Технология глубокого обучения BMS открывает новые высоты в производительности литий-ионных аккумуляторов

Абстрактный

Система управления батареями (BMS) имеет решающее значение для понимания производительности батареи в экстремальных условиях, таких как высокоскоростные испытания. В этом исследовании предлагается новая система BMS для непрерывного мониторинга, передачи и хранения ключевых параметров, таких как напряжение, ток и температура литий-ионных аккумуляторов NCA {{0}}S во время высокоскоростных испытаний. Эта BMS сочетает в себе технологию глубокого обучения для прогнозирования состояния работоспособности аккумулятора (измеренного по разрядной емкости) путем мониторинга внешних параметров аккумулятора. Были проведены два эксперимента: статический эксперимент для проверки функции BMS и эксперимент в реальных рабочих условиях (тест на злоупотребление большим увеличением и вибрацией на транспортных средствах с электроприводом) для оценки его фактических характеристик. Результаты показали, что пиковая температура поверхности батареи в реальных условиях полета достигла 55 градусов Цельсия, что было выше, чем при статических испытаниях; Алгоритм оценки емкости глубокого обучения обнаружил среднее отклонение емкости в 0,04 Ач, демонстрируя точное состояние здоровья путем прогнозирования емкости аккумулятора. Эта BMS демонстрирует эффективные возможности сбора и прогнозирования данных, отражающие реальную ситуацию с тестированием на злоупотребления.

1. Введение

Важность литий-ионных батарей (LIB) и связанных с ними технологий:LIB имеют решающее значение в современной технологической области и широко используются в электромобилях, дронах и портативных электронных устройствах. По сравнению с традиционными аккумуляторными технологиями, LIB имеют такие преимущества, как высокая плотность энергии и длительный срок службы, но их широкое применение также сопряжено с проблемами старения аккумуляторов. Таким образом, состояние здоровья (SOH) является важным параметром для измерения старения батареи. Точная оценка SOH сталкивается со многими проблемами, а системы управления батареями (BMS) имеют решающее значение для точного мониторинга параметров батарей.

Конструкция и сопутствующие показатели BMS:Проектирование BMS обычно связано с конкретными приложениями, и помимо SOH, общими показателями состояния аккумулятора также являются состояние заряда (SOC) и оставшийся срок полезного использования (RUL). Данные для этих индикаторов обычно поступают из собственных настроек сбора данных (DAQ), которые могут предоставлять данные для глубокого обучения (DL), но имеют ограничения, такие как большой размер, высокая стоимость и нацеленность на определенные батареи. Интеграция технологии DL с передовой BMS — многообещающий подход, который может преодолеть проблемы, связанные с методами сбора данных, и обеспечить масштабируемость.

Важные параметры и соответствующие исследовательские требования LIB:SOH, SOC, RUL и C-rate — важные параметры производительности LIB. Увеличение C-рейта приведет к снижению емкости и производительности аккумулятора. Современные методы сбора данных сталкиваются с такими проблемами, как сложные настройки и неясная точность датчиков, что требует разработки инновационных портативных систем BMS для сбора данных в различных сценариях применения, таких как большое увеличение. В этом исследовании предлагается комплексная структура BMS, которая интегрирует ранее разработанную модель DL сети деградации мощности (CD Net), которая может удовлетворить требования мониторинга в реальном времени для электрических силовых установок. Его возможности сбора данных и интеграции моделей были проверены посредством экспериментов.

2. Разработка БМС

Обзор разработки BMS:Для предлагаемой BMS была разработана печатная плата для сбора ключевых данных, необходимых для прогнозирования состояния батареи, и принятия мер на основе прогноза. Разработанная BMS использует фактические данные о рабочем состоянии (включая напряжение, ток и температуру батареи) для прогнозирования состояния батареи, а собранные данные вводятся в модель глубокого обучения (DL) для прогнозирования в реальном времени.

Измерение датчика

Измерение тока и напряжения:Датчик тока верхнего плеча INA219 используется для измерения тока путем включения шунтирующего резистора. Чтобы адаптироваться к сценариям с высокими токами, шунтирующий резистор 0,1 Ом по умолчанию заменяется резистором 0,01 Ом, что позволяет диапазону измерения тока достигать ± 32 А.

Измерение температуры:Для измерения температуры выбран датчик PT100 Adafruit MAX31865, который имеет низкое энергопотребление, высокую точность и стабильность. Уравнение Каллендара ван Дюзена используется для получения зависимости между температурой и сопротивлением. Пять датчиков используются для измерения температуры поверхности и температуры окружающей среды четырех батарей соответственно, после чего проводится калибровка.

Управление устройством:В качестве контроллера выберите плату Arduino Uno Rev 2 Wi-Fi, которая имеет возможности записи, предварительной обработки и передачи данных. Он обеспечивает питание сенсорной сети через внутренний регулятор 5 В и соединяет датчик и микроконтроллер с использованием протокола SPI.

Оценка СОХ:Данные о напряжении и температуре, собранные BMS, передаются на компьютер, а текущие данные используются для расчета состояния заряда (SOC) аккумулятора с помощью метода кулоновского счета. SOC, а также номинальная емкость и химический состав батареи вводятся в модель CD Net для прогнозирования разрядной емкости батареи и расчета SOH. Модель CD Net использует комбинацию нейронных сетей со специфическими структурами, которые оптимизируются и обрабатываются для прогнозирования.

3. Экспериментальная установка

Обзор экспериментальной установки:Аккумуляторный блок, состоящий из четырех последовательно соединенных аккумуляторов 18650 Sony VTC 6, был протестирован с использованием химической системы NCA. Были представлены соответствующие характеристики отдельных аккумуляторов и аккумуляторных блоков.

Наземные испытания:Цель состоит в том, чтобы проанализировать характеристики недавно разработанной BMS перед ее применением в транспортных средствах с электроприводом. Используйте систему NEWARE Powerwall CT-4004-20V20A в качестве нагрузки, подключите BMS к аккумуляторному блоку и нагрузите его, контролируйте напряжение, ток и температуру поверхности каждого аккумуляторного блока и записывайте данные с помощью BMS. Разместите датчик RTD в центре батареи и запишите направление батарейного блока, чтобы обеспечить единообразие регистрации температуры. Выполните 42 цикла зарядки и разрядки по схеме, аналогичной сертификационному эксперименту НАСА для небольших спутников.

Воздушные испытания:Проведено после наземных испытаний с использованием электрического самолета (дрона FLYWOO Explorer) в течение 20 циклов зарядки-разрядки для сбора данных в условиях высокой скорости разряда. Знакомство с соответствующими параметрами самолета: аккумуляторная батарея установлена ​​на кронштейне, напечатанном на 3D-принтере, BMS находится сверху, протокол зарядки соответствует наземным испытаниям, но цикл разрядки является случайным. Во время разгрузки самолет находится на высоте около 1 фута над землей. Когда BMS показывает, что напряжение аккумулятора достигает 10 В, разрядка прекращается, и автомобиль отдыхает в течение 0,167 часа перед зарядкой.

4. Результаты и обсуждение.

Краткое изложение результатов обсуждения:Представлены результаты и ключевые выводы, полученные с использованием недавно разработанной BMS (включая прогнозирование модели CD Net). Недавно разработанная система BMS собирает данные о статических и динамических нагрузках аккумуляторов и легко интегрируется с моделями DL, такими как CD Net, обеспечивая гибкость для адаптации к технологическим разработкам.

Результаты наземных испытаний

Измерение кривой напряжения:Данные о времени напряжения для 42 циклов зарядки и разрядки BMS и испытательного оборудования (BAn) аналогичны. Хотя данные BMS имеют начальную задержку, в конечном итоге они сходятся со средним отклонением между ними 0,2 В. Часть кривой разряда с постоянным напряжением можно использовать для изучения связи с SOH, а отклонение обусловлено различиями в скорости передачи данных и внутренних часах.

Измерение кривой тока:Текущие данные BMS и BAn в целом совпадают, а изменения тока на этапах разрядки и зарядки подчиняются правилам. Однако на текущем этапе преобразования данных BMS происходит задержка, что приводит к некоторым отклонениям. После удаления точек данных с большим отклонением среднее отклонение становится меньше, а показания тока становятся более точными, чем показания напряжения.

Измерение температурной кривой:Проследите за температурой поверхности четырех батарей и обнаружите, что температура постепенно увеличивается в процессе зарядки и разрядки, достигая наивысшей точки в конце зарядки постоянным током. Затем температура изменяется во время зарядки и разрядки при постоянном напряжении. Четвертая батарея в аккумуляторном блоке имеет относительно высокую температуру, и BMS может обнаруживать и отображать разницу температур каждой батареи. Температурные аномалии можно использовать для управления батареями.

Результаты испытаний с воздуха

Измерение кривых тока и напряжения:Во время полета дрона ток меняется случайным образом, и BMS может точно регистрировать ток разряда высокой скорости. Ток разряда увеличивается с количеством испытаний, а напряжение в процессе разряда снижается с 16,8В до 10В. На ток и напряжение влияет регулировка положения во время полета.

Измерение температурной кривой:При воздушных испытаниях температура поверхности аккумулятора выше, чем при наземных испытаниях, с максимальной температурой около 55 градусов С. В процессе зарядки температура имеет тенденцию к снижению, а в процессе разрядки температура постепенно повышается. Между разными батареями существуют различия в температуре, а на колебания температуры влияют изменения положения в полете.

Результаты ансамбля глубокого обучения:При наземных испытаниях емкость батареи постепенно уменьшалась, и модель CD Net предсказала емкость с 5-го цикла, которая была аналогична емкости по кулоновскому счету, зарегистрированной BMS. Прогноз модели был относительно точным; Кулоновская счетная способность была нестабильной во время воздушных испытаний, но модель все же могла прогнозировать со средней разницей 0,046 Ач. Сравнивая емкость, измеренную методом кулоновского счета, с прогнозируемой емкостью модели, была проверена успешная интеграция моделей BMS и DL, которые можно использовать для прогнозирования состояния здоровья (SOH) аккумуляторов.

5. Резюме

Краткое изложение результатов исследования:Для фактического сбора данных о рабочем состоянии электромобилей требуется портативная система BMS, которая может работать в суровых условиях, таких как высокая скорость разряда ЛИА. В этом исследовании предлагается новая архитектура BMS, которая использует периферийные и облачные платформы для записи, передачи и получения данных и может обрабатывать высокоскоростную разрядку, заменяя традиционные методы, основанные на CAN-шине и периферийных компьютерах.

Краткое изложение результатов испытаний:Были проведены наземные и воздушные испытания, и температура поверхности батареи была самой высокой в ​​конце стадии разряда постоянным током. Температура поверхности батареи была еще выше при испытании на воздухе, достигнув максимума почти 55 градусов C. Повышение температуры может быть вызвано такими факторами, как старение батареи и изменения SOC, а чрезмерная температура может привести к выходу батареи из строя. В течение 42 циклов на земле и 20 циклов в воздухе температура поверхности постепенно повышалась.

Результаты прогнозирования модели:Используя собранные данные, модель CD Net прогнозирует состояние работоспособности (SOH) аккумулятора в реальных условиях эксплуатации. Прогноз емкости модели для следующего цикла наземных испытаний относительно точен: среднее отклонение составляет {{0}},026 Ач; Хотя во время испытаний на воздухе наблюдались колебания емкости, прогнозируемая средняя разница составила 0,046 Ач, и BMS смогла эффективно собирать данные в пределах порогового диапазона датчиков напряжения тока.