La tecnologia BMS di deep learning apre nuove vette nelle prestazioni delle batterie agli ioni di litio

Astratto

Il sistema di gestione della batteria (BMS) è fondamentale per comprendere le prestazioni della batteria in condizioni estreme, come i test ad alta velocità. Questo studio propone un nuovo BMS per il monitoraggio continuo, la trasmissione e l'archiviazione di parametri chiave come tensione, corrente e temperatura dei pacchi batteria agli ioni di litio NCA {{0}}S durante i test ad alta velocità. Questo BMS combina la tecnologia di deep learning per prevedere lo stato di salute della batteria (misurato dalla capacità di scarica) monitorando i parametri esterni della batteria. Sono stati condotti due esperimenti: esperimento statico per verificare la funzione del BMS e esperimento sulle condizioni di lavoro effettive (test di abuso ad alto ingrandimento con vibrazione su veicoli a propulsione elettrica) per valutarne le prestazioni effettive. I risultati hanno mostrato che la temperatura superficiale massima della batteria durante le condizioni di volo effettive ha raggiunto i 55 gradi C, un valore superiore a quello del test statico; L'algoritmo di stima della capacità di deep learning ha rilevato una deviazione media della capacità di 0,04 Ah, dimostrando uno stato di salute accurato prevedendo la capacità della batteria. Questo BMS dimostra efficaci capacità di raccolta e previsione dei dati, riflettendo la situazione reale nei test sugli abusi.

1. Introduzione

L’importanza delle batterie agli ioni di litio (LIB) e delle tecnologie correlate:Le LIB sono cruciali nell’attuale campo tecnologico e ampiamente utilizzate nei veicoli elettrici, nei droni e nei dispositivi elettronici portatili. Rispetto alla tradizionale tecnologia delle batterie, le LIB presentano vantaggi come un’elevata densità di energia e un lungo ciclo di vita, ma la loro ampia applicazione comporta anche sfide legate all’invecchiamento della batteria. Pertanto, lo Stato di Salute (SOH) è un parametro importante per misurare l’invecchiamento della batteria. La stima accurata dell’SOH deve affrontare molte sfide e i sistemi di gestione delle batterie (BMS) sono cruciali per monitorare accuratamente i parametri delle batterie.

Progettazione e relativi indicatori del BMS:La progettazione del BMS è solitamente correlata ad applicazioni specifiche e, oltre al SOH, anche lo stato di carica (SOC) e la vita utile residua (RUL) sono indicatori comuni dello stato di salute della batteria. I dati per questi indicatori provengono solitamente da impostazioni proprietarie di acquisizione dati (DAQ), che possono fornire dati per il deep learning (DL), ma presentano limitazioni quali grandi dimensioni, costi elevati e destinazione di batterie specifiche. L’integrazione della tecnologia DL con BMS avanzati è un approccio promettente in grado di superare le sfide dei metodi di raccolta dati e fornire scalabilità.

Parametri importanti e relativi requisiti di ricerca delle LIB:SOH, SOC, RUL e C-rate sono tutti parametri importanti per le prestazioni delle LIB. Un aumento del tasso C porterà a una diminuzione della capacità e delle prestazioni della batteria. Gli attuali metodi di raccolta dati devono affrontare sfide quali impostazioni complesse e precisione poco chiara del sensore, richiedendo quindi lo sviluppo di strutture BMS portatili innovative per la raccolta dati in vari scenari applicativi come l'elevato ingrandimento. Questo studio propone un quadro completo BMS che integra il modello DL della rete di degrado della capacità (CD Net) precedentemente sviluppato, in grado di soddisfare i requisiti di monitoraggio in tempo reale della propulsione elettrica. Le sue capacità di raccolta dati e integrazione dei modelli sono state verificate attraverso esperimenti.

2. Sviluppo di BMS

Panoramica dello sviluppo del BMS:È stato sviluppato un circuito stampato per il BMS proposto per raccogliere i dati chiave richiesti per la previsione della salute della batteria e agire in base alla previsione. Il BMS sviluppato utilizza i dati sulle condizioni operative effettive (inclusi tensione, corrente e temperatura della batteria) per la previsione dello stato della batteria e i dati raccolti vengono inseriti in un modello di deep learning (DL) per la previsione in tempo reale.

Misurazione del sensore

Misura di corrente e tensione:Il sensore di corrente high side INA219 viene utilizzato per misurare la corrente inserendo un resistore shunt. Per adattarsi a scenari di corrente elevata, il resistore di shunt predefinito da 0,1 Ω viene sostituito con un resistore da 0,01 Ω, consentendo all'intervallo di misurazione della corrente di raggiungere ± 32 A.

Misurazione della temperatura:Il sensore PT100 Adafruit MAX31865 è selezionato per misurare la temperatura, che ha un basso consumo energetico, elevata precisione e stabilità. L'equazione di Callendar van Dusen viene utilizzata per ottenere la relazione tra temperatura e resistenza. Cinque sensori vengono utilizzati per misurare rispettivamente la temperatura superficiale e la temperatura ambiente di quattro batterie e viene eseguita la calibrazione.

Controllo del dispositivo:Scegli come controller la scheda Wi-Fi Arduino Uno Rev 2, dotata di funzionalità di registrazione, preelaborazione e trasmissione dei dati. Fornisce alimentazione alla rete di sensori attraverso il suo regolatore interno da 5 V e collega il sensore e il microcontrollore utilizzando il protocollo SPI.

Stima SOH:I dati di tensione e temperatura raccolti dal BMS vengono trasmessi al computer e i dati correnti vengono utilizzati per calcolare lo stato di carica (SOC) della batteria attraverso il metodo di conteggio di Coulomb. Il SOC, insieme alla capacità nominale e alla composizione chimica della batteria, viene inserito nel modello CD Net per prevedere la capacità di scarica della batteria e calcolare il SOH. Il modello CD Net utilizza una combinazione di reti neurali con strutture specifiche, che vengono ottimizzate ed elaborate per la previsione.

3. Configurazione sperimentale

Panoramica della configurazione sperimentale:Un pacco batteria composto da quattro batterie 18650 Sony VTC 6 collegate in serie è stato testato utilizzando il sistema chimico NCA. Sono state introdotte le specifiche pertinenti delle singole batterie e dei pacchi batteria.

Test a terra:Lo scopo è analizzare le prestazioni del BMS appena sviluppato prima di applicarlo ai veicoli a propulsione elettrica. Utilizza il sistema NEWARE Powerwall CT-4004-20V20A come carico, collega il BMS al pacco batteria e carica, monitora la tensione, la corrente e la temperatura superficiale di ciascun pacco batteria e registra i dati con il BMS. Posizionare un sensore RTD al centro della batteria e registrare la direzione del pacco batteria per garantire coerenza nella registrazione della temperatura. Esegui 42 cicli di carica e scarica, con uno schema di ciclo simile all'esperimento di certificazione della NASA per piccoli satelliti.

Test aerei:Condotto dopo i test a terra, utilizzando un velivolo elettrico (drone FLYWOO Explorer) per 20 cicli di scarica per raccogliere dati in condizioni di scarica ad alta velocità. Introduzione ai parametri rilevanti dell'aereo, il pacco batteria è installato su una staffa stampata in 3D, il BMS è in alto, il protocollo di ricarica è coerente con i test a terra, ma il ciclo di scarica è casuale. L'aereo si trova a circa 1 piede dal suolo durante lo scarico. Quando il BMS visualizza che la tensione della batteria raggiunge i 10 V, la scarica si interrompe e il veicolo riposa per 0,167 ore prima di ricaricarsi.

4. Risultati e discussione

Riepilogo della discussione dei risultati:Presenta i risultati e le conclusioni chiave ottenuti utilizzando il BMS appena sviluppato (inclusa la previsione del modello CD Net). Il BMS di nuova concezione raccoglie dati dai carichi di batteria statici e dinamici e si integra perfettamente con i modelli DL come CD Net, fornendo flessibilità per adattarsi agli sviluppi tecnologici.

Risultati dei test a terra

Misurazione della curva di tensione:I dati relativi alla tensione e al tempo di 42 cicli di carica e scarica del BMS e delle apparecchiature di prova (BAn) sono simili. Sebbene i dati BMS abbiano un ritardo iniziale, alla fine convergono, con una deviazione media di 0,2 V tra i due. La parte a tensione costante della curva di scarica può essere utilizzata per studiare la relazione con SOH e la deviazione è dovuta alle differenze nella velocità di trasmissione dei dati e nell'orologio interno.

Misurazione della curva di corrente:I dati attuali di BMS e BAn sono complessivamente abbinati e le modifiche attuali durante le fasi di scarica e ricarica seguono le regole. Tuttavia, durante l'attuale fase di conversione, si verifica un ritardo nella lettura dei dati da parte del BMS, che comporta alcune deviazioni. Dopo aver rimosso i punti dati di deviazione ampia, la deviazione media è inferiore e la lettura della corrente è più accurata della lettura della tensione.

Misurazione della curva di temperatura:Monitora la temperatura superficiale di quattro batterie e scopri che la temperatura aumenta gradualmente durante il processo di carica e scarica, raggiungendo il punto più alto al termine della carica a corrente costante. Quindi, la temperatura cambia durante la carica e la scarica a tensione costante. La quarta batteria del pacco batteria ha una temperatura relativamente elevata e il BMS è in grado di rilevare e visualizzare le differenze di temperatura di ciascuna batteria. Le anomalie della temperatura possono essere utilizzate per la gestione della batteria.

Risultati dei test aerei

Misura delle curve di corrente e tensione:Durante il volo del drone, la corrente cambia in modo casuale e il BMS può registrare con precisione l'elevata corrente di scarica. La corrente di scarica aumenta con il numero di test e la tensione diminuisce da 16,8 V a 10 V durante il processo di scarica. La corrente e la tensione sono influenzate dalla regolazione dell'assetto di volo durante il volo.

Misurazione della curva di temperatura:Durante i test aerei, la temperatura superficiale della batteria è più alta rispetto a quella dei test a terra, con una temperatura massima di circa 55 gradi C. Durante il processo di carica, la temperatura tende a diminuire, mentre durante il processo di scarica aumenta gradualmente. Esistono differenze di temperatura tra le diverse batterie e le fluttuazioni di temperatura sono influenzate dalle regolazioni dell'assetto di volo.

Risultati dell'insieme di deep learning:Nei test a terra, la capacità della batteria è gradualmente diminuita e il modello CD Net ha previsto la capacità a partire dal 5° ciclo, che era simile alla capacità del conteggio di Coulomb registrata da BMS. La previsione del modello era relativamente accurata; La capacità di conteggio di Coulomb era instabile durante i test aerei, ma il modello era comunque in grado di effettuare previsioni con una differenza media di 0.046Ah. Confrontando la capacità misurata con il metodo di conteggio di Coulomb con la capacità prevista del modello, è stata verificata la riuscita integrazione dei modelli BMS e DL, che possono essere utilizzati per prevedere lo stato di salute (SOH) delle batterie.

5. Riepilogo

Riepilogo dei risultati della ricerca:La raccolta dei dati sulle condizioni di lavoro effettive dei veicoli a propulsione elettrica richiede un BMS portatile in grado di funzionare in condizioni difficili, come lo scarico ad alta velocità di LIB. Questa ricerca propone una nuova architettura BMS, che utilizza strutture edge e cloud per registrare, trasmettere e ricevere dati e può gestire una scarica ad alta velocità, sostituendo i metodi tradizionali basati su bus CAN e computer edge.

Riepilogo dei risultati del test:Sono stati condotti test a terra e in aria e la temperatura superficiale della batteria è risultata massima al termine della fase di scarica a corrente costante. La temperatura superficiale della batteria è stata ancora più elevata nel test in aria, raggiungendo un massimo di quasi 55 gradi C. L'aumento della temperatura potrebbe essere causato da fattori quali l'invecchiamento della batteria e le modifiche del SOC, e una temperatura eccessiva potrebbe portare al guasto della batteria. Durante 42 cicli al suolo e 20 cicli in aria, la temperatura superficiale è gradualmente aumentata.

Risultati della previsione del modello:Utilizzando i dati raccolti, il modello CD Net prevede lo stato di salute (SOH) della batteria in condizioni operative effettive. La previsione della capacità del modello per il ciclo successivo nei test a terra è relativamente accurata, con una deviazione media di {{0}}.026 Ah; Nonostante si siano verificate fluttuazioni di capacità durante i test aerei, la differenza media prevista era di 0,046 Ah e il BMS è stato in grado di raccogliere in modo efficace i dati entro l'intervallo di soglia dei sensori di tensione di corrente.