א באַטעריע פאַרוואַלטונג סיסטעם געפינט אויס דעם צושטאַנד פון אָפּצאָל און צושטאַנד פון געזונט אין ליטיום-יאָן באַטעריעס דורך ניצן אינדירעקטע שאַצונג טעקניקס. עס קען נישט מעסטן די זאכן גלייך ווייַל די באַטעריע האט קאָמפּלעקס רעאַקציעס אינעווייניק. אַזוי, די סיסטעם ניצט מעטאָדן ווי סטאַטיסטיש שטריך עקסטראַקציע, קולאָמב קאַונטינג, און אַוואַנסירטע דאַטן-געטריבן מאָדעלס. למשל, עס קוקט אויף סטאַטיסטישע מעטריקס ווי וועריאַנס, דורכשניטלעך, און סקיונעס פון וואָולטידזש און קראַנט קורוועס צו היטן פֿאַר באַטעריע דעגראַדאַציע. ניצן אינדירעקטע שאַצונג מעטהאָדס, ווי מאַשין לערנען און אָבסערווער-באזירט צוגאַנגען, העלפּס מאַכן סאָק שאַצונג מער פּינטלעך און זיכער. די סאָק שאַצונג מעטהאָדס העלפֿן די באַטעריע פאַרוואַלטונג סיסטעם פאָרויסזאָגן ענדערונגען אין ליטיום-יאָן באַטעריעס. זיי אויך העלפֿן פירן קאַפּאַציטעט אָנווער, אַלטערונג, און ריסקס בעסער. גוטע צושטאַנד פון אָפּצאָל שאַצונג און צושטאַנד פון געזונט שאַצונג העלפֿן יעדער ליטיום-יאָן באַטעריע אַרבעטן בעסער און האַלטן לענגער.
גענויע סאָק עסטימאַציע אין ליטיום-יאָן באַטעריע סיסטעמען האַלט די באַטעריע זיכער פון איבערלאָדן, איבערהיצונג און פּלוצעמדיקע דורכפאַלן. דאָס מאַכט שטאַרקע עסטימאַציע טעקניקס זייער וויכטיק פֿאַר מאָדערנע באַטעריע פאַרוואַלטונג סיסטעמען.
סטאַטיסטיש מעטריק | באַשרייַבונג | קאָרעלאַציע מיט באַטעריע דעגראַדאַציע |
|---|---|---|
Variance | קאָנטראָלירט ווי קאָנסטאַנט וואָולטאַזש/קראַנט ענדערונגען זענען | העכערע וואַריאַנס מיינט אומגלייכע אינעווייניקסטע קעגנשטעל און כעמישע רעאַקציעס, און עלעקטראָד שעדיקן |
מאַקסימום ווערט | העכסטע וואָולטאַזש/קראַנט בעת טשאַרדזשינג אָדער דיסטשאַרדזשינג | נידעריקערע נומערן ווײַזן ווייניקער לאַסט קאַפּאַציטעט און מעגלעכע זיכערהייט פּראָבלעמען ווי אָוווערטשאַרדזשינג אָדער אָוווערכיטינג |
מינימום ווערט | נידעריגסטע וואָולטאַזש/קראַנט בעת טשאַרדזשינג אָדער דיסטשאַרדזשינג | ווייזט קאַפּאַציטעט פארלוסט און זיכערהייט פּראָבלעמען |
דורכשניט (דורכשניטלעך) | דורכשניטלעכע וואָולטאַזש/קראַנט בעת אַ ציקל | ענדערונגען ווייַזן עלעקטראָליט ברייקדאַון און ווייניקער ענערגיע פּראָדוקציע |
סקעוונעסס | ווי אומגלייך די וואָולטאַזש/שטראָם איז פֿאַרשפּרייט | געניצט אין פֿעיִטשער עקסטראַקציע צו פֿאָרויסזאָגן SOH |
איבעריגע קורטאָסיס | ווי שאַרף איז דער וואָולטאַזש/קראַנט שפּיץ | העכערע נומערן מיינען מער פּאָלאַריזאַציע און ווייניקער ליטהיום ינסערשאַן פיייקייט |
שליסל נעמען
באַטעריע פאַרוואַלטונג סיסטעמען קענען נישט מעסטן אָפּצאָל אָדער געזונט גלייך. זיי נוצן אומדירעקטע וועגן ווי סטאַטיסטישע אַנאַליז, קולאָמב קאַונטינג, און מאַשין לערנען. די מעטאָדן העלפֿן אָפּשאַצן באַטעריע אָפּצאָל און געזונט.
וויסן דעם צושטאנד פון אָפּצאָל העלפט האַלטן באַטעריעס זיכער. עס שטעלט אפ איבערלאָדן, איבערהיצונג, און פּלוצעמדיקע פּראָבלעמען.
עס זענען דא פארשידענע וועגן צו קאנטראלירן באַטעריעס. אפענע קרייז וואָולטאַזש, קולאָמב ציילן, קאַלמאַן פילטערינג, און קינסטלעכע אינטעליגענץ-באזירטע מאָדעלן זענען עטלעכע מעטאָדן. יעדע האט גוטע און שלעכטע פונקטן. ניצן זיי צוזאַמען מאכט רעזולטאַטן בעסער און מער פאַרלעסלעך.
א געזונטהייטס-צושטאנד שאצונג טשעקט ווי אלט א באטעריע איז. עס קוקט אויף קאפאציטעט פארלוסט און אינערליכע קעגנשטאנד. דאס העלפט טרעפן די לעבנסדויער פון א באטעריע און פארמיידן זיכערהייט פראבלעמען.
כייבריד צוגאַנגען מישן מאָדעל-באַזירטע און דאַטן-געטריבענע מעטאָדן. די געבן די בעסטע רעזולטאַטן. זיי קענען זיך ענדערן מיט פאַקטישער נוצן. דאָס העלפֿט באַטעריעס האַלטן לענגער און אַרבעטן בעסער.
באַטעריע פאַרוואַלטונג סיסטעם באַסיקס
שליסל פונקציאָנירן
א באַטעריע פאַרוואַלטונג סיסטעם איז זייער וויכטיק פֿאַר ליטיום-יאָן באַטעריעס. עס העלפֿט האַלטן ליטיום-יאָן באַטעריעס זיכער און אַרבעטן גוט. די סיסטעם קאָנטראָלירט יעדע ליטיום-יאָן באַטעריע צעל פֿאַר וואָולטאַזש, קראַנט און טעמפּעראַטור. עס מאַכט אויך זיכער אַז אַלע ליטיום-יאָן באַטעריע צעלן לאָדן זיך און דיסטשאַרדזשען גלייך. דאָס העלפֿט יעדער ליטיום-יאָן באַטעריע האַלטן לענגער און אַרבעטן בעסער.
די באַטעריע פאַרוואַלטונג סיסטעם היט אויף דעם צושטאַנד פון אָפּצאָל און געזונט פֿאַר יעדער ליטיום-יאָן באַטעריע. עס ניצט די נומערן צו האַלטן איבערלאָדן און טיף אָפּלאָדן, וואָס קען שאַטן ליטיום-יאָן באַטעריעס.
זיכערקייט קומט ערשט. די סיסטעם וועט אפשטעלן די ליטיום-יאָן באַטאַרייע אויב עס געפינט פּראָבלעמען ווי איבערהיצונג אָדער קורץ קרייזן. עס קען נוצן באַקאַפּ צעלן אָדער פּאַקס צו האַלטן זאכן ארבעטן.
קאָמוניקאַציע איז וויכטיק. די באַטעריע פאַרוואַלטונג סיסטעם ניצט SPI און CAN בוס צו שיקן דאַטן צו אַנדערע טיילן פון די מיטל אָדער פאָרמיטל.
עס זענען דא פארשידענע טיפן, ווי צענטראליזירטע אדער פארשפרייטע, אזוי קען די באטעריע פארוואלטונג סיסטעם פאסן פאר אסאך ליטהיום-יאָן באטעריע דיזיינס.
עטלעכע סיסטעמען האָבן עקסטרע פֿעיִטשערז ווי ווײַט מאָניטאָרינג, לעבן־ציקל פּראָגנאָז, און פֿעלער דעטעקציע. די נוצן וואָלקן קאָמפּיוטינג און מאַשין לערנען צו העלפֿן די באַטאַרייע אַרבעטן בעסער און זיכערער.
שליסל פונקציע / אַלגעריטם | באַשרייַבונג |
|---|---|
צעל מאָניטאָרינג | וואַטשט די וואָולטאַזש, קראַנט, און טעמפּעראַטור פון יעדער ליטיום-יאָן באַטאַרייע צעל. געפינט פּראָבלעמען און הייבט אָן זיכערהייט אַקציעס. באַשטימט דעם צושטאַנד פון אָפּצאָל און געזונטהייט צושטאַנד. |
מאַכט אָפּטימיזאַטיאָן | קאָנטראָלירט די אויפלאָדן און אויסלאָדן צו האַלטן די ליטיום-יאָן באַטעריע צעלן זיכער. אַרבעט מיט אַנדערע סיסטעמען צו נוצן מאַכט אויף אַ קלוגן וועג. |
Safety Assurance | שטעלט אפ געפארן ווי טערמישע אויסרינען. ניצט באקאפ פלענער און האלט מענטשן זיכער פון עלעקטרישע שאק. |
באַטעריע טשאַרדזשינג אָפּטימיזאַציע | ענדערט די אויפלאַדונג צו פֿאַרקלענערן דעם דרוק אויף יעדער ליטיום-יאָן באַטאַריע צעל. ראַטעוועט פֿעלער קאָדן פֿאַר שפּעטערדיקע קאָנטראָלן. |
צעל באַלאַנסינג אַלגערידאַם | מאַכט זיכער אַז אַלע ליטיום-יאָן באַטעריע צעלן האָבן די זעלבע וואָולטאַזש. ניצט אַקטיוו אָדער פּאַסיוו באַלאַנסינג צו העלפֿן די באַטעריע אַרבעטן בעסער. |
קאָמוניקאַציע אַלגערידאַמז | שיקט דאַטן צווישן דעם באַטעריע פאַרוואַלטונג סיסטעם און אַנדערע דעוויסעס. שטעלט אָפּ טשאַרדזשינג אויב עס געפינט נישט זיכערע באדינגונגען. |
עצה: ניצן גרייטע ווייכווארג און האַרדווער מכשירים קען העלפן אינזשענירן בויען און טעסטן א באַטעריע פאַרוואַלטונג סיסטעם פֿאַר ליטהיום-יאָן באַטעריעס שנעלער.
געשטיצט קעמיסטריעס
א באַטעריע פאַרוואַלטונג סיסטעם דאַרף אַרבעטן מיט פילע ליטיום-יאָן באַטעריע כעמיעס. יעדע כעמיע, ווי NMC, LFP, און NCA, האט אירע אייגענע גוטע און שלעכטע פונקטן. למשל, NMC ליטיום-יאָן באַטעריעס האָבן אַ הויכע ענערגיע געדיכטקייט. LFP ליטיום-יאָן באַטעריעס האַלטן לענגער און האַנדלען מיט היץ בעסער. די באַטעריע פאַרוואַלטונג סיסטעם ענדערט ווי עס אַרבעט צו פּאַסן צו יעדער ליטיום-יאָן באַטעריע כעמיע.
נייע שטודיעס קוקן אויף ווי פארשידענע ליטיום-יאָן באַטעריע כעמיעס אַרבעטן אין עלעקטרישע וועהיקלעס. די שטודיעס ווייַזן אַז באַטעריע פאַרוואַלטונג סיסטעמען מוזן שעפּן ענדערונגען אין ענערגיע געדיכטקייט, קאָסטן און ציקל לעבן. זיי ווייַזן אויך אַז טערמאַל פאַרוואַלטונג און אַוואַנסירטע שטאַט עסטימאַציע זענען וויכטיק פֿאַר יעדן ליטיום-יאָן באַטעריע טיפּ. מאַשין לערנען מאָדעלס קענען העלפֿן פאָרויסזאָגן שטאַט פון געזונט פֿאַר ליטיום-יאָן באַטעריעס דורך ניצן געפילטערט דאַטן. דאָס ראַדוסאַז טעותים און העלפּס די באַטעריע פאַרוואַלטונג סיסטעם שעפּן מיט די וועג ווי יעדער ליטיום-יאָן באַטעריע כעמיע עלטערט.
א פלעקסיבלע באַטעריע פאַרוואַלטונג סיסטעם קען אַרבעטן מיט פילע ליטיום-יאָן באַטעריע כעמיעס. דאָס העלפֿט יעדער אַפּלאַקיישאַן, פֿון עלעקטרישע וועהיקלעס ביז פּאָרטאַטיוו עלעקטראָניק, באַקומען די בעסטע באַטעריע פאָרשטעלונג און זיכערקייט.
שטאַט פון אָפּצאָל אין ליטהיום-יאָן באַטעריעס
דער לאדונג צושטאנד איז זייער וויכטיג פאר ליטיום-יאָן באַטעריעס. דאָס העלפט האַלטן די באַטעריע זיכער און אַרבעט גוט. אויב דער לאדונג צושטאנד איז נישט ריכטיק, קען די באַטעריע ווערן צו הייס אָדער פאַרלירן מאַכט. דאָס קען מאַכן די באַטעריע צעברעכן אָדער אפילו פאַרשאַפן געפערלעך פּראָבלעמען ווי פייַערן. אין עלעקטרישע קאַרס, וויסן דעם לאדונג צושטאנד העלפט מיט ברעיקינג און טשאַרדזשינג. עס מאכט אויך די באַטעריע האַלטן לענגער. שטודיעס ווייַזן אַז גוטע לאדונג צושטאנד שאַצונג ראַדוסאַז טעותים און העלפּס די סביבה.
מען קען נישט מעסטן דעם צושטאנד פון לאדונג גלייך אין א ליטיום-יאָן באַטעריע. די כעמישע רעאַקציעס אינעווייניק זענען באַהאַלטן און שווער צו זען. סענסאָרן קענען זיין פאַלש צוליב ראַש און ענדערונגען אין דער באַטעריע. אַזוי, באַטעריע פאַרוואַלטונג סיסטעמען נוצן ספּעציעלע וועגן צו טרעפן דעם צושטאנד פון לאדונג. זיי קוקן אויף וואָולטאַזש, קראַנט און טעמפּעראַטור צו רעכענען עס אויס. די מעטאָדן העלפֿן האַנדלען מיט סענסאָר פּראָבלעמען און באַטעריע אַלט ווערן.
OCV מעטאָד
די "אפען סירקוט וואלטאזש" מעטאד טרעפט דעם צושטאנד פון לאדונג דורך קאנטראלירן די באטעריע וואלטאזש נאכדעם וואס זי רוט זיך אפ. יעדע באטעריע כעמיע האט איר אייגענעם וואלטאזש און צושטאנד פון לאדונג פארבינדונג. די מעטאד איז פשוט און קאסט נישט צו פיל. עס ארבעט גוט פארן ערשטן צושטאנד פון לאדונג קאנטראל און דארף נישט קיין גרויסע באטעריע מאדעל.
אַספּעקט | דעטאַילס |
|---|---|
פּרינציפּ | די באַטעריע וואָולטאַזש ווערט געמאָסטן נאָך רוען. די OCV און צושטאַנד פון טשאַרדזש פֿאַרבינדונג ווערט געפֿונען דורך טעסטן יעדן באַטעריע טיפּ. |
בענעפיץ | 1. פּשוטער פּראָצעס |
לימיטאַטיאָנס | 1. דאַרף אַ לאַנגע רו-צייט (איבער 2 שעה אויב קאַלט) |
די OCV מעטאָדע קען נישט קאָנטראָלירן דעם צושטאַנד פון אָפּצאָל בשעת די באַטאַרייע אַרבעט. ליטיום-יאָן באַטאַרייעס טוישן זיך אָפט שנעל, אַזוי וואַרטן ביז די באַטאַרייע רוט זיך איז נישט נוצלעך. פלאַכע פלעקן אין דער OCV קורווע מאַכן עס גרינג צו מאַכן גרויסע טעותים פון קליינע וואָולטידזש ענדערונגען.
קולאָמב ציילן
קולאָמב ציילן, אדער אַה ציילן, טרעפט דעם צושטאַנד פון לאָדונג דורך צוזאַמענרעכענען דעם קראַנט וואָס גייט אַרײַן און אַרויס. עס הייבט זיך אָן מיט אַ ערשטן צושטאַנד פון לאָדונג נומער און ענדערט עס ווי דער קראַנט באַוועגט זיך.
עוואַלואַציע אַספּעקט | דעטאַילס |
|---|---|
מעטאָד | פֿאַרבעסערט קולאָמב ציילן אַלגעריטם |
וואַלידאַציע צוגאַנג | MATLAB טעסט קאַמפּערד מיט פאַקטישן צושטאַנד פון אָפּצאָל פון אָפּצאָל/אָפּלאָדן קורוועס |
מאַקס טעות (סוף פון טשאַרדזשינג) | וועגן קסנומקס% |
טעות בעת CC סטאַגע | ווייניקער ווי קסנומקס% |
טעות בעת CV בינע | ווייניקער ווי קסנומקס% |
טעות טרענד | ווערט גרעסער מיט דער צייט פארן געזונטהייטס-קאנטראל |
וויכטיק סיבות | גוטער ערשטער שטאַט פון אָפּצאָל און אָפּצאָל קאָנטראָלן פאַרמינערן טעותים |
אַדוואַנטאַגעס | פּשוטע מאַטעמאַטיק; גענוג גוטע אַקיעראַסי; קיין עקסטרע באַטאַרייע דאַטן נישט נויטיק |
קאַנסטריינץ | טעותים לייגן זיך צו מיט דער צייט; דארף גוטע ערשטע ציפערן פארן אויפהערן און פארן געזונטהייטס-צושטאנד. |
קולאָמב ציילן איז גרינג צו ניצן און דאַרף נישט קיין עקסטרע באַטאַרייע דאַטן. אָבער טעותים קענען זיך צוזאַמענלייגן מיט דער צייט. קליינע טעותים אין דעם איצטיקן אָדער ערשטן צושטאַנד פון אָפּצאָל קענען ווערן ערגער. די מעטאָדע אַרבעט בעסטן מיט רעגולערע טשעקס אָדער אַנדערע וועגן צו העלפן.
מעטאָד | RMSE | מסע | מיי | שליסל פיינדינגז |
|---|---|---|---|---|
קולאָמב ציילן (CC) | 0.5071 | 0.2572 | 0.4571 | העכסטע טעותים צוליב סענסאר ראַש און ערראָרס; נישט גוט פֿאַר לאַנג-טערמין נוצן |
עקסטענדעד קאַלמאַן פילטער | 0.0925 | ען / א | ען / א | בעסערע גענויקייט מיט מאָדעל הילף; דאַרף אַ גוטע באַטאַרייע מאָדעל |
לינעאַר רעגרעססיאָן | 0.0778 | ען / א | ען / א | בעסער ווי EKF אבער נישט פערפעקט פאר ענדערונגען אין טשאַרדזשינג שטאַט |
שטיצן וועקטאָר מאַשין | 0.0319 | ען / א | ען / א | האַנדלט בעסער מיט ענדערונגען; דאַרף מער קאָמפּיוטער מאַכט |
ראַנדאָם וואַלד רעגרעסיע | 0.0229 | 0.0005 | 0.0139 | בעסטע גענויקייט; ארבעט גוט מיט ראַש און ענדערונגען; גוט פֿאַר עכטע באַטאַרייע פאַרוואַלטונג |
קלמן פילטערינג
קאַלמאַן פילטערינג ניצט מאַטעמאַטישע מאָדעלן צו טרעפן דעם צושטאַנד פון אָפּצאָל. דער פארברייטערטער קאַלמאַן פילטער און דער אומגערויכטער קאַלמאַן פילטער זענען פּאָפּולער. די פילטערס מישן רעאַל-צייט דאַטן מיט באַטעריע מאָדעל טרעפן. זיי פאַרריכטן זייערע טרעפן ווען נייע דאַטן קומען אריין.
קאַלמאַן פֿילטערינג מעטאָדן ווי EKF, UKF, אַדאַפּטיווע קאַלמאַן פֿילטערס, און דואַל קאַלמאַן פֿילטערס ווערן אַ סך גענוצט.
די פילטערס ניצן פּשוטע באַטעריע מאָדעלן און מער קאָמפּליצירטע צו באַקומען בעסערע רעזולטאַטן.
טעסטס ווייזן אז קאלמאן פילטערס שעפּן זיך גוט מיט ענדערונגען, באַטעריע זכּרון, און סענסאָר ראַש.
טוישן סעטטינגס און ניצן נעוראַל נעטוואָרקס מאַכן זיי נאָך בעסער.
דערהייַנטיקן נומערן ווידער און ווידער העלפֿט פאַרריכטן טעותים פֿון מאָדעל ענדערונגען און סענסאָר דריפט.
שטודיעס ווייזן אז אַדאַפּטיווע און דואַל קאַלמאַן פֿילטערס טוען בעסער ווי רעגולערע EKF פֿאַר צושטאַנד פֿון אָפּצאָל.
קאַלמאַן פילטערינג גיט גוטע, רעאַל-צייט צושטאַנד פון אָפּצאָל שאַצונגען פֿאַר ליטיום-יאָן באַטעריעס. עס דאַרף קערפֿולע סעטאַפּ און אַ גוט באַטעריע מאָדעל. עס קען זיין שווער צו נוצן, אָבער עס אַרבעט גוט ווען זאכן טוישן זיך שנעל.
היבריד און קינסטלעכע אינטעליגענץ מעטאָדן
היבריד און קינסטלעכע אינטעליגענץ מעטאָדן מישן מאָדעל-באַזירטע און דאַטן-באַזירטע וועגן צו טרעפן דעם צושטאַנד פון אָפּצאָל. די נוצן מאַשין לערנען, ווי נעוראַל נעטוואָרקס, שטיצע וועקטאָר מאַשינען, און ראַנדאָם וואַלד רעגרעסיע. זיי לערנען זיך פון וואָולטאַזש, קראַנט, און טעמפּעראַטור דאַטן. היבריד מעטאָדן פאַרריכטן פּראָבלעמען וואָס איין מעטאָד קען נישט.
אַספּעקט | באַשרייַבונג |
|---|---|
מעטאָד | היבריד שטאַט פון אָפּצאָל טרעפן ניצן קולאָמב קאַונטינג און רעלאַוואַנס וועקטאָר מאַשין (movIRVM-Coulomb) |
דאַטאַסעט | איין-באַטעריע צעל דאַטן, באַטעריע פּאַק טעסט דאַטן, אַדווייזער סימיאַליישאַן דאַטן |
טנאָים | טעסטן מיט US06, UDDS, NYCC, 1015 דרייוו ציקלען; טעמפּעראַטורן 0°C, 25°C, 45°C; ערשטער שטאַט פון אָפּצאָל 50%, 80% |
גענויקייט (RMSE) | אינערהאלב 2% פֿאַר פילע טעסץ און טעמפּעראַטורן |
פאַרבעסערונג | איבער 30% בעסער ווי movIRVM אליין; ווייניגער טעותים מיט דער צייט |
שליסל באַגרענעצונג אַדרעסירט | פֿאַרריכטעט פֿעלער־אויפֿבוי אין ריין קולאָמב־ציילן |
נאָך נאָטעס | ניצט באַוועגלעכע דורכשניט צו שניידן ראַש; דאַרף נאָר 10-30% טריינינג דאַטן פֿאַר RVM טייל |
היבריד מעטאָדן מישן דאַטן און מאָדעלן צו שעפּן מאָדנע באַטעריע אַקציעס.
דאַטן-באַזירטע מעטאָדן אַרייַננעמען נעוראַל נעטוואָרקס, שטיצע וועקטאָר מאשינען, גאַוססיאַן פּראָצעס רעגרעסיע, וועיוולעט נעוראַל נעטוואָרקס, און פאַזי לאָגיק.
די וועגן טרעפן דעם צושטאנד פון לאדונג פון סיגנאלן וואס איר קענט מעסטן.
פראבלעמען שליסן איין באַטעריע אונטערשיידן, מאָדנע נוצן, און באַטעריע טראָגן.
איצט, האבן פארשער ליב דאטן-באזירטע מעטאדן ווייל מאדעלן אליין קענען נישט פאררעכטן אלע פראבלעמען.
נייע שטודיעס וואָס נוצן טיף לערנען און עכטע אויטאָ דאַטן ווייַזן כייבריד און קינסטלעכע אינטעליגענץ מעטאָדן קענען טרעפן דעם צושטאַנד פון אָפּצאָל מיט ווייניקער ווי 2% טעות. די וועגן זענען זייער פּינטלעך און אַרבעטן גוט, אפילו ווען זאכן טוישן זיך אַ סך.
באַמערקונג: סטאַטיסטישע מעטאָדן העלפֿן צו טרעפן דעם צושטאַנד פון אָפּצאָל דורך פאַרריכטן אומזיכערקייט, סענסאָר טעותים, און ראַנדאָם ראַש. קאַליבראַציע, רעגרעסיע, און טעסטינג מאַכן אַלע צושטאַנד פון אָפּצאָל מעטאָדן מער פאַרלאָזלעך.
מעטאָדן פֿאַר שאַצונג פֿון געזונטהייטס צושטאַנד
דער געזונטהייטס-צושטאנד, אדער SOH, זאגט אונז וויפיל א ליטיום-יאָן באַטעריע איז עלטער געוואָרן. עס פאַרגלייכט די באַטעריע איצט צו ווען זי איז געווען נייַ. SOH ווערט געפֿונען דורך קוקן אויף די איצטיקע קאַפּאַציטעט און פאַרגלייכן עס צו דער אָריגינעלער קאַפּאַציטעט. עס קען אויך ווערן געטשעקט דורך פאַרגלייכן די אינעווייניקסטע קעגנשטעל צו אַ נייַער צעל. ווען SOH פאַלט אונטער 80% אָדער 70%, איז די באַטעריע ביים סוף פון איר לעבן. SOH איז וויכטיק ווייל עס אַפעקטירט ווי גוט די באַטעריע אַרבעט, ווי זיכער זי איז, און ווי לאַנג זי האַלט אָן. ווי SOH גייט אַראָפּ, האַלט די באַטעריע ווייניקער ענערגיע. דאָס מיינט אַז עלעקטרישע קאַרס קענען נישט גיין אַזוי ווייט און דעוויסעס לויפן נישט אַזוי לאַנג. אויב אַ באַטעריע עלטערט זיך זייער, קען זי אָנשוואָלן, ליקן, אָדער אפילו אָנצינדן. גוטע SOH פאָרויסזאָגן העלפט אָפּשטעלן די פּראָבלעמען און האַלט באַטעריעס זיכער.
אַספּעקט | יידעס - זאָגן | נומערישע דאַטן / דעטאַלן |
|---|---|---|
דעפֿיניציע פֿון SOH | SOH איז די פאַרהעלטעניש פון קראַנט קאַפּאַציטעט צו די סטאַרטינג קאַפּאַציטעט אָדער פאַרגלייכט ינעווייניק קעגנשטעל צו אַ נייַע באַטאַרייע. | SOH סוף-פון-לעבן לעוועלס זענען 80% אדער 70% קאַפּאַציטעט פארבליבן. |
פּראַל אויף לאָנגעוויטי | SOH ווייזט וויפיל קאַפּאַציטעט גייט פארלוירן, וואָס באַגרענעצט ווי ווייט עלעקטרישע וועהיקלעס קענען גיין. באַטעריע אַלט ווערן מיינט ווייניקער קאַפּאַציטעט. | עלעקטרישע אויטאָ באַטעריעס גענוצט פֿאַר איבער 10,000 קילאָמעטער און מער ווי 800 טעג ווייַזן פּאַטערנז פון אָנווער פון קאַפּאַציטעט. |
פּראַל אויף זיכערקייַט | שלעכטע אלטערן קען פאראורזאכן ליקס, געשוואלענקייט, איבערהיצונג און פייערן. | זיכערהייט ריזיקעס ווערן ערגער ווי SOH פאלט, ממילא איז עס וויכטיג צו קאָנטראָלירן SOH. |
דאַטאַ מקור | דאטן קומט פון פילע עלעקטרישע וועהיקלעס מיט פארשידענע וועגן פון דרייווינג און טשאַרדזשינג. | די דאַטאַסעט האט 347 עלעקטרישע וועהיקלעס, טשאַרדזשינג רעקאָרדס פֿאַר 25 חדשים, און אַ פּלאַץ פון פאַקטישע ענדערונגען. |
טשאַלאַנדזשיז אין SOH עסטימאַציע | רעאל-וועלט ענדערונגען, טעותים אין SOC, גערוישפולע דאטן, און נישט גענוג סאַמפּאַלז מאַכן SOH שווער צו קאָנטראָלירן. | SOC טעותים ווערן גרעסער ווי באַטעריעס עלטער ווערן, און BMS האט שוועריקייטן צו דערהייַנטיקן קאַפּאַציטעט שנעל. |
אַוואַנסירטע מעטאָדן | מאַשין לערנען און דאַטן-באַזירטע וועגן מאַכן SOH טשעקס בעסער. | BiGRU, שטיצע וועקטאָר רעגרעסיע, און טיף נעוראַל נעטוואָרקס העלפֿן טרעפן SOH און SOC מער גענוי. |
אינערלעכער קעגנשטעל
אינערלעכער קעגנשטעל איז זייער וויכטיג פארן קאנטראלירן SOH אין ליטיום-יאָן באַטעריעס. ווי באַטעריעס ווערן עלטער, גייט זייער אינערלעכער קעגנשטעל ארויף. דאָס פּאַסירט ווייל טיילן אינעווייניק פון דער באַטעריע ווערן אויסגענוצט און צעבראָכן. אויב דער קעגנשטעל פארדאָפּלט זיך אדער די קאַפּאַציטעט פאלט צו 70-80%, איז די באַטעריע ביים סוף פון איר לעבן. פילע וועגן צו קאנטראלירן SOH ניצן אינערלעכן קעגנשטעל. מעסטן קעגנשטעל גלייך גיט גוטע רעזולטאַטן אבער געווענליך דארף די באַטעריע רוען, וואָס איז שווער בעת נאָרמאַל נוצן.
וויסנשאפטלער האבן געמאכט נייע וועגן צו ניצן אינערליכע קעגנשטעל צו מאכן SOH טשעקס בעסער. למשל, זיי פאררעכטן די אפען-קרייז וואלטאזש קורווע ניצן קעגנשטעל דאטן. דאס העלפט רעדוצירן טעותים פון ענדערונגען אין טשאַרדזשינג גיכקייט. דעם וועג ניצט זאכן ווי קאָנסטאַנט קראַנט טשאַרדזשינג צייט אַנשטאָט שווערע מאַטעמאַטיק. טעסץ אויף פאַקטיש באַטאַרייע דאַטן ווייַזן אַז דעם אופֿן קען נידעריקער די דורכשניטלעך אַבסאָלוטע טעות צו וועגן 1.28% פֿאַר עטלעכע וואלטאזש ראַנגעס. די רעזולטאַטן ווייַזן אַז וואַטשינג אינערליכע קעגנשטעל מאכט SOH טשעקס שטאַרקער און מער פּינטלעך.
ימפּידאַנס
אימפּעדאַנס-באַזירטע וועגן ניצן ווי אַ באַטאַרייע רעאַגירט צו עלעקטריע צו קאָנטראָלירן SOH. די וועגן ניצן אָפט עלעקטראָכעמישע אימפּעדאַנס ספּעקטראָסקאָפּיע אָדער ענלעכע טעסץ. דורך זען ווי די באַטאַרייע אַקט מיט פאַרשידענע פרעקווענצן, קענען אינזשענירן באַמערקן אַלטערונג און טרעפן SOH. אימפּעדאַנס וועגן קענען זיין זייער פּינטלעך, מיט וואָרצל מיטל קוואַדראַט ערראָרס צווישן 0.75% און 1.5% SOH וניץ.
אופֿן טיפּ | באַשרייַבונג | SOH פאָרויסזאָגן אַקיעראַסי (RMS טעות) | פּראַקטיש קאָנסידעראַטיאָנס |
|---|---|---|---|
דירעקטע EIS דאַטן | ניצט רויע עלעקטראָכעמישע אימפּעדאַנס ספּעקטראָסקאָפּי דאַטן | 0.75% – 1.5% SOH איינהייטן | שנעל צו מעסטן, אבער צעלן קענען זיין אנדערש |
עקוויוואַלענטע קרייז פּאַסיק | פּאַסט EIS דאַטן צו קרייַז מאָדעלס | 0.75% – 1.5% SOH איינהייטן | דאַרף מער אַרבעט און מאַטעמאַטיק, אָבער האָט ווייניקער אומזיכערקייט |
פאַרשפּרייטונג פון רעלאַקסאַציע צייטן (DRT) | קוקט ווי לאַנג עס נעמט פֿאַר זאַכן צו באַזעצן זיך ניצן EIS דאַטן | 0.75% – 1.5% SOH איינהייטן | נעמט אסאך קאמפיוטער קראפט, אבער איז פלעקסיבל |
נישט-לינעאַרע אָפטקייט רעספּאָנס אַנאַליז (NFRA) | ניצט ספּעציעלע אָפטקייט דאַטן צו קאָנטראָלירן SOH | 0.75% – 1.5% SOH איינהייטן | גיט גוטע אינפארמאציע וועגן באַטעריע אַקציעס, שנעלער ווי פולע אָפּלאָדן |
אימפּעדאַנס-באַזירטע וועגן אַרבעטן גוט אין לאַבאָראַטאָריעס און געבן אַ סך פרטים וועגן באַטעריע-אַלטערינג. אָבער די וועגן קענען זיין שווער און טריקי צו נוצן אין רעאַל-צייט באַטעריע סיסטעמען. זיי דאַרפן אָפט ספּעציעלע מכשירים און אַ אָפּגעהיטע סעטאַפּ. נייַערע דאַטן-באַזירטע וועגן הייבן אָן צו איבערנעמען דורך נוצן מאַשין לערנען צו טרעפן באַטעריע-אַלטערינג אָן שווערע מאָדעלן.
ציקל קאַונטינג
ציקל ציילן איז איינע פון די עלטסטע וועגן צו קאנטראלירן SOH אין ליטיום-יאָן באַטעריעס. אויף דעם וועג ציילט מען וויפיל מאָל אַ באַטעריע ווערט אויפגעלאָדן און גענוצט. יעדער פולער ציקל מאַכט די באַטעריע אַ ביסל אַלט ווערן. דורך ציילן ציקלען, קענען אינזשענירן טרעפן וויפיל די באַטעריע איז אויסגענוצט געוואָרן.
ציקל ציילן איז גרינג און דארף נישט קיין ספעציעלע געצייג אדער שווערע מאטעמאטיק. אבער עס קוקט נישט ווי יעדער ציקל איז אנדערש. זאכן ווי טעמפעראטור, וויפיל די באטעריע ווערט גענוצט, און ווי שנעל זי לאדנט זיך אלע ענדערן ווי שנעל זי אלט, אבער ציקל ציילן באהאנדלט יעדן ציקל די זעלבע. דאס קען מאכן SOH טשעקס פאַלש, ספעציעל אין דער ווירקלעכקייט וואו באטעריעס שטייען פאר פארשידענע סארטן דרוק.
אַוואַנסירטע מעטאָדן
פארגעשריטענע וועגן צו קאנטראלירן SOH ניצן מאשין לערנען און קינסטלעכע אינטעליגענץ צו שטודירן אסאך באטעריע דאטן. די וועגן לערנען זיך פון וואלטאזש, שטראם, און טעמפעראטור צו טרעפן SOH בעסער ווי אלטע וועגן. מאשין לערנען מאדעלן ווי שטיצע וועקטאָר מאשינען, ראַנדאָם וועלדער, און טיפע נעוראַל נעטוואָרקס קענען געפֿינען טריקי באטעריע אַלטערונג פּאַטערנז.
נייע שטודיעס ווייזן אז די דאטן-באזירטע וועגן ארבעטן בעסער ווי אלטע פיזישע מאדעלן. למשל, שטיצע וועקטאָר רעגרעסיע און גאַוסיאַן פּראָצעס רעגרעסיע קענען באַקומען וואָרצל מיטל קוואַדראַט ערראָרס אונטער 0.4% ווען מען טרעפט SOH. פיד-פאָרווערד נעוראַל נעטוואָרקס און אַדאַפּטיוו נעוראָ-פאַזי אינפערענס סיסטעמען טוען אויך גוט, מיט נידעריקע ערראָרס און גוטע רעזולטאַטן פֿאַר פֿאַרשידענע באַטעריז.
מאַשין לערנען וועגן דאַרפֿן נישט דיטיילד באַטאַרייע מאָדעלס.
וואָלקן קאָמפּיוטינג לאָזט גרעסערע מאָדעלן לויפן, מאַכנדיג SOH טשעקס בעסער אפילו אויב די באַטאַרייע סיסטעם איז קליין.
ניצן מער ווי איין מאַשין לערנען מאָדעל קען מאַכן SOH טשעקס נאָך מער פּינקטלעך.
די וועגן קענען באַקומען דורכשניטלעך אַבסאָלוטע ערראָרס אינערהאלב 3% און וואָרצל דורכשניטלעך קוואַדראַט ערראָרס אינערהאלב 2% אין פאַקטישע טעסץ.
אבער, פארגעשריטענע וועגן דארפן גוטע און אסאך טרענירונג דאטן. זיי קענען האבן פראבלעמען מיט מאדנע באטעריע אלטערונג אדער גרויסע ענדערונגען אין ווי באטעריעס ווערן גענוצט. אויסקלויבן גוטע אייגנשאפטן פון טשאַרדזשינג דאטן איז וויכטיג, ווייל טשאַרדזשינג איז מער רעגולער ווי אויסניצן די באטעריע אין עלעקטרישע קארס. אינזשענירן מוזן זיכער מאכן אז די וועגן זענען שטארק און זיכער איידער זיי ווערן גענוצט אין באַטעריע סיסטעמען וואָס באַשיצן מענטשן.
באַמערקונג: ווען מיר גייען פון אַלטע פיזישע מאָדעלן צו דאַטן-באַזירטע וועגן, ווײַזט מען אַז מיר דאַרפֿן בעסערע און מער פלעקסיבלע SOH טשעקס פֿאַר ליטיום-יאָן באַטעריעס. מאַשין לערנען העלפֿט צו דערקענען באַטעריעס אַלט ווערן פרי און מאַכט באַטעריעס אַרבעטן בעסער דורך געפֿינען סימנים פון פּראָבלעמען פריער.
קאָמבינירן מעטאָדן פֿאַר אַקיעראַסי
היבריד אַפּראָוטשיז
באַטעריע פאַרוואַלטונג סיסטעמען אַרבעטן בעסער ווען זיי נוצן מער ווי איין מעטאָד צו קאָנטראָלירן דעם צושטאַנד פון אָפּצאָל און געזונט. איין מעטאָד אַליין קען נישט סאָלווען יעדן פּראָבלעם אין ליטיום-יאָן באַטעריע סיסטעמען. היבריד מעטהאָדס מישן מאָדעל-באַזירטע, דאַטן-געטריבענע, און לערנען אַלגעריטם שטאַרקייטן. דאָס העלפֿט רעדוצירן ראַש, האַנדלען מיט אומבאַקאַנטע זאַכן, און האַלטן מיט מיט באַטעריע אַלטערונג.
פילע אָפּטימיזאַציע אַלגעריטמען, ווי קלענסטע קוואַדראַטן, זונרויז אָפּטימיזאַציע אַלגעריטם, און באָלד איגל זוכן אַלגעריטם, מאַכן די שטאַט פון אָפּצאָל טשעקס בעסער. למשל, דער באָלד איגל זוכן אַלגעריטם האט געהאט אַ שפּיץ טעות פון בלויז 1.06% פֿאַר SOC.
פֿאַרבעסערטע זעלבסט-אָרגאַניזאַציע מאַפּס און האַלב-סופּערווייזד לערנען האָבן געוויזן שפּיץ ערראָרס נאָענט צו 1.25% און RMSE אַזוי נידעריק ווי 0.55%. די רעזולטאַטן מיינען אַז כייבריד מעטאָדן געבן שטאַרקע SOC טשעקס פֿאַר ליטהיום-יאָן באַטעריעס.
ניצן אַקטיווע צעל באַלאַנסינג מיט מאַשין לערנען פֿאַר די רוען נוציק לעבן העלפּס מיט צעל דיפעראַנסיז און באַטאַרייע אַלטערינג. באַלאַנסירטע צעלן געבן בעסער שטאַט פון טשאַרדזש דאַטן, וואָס העלפּס פאָרויסזאָגן ליטהיום-יאָן באַטאַרייע געזונט.
היבריד נעוראַל נעטוואָרק מאָדעלן העלפֿן מיט טעמפּעראַטור ענדערונגען און ווי באַטעריעס ווערן גענוצט. דורך מישן פיזישע באַלאַנסינג און דאַטן-געטריבענע מעטאָדן, קענען באַטעריע פאַרוואַלטונג סיסטעמען העלפֿן ליטהיום-יאָן באַטעריעס האַלטן לענגער און אַרבעטן בעסער. מולטי-מאָדעל פיוזשאַן, ווי ראַנדאָם פאָרעסט, מאַכט די געזונטהייט קאָנטראָל נאָך שטאַרקער דורך נוצן די בעסטע טיילן פון פאַרשידענע מאָדעלן.
היבריד מעטאָדן העלפֿן באַטעריע פאַרוואַלטונג סיסטעמען שעפּן פאַקטישע ענדערונגען. דאָס מאַכט זיי מער פאַרלאָזלעך פֿאַר עלעקטרישע וועהיקלעס און אַנדערע נוצן.
אַפּפּליקאַטיאָן קאָנסידעראַטיאָנס
אויסקלויבן און ניצן כייבריד מעטאָדן אין עכטע ליטיום-יאָן באַטעריע סיסטעמען דאַרף קערפֿולע פּלאַנירונג. אינזשענירן מוזן טראַכטן וועגן וואָס יעדער נוצן דאַרף, ווי עלעקטרישע קאַרס אָדער סטאָרידזש.
דאטן-געטריבענע מעטאדן ניצן רעאל-צייט סענסאר דאטן און טוישן זיך ווען באטעריעס ווערן עלטער אדער גענוצט. די וועגן זענען מער גענוי, ארבעטן מיט פארשידענע כעמיעס, און האנדלען גוט מיט סענסאר ראַש.
כייבריד פריימווערקס מישן בעסערע ראַנדאָם וואַלד אַלגעריטמען, פיזיק-באַזירטע מאָדעלן, און אַנדערע מאַשין לערנען מכשירים. די באַלאַנס גיט אַקיעראַסי, אַרבעט שנעל, און קען ווערן גענוצט פֿאַר פילע ליטהיום-יאָן באַטעריע טיפּן און סיטואַציעס.
אינזשענירן מוזן סאָלווען פּראָבלעמען ווי דאַרפֿן אַ סך גוטע דאַטן, אויסקלייבן די ריכטיקע פֿעיִטשערז, און קאָמפּיוטער קאָסטן. מישן פֿעיִטשערז און טונינג סעטטינגס קען מאַכן פאָרויסזאָגן בעסער און העלפֿן מיט רעאַל-צייט ענדערונגען.
א סך דאטן, ווי צעל וואלטאזש, שטראם, טעמפעראטור, און ציקל צייל, העלפן אויסקלויבן די בעסטע היבריד מעטאדן. די וועגן העלפן מיט גערוישפולע אדער פעלנדיקע דאטן און געבן ספעציעלע רעזולטאטן פאר יעדן באנוץ, נישט נאר גרונטלעכע צושטאנד פון לאדונג און געזונטהייט צושטאנד. אין דער ווירקלעכקייט, ארבעטן היבריד מעטאדן גוט אין לאבאראטאריעס און אין פעלד, ווי אין עלעקטרישע קארס, וואו זיי האלטן באטעריעס זיכער און ארבעטנדיג אונטער פארשידענע באדינגונגען.
עצה: ווען מען קלייבט אויס כייבריד מעטאָדן, זאָלן אינזשענירן צופּאַסן די מעטאָדע צו די צילן, דאַטן און וואו עס וועט ווערן גענוצט פון דער באַטאַריע סיסטעם. דאָס העלפֿט זיכער מאַכן אַז די ליטהיום-יאָן באַטאַריע פאַרוואַלטונג איז פאַרלעסלעך, קען וואַקסן און אַרבעט אין פאַקטישער צייט.
וויסן די ריכטיגע סאָק און SOH איז זייער וויכטיק פֿאַר ווי גוט און ווי זיכער ליטיום-יאָן באַטעריעס אַרבעטן. יעדע מעטאָדע האט זיינע אייגענע גוטע פונקטן, אָבער ניצן מער ווי איין מעטאָדע צוזאַמען אין אַ באַטעריע פאַרוואַלטונג סיסטעם גיט די בעסטע רעזולטאַטן פֿאַר מאכן ליטיום-יאָן באַטעריעס האַלטן און אַרבעטן בעסער. נייע פאָרשונג ווייזט אַז ניצן קלוגע וועגן צו קלייַבן וויכטיק דאַטן און פֿאַרבעסערטע נעוראַל נעטוואָרקס קענען מאַכן טעותים זייער קליין, אפילו אַראָפּ צו 0.16%. דאָס העלפּס באַטעריעס האַלטן לענגער און בלייבן זיכערער. עס איז וויכטיק צו קלייַבן די שאַצונג מעטאָדע וואָס פּאַסט צו וואָס יעדער ליטיום-יאָן באַטעריע דאַרף.
FAQ
וואָס איז די הויפּט אַרבעט פֿון אַ באַטעריע פאַרוואַלטונג סיסטעם?
א באַטעריע פאַרוואַלטונג סיסטעם האַלט באַטעריעס זיכער. עס קאָנטראָלירט דעם צושטאַנד פון אָפּצאָל און געזונט. די סיסטעם באַלאַנסירט צעלן אַזוי זיי אַרבעטן צוזאַמען. עס פאַרהיט באַטעריעס פון ווערן צו הייס אָדער צו פול. דאָס העלפֿט באַטעריעס האַלטן לענגער און אַרבעטן בעסער.
פארוואס קענען סענסארן נישט מעסטן דעם צושטאנד פון לאדונג גלייך?
סענסארן קענען נישט קוקן אינעווייניק אין א באטעריע. כעמישע רעאקציעס פאסירן אינעווייניק וואו סענסארן קענען נישט זען. סענסארן מעסטן נאר וואלטאזש, שטראם, און טעמפעראטור. די סיסטעם ניצט די נומערן מיט ספעציעלע אלגאריטמען צו טרעפן דעם צושטאנד פון לאדונג.
ווי אזוי ווירקט טעמפעראטור אויף די שאצונג פון די באטעריע צושטאנד?
ווען עס איז זייער הייס אדער קאלט, טוישן זיך די רעאקציעס פון די באטעריעס. די סיסטעם קען מאכן טעותים אין איר לאדונגס צושטאנד אדער געזונטהייט צושטאנד. גוטע באטעריע פארוואלטונג סיסטעמען טוישן זייער מאטעמאטיק צו פאררעכטן די טעותים.
וועלכע מעטאָדע גיט די מערסט גענויע אָפּשאַצונג פון געזונטהייט צושטאַנד?
מעטאָד | אַקיעראַסי לעוועל |
|---|---|
Machine Learning | זייער הויך |
אימפּעדאַנס אַנאַליז | הויך |
אינערלעכער קעגנשטעל | מיטל |
ציקל קאַונטינג | נידעריק |
מאַשין לערנען גיט געוויינטלעך די בעסטע רעזולטאַטן אויב די דאַטן זענען גוט.
