Technologia Deep Learning BMS otwiera nowy poziom wydajności akumulatorów litowo-jonowych

Abstrakcyjny

System zarządzania baterią (BMS) ma kluczowe znaczenie dla zrozumienia wydajności baterii w ekstremalnych warunkach, takich jak testy z dużą częstotliwością. W tym badaniu zaproponowano nowatorski system BMS do ciągłego monitorowania, transmisji i przechowywania kluczowych parametrów, takich jak napięcie, prąd i temperatura pakietów akumulatorów litowo-jonowych NCA {{0}}S podczas testów o dużej szybkości. Ten BMS łączy technologię głębokiego uczenia się w celu przewidywania stanu baterii (mierzonego pojemnością rozładowania) poprzez monitorowanie zewnętrznych parametrów baterii. Przeprowadzono dwa eksperymenty: eksperyment statyczny w celu sprawdzenia działania BMS oraz eksperyment w rzeczywistych warunkach pracy (test nadużycia przy dużym powiększeniu z wibracjami w pojazdach o napędzie elektrycznym) w celu oceny jego rzeczywistej wydajności. Wyniki wykazały, że szczytowa temperatura powierzchni akumulatora w rzeczywistych warunkach lotu osiągnęła 55 stopni C, czyli była wyższa niż w teście statycznym; Algorytm szacowania pojemności w trybie głębokiego uczenia wykrył średnie odchylenie pojemności wynoszące 0,04 Ah, wykazując dokładny stan zdrowia poprzez przewidywanie pojemności akumulatora. Ten BMS wykazuje skuteczne możliwości gromadzenia i przewidywania danych, odzwierciedlając rzeczywistą sytuację w testowaniu nadużyć.

1. Wprowadzenie

Znaczenie akumulatorów litowo-jonowych (LIB) i powiązanych z nimi technologii:LIB mają kluczowe znaczenie w obecnej dziedzinie technologii i są szeroko stosowane w pojazdach elektrycznych, dronach i przenośnych urządzeniach elektronicznych. W porównaniu z tradycyjną technologią akumulatorów, LIB mają zalety, takie jak wysoka gęstość energii i długi cykl życia, ale ich powszechne zastosowanie wiąże się również z wyzwaniami związanymi ze starzeniem się akumulatorów. Dlatego stan zdrowia (SOH) jest ważnym parametrem pomiaru starzenia się baterii. Dokładne oszacowanie SOH wiąże się z wieloma wyzwaniami, a systemy zarządzania akumulatorami (BMS) mają kluczowe znaczenie dla dokładnego monitorowania parametrów akumulatorów.

Projekt i powiązane wskaźniki BMS:Konstrukcja BMS jest zwykle związana z konkretnymi zastosowaniami i oprócz SOH, powszechnymi wskaźnikami stanu baterii są również stan naładowania (SOC) i pozostały czas użytkowania (RUL). Dane dla tych wskaźników zwykle pochodzą z zastrzeżonych ustawień gromadzenia danych (DAQ), które mogą dostarczać dane do głębokiego uczenia się (DL), ale mają ograniczenia, takie jak duży rozmiar, wysoki koszt i ukierunkowanie na określone baterie. Integracja technologii DL z zaawansowanym BMS to obiecujące podejście, które może pokonać wyzwania związane z metodami gromadzenia danych i zapewnić skalowalność.

Ważne parametry i związane z nimi wymagania badawcze LIB:SOH, SOC, RUL i C-rate to ważne parametry wydajności LIB. Wzrost współczynnika C doprowadzi do zmniejszenia pojemności i wydajności baterii. Obecne metody gromadzenia danych stoją przed wyzwaniami, takimi jak złożone ustawienia i niejasna dokładność czujnika, co wymaga opracowania innowacyjnych przenośnych struktur BMS do gromadzenia danych w różnych scenariuszach zastosowań, takich jak duże powiększenie. W tym badaniu zaproponowano kompleksową strukturę BMS, która integruje wcześniej opracowany model DL sieci degradacji wydajności (CD Net), który może spełnić wymagania monitorowania napędu elektrycznego w czasie rzeczywistym. Możliwości gromadzenia danych i integracji modeli zostały zweryfikowane eksperymentalnie.

2. Rozwój BMS-a

Przegląd rozwoju BMS:Dla proponowanego systemu BMS opracowano płytkę drukowaną umożliwiającą gromadzenie kluczowych danych wymaganych do przewidywania stanu baterii i podejmowanie działań w oparciu o tę prognozę. Opracowany BMS wykorzystuje dane o rzeczywistych warunkach pracy (w tym napięcie, prąd i temperaturę akumulatora) do przewidywania stanu akumulatora, a zebrane dane są wprowadzane do modelu głębokiego uczenia się (DL) w celu przewidywania w czasie rzeczywistym.

Pomiar czujnika

Pomiar prądu i napięcia:Czujnik prądu strony wysokiego napięcia INA219 służy do pomiaru prądu poprzez włożenie rezystora bocznikowego. Aby dostosować się do scenariuszy wysokoprądowych, domyślny rezystor bocznikowy 0,1 Ω został zastąpiony rezystorem 0,01 Ω, co pozwala na osiągnięcie zakresu pomiaru prądu ± 32A.

Pomiar temperatury:Czujnik PT100 Adafruit MAX31865 jest wybierany do pomiaru temperatury, który charakteryzuje się niskim zużyciem energii, wysoką dokładnością i stabilnością. Równanie Callendara van Dusena służy do obliczenia zależności pomiędzy temperaturą i oporem. Do pomiaru temperatury powierzchni i temperatury otoczenia czterech akumulatorów stosuje się pięć czujników, po czym przeprowadzana jest kalibracja.

Sterowanie urządzeniem:Jako kontroler wybierz płytkę drukowaną Arduino Uno Rev 2 Wi Fi, która umożliwia rejestrację, wstępne przetwarzanie i transmisję danych. Zapewnia zasilanie sieci czujników poprzez wewnętrzny regulator 5 V i łączy czujnik z mikrokontrolerem za pomocą protokołu SPI.

Oszacowanie SOH:Dane dotyczące napięcia i temperatury zebrane przez BMS są przesyłane do komputera, a dane dotyczące prądu służą do obliczenia stanu naładowania (SOC) akumulatora metodą zliczania Coulomba. SOC wraz z pojemnością nominalną i składem chemicznym akumulatora są wprowadzane do modelu CD Net w celu przewidywania pojemności rozładowania akumulatora i obliczania SOH. Model CD Net wykorzystuje kombinację sieci neuronowych o określonych strukturach, które są optymalizowane i przetwarzane w celu przewidywania.

3. Konfiguracja eksperymentalna

Przegląd konfiguracji eksperymentalnej:Zestaw akumulatorów składający się z czterech akumulatorów 18650 Sony VTC 6 połączonych szeregowo został przetestowany przy użyciu układu chemicznego NCA. Wprowadzono odpowiednie specyfikacje poszczególnych akumulatorów i pakietów akumulatorów.

Testowanie naziemne:Celem jest analiza wydajności nowo opracowanego BMS przed zastosowaniem go w pojazdach o napędzie elektrycznym. Użyj systemu NEWARE Powerwall CT-4004-20V20A jako obciążenia, podłącz BMS do zestawu akumulatorów i obciążenia, monitoruj napięcie, prąd i temperaturę powierzchni każdego zestawu akumulatorów oraz zapisuj dane za pomocą BMS. Umieść czujnik RTD na środku akumulatora i zapisz kierunek zestawu akumulatorów, aby zapewnić spójność zapisu temperatury. Wykonaj 42 cykle ładowania i rozładowywania, według schematu cykli podobnego do eksperymentu certyfikacyjnego NASA dla małych satelitów.

Testy lotnicze:Przeprowadzono po testach naziemnych z wykorzystaniem elektrycznego statku powietrznego (drona FLYWOO Explorer) przez 20 cykle ładowania w celu zebrania danych w warunkach szybkiego rozładowania. Wprowadzenie do odpowiednich parametrów samolotu, pakiet akumulatorów montowany jest na wsporniku wydrukowanym w 3D, BMS znajduje się na górze, protokół ładowania jest zgodny z testami naziemnymi, natomiast cykl rozładowania jest losowy. Podczas rozładowywania dron znajduje się około 1 stopy nad ziemią. Gdy BMS wyświetli informację, że napięcie akumulatora osiąga 10 V, rozładowywanie zostaje zatrzymane, a pojazd pozostaje w stanie spoczynku przez 0,167 godziny przed ładowaniem.

4. Wyniki i dyskusja

Podsumowanie dyskusji na temat wyników:Przedstawia wyniki i najważniejsze ustalenia uzyskane przy użyciu nowo opracowanego BMS (w tym predykcja modelu CD Net). Nowo opracowany BMS zbiera dane ze statycznych i dynamicznych obciążeń akumulatorów i bezproblemowo integruje się z modelami DL, takimi jak CD Net, zapewniając elastyczność w dostosowywaniu się do rozwoju technologicznego.

Wyniki testów naziemnych

Pomiar krzywej napięcia:Dane dotyczące czasu napięcia dla 42 cykli ładowania i rozładowania BMS i sprzętu testującego (BAn) są podobne. Chociaż dane BMS mają początkowe opóźnienie, ostatecznie osiągają zbieżność, przy średnim odchyleniu między nimi wynoszącym 0,2 V. Część krzywej rozładowania o stałym napięciu można wykorzystać do zbadania związku z SOH, a odchylenie wynika z różnic w szybkości transmisji danych i zegarze wewnętrznym.

Pomiar krzywej prądu:Aktualne dane BMS i BAn są dopasowywane jako całość, a bieżące zmiany na etapach rozładowania i ładowania podlegają regułom. Jednakże na obecnym etapie konwersji występuje opóźnienie w odczycie danych przez BMS, co powoduje pewne odchylenia. Po usunięciu dużych punktów danych odchylenia średnie odchylenie jest mniejsze, a odczyt prądu jest dokładniejszy niż odczyt napięcia.

Pomiar krzywej temperatury:Monitoruj temperaturę powierzchni czterech akumulatorów i stwierdzaj, że temperatura stopniowo wzrasta podczas procesu ładowania i rozładowywania, osiągając najwyższy punkt pod koniec ładowania prądem stałym. Następnie temperatura zmienia się podczas ładowania i rozładowywania przy stałym napięciu. Czwarta bateria w pakiecie baterii ma stosunkowo wysoką temperaturę, a BMS może wykryć i wyświetlić różnice temperatur każdej baterii. Anomalie temperaturowe można wykorzystać do zarządzania baterią.

Wyniki testów lotniczych

Pomiar krzywych prądu i napięcia:Podczas lotu drona prąd zmienia się losowo, a BMS może dokładnie zarejestrować wysoki prąd rozładowania. Prąd rozładowania rośnie wraz z liczbą testów, a napięcie maleje z 16,8 V do 10 V podczas procesu rozładowania. Na prąd i napięcie wpływa regulacja położenia lotu podczas lotu.

Pomiar krzywej temperatury:Podczas testów w powietrzu temperatura powierzchni akumulatora jest wyższa niż podczas testów naziemnych i maksymalna temperatura wynosi około 55 stopni C. Podczas procesu ładowania temperatura ma tendencję do obniżania się, a podczas procesu rozładowywania temperatura stopniowo wzrasta. Istnieją różnice w temperaturze pomiędzy różnymi akumulatorami, a na wahania temperatury wpływają zmiany położenia lotu.

Wyniki zespołu głębokiego uczenia się:Podczas testów naziemnych pojemność baterii stopniowo malała, a model CD Net przewidywał pojemność od 5. cyklu, która była podobna do pojemności kulombowskiej zarejestrowanej przez BMS. Przewidywania modelu były stosunkowo dokładne; Zdolność zliczania kulombowskiego była niestabilna podczas testów lotniczych, ale model nadal był w stanie przewidywać przy średniej różnicy wynoszącej 0,046 Ah. Porównując pojemność zmierzoną metodą zliczania Coulomba z przewidywaną pojemnością modelu, zweryfikowano pomyślną integrację modeli BMS i DL, które można wykorzystać do przewidywania stanu zdrowia (SOH) akumulatorów.

5. Podsumowanie

Podsumowanie wyników badań:Gromadzenie danych o rzeczywistym stanie pracy pojazdów o napędzie elektrycznym wymaga przenośnego BMS, który może działać w trudnych warunkach, takich jak szybkie rozładowanie LIB. W ramach tego badania zaproponowano nowatorską architekturę BMS, która wykorzystuje struktury brzegowe i chmurowe do rejestrowania, przesyłania i odbierania danych oraz może obsługiwać rozładowania o dużej szybkości, zastępując tradycyjne metody oparte na magistrali CAN i komputerach brzegowych.

Podsumowanie wyników testu:Przeprowadzono badania naziemne i powietrzne, a temperatura powierzchni akumulatora była najwyższa na końcu etapu rozładowywania prądem stałym. Temperatura powierzchni akumulatora była jeszcze wyższa w teście w powietrzu, osiągając maksymalnie prawie 55 stopni C. Wzrost temperatury może być spowodowany takimi czynnikami, jak starzenie się akumulatora i zmiany SOC, a nadmierna temperatura może doprowadzić do awarii akumulatora. Podczas 42 cykli na ziemi i 20 cykli w powietrzu temperatura powierzchni stopniowo rosła.

Wyniki przewidywania modelu:Wykorzystując zebrane dane, model CD Net przewiduje stan zdrowia (SOH) akumulatora w rzeczywistych warunkach pracy. Przewidywanie pojemności modelu w następnym cyklu testów naziemnych jest stosunkowo dokładne, a średnie odchylenie wynosi {{0}},026 Ah; Chociaż podczas testów antenowych występowały wahania pojemności, przewidywana średnia różnica wyniosła 0,046 Ah, a BMS był w stanie skutecznie zbierać dane w zakresie progowym czujników napięcia prądu.