Технологія Deep Learning BMS відкриває нові висоти в продуктивності літій-іонних акумуляторів

Анотація

Система керування батареєю (BMS) має вирішальне значення для розуміння продуктивності батареї в екстремальних умовах, наприклад, при тестуванні високої швидкості. У цьому дослідженні пропонується новий BMS для безперервного моніторингу, передачі та зберігання ключових параметрів, таких як напруга, струм і температура літій-іонних батарей NCA {{0}}S під час тестування з високою швидкістю. Ця BMS поєднує технологію глибокого навчання для прогнозування стану працездатності батареї (вимірюється розрядною ємністю) шляхом моніторингу зовнішніх параметрів батареї. Було проведено два експерименти: статичний експеримент для перевірки функціонування BMS та експеримент із фактичними робочими умовами (випробування на зловживання при великому збільшенні з вібрацією на транспортних засобах з електроприводом) для оцінки його фактичних характеристик. Результати показали, що пікова температура поверхні батареї під час фактичних умов польоту досягла 55 градусів C, що було вище, ніж під час статичного випробування; Алгоритм оцінки ємності глибокого навчання виявив середнє відхилення ємності 0,04 Ач, демонструючи точний стан здоров’я шляхом прогнозування ємності батареї. Ця BMS демонструє ефективний збір даних і можливості прогнозування, що відображає фактичну ситуацію в тестуванні зловживань.

1. Вступ

Важливість літій-іонних акумуляторів (LIB) і пов’язаних з ними технологій:LIB мають вирішальне значення в сучасній галузі технологій і широко використовуються в електромобілях, дронах і портативних електронних пристроях. Порівняно з традиційною технологією батареї LIBs мають такі переваги, як висока щільність енергії та тривалий термін служби, але їх широке застосування також створює проблеми старіння батареї. Таким чином, стан здоров’я (SOH) є важливим параметром для вимірювання старіння акумулятора. Точна оцінка SOH стикається з багатьма проблемами, і системи керування батареями (BMS) мають вирішальне значення для точного моніторингу параметрів батареї.

Дизайн і відповідні показники BMS:Конструкція BMS зазвичай пов’язана з конкретними програмами, і на додаток до SOH, стан заряду (SOC) і залишковий термін корисного використання (RUL) також є загальними індикаторами справності акумулятора. Дані для цих індикаторів зазвичай надходять із власних налаштувань збору даних (DAQ), які можуть надавати дані для глибокого навчання (DL), але мають такі обмеження, як великий розмір, висока вартість і націлювання на певні батареї. Інтеграція технології DL з передовою BMS є багатообіцяючим підходом, який може подолати проблеми методів збору даних і забезпечити масштабованість.

Важливі параметри та відповідні дослідницькі вимоги до LIB:SOH, SOC, RUL і C-rate є важливими параметрами продуктивності LIB. Збільшення показника C призведе до зниження ємності та продуктивності акумулятора. Поточні методи збору даних стикаються з такими проблемами, як складні налаштування та нечітка точність датчиків, що вимагає розробки інноваційних портативних інфраструктур BMS для збору даних у різних прикладних сценаріях, таких як велике збільшення. У цьому дослідженні пропонується комплексна структура BMS, яка об’єднує раніше розроблену DL-модель мережі зниження потужності (CD Net), яка може задовольнити вимоги моніторингу в режимі реального часу електричної тяги. Його можливості збору даних та інтеграції моделі перевірені експериментами.

2. Розробка BMS

Огляд розвитку BMS:Для запропонованого BMS була розроблена друкована плата для збору ключових даних, необхідних для прогнозування стану батареї, і вжиття заходів на основі прогнозу. Розроблена BMS використовує дані про фактичні робочі умови (включно з напругою, струмом і температурою акумулятора) для прогнозування стану акумулятора, а зібрані дані вводяться в модель глибокого навчання (DL) для прогнозування в реальному часі.

Вимірювання датчиком

Вимірювання струму та напруги:Датчик струму високої сторони INA219 використовується для вимірювання струму шляхом вставлення шунтуючого резистора. Для адаптації до сценаріїв із високим струмом стандартний шунтовий резистор 0.1 Ω замінено на резистор 0.01 Ω, що дозволяє досягати діапазону вимірювання струму ± 32 A.

Вимірювання температури:Для вимірювання температури обрано датчик PT100 Adafruit MAX31865, який має низьке енергоспоживання, високу точність і стабільність. Рівняння Каллендара ван Дюзена використовується для отримання залежності між температурою та опором. П’ять датчиків використовуються для вимірювання температури поверхні та температури навколишнього середовища чотирьох батарей відповідно, а також виконується калібрування.

Контроль пристрою:Виберіть друковану плату Arduino Uno Rev 2 Wi-Fi як контролер, який має можливості запису, попередньої обробки та передачі даних. Він забезпечує живлення мережі датчиків через свій внутрішній регулятор 5 В і з’єднує датчик і мікроконтролер за допомогою протоколу SPI.

Оцінка SOH:Дані про напругу та температуру, зібрані BMS, передаються на комп’ютер, а поточні дані використовуються для розрахунку стану заряду (SOC) батареї за допомогою методу підрахунку Кулона. SOC разом із номінальною ємністю та хімічним складом батареї вводяться в модель CD Net для прогнозування розрядної ємності батареї та розрахунку SOH. Модель CD Net використовує комбінацію нейронних мереж зі специфічними структурами, які оптимізовані та оброблені для прогнозування.

3. Експериментальна установка

Огляд експериментальної установки:Акумуляторна батарея, що складається з чотирьох послідовно з’єднаних батарей 18650 Sony VTC 6, була протестована за допомогою хімічної системи NCA. Було введено відповідні специфікації окремих батарей і блоків батарей.

Наземні випробування:Мета полягає в тому, щоб проаналізувати продуктивність нещодавно розробленої BMS перед застосуванням її в транспортних засобах з електроприводом. Використовуйте систему NEWARE Powerwall CT-4004-20V20A як навантаження, під’єднайте BMS до акумуляторної батареї та навантажте, контролюйте напругу, силу струму та температуру поверхні кожної батареї та запишіть дані за допомогою BMS. Розмістіть датчик RTD у центрі батареї та запишіть напрямок акумуляторної батареї, щоб забезпечити узгодженість запису температури. Виконайте 42 цикли заряджання та розряджання зі схемою циклу, подібною до сертифікаційного експерименту НАСА для малих супутників.

Повітряні випробування:Проведено після наземного випробування з використанням електричного літального апарату (дрона FLYWOO Explorer) протягом 20 циклів розряду заряду для збору даних в умовах високої швидкості розряду. Знайомство з відповідними параметрами літака, акумуляторна батарея встановлена ​​на 3D-надрукованому кронштейні, BMS знаходиться вгорі, протокол зарядки відповідає наземним випробуванням, але цикл розряду є випадковим. Літак знаходиться на висоті приблизно 1 фут над землею під час розрядки. Коли BMS показує, що напруга батареї досягає 10 В, розряд припиняється, і автомобіль перебуває в стані спокою протягом 0,167 години перед зарядкою.

4. Результати та їх обговорення

Підсумок обговорення результатів:Представляє результати та ключові висновки, отримані за допомогою нещодавно розробленої BMS (включаючи прогнозування моделі CD Net). Нещодавно розроблений BMS збирає дані зі статичних і динамічних навантажень батареї та легко інтегрується з моделями DL, такими як CD Net, забезпечуючи гнучкість для адаптації до технологічного розвитку.

Результати наземних випробувань

Вимірювання кривої напруги:Дані про час напруги 42 циклів заряду та розряду BMS та випробувального обладнання (BAn) подібні. Хоча дані BMS мають початкову затримку, з часом вони збігаються із середнім відхиленням 0,2 В між ними. Частина розрядної кривої постійної напруги може бути використана для вивчення зв’язку з SOH, а відхилення пов’язане з відмінностями у швидкості передачі даних і внутрішньому годиннику.

Вимірювання кривої струму:Поточні дані BMS і BAn узгоджуються в цілому, а поточні зміни під час етапів розряду та заряду відповідають правилам. Однак існує затримка в зчитуванні даних BMS під час поточного етапу перетворення, що призводить до деяких відхилень. Після видалення точок даних із великим відхиленням середнє відхилення стає меншим, а показання струму точнішими, ніж значення напруги.

Вимірювання температурної кривої:Слідкуйте за температурою поверхні чотирьох батарей і виявіть, що температура поступово зростає під час процесу заряджання та розряджання, досягаючи найвищої точки в кінці заряджання постійним струмом. Потім температура змінюється під час зарядки та розрядки постійної напруги. Четверта батарея в акумуляторній батареї має відносно високу температуру, і BMS може виявляти та відображати різницю температур кожної батареї. Температурні аномалії можна використовувати для керування акумулятором.

Результати повітряних випробувань

Вимірювання кривих струму та напруги:Під час польоту дрона струм змінюється випадковим чином, і BMS може точно фіксувати струм високої швидкості розряду. Струм розряду зростає з кількістю тестів, а напруга зменшується з 16,8 В до 10 В у процесі розряду. На силу струму та напруги впливає регулювання орієнтації під час польоту.

Вимірювання температурної кривої:Під час повітряних випробувань температура поверхні батареї вища, ніж під час наземних випробувань, з максимальною температурою близько 55 градусів C. Під час процесу заряджання температура має тенденцію до зниження, а під час процесу розряджання температура поступово підвищується. Існують відмінності в температурі різних батарей, і на коливання температури впливають коригування орієнтації в польоті.

Результати ансамблю глибокого навчання:Під час наземного тестування ємність батареї поступово зменшувалася, і модель CD Net передбачила ємність із 5-го циклу, яка була подібна до ємності підрахунку Кулона, зафіксованої BMS. Прогноз моделі був відносно точним; Кулонівська лічильна здатність була нестабільною під час повітряних випробувань, але модель все ще могла передбачити із середньою різницею 0.046Ah. Шляхом порівняння ємності, виміряної методом кулоновського підрахунку, з прогнозованою ємністю моделі було підтверджено успішну інтеграцію моделей BMS і DL, що можна використовувати для прогнозування стану здоров’я (SOH) акумуляторів.

5. Підведення підсумків

Резюме результатів дослідження:Фактичний збір даних про умови роботи електромобілів потребує портативної BMS, яка може працювати в суворих умовах, таких як висока швидкість розряду LIB. У цьому дослідженні пропонується нова архітектура BMS, яка використовує периферійні та хмарні структури для запису, передачі та отримання даних і може обробляти високу швидкість розряду, замінюючи традиційні методи, засновані на шині CAN і периферійних комп’ютерах.

Підсумок результатів тестування:Були проведені наземні та повітряні випробування, і температура поверхні батареї була найвищою в кінці стадії розряду постійного струму. Температура поверхні батареї була ще вищою під час випробування на повітрі, досягаючи максимуму майже 55 градусів C. Підвищення температури може бути викликано такими факторами, як старіння батареї та зміни SOC, а надмірна температура може призвести до виходу батареї з ладу. Протягом 42 циклів на землі та 20 циклів у повітрі температура поверхні поступово зростала.

Результати прогнозування моделі:Використовуючи зібрані дані, модель CD Net прогнозує стан здоров’я (SOH) батареї за фактичних умов експлуатації. Прогноз ємності моделі для наступного циклу наземних випробувань є відносно точним із середнім відхиленням {{0}}.026 Ah; Незважаючи на коливання ємності під час повітряних випробувань, прогнозована середня різниця становила 0,046 А·год, і BMS вдалося ефективно збирати дані в межах порогового діапазону датчиків поточної напруги.