Tehnologia Deep Learning BMS deblochează noi culmi în performanța bateriei cu litiu-ion

Abstract

Sistemul de management al bateriei (BMS) este esențial pentru înțelegerea performanței bateriei în condiții extreme, cum ar fi testarea cu viteză ridicată. Acest studiu propune un nou BMS pentru monitorizarea continuă, transmiterea și stocarea parametrilor cheie, cum ar fi tensiunea, curentul și temperatura bateriilor NCA {{0}}S litiu-ion în timpul testării cu viteză ridicată. Acest BMS combină tehnologia de învățare profundă pentru a prezice starea de sănătate a bateriei (măsurată prin capacitatea de descărcare) prin monitorizarea parametrilor externi ai bateriei. Au fost efectuate două experimente: experiment static pentru verificarea funcției BMS și experiment privind starea reală de lucru (test de abuz de mărire mare cu vibrații pe vehiculele cu propulsie electrică) pentru a evalua performanța reală a acestuia. Rezultatele au arătat că temperatura de vârf a suprafeței bateriei în condițiile reale de zbor a atins 55 de grade C, ceea ce a fost mai mare decât testul static; Algoritmul de estimare a capacității de învățare profundă a detectat o abatere medie a capacității de 0,04 Ah, demonstrând starea de sănătate exactă prin predicția capacității bateriei. Acest BMS demonstrează capabilități eficiente de colectare a datelor și de predicție, reflectând situația reală în testarea abuzului.

1. Introducere

Importanța bateriilor litiu-ion (LIB) și a tehnologiilor aferente acestora:LIB-urile sunt cruciale în domeniul tehnologic actual și sunt utilizate pe scară largă în vehicule electrice, drone și dispozitive electronice portabile. În comparație cu tehnologia tradițională a bateriilor, LIB-urile au avantaje precum densitatea mare de energie și ciclul de viață lung, dar aplicarea lor pe scară largă aduce și provocări legate de îmbătrânirea bateriilor. Prin urmare, starea de sănătate (SOH) este un parametru important pentru măsurarea îmbătrânirii bateriei. Estimarea cu precizie a SOH se confruntă cu multe provocări, iar sistemele de management al bateriei (BMS) sunt esențiale pentru monitorizarea cu acuratețe a parametrilor bateriei.

Design și indicatorii aferenti BMS:Designul BMS este de obicei legat de aplicații specifice și, pe lângă SOH, starea de încărcare (SOC) și durata de viață utilă rămasă (RUL) sunt, de asemenea, indicatori comuni ai sănătății bateriei. Datele pentru acești indicatori provin de obicei din setările de achiziție de date proprietare (DAQ), care pot furniza date pentru învățarea profundă (DL), dar au limitări precum dimensiunea mare, costul ridicat și țintirea anumitor baterii. Integrarea tehnologiei DL cu BMS avansat este o abordare promițătoare care poate depăși provocările metodelor de colectare a datelor și poate oferi scalabilitate.

Parametri importanți și cerințe de cercetare aferente ale LIB-urilor:SOH, SOC, RUL și C-rate sunt toți parametri importanți pentru performanța LIB. O creștere a ratei C va duce la o scădere a capacității și a performanței bateriei. Metodele actuale de colectare a datelor se confruntă cu provocări, cum ar fi setări complexe și acuratețe neclară a senzorului, necesitând astfel dezvoltarea de cadre inovatoare BMS portabile pentru colectarea datelor în diferite scenarii de aplicație, cum ar fi mărirea mare. Acest studiu propune un cadru cuprinzător BMS care integrează modelul DL dezvoltat anterior de Capacity Degradation Network (CD Net), care poate îndeplini cerințele de monitorizare în timp real ale propulsiei electrice. Capabilitățile sale de colectare a datelor și de integrare a modelelor au fost verificate prin experimente.

2. Dezvoltarea BMS

Prezentare generală a dezvoltării BMS:A fost dezvoltată o placă de circuit imprimat pentru BMS-ul propus pentru a colecta datele cheie necesare pentru predicția privind starea bateriei și pentru a lua măsuri pe baza predicției. BMS-ul dezvoltat folosește datele despre starea de funcționare reală (inclusiv tensiunea bateriei, curentul și temperatura) pentru predicția privind starea bateriei, iar datele colectate sunt introduse într-un model de învățare profundă (DL) pentru predicție în timp real.

Măsurarea senzorului

Măsurarea curentului și tensiunii:Senzorul de curent pentru partea înaltă INA219 este utilizat pentru a măsura curentul prin inserarea unui rezistor shunt. Pentru a se adapta la scenariile de curent ridicat, rezistența de șunt 0.1 Ω implicită este înlocuită cu o rezistență de 0.01 Ω, permițând intervalului de măsurare curent să atingă ± 32A.

Măsurarea temperaturii:Senzorul PT100 Adafruit MAX31865 este selectat pentru a măsura temperatura, care are un consum redus de energie, precizie ridicată și stabilitate. Ecuația Callendar van Dusen este utilizată pentru a obține relația dintre temperatură și rezistență. Cinci senzori sunt utilizați pentru a măsura temperatura suprafeței și respectiv temperatura ambiantă a patru baterii și se efectuează calibrarea.

Controlul dispozitivului:Alegeți placa de circuit Arduino Uno Rev 2 Wi Fi ca controler, care are capabilități de înregistrare, preprocesare și transmisie a datelor. Furnizează energie rețelei de senzori prin regulatorul său intern de 5V și conectează senzorul și microcontrolerul folosind protocolul SPI.

Estimarea SOH:Datele de tensiune și temperatură colectate de BMS sunt transmise computerului, iar datele curente sunt utilizate pentru a calcula starea de încărcare (SOC) a bateriei prin metoda de numărare Coulomb. SOC, împreună cu capacitatea nominală și compoziția chimică a bateriei, sunt introduse în modelul CD Net pentru a prezice capacitatea de descărcare a bateriei și pentru a calcula SOH. Modelul CD Net folosește o combinație de rețele neuronale cu structuri specifice, care sunt optimizate și procesate pentru predicție.

3. Configurare experimentală

Prezentare generală a configurației experimentale:Un pachet de baterii format din patru baterii Sony VTC 6 18650 conectate în serie a fost testat folosind sistemul chimic NCA. Au fost introduse specificațiile relevante ale bateriilor individuale și ale pachetelor de baterii.

Testare la sol:Scopul este de a analiza performanța noului BMS dezvoltat înainte de a-l aplica vehiculelor cu propulsie electrică. Utilizați sistemul NEWARE Powerwall CT-4004-20V20A ca sarcină, conectați BMS-ul la acumulator și încărcați, monitorizați tensiunea, curentul și temperatura de suprafață a fiecărui acumulator și înregistrați datele cu BMS. Plasați un senzor RTD în centrul bateriei și înregistrați direcția acumulatorului pentru a asigura consecvența înregistrării temperaturii. Efectuați 42 de cicluri de încărcare și descărcare, cu un model de ciclu similar cu experimentul de certificare al NASA pentru sateliți mici.

Testare aeriană:Efectuat după testarea la sol, folosind o aeronavă electrică (dronă FLYWOO Explorer) pentru 20 cicluri de descărcare a încărcării pentru a colecta date în condiții de descărcare cu viteză ridicată. Introducere în parametrii relevanți ai aeronavei, acumulatorul este instalat pe un suport imprimat 3D, BMS-ul este în partea de sus, protocolul de încărcare este în concordanță cu testarea la sol, dar ciclul de descărcare este aleatoriu. Aeronava se află la aproximativ 1 picior deasupra solului în timpul descărcării. Când BMS afișează că tensiunea bateriei atinge 10V, descărcarea se oprește și vehiculul se odihnește timp de 0,167 ore înainte de încărcare.

4. Rezultate și discuții

Rezumatul rezultatelor discuției:Prezintă rezultatele și constatările cheie obținute folosind noul BMS dezvoltat (inclusiv predicția modelului CD Net). Noul BMS dezvoltat colectează date de la încărcările statice și dinamice ale bateriei și se integrează perfect cu modelele DL, cum ar fi CD Net, oferind flexibilitate de adaptare la evoluțiile tehnologice.

Rezultatele testelor la sol

Măsurarea curbei tensiunii:Datele de timp de tensiune a 42 de cicluri de încărcare și descărcare ale BMS și echipamentelor de testare (BAn) sunt similare. Deși datele BMS au întârziere inițială, în cele din urmă converg, cu o abatere medie de 0,2V între cele două. Partea de tensiune constantă a curbei de descărcare poate fi utilizată pentru a studia relația cu SOH, iar abaterea se datorează diferențelor în rata de transmisie a datelor și ceasul intern.

Măsurarea curbei curente:Datele actuale ale BMS și BAn sunt corelate ca un întreg, iar modificările curente în timpul etapelor de descărcare și încărcare urmează regulile. Cu toate acestea, există o întârziere în citirea datelor BMS în timpul etapei curente de conversie, ceea ce duce la unele abateri. După eliminarea punctelor de date cu abateri mari, abaterea medie este mai mică, iar citirea curentă este mai precisă decât citirea tensiunii.

Măsurarea curbei de temperatură:Monitorizați temperatura suprafeței a patru baterii și descoperiți că temperatura crește treptat în timpul procesului de încărcare și descărcare, atingând punctul cel mai înalt la sfârșitul încărcării cu curent constant. Apoi, temperatura se schimbă în timpul încărcării și descărcării cu tensiune constantă. A patra baterie din pachetul de baterii are o temperatură relativ ridicată, iar BMS-ul poate detecta și afișa diferențele de temperatură ale fiecărei baterii. Anomaliile de temperatură pot fi utilizate pentru gestionarea bateriei.

Rezultatele testelor aeriene

Măsurarea curbelor de curent și tensiune:În timpul zborului dronei, curentul se schimbă aleatoriu, iar BMS poate înregistra cu precizie curentul de descărcare cu rată mare. Curentul de descărcare crește odată cu numărul de teste, iar tensiunea scade de la 16,8V la 10V în timpul procesului de descărcare. Curentul și tensiunea sunt afectate de ajustarea atitudinii de zbor în timpul zborului.

Măsurarea curbei de temperatură:În timpul testării aeriene, temperatura de suprafață a bateriei este mai mare decât cea din timpul testării la sol, cu o temperatură maximă de aproximativ 55 de grade C. În timpul procesului de încărcare, temperatura tinde să scadă, iar în timpul procesului de descărcare, temperatura crește treptat. Există diferențe de temperatură între diferitele baterii, iar fluctuațiile de temperatură sunt afectate de ajustările atitudinii zborului.

Rezultatele ansamblului de învățare profundă:În testele la sol, capacitatea bateriei a scăzut treptat, iar modelul CD Net a prezis capacitatea din al 5-lea ciclu, care a fost similară cu capacitatea de numărare Coulomb înregistrată de BMS. Predicția modelului a fost relativ precisă; Capacitatea de numărare a Coulombilor a fost instabilă în timpul testării aeriene, dar modelul a fost încă capabil să prezică cu o diferență medie de 0,046Ah. Prin compararea capacității măsurate prin metoda de numărare Coulomb cu capacitatea prevăzută a modelului, a fost verificată integrarea cu succes a modelelor BMS și DL, care pot fi utilizate pentru a prezice starea de sănătate (SOH) a bateriilor.

5. Rezumat

Rezumatul rezultatelor cercetării:Colectarea datelor despre starea de lucru reală a vehiculelor cu propulsie electrică necesită un BMS portabil care poate funcționa în condiții dure, cum ar fi descărcarea cu viteză mare a LIB-urilor. Această cercetare propune o nouă arhitectură BMS, care utilizează cadre edge și cloud pentru a înregistra, transmite și primi date și poate gestiona descărcarea cu viteză mare, înlocuind metodele tradiționale bazate pe magistrala CAN și computerele edge.

Rezumatul rezultatelor testelor:Au fost efectuate teste la sol și aer, iar temperatura de suprafață a bateriei a fost cea mai ridicată la sfârșitul etapei de curent constant de descărcare. Temperatura de suprafață a bateriei a fost și mai mare la testul cu aer, atingând un maxim de aproape 55 de grade C. Creșterea temperaturii poate fi cauzată de factori precum îmbătrânirea bateriei și modificările SOC, iar temperatura excesivă poate duce la defectarea bateriei. În timpul a 42 de cicluri pe sol și 20 de cicluri în aer, temperatura suprafeței a crescut treptat.

Rezultatele predicției modelului:Folosind datele colectate, modelul CD Net prezice starea de sănătate (SOH) a bateriei în condiții reale de funcționare. Predicția capacității modelului pentru următorul ciclu de testare la sol este relativ precisă, cu o abatere medie de {{0}},026 Ah; Deși au existat fluctuații de capacitate în timpul testării aeriene, diferența medie estimată a fost de 0,046 Ah, iar BMS a reușit să colecteze în mod eficient date în intervalul de prag al senzorilor de tensiune curentă.