Deep Learning BMS-technologie ontgrendelt nieuwe hoogten in de prestaties van lithium-ionbatterijen

Abstract

Het Battery Management System (BMS) is cruciaal voor het begrijpen van de batterijprestaties onder extreme omstandigheden, zoals bij testen met hoge snelheid. Deze studie stelt een nieuw BMS voor voor continue monitoring, transmissie en opslag van belangrijke parameters zoals spanning, stroom en temperatuur van NCA {{0}}S lithium-ionbatterijpakketten tijdens testen met hoge snelheid. Dit BMS combineert deep learning-technologie om de gezondheidsstatus van de batterij te voorspellen (gemeten aan de hand van de ontladingscapaciteit) door externe batterijparameters te monitoren. Er werden twee experimenten uitgevoerd: een statisch experiment om de werking van het gebouwbeheersysteem te verifiëren, en een experiment in de werkelijke werkomstandigheden (misbruiktest met hoge vergroting met trillingen op voertuigen met elektrische aandrijving) om de werkelijke prestaties ervan te evalueren. De resultaten toonden aan dat de piekoppervlaktetemperatuur van de batterij tijdens daadwerkelijke vliegomstandigheden 55 graden C bereikte, wat hoger was dan bij de statische test; Het deep learning-algoritme voor capaciteitsschatting detecteerde een gemiddelde capaciteitsafwijking van 0,04 Ah, wat een nauwkeurige gezondheidsstatus aantoont door de batterijcapaciteit te voorspellen. Dit BMS demonstreert effectieve mogelijkheden voor het verzamelen en voorspellen van gegevens en weerspiegelt de feitelijke situatie bij het testen van misbruik.

1. Inleiding

Het belang van lithium-ionbatterijen (LIB's) en hun gerelateerde technologieën:LIB's zijn cruciaal in het huidige technologische veld en worden veel gebruikt in elektrische voertuigen, drones en draagbare elektronische apparaten. Vergeleken met traditionele batterijtechnologie hebben LIB's voordelen zoals een hoge energiedichtheid en een lange levensduur, maar hun wijdverbreide toepassing brengt ook uitdagingen met zich mee als het gaat om batterijveroudering. Daarom is State of Health (SOH) een belangrijke parameter voor het meten van batterijveroudering. Het nauwkeurig schatten van SOH kent veel uitdagingen, en batterijbeheersystemen (BMS's) zijn cruciaal voor het nauwkeurig monitoren van batterijparameters.

Ontwerp en gerelateerde indicatoren van BMS:Het ontwerp van BMS is meestal gerelateerd aan specifieke toepassingen, en naast SOH zijn State of Charge (SOC) en Remaining Useful Life (RUL) ook algemene indicatoren voor de gezondheid van de batterij. De gegevens voor deze indicatoren zijn meestal afkomstig van eigen instellingen voor data-acquisitie (DAQ), die gegevens kunnen leveren voor deep learning (DL), maar beperkingen hebben zoals groot formaat, hoge kosten en gerichtheid op specifieke batterijen. Het integreren van DL-technologie met geavanceerde BMS is een veelbelovende aanpak die de uitdagingen van dataverzamelingsmethoden kan overwinnen en schaalbaarheid kan bieden.

Belangrijke parameters en gerelateerde onderzoeksvereisten van LIB's:SOH, SOC, RUL en C-rate zijn allemaal belangrijke parameters voor de prestaties van LIB's. Een verhoging van de C-snelheid zal leiden tot een afname van de batterijcapaciteit en -prestaties. De huidige methoden voor gegevensverzameling worden geconfronteerd met uitdagingen zoals complexe instellingen en onduidelijke sensornauwkeurigheid, waardoor de ontwikkeling van innovatieve draagbare BMS-frameworks voor gegevensverzameling in verschillende toepassingsscenario's, zoals hoge vergroting, vereist is. Deze studie stelt een alomvattend BMS-framework voor dat het eerder ontwikkelde Capacity Degradation Network (CD Net) DL-model integreert, dat kan voldoen aan de realtime monitoringvereisten van elektrische voortstuwing. De mogelijkheden voor gegevensverzameling en modelintegratie zijn geverifieerd door middel van experimenten.

2. Ontwikkeling van GBS

Overzicht van de BMS-ontwikkeling:Voor het voorgestelde BMS is een printplaat ontwikkeld om belangrijke gegevens te verzamelen die nodig zijn voor het voorspellen van de batterijstatus en om actie te ondernemen op basis van de voorspelling. Het ontwikkelde BMS maakt gebruik van feitelijke gegevens over de bedrijfstoestand (inclusief batterijspanning, stroom en temperatuur) voor het voorspellen van de batterijstatus, en de verzamelde gegevens worden ingevoerd in een deep learning (DL)-model voor realtime voorspelling.

Sensormeting

Stroom- en spanningsmeting:De stroomsensor aan de hoge kant INA219 wordt gebruikt om de stroom te meten door een shuntweerstand te plaatsen. Om zich aan te passen aan scenario's met hoge stroomsterkte, wordt de standaard 0.1 Ω shuntweerstand vervangen door een 0.01 Ω weerstand, waardoor het stroommeetbereik ± 32 A kan bereiken.

Temperatuurmeting:De PT100 Adafruit MAX31865-sensor is geselecteerd om de temperatuur te meten, die een laag stroomverbruik, hoge nauwkeurigheid en stabiliteit heeft. De Callendar van Dusen-vergelijking wordt gebruikt om de relatie tussen temperatuur en weerstand te verkrijgen. Er worden vijf sensoren gebruikt om respectievelijk de oppervlaktetemperatuur en de omgevingstemperatuur van vier batterijen te meten en er wordt gekalibreerd.

Apparaatbediening:Kies de Arduino Uno Rev 2 Wi-Fi-printplaat als controller, die gegevensregistratie, voorverwerking en transmissiemogelijkheden heeft. Het levert stroom aan het sensornetwerk via de interne 5V-regelaar en verbindt de sensor en microcontroller met behulp van het SPI-protocol.

SOH-schatting:De door BMS verzamelde spannings- en temperatuurgegevens worden naar de computer verzonden en de huidige gegevens worden gebruikt om de laadstatus (SOC) van de batterij te berekenen via de Coulomb-telmethode. SOC wordt, samen met de nominale capaciteit en chemische samenstelling van de batterij, ingevoerd in het CD Net-model om de ontlaadcapaciteit van de batterij te voorspellen en de SOH te berekenen. Het CD Net-model maakt gebruik van een combinatie van neurale netwerken met specifieke structuren, die zijn geoptimaliseerd en verwerkt voor voorspellingen.

3. Experimentele opstelling

Overzicht experimentele opstelling:Een batterijpakket bestaande uit vier in serie geschakelde 18650 Sony VTC 6-batterijen werd getest met behulp van een chemisch NCA-systeem. De relevante specificaties van individuele batterijen en batterijpakketten werden geïntroduceerd.

Grondtesten:Het doel is om de prestaties van het nieuw ontwikkelde BMS te analyseren voordat het wordt toegepast op voertuigen met elektrische aandrijving. Gebruik het NEWARE Powerwall CT-4004-20V20A-systeem als belasting, sluit het GBS aan op het batterijpakket en laad het, controleer de spanning, stroom en oppervlaktetemperatuur van elk batterijpakket en registreer de gegevens met het GBS. Plaats een RTD-sensor in het midden van de batterij en registreer de richting van het batterijpakket om consistentie in de temperatuurregistratie te garanderen. Voer 42 laad- en ontlaadcycli uit, met een cycluspatroon dat lijkt op het certificeringsexperiment van NASA voor kleine satellieten.

Luchttesten:Uitgevoerd na grondtesten, met behulp van een elektrisch vliegtuig (FLYWOO Explorer-drone) gedurende 20 laad-ontlaadcycli om gegevens te verzamelen onder hoge ontladingsomstandigheden. Inleiding tot de relevante parameters van het vliegtuig: het batterijpakket is geïnstalleerd op een 3D-geprinte beugel, het BMS bevindt zich bovenaan, het laadprotocol komt overeen met grondtesten, maar de ontlaadcyclus is willekeurig. Het vliegtuig bevindt zich tijdens het lossen ongeveer 30 cm boven de grond. Wanneer het BMS aangeeft dat de accuspanning 10V bereikt, stopt het ontladen en rust het voertuig 0,167 uur voordat het wordt opgeladen.

4. Resultaten en discussie

Samenvatting van de resultatenbespreking:Introduceert de resultaten en belangrijkste bevindingen verkregen met behulp van het nieuw ontwikkelde BMS (inclusief CD Net-modelvoorspelling). Het nieuw ontwikkelde BMS verzamelt gegevens van statische en dynamische batterijbelastingen en kan naadloos worden geïntegreerd met DL-modellen zoals CD Net, waardoor flexibiliteit wordt geboden om zich aan te passen aan technologische ontwikkelingen.

Resultaten van grondtesten

Meting van de spanningscurve:De spanningstijdgegevens van 42 laad- en ontlaadcycli van gebouwbeheersystemen en testapparatuur (BAn) zijn vergelijkbaar. Hoewel de BMS-gegevens aanvankelijk vertraging vertonen, convergeren ze uiteindelijk, met een gemiddelde afwijking van 0,2V tussen de twee. Het constante spanningsgedeelte van de ontladingscurve kan worden gebruikt om de relatie met SOH te bestuderen, en de afwijking is te wijten aan verschillen in datatransmissiesnelheid en interne klok.

Meting van de stroomcurve:De huidige gegevens van BMS en BAn zijn als geheel op elkaar afgestemd en de huidige veranderingen tijdens de ontlaad- en laadfase volgen de regels. Er is echter een vertraging in het lezen van gegevens in het BMS tijdens de huidige conversiefase, wat tot enkele afwijkingen leidt. Na het verwijderen van gegevenspunten met grote afwijkingen is de gemiddelde afwijking kleiner en is de huidige meting nauwkeuriger dan de spanningsmeting.

Meting van de temperatuurcurve:Bewaak de oppervlaktetemperatuur van vier batterijen en ontdek dat de temperatuur geleidelijk stijgt tijdens het laad- en ontlaadproces, en het hoogste punt bereikt aan het einde van het opladen met constante stroom. Vervolgens verandert de temperatuur tijdens het laden en ontladen met constante spanning. De vierde batterij in het batterijpakket heeft een relatief hoge temperatuur en het BMS kan de temperatuurverschillen van elke batterij detecteren en weergeven. Temperatuurafwijkingen kunnen worden gebruikt voor batterijbeheer.

Resultaten van luchttests

Meting van stroom- en spanningscurven:Tijdens de vlucht van de drone verandert de stroom willekeurig en kan het BMS de hoge ontladingsstroom nauwkeurig registreren. De ontlaadstroom neemt toe met het aantal tests en de spanning neemt af van 16,8 V naar 10 V tijdens het ontladingsproces. De stroom en spanning worden beïnvloed door de aanpassing van de vlieghouding tijdens de vlucht.

Meting van de temperatuurcurve:Tijdens luchttests is de oppervlaktetemperatuur van de batterij hoger dan die tijdens grondtests, met een maximale temperatuur van ongeveer 55 graden C. Tijdens het laadproces heeft de temperatuur de neiging te dalen, en tijdens het ontladingsproces stijgt de temperatuur geleidelijk. Er zijn temperatuurverschillen tussen verschillende batterijen, en temperatuurschommelingen worden beïnvloed door aanpassingen aan de vlieghouding.

Resultaten van deep learning-ensemble:Bij grondtests nam de batterijcapaciteit geleidelijk af, en het CD Net-model voorspelde de capaciteit vanaf de 5e cyclus, die vergelijkbaar was met de Coulomb-telcapaciteit geregistreerd door BMS. De voorspelling van het model was relatief nauwkeurig; De Coulomb-telcapaciteit was onstabiel tijdens luchttests, maar het model kon nog steeds voorspellen met een gemiddeld verschil van 0.046Ah. Door de capaciteit gemeten met de Coulomb-telmethode te vergelijken met de voorspelde capaciteit van het model, werd de succesvolle integratie van BMS- en DL-modellen geverifieerd, die kunnen worden gebruikt om de gezondheidstoestand (SOH) van batterijen te voorspellen.

5. Samenvatting

Samenvatting van onderzoeksresultaten:Voor de feitelijke verzameling van gegevens over de arbeidsomstandigheden van voertuigen met elektrische aandrijving is een draagbaar gebouwbeheersysteem nodig dat onder zware omstandigheden kan werken, zoals bij hoge ontlading van LIB's. Dit onderzoek stelt een nieuwe BMS-architectuur voor, die gebruik maakt van edge- en cloudframeworks om gegevens op te nemen, te verzenden en te ontvangen, en die hoge ontladingssnelheden aankan, ter vervanging van de traditionele methoden op basis van CAN-bus en edge-computers.

Samenvatting van testresultaten:Er werden grond- en luchttests uitgevoerd en de oppervlaktetemperatuur van de batterij was het hoogst aan het einde van de fase van de constante ontladingsstroom. De oppervlaktetemperatuur van de batterij was tijdens de luchttest zelfs nog hoger en bereikte een maximum van bijna 55 graden C. De temperatuurstijging kan worden veroorzaakt door factoren zoals veroudering van de batterij en veranderingen in de SOC, en een te hoge temperatuur kan leiden tot batterijstoringen. Gedurende 42 cycli op de grond en 20 cycli in de lucht nam de oppervlaktetemperatuur geleidelijk toe.

Modelvoorspellingsresultaten:Met behulp van de verzamelde gegevens voorspelt het CD Net-model de gezondheidstoestand (SOH) van de batterij onder werkelijke bedrijfsomstandigheden. De capaciteitsvoorspelling van het model voor de volgende cyclus bij grondtesten is relatief nauwkeurig, met een gemiddelde afwijking van {{0}}.026 Ah; Hoewel er capaciteitsschommelingen waren tijdens luchttests, was het voorspelde gemiddelde verschil 0,046 Ah, en kon BMS effectief gegevens verzamelen binnen het drempelbereik van stroomspanningssensoren.