недоліки | 1. Потрібен тривалий час відпочинку (понад 2 години, якщо холодно) |
Метод OCV не може перевірити стан заряду під час роботи акумулятора. Літій-іонні акумулятори часто швидко змінюються, тому чекати, поки акумулятор розрядиться, недоцільно. Плоскі ділянки на кривій OCV дозволяють легко отримати великі помилки через невеликі зміни напруги.
Підрахунок Кулона
Кулонівський підрахунок, або підрахунок в А, визначає стан заряду шляхом додавання сили струму, що входить і виходить. Він починається з першого числа стану заряду та змінює його в міру зміни струму.
Аспект оцінювання | Деталі |
|---|---|
Метод | Покращений алгоритм кулонівського підрахунку |
Підхід до валідації | Тест MATLAB у порівнянні з реальним станом заряду на основі кривих заряджання/розряджання |
Максимальна похибка (кінець заряджання) | Про 3.5% |
Помилка на етапі CC | Менш 2% |
Помилка на етапі резюме | Менш 1% |
Тенденція помилок | З часом збільшується перед перевіркою стану здоров'я |
Важливі фактори | Гарний початковий стан зарядки та перевірка заряджання зменшують кількість помилок |
Переваги | Проста математика; достатньо хороша точність; додаткові дані про заряд батареї не потрібні |
Обмеження | Помилки накопичуються з часом; потрібні хороші показники початкового стану заряду та стану здоров'я |
Кулонівський підрахунок простий у використанні та не потребує додаткових даних про заряд батареї. Але з часом помилки можуть накопичуватися. Невеликі помилки в поточному або початковому стані заряду можуть погіршитися. Цей метод найкраще працює з регулярними перевірками або іншими способами допомоги.
Метод | RMSE | MSE | ДЕД | Ключові висновки |
|---|---|---|---|---|
Кулонівський підрахунок (CC) | 0.5071 | 0.2572 | 0.4571 | Найбільша кількість помилок через шум та помилки датчика; не підходить для тривалого використання |
Розширений фільтр Калмана | 0.0925 | N / A | N / A | Краща точність з моделлю; потрібна хороша модель батареї |
Linear Regression | 0.0778 | N / A | N / A | Краще, ніж EKF, але не ідеально підходить для змін стану заряду |
Підтримка векторної машини | 0.0319 | N / A | N / A | Краще справляється зі змінами; потребує більше комп'ютерної потужності |
Регресія випадкового лісу | 0.0229 | 0.0005 | 0.0139 | Найвища точність; добре працює з шумом та змінами; підходить для реального управління батареєю |
Фільтрація Калмана
Фільтр Калмана використовує математичні моделі для визначення стану заряду. Розширений фільтр Калмана та фільтр Калмана без запаху є популярними. Ці фільтри поєднують дані реального часу з припущеннями моделі акумулятора. Вони виправляють свої припущення, коли надходять нові дані.
Методи фільтрації Калмана, такі як EKF, UKF, адаптивні фільтри Калмана та подвійні фільтри Калмана, використовуються часто.
Ці фільтри використовують як прості моделі батарейок, так і складніші для отримання кращих результатів.
Тести показують, що фільтри Калмана добре справляються зі змінами, пам'яттю батареї та шумом датчика.
Зміна налаштувань та використання нейронних мереж роблять їх ще кращими.
Оновлення чисел знову і знову допомагає виправити помилки, спричинені змінами моделі та дрейфом датчика.
Дослідження показують, що адаптивні та подвійні фільтри Калмана краще справляються зі станом заряду, ніж звичайні фільтри з електронним керуванням (EKF).
Фільтрування Калмана дає точні оцінки стану заряду літій-іонних акумуляторів у режимі реального часу. Воно потребує ретельного налаштування та гарної моделі акумулятора. Його може бути важко використовувати, але воно добре працює, коли обставини швидко змінюються.
Гібридні та штучний інтелект методи
Гібридні методи та методи штучного інтелекту поєднують методи, засновані на моделях та даних, для визначення стану заряду. Вони використовують машинне навчання, таке як нейронні мережі, методи опорних векторів та регресію випадкового лісу. Вони навчаються на даних про напругу, струм та температуру. Гібридні методи вирішують проблеми, які окремі методи не можуть вирішувати.
Аспект | Опис |
|---|---|
Метод | Приблизне визначення стану заряду гібрида за допомогою кулонівського підрахунку та методу векторів відповідності (movIRVM-Coulomb) |
Набір даних | Дані окремих елементів акумулятора, дані випробувань акумуляторних блоків, дані моделювання Advisor |
Conditions | Випробування з US06, UDDS, NYCC, 1015 циклів зарядки; температури 0°C, 25°C, 45°C; перший стан зарядки 50%, 80% |
Точність (RMSE) | У межах 2% для багатьох тестів та температур |
Поліпшення | Більше ніж на 30% краще, ніж лише movIRVM; менше помилок з часом |
Ключове обмеження усунено | Виправляє накопичення помилок у чисто кулонівському рахунку |
додаткові нотатки | Використовує ковзне середнє для зменшення шуму; для частини RVM потрібно лише 10-30% навчальних даних. |
Гібридні методи поєднують дані та моделі для обробки дивних дій батареї.
Методи на основі даних включають нейронні мережі, методи опорних векторів, гауссову регресію процесів, вейвлет-нейронні мережі та нечітку логіку.
Ці способи дозволяють визначити стан заряду на основі сигналів, які ви можете виміряти.
Проблеми включають різницю в заряді батареї, дивне використання та знос батареї.
Зараз дослідникам подобаються методи, засновані на даних, оскільки самі лише моделі не можуть вирішити всі проблеми.
Нові дослідження з використанням глибокого навчання та реальних даних про автомобілі показують, що гібридні та штучні інтелект методи можуть вгадувати стан заряду з похибкою менше 2%. Ці методи дуже точні та добре працюють, навіть коли обставини сильно змінюються.
Примітка: Статистичні методи допомагають визначити стан заряду, виправляючи невизначеність, помилки датчиків та випадковий шум. Калібрування, регресія та тестування роблять усі методи визначення стану заряду надійнішими.
Методи оцінки стану здоров'я
Стан здоров'я, або SOH, показує нам, наскільки старів літій-іонний акумулятор. Він порівнює поточний стан акумулятора з тим, коли він був новим. SOH визначається шляхом порівняння поточної ємності з початковою ємністю. Його також можна перевірити, порівнявши внутрішній опір з новим елементом. Коли SOH падає нижче 80% або 70%, акумулятор добігає кінця свого терміну служби. SOH важливий, оскільки він впливає на те, наскільки добре акумулятор працює, наскільки він безпечний і як довго служить. Зі зниженням SOH акумулятор утримує менше енергії. Це означає, що електромобілі не можуть проїхати так далеко, а пристрої працюють не так довго. Якщо акумулятор сильно старіє, він може розбухнути, протікати або навіть спалахнути. Гарне прогнозування SOH допомагає запобігти цим проблемам і забезпечує безпеку акумуляторів.
Аспект | Докази | Числові дані / Деталі |
|---|---|---|
Визначення SOH | SOH – це відношення струмової ємності до початкової ємності або порівнює внутрішній опір з новим акумулятором. | Рівень використання SOH наприкінці терміну служби становить 80% або 70% ємності. |
Вплив на довголіття | SOH показує, скільки втрачається ємності, що обмежує пробіг електромобілів. Старіння акумулятора означає зменшення ємності. | Акумулятори електромобілів, що використовуються понад 10,000 800 км та понад XNUMX днів, демонструють закономірності втрати ємності. |
Вплив на безпеку | Погане старіння може спричинити протікання, набряк, перегрів та пожежі. | Ризики безпеки погіршуються зі зниженням рівня охорони здоров'я (SOH), тому важливо перевіряти SOH. |
Джерело даних | Дані надходять від багатьох електромобілів з різними способами водіння та заряджання. | Набір даних містить 347 електромобілів, записи про зарядку протягом 25 місяців та безліч реальних змін. |
Проблеми оцінки SOH | Зміни в реальному світі, помилки в SOC, зашумлені дані та недостатня кількість вибірок ускладнюють перевірку SOH. | Помилки SOC стають більшими зі старінням акумуляторів, а BMS має проблеми зі швидким оновленням ємності. |
Розширені методи | Машинне навчання та методи на основі даних покращують перевірки SOH. | BiGRU, регресія опорних векторів та глибокі нейронні мережі допомагають точніше вгадати SOH та SOC. |
Внутрішній опір
Внутрішній опір дуже важливий для перевірки стану заряду (SOH) у літій-іонних акумуляторах. З віком акумуляторів їхній внутрішній опір зростає. Це відбувається тому, що деталі всередині акумулятора зношуються та виходять з ладу. Якщо опір подвоюється або ємність падає до 70-80%, термін служби акумулятора закінчується. Багато способів перевірки SOH використовують внутрішній опір. Вимірювання опору безпосередньо дає хороші результати, але зазвичай вимагає, щоб акумулятор відпочив, що є складним під час нормального використання.
Вчені розробили нові способи використання внутрішнього опору для покращення перевірки стану заряду (SOH). Наприклад, вони фіксують криву напруги холостого ходу, використовуючи дані про опір. Це допомагає зменшити кількість помилок, пов'язаних зі змінами швидкості заряджання. У цьому способі використовуються такі речі, як час заряджання постійним струмом, замість складної математики. Випробування на реальних даних акумулятора показують, що цей метод може знизити середню абсолютну похибку приблизно до 1.28% для деяких діапазонів напруги. Ці результати показують, що спостереження за внутрішнім опором робить перевірки SOH надійнішими та точнішими.
повний опір
Методи на основі імпедансу використовують те, як акумулятор реагує на електрику, для перевірки стану заряду (SOH). Ці методи часто використовують електрохімічну імпедансну спектроскопію або аналогічні тести. Спостерігаючи за тим, як акумулятор реагує на різні частоти, інженери можуть виявити старіння та припустити стан SOH. Методи імпедансу можуть бути дуже точними, із середньоквадратичною похибкою від 0.75% до 1.5% одиниць SOH.
Тип методу | Опис | Точність прогнозування SOH (середньоквадратична похибка) | Практичні міркування |
|---|---|---|---|
Дані прямої інформаційної системи (EIS) | Використовує необроблені дані електрохімічної імпедансної спектроскопії | 0.75% – 1.5% одиниць SOH | Швидко вимірюється, але клітини можуть бути різними |
Еквівалентні схеми | Зіставляє дані EIS з моделями схем | 0.75% – 1.5% одиниць SOH | Потрібно більше роботи та математики, але менше невизначеності |
Розподіл часів релаксації (DRT) | Вивчає, скільки часу потрібно для врегулювання ситуації, використовуючи дані EIS | 0.75% – 1.5% одиниць SOH | Споживає багато комп'ютерної потужності, але є гнучким |
Нелінійний аналіз частотної характеристики (NFRA) | Використовує спеціальні частотні дані для перевірки SOH | 0.75% – 1.5% одиниць SOH | Надає достовірну інформацію про дії акумулятора, швидше, ніж повний розряд |
Методи на основі імпедансу добре працюють у лабораторіях і дають багато деталей про старіння акумулятора. Але ці методи можуть бути складними та хитрими для використання в системах акумуляторів у режимі реального часу. Вони часто потребують спеціальних інструментів та ретельного налаштування. Нові методи на основі даних починають замінювати новіші методи, використовуючи машинне навчання для прогнозування старіння акумулятора без використання жорстких моделей.
Підрахунок циклів
Підрахунок циклів – один із найстаріших способів перевірки стану заряду та заряду (SOH) у літій-іонних акумуляторах. Цей спосіб підраховує, скільки разів акумулятор заряджався та використовувався. Кожен повний цикл трохи старіє акумулятор. Підраховуючи цикли, інженери можуть здогадатися, наскільки акумулятор зношувався.
Підрахунок циклів простий і не потребує спеціальних інструментів чи складної математики. Але він не враховує, чим відрізняється кожен цикл. Такі речі, як температура, інтенсивність використання акумулятора та швидкість його заряджання, впливають на швидкість його старіння, але підрахунок циклів розглядає кожен цикл однаково. Це може призвести до помилкових перевірок стану заряду (SOH), особливо в реальному житті, коли акумулятори стикаються з різними видами навантаження.
Розширені методи
Розширені способи перевірки стану акумулятора (SOH) використовують машинне навчання та штучний інтелект для вивчення великої кількості даних про акумулятор. Ці способи навчаються на основі напруги, струму та температури, щоб краще передбачати SOH, ніж старі методи. Моделі машинного навчання, такі як методи опорних векторів, випадкові ліси та глибокі нейронні мережі, можуть знаходити складні закономірності старіння акумулятора.
Нещодавні дослідження показують, що ці методи, засновані на даних, працюють краще, ніж старі фізичні моделі. Наприклад, регресія опорних векторів та регресія гаусового процесу можуть отримати середньоквадратичну помилку нижче 0.4% при вгадуванні стану гілки сонності (SOH). Нейронні мережі прямого зв'язку та адаптивні нейронечіткі системи виведення також добре справляються з цим завданням, демонструючи низький рівень помилок та хороші результати для різних батарей.
Методи машинного навчання не потребують детальних моделей батарей.
Хмарні обчислення дозволяють працювати більшим моделям, що покращує перевірку SOH, навіть якщо система батарей невелика.
Використання кількох моделей машинного навчання може зробити перевірки SOH ще точнішими.
Ці способи можуть отримати середні абсолютні похибки в межах 3% та середньоквадратичні похибки в межах 2% у реальних тестах.
Але для просунутих методів потрібні якісні та великі навчальні дані. Вони можуть мати проблеми з дивним старінням акумулятора або значними змінами у використанні акумуляторів. Вибір хороших характеристик з даних заряджання є важливим, оскільки заряджання відбувається частіше, ніж розряджання акумулятора в електромобілях. Інженери повинні переконатися, що ці методи є надійними та безпечними, перш ніж використовувати їх у... акумуляторні системи, що захищають людей.
Примітка: Перехід від старих фізичних моделей до методів, заснованих на даних, показує, що нам потрібні кращі та гнучкіші перевірки стану батареї (SOH) для літій-іонних акумуляторів. Машинне навчання допомагає виявляти старіння акумулятора на ранній стадії та покращує його роботу, швидше виявляючи ознаки проблем.
Поєднання методів для підвищення точності
Гібридні підходи
Системи керування акумуляторами працюють краще, коли вони використовують більше одного методу для перевірки стану заряду та справності. Один метод сам по собі не може вирішити всі проблеми в літій-іонних акумуляторних системах. Гібридні методи поєднувати сильні сторони алгоритмів, заснованих на моделях, даних та навчання. Це допомагає зменшити шум, обробляти невідомі та встигати за старінням акумулятора.
Багато алгоритмів оптимізації, такі як метод найменших квадратів, алгоритм оптимізації Sunflower та алгоритм пошуку Bald Eagle, покращують перевірку стану заряду. Наприклад, алгоритм пошуку Bald Eagle мав пікову похибку лише 1.06% для SOC.
Покращені карти самоорганізації та напівавторизоване навчання показали максимальні похибки близько 1.25% та середньоквадратичне відхилення (RMSE) до 0.55%. Ці результати означають, що гібридні методи забезпечують надійні перевірки стану заряду (SOC) для літій-іонних акумуляторів.
Використання активного балансування елементів з машинним навчанням для визначення залишкового терміну служби допомагає враховувати відмінності в елементах та старіння акумулятора. Збалансовані елементи надають кращі дані про стан заряду, що допомагає прогнозувати стан літій-іонного акумулятора.
Гібридні нейронні мережеві моделі допомагають враховувати зміни температури та способи використання акумуляторів. Поєднуючи фізичне балансування та методи, керовані даними, системи управління акумуляторами можуть допомогти літій-іонним акумуляторам служити довше та працювати краще. Багатомодельне об'єднання, таке як Random Forest, робить перевірки стану ще кращими, використовуючи найкращі частини різних моделей.
Гібридні методи допомагають системам управління акумуляторами справлятися з реальними змінами. Це робить їх надійнішими для електромобілів та інших застосувань.
Міркування щодо застосування
Вибір та використання гібридних методів у реальних літій-іонних акумуляторних системах потребує ретельного планування. Інженери повинні враховувати, що потрібно кожному з них, наприклад, для електромобілів чи зберігання енергії.
Методи на основі даних використовують дані датчиків у режимі реального часу та змінюються в міру старіння або використання батарей. Ці способи є точнішими, працюють з різними хімічними речовинами та добре обробляють шум датчиків.
Гібридні фреймворки поєднують у собі кращі алгоритми випадкового лісу, моделі на основі фізики та інші інструменти машинного навчання. Такий баланс забезпечує точність, швидкість роботи та може використовуватися для багатьох типів та ситуацій літій-іонних акумуляторів.
Інженери повинні вирішувати такі проблеми, як потреба у великій кількості якісних даних, вибір правильних функцій та вартість комп'ютера. Поєднання функцій та налаштування параметрів може покращити прогнози та допомогти зі змінами в режимі реального часу.
Багато даних, таких як напруга елемента, струм, температура та кількість циклів, допомагають вибрати найкращі гібридні методи. Ці способи допомагають із зашумленими або відсутніми даними та дають спеціальні результати для кожного використання, а не лише для базового стану заряду та справності. У реальному житті гібридні методи добре працюють як у лабораторіях, так і в польових умовах, наприклад, в електромобілях, де вони забезпечують безпеку акумуляторів та їх роботу за різних умов.
Порада: Вибираючи гібридні методи, інженери повинні узгодити метод з цілями, даними та місцем використання акумуляторної системи. Це допомагає забезпечити надійне керування літій-іонними акумуляторами, їхню здатність до розвитку та їхню роботу в режимі реального часу.
Знання правильного soc та SOH дуже важливе для того, наскільки добре та безпечно працюють літій-іонні акумулятори. Кожен метод має свої переваги, але використання кількох методів разом у системі керування акумуляторами дає найкращі результати для покращення терміну служби та роботи літій-іонних акумуляторів. Нові дослідження показують, що використання розумних способів вибору важливих даних та вдосконалених нейронних мереж може призвести до дуже малих помилок, навіть до 0.16%. Це допомагає акумуляторам служити довше та залишатися безпечнішими. Важливо вибрати метод оцінки, який відповідає потребам кожного літій-іонного акумулятора.
FAQ
Яке основне завдання системи управління акумуляторами?
Система керування акумуляторами забезпечує безпеку акумуляторів. Вона перевіряє стан заряду та справність. Система балансує елементи, щоб вони працювали разом. Вона запобігає перегріванню або перезарядженню акумуляторів. Це допомагає їм служити довше та працювати краще.
Чому датчики не можуть безпосередньо вимірювати стан заряду?
Датчики не можуть зазирнути всередину акумулятора. Хімічні реакції відбуваються всередині, де датчики не можуть бачити. Датчики вимірюють лише напругу, струм і температуру. Система використовує ці числа за допомогою спеціальних алгоритмів для визначення стану заряду.
Як температура впливає на оцінку стану акумулятора?
Коли дуже спекотно або холодно, реакція акумулятора змінюється. Система може допускати помилки щодо стану заряду або справності. Хороші системи керування акумулятором змінюють свою математику, щоб виправити ці помилки.
Який метод дає найточнішу оцінку стану здоров'я?
Метод | Рівень точності |
|---|---|
машинне навчання | Дуже Високо |
Аналіз імпедансу | Високий |
Внутрішній опір | Medium |
Підрахунок циклів | низький |
Машинне навчання зазвичай дає найкращі результати, якщо дані якісні.
