Technologie Deep Learning BMS odemyká nové úrovně ve výkonu lithium-iontových baterií

Abstraktní

Battery Management System (BMS) je zásadní pro pochopení výkonu baterie v extrémních podmínkách, jako je vysokorychlostní testování. Tato studie navrhuje nový BMS pro nepřetržité monitorování, přenos a ukládání klíčových parametrů, jako je napětí, proud a teplota lithium-iontových baterií NCA {{0}}S během vysokorychlostního testování. Tento BMS kombinuje technologii hlubokého učení pro predikci zdravotního stavu baterie (měřeno kapacitou vybití) sledováním parametrů externí baterie. Byly provedeny dva experimenty: statický experiment k ověření funkce BMS a experiment skutečných pracovních podmínek (test zneužití při velkém zvětšení s vibracemi na vozidlech s elektrickým pohonem) k vyhodnocení jeho skutečného výkonu. Výsledky ukázaly, že maximální povrchová teplota baterie během skutečných letových podmínek dosáhla 55 stupňů C, což bylo více než při statickém testu; Algoritmus odhadu kapacity hlubokého učení detekoval průměrnou odchylku kapacity 0,04 Ah, což prokázalo přesný zdravotní stav pomocí předpovědi kapacity baterie. Tento BMS demonstruje efektivní sběr dat a schopnosti predikce, odrážející skutečnou situaci v testování zneužití.

1. Úvod

Význam lithium-iontových baterií (LIB) a jejich souvisejících technologií:LIB jsou klíčové v současné technologické oblasti a široce používané v elektrických vozidlech, dronech a přenosných elektronických zařízeních. Ve srovnání s tradiční technologií baterií mají LIB výhody, jako je vysoká hustota energie a dlouhá životnost, ale jejich rozšířené použití také přináší problémy se stárnutím baterií. Zdravotní stav (SOH) je proto důležitým parametrem pro měření stárnutí baterie. Přesný odhad SOH čelí mnoha výzvám a systémy správy baterií (BMS) jsou klíčové pro přesné monitorování parametrů baterie.

Design a související indikátory BMS:Návrh BMS obvykle souvisí s konkrétními aplikacemi a kromě SOH jsou běžnými indikátory zdraví baterie také stav nabití (SOC) a zbývající užitečná životnost (RUL). Data pro tyto indikátory obvykle pocházejí z proprietárního nastavení získávání dat (DAQ), které může poskytovat data pro hluboké učení (DL), ale má omezení, jako je velká velikost, vysoká cena a cílení na konkrétní baterie. Integrace technologie DL s pokročilým BMS je slibný přístup, který dokáže překonat výzvy metod sběru dat a poskytuje škálovatelnost.

Důležité parametry a související výzkumné požadavky LIB:SOH, SOC, RUL a C-rate jsou všechny důležité parametry pro výkon LIB. Zvýšení C-rate povede ke snížení kapacity a výkonu baterie. Současné metody sběru dat čelí výzvám, jako jsou složitá nastavení a nejasná přesnost senzorů, což vyžaduje vývoj inovativních přenosných rámců BMS pro sběr dat v různých aplikačních scénářích, jako je velké zvětšení. Tato studie navrhuje komplexní rámec BMS, který integruje dříve vyvinutý model DL sítě pro degradaci kapacity (CD Net), který dokáže splnit požadavky na monitorování elektrického pohonu v reálném čase. Jeho možnosti sběru dat a integrace modelů byly ověřeny pomocí experimentů.

2. Vývoj BMS

Přehled vývoje BMS:Pro navrhovaný BMS byla vyvinuta deska s plošnými spoji, která shromažďuje klíčová data potřebná pro predikci stavu baterie a na základě této predikce podniká kroky. Vyvinutý systém BMS využívá údaje o aktuálním provozním stavu (včetně napětí baterie, proudu a teploty) pro predikci stavu baterie a shromážděná data jsou vložena do modelu hlubokého učení (DL) pro predikci v reálném čase.

Senzorové měření

Měření proudu a napětí:Senzor vysokého bočního proudu INA219 se používá k měření proudu vložením bočníkového odporu. Pro přizpůsobení scénářům s vysokým proudem je výchozí bočník rezistor 0,1 Ω nahrazen rezistorem 0,01 Ω, který umožňuje, aby rozsah měření proudu dosáhl ± 32A.

Měření teploty:Senzor PT100 Adafruit MAX31865 je vybrán pro měření teploty, který má nízkou spotřebu energie, vysokou přesnost a stabilitu. Callendar van Dusen rovnice se používá k získání vztahu mezi teplotou a odporem. K měření povrchové teploty a okolní teploty čtyř baterií se používá pět senzorů a provádí se kalibrace.

Ovládání zařízení:Jako ovladač vyberte desku plošných spojů Arduino Uno Rev 2 Wi Fi, která má možnosti záznamu, předběžného zpracování a přenosu dat. Poskytuje napájení senzorové síti prostřednictvím svého interního 5V regulátoru a propojuje senzor a mikrokontrolér pomocí protokolu SPI.

SOH odhad:Údaje o napětí a teplotě shromážděné systémem BMS se přenášejí do počítače a aktuální údaje se používají k výpočtu stavu nabití (SOC) baterie pomocí metody počítání Coulomb. SOC, spolu s nominální kapacitou a chemickým složením baterie, se zadává do modelu CD Net, aby se předpověděla kapacita vybíjení baterie a vypočítala se SOH. Model CD Net využívá kombinaci neuronových sítí se specifickými strukturami, které jsou optimalizovány a zpracovávány pro predikci.

3. Experimentální nastavení

Přehled experimentálního nastavení:Baterie sestávající ze čtyř 18650 Sony VTC 6 baterií zapojených do série byla testována pomocí chemického systému NCA. Byly představeny příslušné specifikace jednotlivých baterií a bateriových sad.

Pozemní testování:Účelem je analyzovat výkon nově vyvinutého BMS před jeho aplikací na vozidla s elektrickým pohonem. Jako zátěž použijte systém NEWARE Powerwall CT-4004-20V20A, připojte BMS k baterii a zátěži, sledujte napětí, proud a povrchovou teplotu každé baterie a zaznamenávejte data pomocí BMS. Umístěte snímač RTD do středu baterie a zaznamenejte směr baterie, abyste zajistili konzistentnost při zaznamenávání teploty. Proveďte 42 nabíjecích a vybíjecích cyklů s podobným vzorem cyklů, jako je certifikační experiment NASA pro malé satelity.

Letecké testování:Provedeno po pozemním testování pomocí elektrického letadla (dron FLYWOO Explorer) po dobu 20 cyklů nabití a vybití pro sběr dat za podmínek vysoké rychlosti vybíjení. Seznámení s příslušnými parametry letadla, baterie je instalována na 3D tištěném držáku, BMS je nahoře, nabíjecí protokol je v souladu s pozemním testováním, ale vybíjecí cyklus je náhodný. Letoun je při vypouštění asi 1 stopu nad zemí. Když BMS zobrazí, že napětí baterie dosáhne 10 V, vybíjení se zastaví a vozidlo před nabíjením stojí 0,167 hodiny.

4. Výsledky a diskuse

Souhrn výsledků diskuse:Představuje výsledky a klíčové poznatky získané pomocí nově vyvinutého BMS (včetně predikce modelu CD Net). Nově vyvinutý BMS shromažďuje data ze statického a dynamického zatížení baterie a hladce se integruje s modely DL, jako je CD Net, a poskytuje flexibilitu pro přizpůsobení technologickému vývoji.

Výsledky pozemních zkoušek

Měření křivky napětí:Časové údaje napětí 42 nabíjecích a vybíjecích cyklů BMS a testovacího zařízení (BAn) jsou podobné. Přestože data BMS mají počáteční zpoždění, nakonec se sblíží s průměrnou odchylkou 0,2V mezi těmito dvěma. Část vybíjecí křivky s konstantním napětím může být použita ke studiu vztahu s SOH a odchylka je způsobena rozdíly v rychlosti přenosu dat a vnitřních hodinách.

Měření aktuální křivky:Aktuální data BMS a BAn jsou spárována jako celek a aktuální změny během fází vybíjení a nabíjení se řídí pravidly. Během aktuální fáze převodu však dochází ke zpoždění při čtení dat BMS, což má za následek určité odchylky. Po odstranění datových bodů s velkou odchylkou je průměrná odchylka menší a aktuální hodnota je přesnější než hodnota napětí.

Měření teplotní křivky:Sledujte povrchovou teplotu čtyř baterií a zjistěte, že se teplota během procesu nabíjení a vybíjení postupně zvyšuje a nejvyššího bodu dosáhne na konci nabíjení konstantním proudem. Poté se teplota mění během nabíjení a vybíjení konstantním napětím. Čtvrtá baterie v sadě baterií má relativně vysokou teplotu a BMS dokáže detekovat a zobrazit teplotní rozdíly každé baterie. Teplotní anomálie lze použít pro správu baterie.

Výsledky leteckých zkoušek

Měření křivek proudu a napětí:Během letu dronu se proud náhodně mění a BMS může přesně zaznamenat vysokorychlostní vybíjecí proud. Vybíjecí proud se zvyšuje s počtem testů a napětí během procesu vybíjení klesá z 16,8 V na 10 V. Proud a napětí jsou ovlivněny úpravou letové polohy během letu.

Měření teplotní křivky:Během testování ze vzduchu je povrchová teplota baterie vyšší než při pozemním testování, s maximální teplotou asi 55 stupňů C. Během procesu nabíjení má teplota tendenci klesat a během procesu vybíjení se teplota postupně zvyšuje. Mezi různými bateriemi jsou rozdíly v teplotě a kolísání teploty je ovlivněno nastavením letové polohy.

Výsledky souboru hlubokého učení:Při pozemním testování se kapacita baterie postupně snižovala a model CD Net předpovídal kapacitu z 5. cyklu, která byla podobná kapacitě Coulomb count zaznamenané BMS. Předpověď modelu byla poměrně přesná; Coulombova počítací kapacita byla během leteckého testování nestabilní, ale model byl stále schopen předpovídat s průměrným rozdílem 0,046Ah. Porovnáním kapacity naměřené Coulombovou počítací metodou s predikovanou kapacitou modelu byla ověřena úspěšná integrace BMS a DL modelů, které lze použít k predikci zdravotního stavu (SOH) baterií.

5. Shrnutí

Shrnutí výsledků výzkumu:Skutečný sběr dat o pracovních podmínkách vozidel s elektrickým pohonem vyžaduje přenosný BMS, který může pracovat v drsných podmínkách, jako je například vysokorychlostní vybíjení LIB. Tento výzkum navrhuje novou architekturu BMS, která využívá okrajové a cloudové rámce pro záznam, přenos a příjem dat a dokáže zvládnout vysokorychlostní vybíjení, čímž nahrazuje tradiční metody založené na sběrnici CAN a okrajových počítačích.

Shrnutí výsledků testu:Byly provedeny pozemní a vzdušné testy a povrchová teplota baterie byla nejvyšší na konci vybíjecí fáze konstantního proudu. Teplota povrchu baterie byla při testu na vzduchu ještě vyšší a dosáhla maxima téměř 55 stupňů C. Zvýšení teploty může být způsobeno faktory, jako je stárnutí baterie a změny SOC, a nadměrná teplota může vést k selhání baterie. Během 42 cyklů na zemi a 20 cyklů ve vzduchu se povrchová teplota postupně zvyšovala.

Výsledky predikce modelu:Pomocí shromážděných dat model CD Net předpovídá zdravotní stav (SOH) baterie za skutečných provozních podmínek. Předpověď kapacity modelu pro další cyklus v pozemním testování je relativně přesná, s průměrnou odchylkou {{0}},026 Ah; Přestože během leteckého testování docházelo ke kolísání kapacity, předpokládaný průměrný rozdíl byl 0,046 Ah a BMS byla schopna efektivně sbírat data v rámci prahového rozsahu snímačů proudu.