Η τεχνολογία Deep Learning BMS ξεκλειδώνει νέα ύψη στην απόδοση της μπαταρίας ιόντων λιθίου

Περίληψη

Το Σύστημα Διαχείρισης Μπαταρίας (BMS) είναι ζωτικής σημασίας για την κατανόηση της απόδοσης της μπαταρίας κάτω από ακραίες συνθήκες, όπως η δοκιμή υψηλού ρυθμού. Αυτή η μελέτη προτείνει ένα νέο BMS για συνεχή παρακολούθηση, μετάδοση και αποθήκευση βασικών παραμέτρων όπως η τάση, το ρεύμα και η θερμοκρασία των πακέτων μπαταριών ιόντων λιθίου NCA {{0}}S κατά τη διάρκεια δοκιμών υψηλής ταχύτητας. Αυτό το BMS συνδυάζει τεχνολογία βαθιάς εκμάθησης για την πρόβλεψη της κατάστασης υγείας της μπαταρίας (μετρούμενη με χωρητικότητα εκφόρτισης) παρακολουθώντας τις εξωτερικές παραμέτρους της μπαταρίας. Διεξήχθησαν δύο πειράματα: στατικό πείραμα για την επαλήθευση της λειτουργίας BMS και πείραμα πραγματικής κατάστασης λειτουργίας (δοκιμή κατάχρησης υψηλής μεγέθυνσης με δόνηση σε οχήματα με ηλεκτρική πρόωση) για την αξιολόγηση της πραγματικής του απόδοσης. Τα αποτελέσματα έδειξαν ότι η μέγιστη θερμοκρασία επιφάνειας της μπαταρίας κατά τη διάρκεια πραγματικών συνθηκών πτήσης έφτασε τους 55 βαθμούς C, που ήταν υψηλότερη από τη στατική δοκιμή. Ο αλγόριθμος εκτίμησης χωρητικότητας βαθιάς μάθησης ανίχνευσε μια μέση απόκλιση χωρητικότητας 0,04 Ah, επιδεικνύοντας ακριβή κατάσταση υγείας προβλέποντας τη χωρητικότητα της μπαταρίας. Αυτό το BMS επιδεικνύει αποτελεσματικές δυνατότητες συλλογής δεδομένων και πρόβλεψης, αντανακλώντας την πραγματική κατάσταση στις δοκιμές κατάχρησης.

1. Εισαγωγή

Η σημασία των μπαταριών ιόντων λιθίου (LIBs) και των σχετικών τεχνολογιών τους:Τα LIB είναι ζωτικής σημασίας στον τρέχοντα τεχνολογικό τομέα και χρησιμοποιούνται ευρέως σε ηλεκτρικά οχήματα, drones και φορητές ηλεκτρονικές συσκευές. Σε σύγκριση με την παραδοσιακή τεχνολογία μπαταριών, τα LIB έχουν πλεονεκτήματα όπως υψηλή ενεργειακή πυκνότητα και μεγάλη διάρκεια ζωής, αλλά η ευρεία εφαρμογή τους φέρνει επίσης προκλήσεις γήρανσης της μπαταρίας. Επομένως, η κατάσταση της υγείας (SOH) είναι μια σημαντική παράμετρος για τη μέτρηση της γήρανσης της μπαταρίας. Η ακριβής εκτίμηση του SOH αντιμετωπίζει πολλές προκλήσεις και τα συστήματα διαχείρισης μπαταριών (BMS) είναι ζωτικής σημασίας για την ακριβή παρακολούθηση των παραμέτρων της μπαταρίας.

Σχεδιασμός και σχετικοί δείκτες BMS:Ο σχεδιασμός του BMS συνήθως σχετίζεται με συγκεκριμένες εφαρμογές και, εκτός από το SOH, η κατάσταση φόρτισης (SOC) και η εναπομένουσα ωφέλιμη ζωή (RUL) είναι επίσης συνήθεις δείκτες για την υγεία της μπαταρίας. Τα δεδομένα για αυτούς τους δείκτες προέρχονται συνήθως από ρυθμίσεις ιδιόκτητης απόκτησης δεδομένων (DAQ), οι οποίες μπορούν να παρέχουν δεδομένα για βαθιά εκμάθηση (DL), αλλά έχουν περιορισμούς όπως μεγάλο μέγεθος, υψηλό κόστος και στόχευση συγκεκριμένων μπαταριών. Η ενσωμάτωση της τεχνολογίας DL με το προηγμένο BMS είναι μια πολλά υποσχόμενη προσέγγιση που μπορεί να ξεπεράσει τις προκλήσεις των μεθόδων συλλογής δεδομένων και να προσφέρει επεκτασιμότητα.

Σημαντικές παράμετροι και σχετικές ερευνητικές απαιτήσεις των LIBs:Το SOH, το SOC, το RUL και το C-rate είναι όλες σημαντικές παράμετροι για την απόδοση του LIB. Η αύξηση του ρυθμού C θα οδηγήσει σε μείωση της χωρητικότητας και της απόδοσης της μπαταρίας. Οι τρέχουσες μέθοδοι συλλογής δεδομένων αντιμετωπίζουν προκλήσεις όπως πολύπλοκες ρυθμίσεις και ασαφής ακρίβεια αισθητήρα, απαιτώντας έτσι την ανάπτυξη καινοτόμων φορητών πλαισίων BMS για συλλογή δεδομένων σε διάφορα σενάρια εφαρμογών, όπως η υψηλή μεγέθυνση. Αυτή η μελέτη προτείνει ένα ολοκληρωμένο πλαίσιο BMS που ενσωματώνει το μοντέλο DL που αναπτύχθηκε προηγουμένως για το δίκτυο υποβάθμισης χωρητικότητας (CD Net), το οποίο μπορεί να καλύψει τις απαιτήσεις παρακολούθησης σε πραγματικό χρόνο της ηλεκτρικής πρόωσης. Η συλλογή δεδομένων και οι δυνατότητες ενσωμάτωσης μοντέλων του έχουν επαληθευτεί μέσω πειραμάτων.

2. Ανάπτυξη BMS

Επισκόπηση της ανάπτυξης BMS:Αναπτύχθηκε μια πλακέτα τυπωμένου κυκλώματος για το προτεινόμενο BMS για τη συλλογή βασικών δεδομένων που απαιτούνται για την πρόβλεψη της υγείας της μπαταρίας και τη λήψη μέτρων με βάση την πρόβλεψη. Το ανεπτυγμένο BMS χρησιμοποιεί δεδομένα πραγματικής κατάστασης λειτουργίας (συμπεριλαμβανομένης της τάσης, του ρεύματος και της θερμοκρασίας της μπαταρίας) για την πρόβλεψη της υγείας της μπαταρίας και τα δεδομένα που συλλέγονται εισάγονται σε ένα μοντέλο βαθιάς μάθησης (DL) για πρόβλεψη σε πραγματικό χρόνο.

Μέτρηση αισθητήρα

Μέτρηση ρεύματος και τάσης:Ο αισθητήρας ρεύματος υψηλής πλευράς INA219 χρησιμοποιείται για τη μέτρηση του ρεύματος με την εισαγωγή μιας αντίστασης διακλάδωσης. Για προσαρμογή σε σενάρια υψηλού ρεύματος, η προεπιλεγμένη αντίσταση διακλάδωσης 0.1 Ω αντικαθίσταται με αντίσταση 0.01 Ω, επιτρέποντας στο τρέχον εύρος μέτρησης να φτάσει τα ± 32A.

Μέτρηση θερμοκρασίας:Ο αισθητήρας PT100 Adafruit MAX31865 επιλέγεται για τη μέτρηση της θερμοκρασίας, η οποία έχει χαμηλή κατανάλωση ενέργειας, υψηλή ακρίβεια και σταθερότητα. Η εξίσωση Callendar van Dusen χρησιμοποιείται για να ληφθεί η σχέση μεταξύ θερμοκρασίας και αντίστασης. Χρησιμοποιούνται πέντε αισθητήρες για τη μέτρηση της θερμοκρασίας επιφάνειας και της θερμοκρασίας περιβάλλοντος τεσσάρων μπαταριών αντίστοιχα, και πραγματοποιείται βαθμονόμηση.

Έλεγχος συσκευής:Επιλέξτε την πλακέτα κυκλώματος Wi Fi Arduino Uno Rev 2 ως ελεγκτή, η οποία διαθέτει δυνατότητες εγγραφής, προεπεξεργασίας και μετάδοσης δεδομένων. Παρέχει ισχύ στο δίκτυο αισθητήρων μέσω του εσωτερικού του ρυθμιστή 5V και συνδέει τον αισθητήρα και τον μικροελεγκτή χρησιμοποιώντας το πρωτόκολλο SPI.

Εκτίμηση SOH:Τα δεδομένα τάσης και θερμοκρασίας που συλλέγονται από το BMS μεταδίδονται στον υπολογιστή και τα τρέχοντα δεδομένα χρησιμοποιούνται για τον υπολογισμό της κατάστασης φόρτισης (SOC) της μπαταρίας μέσω της μεθόδου μέτρησης Coulomb. Το SOC, μαζί με την ονομαστική χωρητικότητα και τη χημική σύνθεση της μπαταρίας, εισάγεται στο μοντέλο CD Net για να προβλέψει την ικανότητα εκφόρτισης της μπαταρίας και να υπολογίσει το SOH. Το μοντέλο CD Net χρησιμοποιεί έναν συνδυασμό νευρωνικών δικτύων με συγκεκριμένες δομές, οι οποίες βελτιστοποιούνται και επεξεργάζονται για πρόβλεψη.

3. Πειραματική εγκατάσταση

Επισκόπηση της πειραματικής ρύθμισης:Ένα πακέτο μπαταριών που αποτελείται από τέσσερις μπαταρίες Sony VTC 6 18650 συνδεδεμένες σε σειρά δοκιμάστηκε χρησιμοποιώντας χημικό σύστημα NCA. Παρουσιάστηκαν οι σχετικές προδιαγραφές μεμονωμένων μπαταριών και πακέτων μπαταριών.

Δοκιμές εδάφους:Ο σκοπός είναι να αναλυθεί η απόδοση του πρόσφατα αναπτυγμένου BMS πριν από την εφαρμογή του σε ηλεκτροκίνητα οχήματα. Χρησιμοποιήστε το σύστημα NEWARE Powerwall CT-4004-20V20A ως φορτίο, συνδέστε το BMS στην μπαταρία και φορτώστε, παρακολουθήστε την τάση, το ρεύμα και τη θερμοκρασία επιφάνειας κάθε μπαταρίας και καταγράψτε τα δεδομένα με το BMS. Τοποθετήστε έναν αισθητήρα RTD στο κέντρο της μπαταρίας και καταγράψτε την κατεύθυνση της μπαταρίας για να εξασφαλίσετε συνέπεια στην καταγραφή της θερμοκρασίας. Εκτελέστε 42 κύκλους φόρτισης και εκφόρτισης, με μοτίβο κύκλου παρόμοιο με το πείραμα πιστοποίησης της NASA για μικρούς δορυφόρους.

Εναέριες δοκιμές:Διεξήχθη μετά από δοκιμές εδάφους, χρησιμοποιώντας ηλεκτρικό αεροσκάφος (drone FLYWOO Explorer) για 20 κύκλους εκφόρτισης φόρτισης για τη συλλογή δεδομένων υπό συνθήκες εκφόρτισης υψηλού ρυθμού. Εισαγωγή στις σχετικές παραμέτρους του αεροσκάφους, η μπαταρία είναι εγκατεστημένη σε τρισδιάστατο εκτυπωμένο βραχίονα, το BMS βρίσκεται στην κορυφή, το πρωτόκολλο φόρτισης είναι συνεπές με τις δοκιμές εδάφους, αλλά ο κύκλος εκφόρτισης είναι τυχαίος. Το αεροσκάφος βρίσκεται περίπου 1 πόδι πάνω από το έδαφος κατά την εκφόρτωση. Όταν το BMS εμφανίσει ότι η τάση της μπαταρίας φτάσει τα 10 V, η εκφόρτιση σταματά και το όχημα ξεκουράζεται για 0,167 ώρες πριν τη φόρτιση.

4. Αποτελέσματα και Συζήτηση

Σύνοψη των αποτελεσμάτων Συζήτηση:Παρουσιάζει τα αποτελέσματα και τα βασικά ευρήματα που προέκυψαν χρησιμοποιώντας το πρόσφατα αναπτυγμένο BMS (συμπεριλαμβανομένης της πρόβλεψης μοντέλου CD Net). Το πρόσφατα αναπτυγμένο BMS συλλέγει δεδομένα από στατικά και δυναμικά φορτία μπαταριών και ενσωματώνεται απρόσκοπτα με μοντέλα DL όπως το CD Net, παρέχοντας ευελιξία προσαρμογής στις τεχνολογικές εξελίξεις.

Αποτελέσματα δοκιμών εδάφους

Μέτρηση καμπύλης τάσης:Τα δεδομένα χρόνου τάσης 42 κύκλων φόρτισης και εκφόρτισης του BMS και του εξοπλισμού δοκιμών (BAn) είναι παρόμοια. Αν και τα δεδομένα BMS έχουν αρχική υστέρηση, τελικά συγκλίνει, με μέση απόκλιση 0,2V μεταξύ των δύο. Το τμήμα σταθερής τάσης της καμπύλης εκφόρτισης μπορεί να χρησιμοποιηθεί για τη μελέτη της σχέσης με το SOH και η απόκλιση οφείλεται σε διαφορές στον ρυθμό μετάδοσης δεδομένων και στο εσωτερικό ρολόι.

Τρέχουσα μέτρηση καμπύλης:Τα τρέχοντα δεδομένα του BMS και του BAn αντιστοιχίζονται στο σύνολό τους και οι τρέχουσες αλλαγές κατά τα στάδια εκφόρτισης και φόρτισης ακολουθούν τους κανόνες. Ωστόσο, υπάρχει καθυστέρηση στην ανάγνωση δεδομένων BMS κατά το τρέχον στάδιο μετατροπής, με αποτέλεσμα ορισμένες αποκλίσεις. Μετά την αφαίρεση μεγάλων σημείων δεδομένων απόκλισης, η μέση απόκλιση είναι μικρότερη και η ένδειξη ρεύματος είναι πιο ακριβής από την ένδειξη τάσης.

Μέτρηση καμπύλης θερμοκρασίας:Παρακολουθήστε τη θερμοκρασία επιφάνειας τεσσάρων μπαταριών και διαπιστώστε ότι η θερμοκρασία αυξάνεται σταδιακά κατά τη διαδικασία φόρτισης και εκφόρτισης, φτάνοντας στο υψηλότερο σημείο στο τέλος της φόρτισης σταθερού ρεύματος. Στη συνέχεια, η θερμοκρασία αλλάζει κατά τη διάρκεια φόρτισης και εκφόρτισης σταθερής τάσης. Η τέταρτη μπαταρία στο πακέτο μπαταριών έχει σχετικά υψηλή θερμοκρασία και το BMS μπορεί να ανιχνεύσει και να εμφανίσει τις διαφορές θερμοκρασίας κάθε μπαταρίας. Οι ανωμαλίες θερμοκρασίας μπορούν να χρησιμοποιηθούν για τη διαχείριση της μπαταρίας.

Αποτελέσματα εναέριων δοκιμών

Μέτρηση καμπυλών ρεύματος και τάσης:Κατά τη διάρκεια της πτήσης του drone, το ρεύμα αλλάζει τυχαία και το BMS μπορεί να καταγράψει με ακρίβεια το ρεύμα εκφόρτισης υψηλής ταχύτητας. Το ρεύμα εκφόρτισης αυξάνεται με τον αριθμό των δοκιμών και η τάση μειώνεται από 16,8 V σε 10 V κατά τη διαδικασία εκφόρτισης. Το ρεύμα και η τάση επηρεάζονται από τη ρύθμιση της στάσης πτήσης κατά τη διάρκεια της πτήσης.

Μέτρηση καμπύλης θερμοκρασίας:Κατά την εναέρια δοκιμή, η θερμοκρασία επιφάνειας της μπαταρίας είναι υψηλότερη από εκείνη κατά τη δοκιμή εδάφους, με μέγιστη θερμοκρασία περίπου 55 βαθμούς C. Κατά τη διαδικασία φόρτισης, η θερμοκρασία τείνει να μειώνεται και κατά τη διαδικασία εκφόρτισης, η θερμοκρασία αυξάνεται σταδιακά. Υπάρχουν διαφορές στη θερμοκρασία μεταξύ των διαφορετικών μπαταριών και οι διακυμάνσεις της θερμοκρασίας επηρεάζονται από τις ρυθμίσεις της στάσης πτήσης.

Αποτελέσματα συνόλου Deep Learning:Στη δοκιμή εδάφους, η χωρητικότητα της μπαταρίας μειώθηκε σταδιακά και το μοντέλο CD Net προέβλεψε τη χωρητικότητα από τον 5ο κύκλο, η οποία ήταν παρόμοια με την χωρητικότητα μέτρησης Coulomb που καταγράφηκε από το BMS. Η πρόβλεψη του μοντέλου ήταν σχετικά ακριβής. Η ικανότητα μέτρησης Coulomb ήταν ασταθής κατά τη διάρκεια της εναέριας δοκιμής, αλλά το μοντέλο ήταν ακόμα σε θέση να προβλέψει με μια μέση διαφορά 0,046Ah. Συγκρίνοντας τη χωρητικότητα που μετρήθηκε με τη μέθοδο μέτρησης Coulomb με την προβλεπόμενη χωρητικότητα του μοντέλου, επαληθεύτηκε η επιτυχής ενσωμάτωση των μοντέλων BMS και DL, τα οποία μπορούν να χρησιμοποιηθούν για την πρόβλεψη της κατάστασης υγείας (SOH) των μπαταριών.

5. Περίληψη

Σύνοψη των ευρημάτων της έρευνας:Η συλλογή δεδομένων πραγματικής κατάστασης λειτουργίας των ηλεκτροκίνητων οχημάτων απαιτεί ένα φορητό BMS που μπορεί να λειτουργεί κάτω από σκληρές συνθήκες, όπως η εκφόρτιση LIB με υψηλό ρυθμό. Αυτή η έρευνα προτείνει μια νέα αρχιτεκτονική BMS, η οποία χρησιμοποιεί πλαίσια ακμών και νέφους για την εγγραφή, τη μετάδοση και τη λήψη δεδομένων και μπορεί να χειριστεί την εκφόρτιση υψηλού ρυθμού, αντικαθιστώντας τις παραδοσιακές μεθόδους που βασίζονται σε διαύλους CAN και υπολογιστές ακμών.

Σύνοψη των αποτελεσμάτων των δοκιμών:Πραγματοποιήθηκαν δοκιμές εδάφους και αέρα και η θερμοκρασία επιφάνειας της μπαταρίας ήταν υψηλότερη στο τέλος του σταδίου σταθερού ρεύματος εκφόρτισης. Η θερμοκρασία επιφάνειας της μπαταρίας ήταν ακόμη υψηλότερη στη δοκιμή αέρα, φτάνοντας το μέγιστο σχεδόν 55 βαθμούς C. Η αύξηση της θερμοκρασίας μπορεί να οφείλεται σε παράγοντες όπως η γήρανση της μπαταρίας και οι αλλαγές SOC και η υπερβολική θερμοκρασία μπορεί να οδηγήσει σε αστοχία της μπαταρίας. Κατά τη διάρκεια 42 κύκλων στο έδαφος και 20 κύκλων στον αέρα, η θερμοκρασία της επιφάνειας αυξήθηκε σταδιακά.

Αποτελέσματα πρόβλεψης μοντέλου:Χρησιμοποιώντας τα δεδομένα που συλλέγονται, το μοντέλο CD Net προβλέπει την κατάσταση υγείας (SOH) της μπαταρίας υπό πραγματικές συνθήκες λειτουργίας. Η πρόβλεψη χωρητικότητας του μοντέλου για τον επόμενο κύκλο στις δοκιμές εδάφους είναι σχετικά ακριβής, με μέση απόκλιση {{0}},026 Ah; Αν και υπήρξαν διακυμάνσεις χωρητικότητας κατά τη διάρκεια των εναέριων δοκιμών, η προβλεπόμενη μέση διαφορά ήταν 0,046 Ah και το BMS ήταν σε θέση να συλλέξει αποτελεσματικά δεδομένα εντός του εύρους κατωφλίου των αισθητήρων τάσης ρεύματος.