Литий

Достижения в технологии литий-ионных аккумуляторов привели к развитию новых энергетических транспортных средств, интеллектуальных сетей и других экологически чистых отраслей. Однако производительность литий-ионных аккумуляторов со временем ухудшается из-за различных факторов, включая производство аккумуляторов, условия эксплуатации и условия окружающей среды. Эта деградация может привести к неконтролируемым возгораниям или взрывам. Поэтому важно изучить внутреннее состояние литий-ионных батарей и разработать точные методы оценки состояния.

Процесс старения литий-ионных батарей сложен и требует модели, основанной на механизме старения батареи, для точного прогнозирования срока службы. Календарное старение, то есть старение батарей в течение длительного периода времени в плавающем состоянии, особенно трудно оценить из-за медленной скорости распада батареи и отсутствия измеримых характеристик распада.

Чтобы решить эту проблему, в этом исследовании предлагается алгоритм на основе фильтрации частиц для оценки состояния батареи (SOH) и оставшегося срока службы (RUL). Алгоритм учитывает процесс цикла зарядки и разрядки, который влияет на старение аккумулятора. Снижение емкости аккумулятора широко считается индикатором старения аккумулятора. Когда емкость батареи снижается до определенного порога, считается, что срок ее службы истек, и ее необходимо заменить.

Существуют различные методы прогнозирования SOH, включая методы прямого измерения, методы на основе моделей и методы, основанные на данных. Методы прямых измерений включают простое тестирование SOH батареи, например, метод кулоновского подсчета и методы оценки на основе внутреннего сопротивления. Эти методы имеют ограничения по точности и надежности.

Методы, основанные на моделях, такие как модель эквивалентной схемы, описывают взаимосвязь между внутренним сопротивлением и доступной емкостью. Эти модели основаны на точных данных моделирования и испытаний. Алгоритмы оценки с обратной связью, такие как расширенный фильтр Калмана и фильтр частиц, были введены для повышения точности прогнозирования.

Для задач прогнозирования SOH также применяются методы, основанные на данных, включая машинное обучение и алгоритмы глубокого обучения. Эти методы извлекают характеристики из данных о зарядке и разрядке аккумулятора, чтобы генерировать набор векторов признаков для прогнозирования. Рекуррентные нейронные сети, такие как долговременная краткосрочная память и закрытые рекуррентные сети, достигли хороших результатов в прогнозировании SOH.

В заключение, точная оценка состояния литий-ионных батарей имеет решающее значение для обеспечения их безопасности и продления срока службы. Разрабатываются различные методы, в том числе алгоритмы фильтрации частиц и подходы, основанные на данных, для повышения точности оценки SOH и прогнозирования оставшегося срока службы батарей.