A Deep Learning BMS technológia új csúcsokat nyit a lítium-ion akkumulátor teljesítményében

Absztrakt

Az akkumulátorkezelő rendszer (BMS) kulcsfontosságú az akkumulátor teljesítményének megértéséhez extrém körülmények között, például nagy sebességű teszteléskor. Ez a tanulmány egy új BMS-t javasol az NCA {{0}}S lítium-ion akkumulátorcsomagok fő paramétereinek, például feszültségének, áramának és hőmérsékletének folyamatos megfigyelésére, átvitelére és tárolására a nagy sebességű tesztelés során. Ez a BMS a mély tanulási technológiát kombinálja az akkumulátor állapotának előrejelzésére (a kisütési kapacitással mérve) a külső akkumulátorparaméterek figyelésével. Két kísérletet végeztek: statikus kísérletet a BMS működésének ellenőrzésére, és tényleges üzemállapot-kísérletet (nagy nagyítású visszaélési teszt vibrációval elektromos meghajtású járműveken) a tényleges teljesítmény értékelésére. Az eredmények azt mutatták, hogy az akkumulátor felületi csúcshőmérséklete a tényleges repülési körülmények között elérte az 55 °C-ot, ami magasabb volt, mint a statikus teszt; A mélytanulási kapacitást becsülő algoritmus átlagosan 0,04 Ah kapacitás-eltérést észlelt, és az akkumulátor kapacitásának előrejelzésével pontos egészségi állapotot mutatott be. Ez a BMS hatékony adatgyűjtési és előrejelzési képességeket mutat be, tükrözve a visszaélések tesztelésének tényleges helyzetét.

1. Bevezetés

A lítium-ion akkumulátorok (LIB) és a kapcsolódó technológiák jelentősége:A LIB-k kulcsfontosságúak a jelenlegi technológiai területen, és széles körben használják elektromos járművekben, drónokban és hordozható elektronikus eszközökben. A hagyományos akkumulátortechnológiához képest a LIB-k olyan előnyökkel rendelkeznek, mint a nagy energiasűrűség és a hosszú élettartam, de széleskörű alkalmazásuk kihívásokat is jelent az akkumulátor elöregedésével kapcsolatban. Ezért az egészségi állapot (SOH) fontos paraméter az akkumulátor öregedésének mérésére. Az SOH pontos becslése számos kihívással néz szembe, és az akkumulátor-felügyeleti rendszerek (BMS-ek) kulcsfontosságúak az akkumulátorparaméterek pontos figyeléséhez.

A BMS tervezése és kapcsolódó mutatói:A BMS tervezése általában meghatározott alkalmazásokhoz kapcsolódik, és az SOH mellett a töltöttségi állapot (SOC) és a Remaining Useful Life (RUL) is gyakori mutatói az akkumulátor állapotának. Az ezekhez a mutatókhoz tartozó adatok általában a védett adatgyűjtési (DAQ) beállításokból származnak, amelyek adatokat szolgáltathatnak a mély tanuláshoz (DL), de vannak olyan korlátai, mint a nagy méret, a magas költségek és az adott akkumulátorok célzása. A DL technológia integrálása a fejlett BMS-szel ígéretes megközelítés, amely képes leküzdeni az adatgyűjtési módszerek kihívásait, és skálázhatóságot biztosít.

A LIB-k fontos paraméterei és kapcsolódó kutatási követelményei:Az SOH, SOC, RUL és C-rate mind fontos paraméterek a LIB teljesítményéhez. A C-ráta növekedése az akkumulátor kapacitásának és teljesítményének csökkenéséhez vezet. A jelenlegi adatgyűjtési módszerek olyan kihívásokkal néznek szembe, mint például az összetett beállítások és a nem egyértelmű érzékelőpontosság, ezért innovatív hordozható BMS-keretrendszerek kifejlesztését teszik szükségessé az adatgyűjtéshez különféle alkalmazási forgatókönyvekben, például nagy nagyításban. Ez a tanulmány egy átfogó BMS-keretrendszert javasol, amely integrálja a korábban kifejlesztett Capacity Degradation Network (CD Net) DL modellt, amely megfelel az elektromos meghajtás valós idejű felügyeleti követelményeinek. Adatgyűjtési és modellintegrációs képességeit kísérletekkel igazolták.

2. BMS fejlesztése

A BMS fejlesztés áttekintése:A javasolt BMS-hez egy nyomtatott áramköri lapot fejlesztettek ki, amely összegyűjti az akkumulátor állapotának előrejelzéséhez szükséges kulcsfontosságú adatokat, és az előrejelzés alapján lépéseket tesz. A kifejlesztett BMS a tényleges működési állapotadatokat (beleértve az akkumulátor feszültségét, áramát és hőmérsékletét) használja az akkumulátor állapotának előrejelzéséhez, és az összegyűjtött adatokat egy mély tanulási (DL) modellbe viszi be a valós idejű előrejelzéshez.

Érzékelő mérés

Áram- és feszültségmérés:Az INA219 magas oldali áramérzékelő az áramerősség mérésére szolgál söntellenállás behelyezésével. A nagyáramú forgatókönyvekhez való alkalmazkodás érdekében az alapértelmezett 0,1 Ω sönt ellenállást egy 0,01 Ω ellenállásra cserélik, így az áram mérési tartománya elérheti a ± 32 A-t.

Hőmérséklet mérés:A PT100 Adafruit MAX31865 érzékelő a hőmérséklet mérésére lett kiválasztva, amely alacsony energiafogyasztással, nagy pontossággal és stabilitással rendelkezik. A Callendar van Dusen egyenlet a hőmérséklet és az ellenállás közötti összefüggés megállapítására szolgál. Öt érzékelővel mérik négy akkumulátor felületi hőmérsékletét, illetve környezeti hőmérsékletét, és kalibrálást végeznek.

Eszközvezérlés:Válaszd az Arduino Uno Rev 2 Wi Fi áramköri lapot vezérlőnek, amely adatrögzítési, előfeldolgozási és átviteli képességekkel rendelkezik. Belső 5 V-os szabályozóján keresztül áramellátást biztosít az érzékelőhálózat számára, és SPI protokollal köti össze az érzékelőt és a mikrokontrollert.

SOH becslés:A BMS által gyűjtött feszültség- és hőmérsékletadatok a számítógéphez kerülnek, az aktuális adatok pedig az akkumulátor töltöttségi állapotának (SOC) kiszámításához Coulomb-számlálási módszerrel. Az SOC, valamint az akkumulátor névleges kapacitása és kémiai összetétele bekerül a CD Net modellbe, hogy előre jelezze az akkumulátor kisütési kapacitását és kiszámítsa az SOH-t. A CD Net modell speciális struktúrájú neurális hálózatok kombinációját használja, amelyeket előrejelzésre optimalizálnak és dolgoznak fel.

3. Kísérleti beállítás

A kísérleti beállítás áttekintése:A négy sorba kapcsolt 18650 Sony VTC 6 akkumulátorból álló akkumulátorcsomagot NCA vegyi rendszerrel tesztelték. Bevezetésre kerültek az egyes akkumulátorok és akkumulátorcsomagok vonatkozó előírásai.

Földi tesztelés:A cél az új fejlesztésű BMS teljesítményének elemzése, mielőtt azt elektromos meghajtású járművekre alkalmaznák. Használja a NEWARE Powerwall CT-4004-20V20A rendszert terhelésként, csatlakoztassa a BMS-t az akkumulátorcsomaghoz és a terheléshez, figyelje az egyes akkumulátorok feszültségét, áramát és felületi hőmérsékletét, és rögzítse az adatokat a BMS-sel. Helyezzen egy RTD-érzékelőt az akkumulátor közepére, és jegyezze fel az akkumulátoregység irányát, hogy biztosítsa a hőmérséklet-rögzítés egységességét. Végezzen 42 töltési és kisütési ciklust, a NASA kis műholdakra vonatkozó tanúsítási kísérletéhez hasonló ciklusmintával.

Légi tesztelés:Földi tesztelés után, elektromos repülőgép (FLYWOO Explorer drone) segítségével 20 töltési kisülési cikluson keresztül, hogy nagy sebességű kisülési körülmények között gyűjtsön adatokat. A repülőgép releváns paramétereinek bemutatása, az akkumulátorcsomag 3D-s nyomtatott konzolra van felszerelve, felül a BMS, a töltési protokoll konzisztens a földi teszteléssel, de a kisütési ciklus véletlenszerű. A repülőgép körülbelül 1 láb magasságban van a talaj felett kisülés közben. Amikor a BMS azt jelzi, hogy az akkumulátor feszültsége eléri a 10 V-ot, a kisülés leáll, és a jármű 0,167 órát pihen a töltés előtt.

4. Eredmények és megbeszélés

A megbeszélés eredményeinek összefoglalója:Bemutatja az újonnan kifejlesztett BMS (beleértve a CD Net modell előrejelzését is) segítségével elért eredményeket és legfontosabb megállapításokat. Az újonnan kifejlesztett BMS adatokat gyűjt a statikus és dinamikus akkumulátorterhelésről, és zökkenőmentesen integrálódik a DL-modellekbe, például a CD Net-be, rugalmasságot biztosítva a technológiai fejlődéshez való alkalmazkodáshoz.

Talajvizsgálati eredmények

Feszültséggörbe mérése:A BMS és a vizsgálóberendezések (BAn) 42 töltési és kisütési ciklusának feszültségidő-adatai hasonlóak. Bár a BMS adatoknak van kezdeti késése, végül konvergálnak, és a kettő között átlagosan 0.2V eltérés van. A kisülési görbe állandó feszültségű része az SOH-val való kapcsolat vizsgálatára használható, az eltérés az adatátviteli sebesség és a belső órajel különbségeiből adódik.

Jelenlegi görbe mérése:A BMS és a BAn aktuális adatai összességében illeszkednek, a kisütési és töltési szakaszok aktuális változásai pedig a szabályokat követik. Azonban az aktuális átalakítási szakaszban késik a BMS-adatok kiolvasása, ami bizonyos eltéréseket eredményez. A nagy eltérési adatpontok eltávolítása után az átlagos eltérés kisebb, és az áramleolvasás pontosabb, mint a feszültség leolvasása.

Hőmérséklet görbe mérése:Figyelje meg négy akkumulátor felületi hőmérsékletét, és tapasztalja meg, hogy a hőmérséklet fokozatosan növekszik a töltési és kisütési folyamat során, és az állandó áramú töltés végén éri el legmagasabb pontját. Ezután állandó feszültségű töltés és kisütés közben a hőmérséklet változik. Az akkumulátorcsomag negyedik akkumulátorának hőmérséklete viszonylag magas, a BMS képes érzékelni és megjeleníteni az egyes akkumulátorok hőmérséklet-különbségeit. A hőmérsékleti anomáliák felhasználhatók az akkumulátor kezelésére.

Légi vizsgálati eredmények

Áram- és feszültséggörbék mérése:A drón repülése során az áram véletlenszerűen változik, és a BMS pontosan tudja rögzíteni a nagy sebességű kisülési áramot. A kisülési áram a tesztek számával nő, a feszültség pedig 16,8 V-ról 10 V-ra csökken a kisülési folyamat során. Az áramot és a feszültséget befolyásolja a repülési helyzet beállítása a repülés során.

Hőmérséklet görbe mérése:A légi tesztelés során az akkumulátor felületi hőmérséklete magasabb, mint a földi tesztelésnél, maximum 55 fok körüli hőmérséklettel. A töltési folyamat során a hőmérséklet csökken, a kisütés során pedig fokozatosan emelkedik. Hőmérsékletkülönbségek vannak a különböző akkumulátorok között, és a hőmérséklet-ingadozásokat befolyásolja a repülési helyzet beállítása.

A mélytanulási együttes eredményei:A földi tesztelés során az akkumulátor kapacitása fokozatosan csökkent, a CD Net modell pedig az 5. ciklustól jósolta a kapacitást, ami hasonló volt a BMS által rögzített Coulomb-számlálási kapacitáshoz. A modell előrejelzése viszonylag pontos volt; A Coulomb-számláló kapacitása instabil volt a légi tesztelés során, de a modell így is képes volt előre jelezni 0,046 Ah átlagos különbséggel. A Coulomb-számlálási módszerrel mért kapacitás és a modell előrejelzett kapacitásának összehasonlításával igazoltam a BMS és DL modellek sikeres integrációját, amely felhasználható az akkumulátorok egészségi állapotának (SOH) előrejelzésére.

5. Összegzés

A kutatási eredmények összefoglalása:Az elektromos meghajtású járművek tényleges üzemállapot-adatainak gyűjtéséhez olyan hordozható BMS-re van szükség, amely zord körülmények között is működik, például nagy sebességű kisülési sebesség mellett. Ez a kutatás egy új BMS architektúrát javasol, amely szél- és felhő keretrendszereket használ az adatok rögzítésére, továbbítására és fogadására, valamint képes kezelni a nagy sebességű kisüléseket, felváltva a hagyományos CAN-buszon és szélső számítógépeken alapuló módszereket.

A vizsgálati eredmények összefoglalása:Föld- és levegővizsgálatokat végeztek, és az akkumulátor felületi hőmérséklete a kisülési állandó áramfokozat végén volt a legmagasabb. Az akkumulátor felületi hőmérséklete a levegőteszten még magasabb volt, közel 55 C-os maximumot ért el. A hőmérséklet-emelkedést olyan tényezők okozhatják, mint az akkumulátor elöregedése és az SOC változások, a túlzott hőmérséklet pedig az akkumulátor meghibásodásához vezethet. A talajon 42 és a levegőben 20 ciklus alatt a felszíni hőmérséklet fokozatosan emelkedett.

Modell előrejelzés eredményei:Az összegyűjtött adatok felhasználásával a CD Net modell előrejelzi az akkumulátor egészségi állapotát (SOH) a tényleges működési feltételek mellett. A modell kapacitás-előrejelzése a következő földi tesztelési ciklusra viszonylag pontos, átlagos eltérése {{0}},026 Ah; Bár a légi tesztelés során voltak kapacitásingadozások, az előre jelzett átlagos különbség 0,046 Ah volt, és a BMS hatékonyan tudott adatokat gyűjteni az áramfeszültség-érzékelők küszöbtartományán belül.