Tehnologija dubokog učenja BMS otvara nove visine u performansama litij-ionske baterije

Sažetak

Sustav upravljanja baterijom (BMS) ključan je za razumijevanje performansi baterije u ekstremnim uvjetima, kao što je testiranje visoke brzine. Ova studija predlaže novi BMS za kontinuirani nadzor, prijenos i pohranu ključnih parametara kao što su napon, struja i temperatura NCA {{0}}S litij-ionskih paketa baterija tijekom testiranja visoke brzine. Ovaj BMS kombinira tehnologiju dubokog učenja za predviđanje zdravstvenog statusa baterije (mjereno kapacitetom pražnjenja) praćenjem vanjskih parametara baterije. Provedena su dva pokusa: statički pokus za provjeru funkcije BMS-a i pokus sa stvarnim radnim uvjetima (test zlouporabe s velikim povećanjem uz vibracije na vozilima s električnim pogonom) za procjenu njegove stvarne učinkovitosti. Rezultati su pokazali da je vršna temperatura površine baterije tijekom stvarnih uvjeta leta dosegla 55 stupnjeva C, što je bilo više od statičkog testa; Algoritam za procjenu kapaciteta dubokog učenja otkrio je prosječno odstupanje kapaciteta od 0,04 Ah, pokazujući točan zdravstveni status predviđanjem kapaciteta baterije. Ovaj BMS pokazuje učinkovite mogućnosti prikupljanja podataka i predviđanja, odražavajući stvarnu situaciju u testiranju zlostavljanja.

1. Uvod

Važnost litij-ionskih baterija (LIB) i njima povezanih tehnologija:LIB-ovi su ključni u trenutnom tehnološkom polju i naširoko se koriste u električnim vozilima, dronovima i prijenosnim elektroničkim uređajima. U usporedbi s tradicionalnom tehnologijom baterija, LIB-ovi imaju prednosti kao što su visoka gustoća energije i dug životni ciklus, ali njihova široka primjena također donosi izazove starenja baterije. Stoga je zdravstveno stanje (SOH) važan parametar za mjerenje starenja baterije. Točna procjena SOH suočava se s mnogim izazovima, a sustavi upravljanja baterijom (BMS) ključni su za točno praćenje parametara baterije.

Dizajn i povezani pokazatelji BMS-a:Dizajn BMS-a obično je povezan s određenim aplikacijama, a uz SOH, stanje napunjenosti (SOC) i preostali korisni vijek (RUL) također su uobičajeni pokazatelji ispravnosti baterije. Podaci za ove pokazatelje obično dolaze iz vlasničkih postavki prikupljanja podataka (DAQ), koje mogu pružiti podatke za duboko učenje (DL), ali imaju ograničenja kao što su velika veličina, visoka cijena i ciljanje određenih baterija. Integracija DL tehnologije s naprednim BMS-om obećavajući je pristup koji može prevladati izazove metoda prikupljanja podataka i omogućiti skalabilnost.

Važni parametri i povezani istraživački zahtjevi LIB-ova:SOH, SOC, RUL i C-rate važni su parametri za performanse LIB-a. Povećanje C-stope dovest će do smanjenja kapaciteta i performansi baterije. Trenutačne metode prikupljanja podataka suočavaju se s izazovima kao što su složene postavke i nejasna točnost senzora, stoga zahtijevaju razvoj inovativnih prijenosnih BMS okvira za prikupljanje podataka u različitim scenarijima primjene kao što je veliko povećanje. Ova studija predlaže sveobuhvatni okvir BMS-a koji integrira prethodno razvijen DL model mreže degradacije kapaciteta (CD Net), koji može zadovoljiti zahtjeve praćenja u stvarnom vremenu za električni pogon. Njegove mogućnosti prikupljanja podataka i integracije modela potvrđene su eksperimentima.

2. Razvoj BMS-a

Pregled razvoja BMS-a:Tiskana ploča razvijena je za predloženi BMS za prikupljanje ključnih podataka potrebnih za predviđanje stanja baterije i poduzimanje radnji na temelju predviđanja. Razvijeni BMS koristi podatke o stvarnom radnom stanju (uključujući napon baterije, struju i temperaturu) za predviđanje stanja baterije, a prikupljeni podaci unose se u model dubokog učenja (DL) za predviđanje u stvarnom vremenu.

Mjerenje senzora

Mjerenje struje i napona:Senzor visoke strane struje INA219 koristi se za mjerenje struje umetanjem shunt otpornika. Za prilagodbu scenarijima visoke struje, zadani otpornik 0.1 Ω zamjenjuje se s otpornikom 0.01 Ω, čime se omogućuje da raspon mjerenja struje dosegne ± 32 A.

Mjerenje temperature:Za mjerenje temperature odabran je senzor PT100 Adafruit MAX31865 koji ima nisku potrošnju energije, visoku točnost i stabilnost. Callendar van Dusen jednadžba koristi se za dobivanje odnosa između temperature i otpora. Pet senzora koristi se za mjerenje temperature površine i temperature okoline četiriju baterija, te se provodi kalibracija.

Kontrola uređaja:Odaberite Arduino Uno Rev 2 Wi Fi ploču kao kontroler, koji ima mogućnosti snimanja, predprocesiranja i prijenosa podataka. Osigurava napajanje mreži senzora preko svog internog regulatora od 5 V i povezuje senzor i mikrokontroler koristeći SPI protokol.

Procjena SOH:Podaci o naponu i temperaturi koje prikupi BMS prenose se na računalo, a trenutni podaci se koriste za izračunavanje stanja napunjenosti (SOC) baterije pomoću metode Coulombovog brojanja. SOC, zajedno s nominalnim kapacitetom i kemijskim sastavom baterije, unosi se u CD Net model za predviđanje kapaciteta pražnjenja baterije i izračunavanje SOH. CD Net model koristi kombinaciju neuronskih mreža sa specifičnim strukturama, koje su optimizirane i obrađene za predviđanje.

3. Eksperimentalna postavka

Pregled eksperimentalne postavke:Paket baterija koji se sastoji od četiri baterije 18650 Sony VTC 6 spojene u seriju testiran je pomoću NCA kemijskog sustava. Uvedene su relevantne specifikacije pojedinačnih baterija i paketa baterija.

Ispitivanje na tlu:Svrha je analizirati performanse novorazvijenog BMS-a prije njegove primjene na vozila s električnim pogonom. Upotrijebite sustav NEWARE Powerwall CT-4004-20V20A kao opterećenje, spojite BMS na bateriju i učitajte, pratite napon, struju i površinsku temperaturu svake baterije i zabilježite podatke pomoću BMS-a. Postavite RTD senzor u središte baterije i zabilježite smjer baterije kako biste osigurali dosljednost u bilježenju temperature. Izvedite 42 ciklusa punjenja i pražnjenja, s uzorkom ciklusa sličnim NASA-inom certifikacijskom eksperimentu za male satelite.

Ispitivanje iz zraka:Provedeno nakon testiranja na zemlji, korištenjem električne letjelice (drona FLYWOO Explorer) za 20 ciklusa pražnjenja punjenja za prikupljanje podataka u uvjetima visoke brzine pražnjenja. Uvod u relevantne parametre zrakoplova, baterija je instalirana na 3D tiskanom nosaču, BMS je na vrhu, protokol punjenja je u skladu s testiranjem na zemlji, ali je ciklus pražnjenja nasumičan. Zrakoplov je oko 1 stopu iznad tla tijekom pražnjenja. Kada BMS prikaže da napon baterije dosegne 10 V, pražnjenje prestaje i vozilo se odmara 0,167 sati prije punjenja.

4. Rezultati i rasprava

Sažetak rasprave o rezultatima:Predstavlja rezultate i ključne nalaze dobivene korištenjem novorazvijenog BMS-a (uključujući predviđanje modela CD Net). Novorazvijeni BMS prikuplja podatke iz statičkih i dinamičkih opterećenja baterije i neprimjetno se integrira s DL modelima kao što je CD Net, pružajući fleksibilnost za prilagodbu tehnološkom razvoju.

Rezultati ispitivanja na tlu

Mjerenje krivulje napona:Podaci o vremenu napona za 42 ciklusa punjenja i pražnjenja BMS-a i opreme za ispitivanje (BAn) su slični. Iako BMS podaci imaju početno kašnjenje, oni na kraju konvergiraju, s prosječnom devijacijom od 0.2V između ta dva. Dio konstantnog napona krivulje pražnjenja može se koristiti za proučavanje odnosa sa SOH, a odstupanje je zbog razlika u brzini prijenosa podataka i unutarnjem satu.

Mjerenje krivulje struje:Trenutni podaci BMS-a i BAn-a usklađuju se kao cjelina, a trenutne promjene tijekom faza pražnjenja i punjenja slijede pravila. Međutim, postoji kašnjenje u BMS čitanju podataka tijekom trenutne faze pretvorbe, što dovodi do nekih odstupanja. Nakon uklanjanja podatkovnih točaka velikih odstupanja, prosječno odstupanje je manje, a očitanje struje točnije je od očitanja napona.

Mjerenje krivulje temperature:Pratite površinsku temperaturu četiri baterije i otkrijte da temperatura postupno raste tijekom procesa punjenja i pražnjenja, dosežući svoju najvišu točku na kraju punjenja konstantnom strujom. Zatim se mijenja temperatura tijekom punjenja i pražnjenja konstantnim naponom. Četvrta baterija u paketu baterija ima relativno visoku temperaturu, a BMS može otkriti i prikazati temperaturne razlike svake baterije. Anomalije temperature mogu se koristiti za upravljanje baterijom.

Rezultati ispitivanja iz zraka

Mjerenje krivulja struje i napona:Tijekom leta drona, struja se nasumično mijenja, a BMS može točno zabilježiti struju pražnjenja velike brzine. Struja pražnjenja raste s brojem testova, a napon se smanjuje sa 16,8 V na 10 V tijekom procesa pražnjenja. Na struju i napon utječe prilagodba položaja leta tijekom leta.

Mjerenje krivulje temperature:Tijekom ispitivanja iz zraka, površinska temperatura baterije viša je od one tijekom ispitivanja na zemlji, s maksimalnom temperaturom od oko 55 stupnjeva C. Tijekom procesa punjenja temperatura ima tendenciju pada, a tijekom procesa pražnjenja temperatura postupno raste. Postoje razlike u temperaturi među različitim baterijama, a na temperaturne fluktuacije utječu prilagodbe položaja leta.

Rezultati ansambla dubokog učenja:Tijekom testiranja na zemlji, kapacitet baterije postupno je opadao, a model CD Net predvidio je kapacitet iz 5. ciklusa, koji je bio sličan kapacitetu Coulombovog brojanja koji je zabilježio BMS. Predviđanje modela bilo je relativno točno; Coulombov kapacitet brojanja bio je nestabilan tijekom testiranja iz zraka, ali je model ipak mogao predvidjeti s prosječnom razlikom od 0.046Ah. Usporedbom kapaciteta izmjerenog metodom Coulombovog brojanja s predviđenim kapacitetom modela, potvrđena je uspješna integracija BMS i DL modela, koji se mogu koristiti za predviđanje stanja zdravlja (SOH) baterija.

5. Sažetak

Sažetak nalaza istraživanja:Prikupljanje podataka o stvarnom radnom stanju vozila na električni pogon zahtijeva prijenosni BMS koji može raditi u teškim uvjetima, kao što je velika brzina pražnjenja LIB-ova. Ovo istraživanje predlaže novu BMS arhitekturu, koja koristi rubne okvire i okvire oblaka za snimanje, prijenos i primanje podataka, te može podnijeti visoku brzinu pražnjenja, zamjenjujući tradicionalne metode temeljene na CAN sabirnici i rubnim računalima.

Sažetak rezultata ispitivanja:Provedena su ispitivanja na zemlji iu zraku, a površinska temperatura baterije bila je najviša na kraju faze konstantne struje pražnjenja. Površinska temperatura baterije bila je još viša u zračnom testu, dosegnuvši maksimum od gotovo 55 stupnjeva C. Povećanje temperature mogu uzrokovati čimbenici kao što su starenje baterije i SOC promjene, a previsoka temperatura može dovesti do kvara baterije. Tijekom 42 ciklusa na tlu i 20 ciklusa u zraku, površinska temperatura postupno se povećavala.

Rezultati predviđanja modela:Koristeći prikupljene podatke, model CD Net predviđa zdravstveno stanje (SOH) baterije u stvarnim radnim uvjetima. Predviđanje kapaciteta modela za sljedeći ciklus testiranja na zemlji je relativno točno, s prosječnim odstupanjem od {{0}}.026 Ah; Iako je bilo fluktuacija kapaciteta tijekom testiranja iz zraka, predviđena prosječna razlika bila je 0,046 Ah, a BMS je uspio učinkovito prikupiti podatke unutar raspona praga senzora trenutnog napona.