فناوری یادگیری عمیق BMS ارتفاعات جدیدی را در عملکرد باتری لیتیوم یونی باز می کند

چکیده

سیستم مدیریت باتری (BMS) برای درک عملکرد باتری در شرایط شدید، مانند تست نرخ بالا، حیاتی است. این مطالعه یک BMS جدید برای نظارت مستمر، انتقال و ذخیره پارامترهای کلیدی مانند ولتاژ، جریان و دمای بسته‌های باتری لیتیوم یون NCA {{0}}S در طول تست نرخ بالا پیشنهاد می‌کند. این BMS فناوری یادگیری عمیق را برای پیش‌بینی وضعیت سلامت باتری (اندازه‌گیری شده با ظرفیت تخلیه) با نظارت بر پارامترهای باتری خارجی ترکیب می‌کند. دو آزمایش انجام شد: آزمایش استاتیک برای تأیید عملکرد BMS، و آزمایش شرایط کاری واقعی (تست سوء استفاده از بزرگنمایی بالا با ارتعاش در وسایل نقلیه پیشران الکتریکی) برای ارزیابی عملکرد واقعی آن. نتایج نشان داد که پیک دمای سطح باتری در شرایط واقعی پرواز به 55 درجه سانتیگراد رسید که بالاتر از تست استاتیک بود. الگوریتم تخمین ظرفیت یادگیری عمیق، میانگین انحراف ظرفیت 0.04 Ah را شناسایی کرد و وضعیت سلامت دقیق را با پیش‌بینی ظرفیت باتری نشان داد. این BMS قابلیت جمع‌آوری و پیش‌بینی مؤثر داده‌ها را نشان می‌دهد که وضعیت واقعی در آزمایش سوء استفاده را منعکس می‌کند.

1. مقدمه

اهمیت باتری‌های لیتیوم یونی (LIB) و فناوری‌های مرتبط با آنها:LIB ها در زمینه فناوری فعلی بسیار مهم هستند و به طور گسترده در وسایل نقلیه الکتریکی، هواپیماهای بدون سرنشین و دستگاه های الکترونیکی قابل حمل استفاده می شوند. در مقایسه با فناوری باتری سنتی، LIB ها دارای مزایایی مانند چگالی انرژی بالا و عمر چرخه طولانی هستند، اما کاربرد گسترده آنها همچنین چالش هایی را برای پیری باتری به همراه دارد. بنابراین، وضعیت سلامت (SOH) یک پارامتر مهم برای اندازه گیری پیری باتری است. برآورد دقیق SOH با چالش‌های زیادی مواجه است و سیستم‌های مدیریت باتری (BMS) برای نظارت دقیق بر پارامترهای باتری بسیار مهم هستند.

طراحی و شاخص های مربوط به BMS:طراحی BMS معمولاً مربوط به کاربردهای خاصی است و علاوه بر SOH، وضعیت شارژ (SOC) و عمر مفید باقیمانده (RUL) نیز شاخص های رایج سلامت باتری هستند. داده‌های این شاخص‌ها معمولاً از تنظیمات اختصاصی اکتساب داده (DAQ) می‌آیند، که می‌تواند داده‌هایی را برای یادگیری عمیق (DL) فراهم کند، اما محدودیت‌هایی مانند اندازه بزرگ، هزینه بالا و هدف قرار دادن باتری‌های خاص دارد. ادغام فناوری DL با BMS پیشرفته یک رویکرد امیدوارکننده است که می تواند بر چالش های روش های جمع آوری داده ها غلبه کند و مقیاس پذیری را ارائه دهد.

پارامترهای مهم و الزامات تحقیقاتی مرتبط LIBs:SOH، SOC، RUL و C-rate همگی پارامترهای مهمی برای عملکرد LIB هستند. افزایش نرخ C منجر به کاهش ظرفیت و عملکرد باتری خواهد شد. روش‌های جمع‌آوری داده‌های کنونی با چالش‌هایی مانند تنظیمات پیچیده و دقت حسگر نامشخص مواجه هستند، بنابراین نیازمند توسعه چارچوب‌های قابل حمل BMS نوآورانه برای جمع‌آوری داده‌ها در سناریوهای کاربردی مختلف مانند بزرگنمایی بالا است. این مطالعه یک چارچوب جامع BMS را پیشنهاد می‌کند که مدل DL شبکه تخریب ظرفیت (CD Net) قبلا توسعه‌یافته را ادغام می‌کند، که می‌تواند الزامات نظارت بر زمان واقعی پیشرانه الکتریکی را برآورده کند. جمع آوری داده ها و قابلیت های یکپارچه سازی مدل آن از طریق آزمایشات تأیید شده است.

2. توسعه BMS

مروری بر توسعه BMS:یک برد مدار چاپی برای BMS پیشنهادی ایجاد شد تا داده‌های کلیدی مورد نیاز برای پیش‌بینی سلامت باتری را جمع‌آوری کند و بر اساس پیش‌بینی اقدام کند. BMS توسعه‌یافته از داده‌های شرایط عملیاتی واقعی (شامل ولتاژ، جریان و دما باتری) برای پیش‌بینی سلامت باتری استفاده می‌کند و داده‌های جمع‌آوری‌شده به یک مدل یادگیری عمیق (DL) برای پیش‌بینی بلادرنگ وارد می‌شود.

اندازه گیری سنسور

اندازه گیری جریان و ولتاژ:سنسور جریان سمت بالا INA219 برای اندازه گیری جریان با قرار دادن یک مقاومت شنت استفاده می شود. برای انطباق با سناریوهای جریان بالا، مقاومت پیش‌فرض 0.1 Ω با یک مقاومت 0.01 Ω جایگزین می‌شود و به محدوده اندازه‌گیری فعلی اجازه می‌دهد به ± 32A برسد.

اندازه گیری دما:سنسور PT100 Adafruit MAX31865 برای اندازه گیری دما انتخاب شده است که مصرف برق پایین، دقت بالا و پایداری دارد. برای به دست آوردن رابطه بین دما و مقاومت از معادله Callendar van Dusen استفاده می شود. برای اندازه گیری دمای سطح و دمای محیط چهار باتری به ترتیب از پنج حسگر استفاده می شود و کالیبراسیون انجام می شود.

کنترل دستگاه:برد مدار Wi Fi Arduino Uno Rev 2 را به عنوان کنترلر انتخاب کنید که دارای قابلیت ضبط، پیش پردازش و انتقال داده است. برق شبکه حسگر را از طریق رگولاتور 5 ولت داخلی خود تامین می کند و سنسور و میکروکنترلر را با استفاده از پروتکل SPI متصل می کند.

تخمین SOH:داده های ولتاژ و دما جمع آوری شده توسط BMS به کامپیوتر منتقل می شود و از داده های جاری برای محاسبه وضعیت شارژ (SOC) باتری از طریق روش شمارش کولن استفاده می شود. SOC به همراه ظرفیت اسمی و ترکیب شیمیایی باتری، برای پیش بینی ظرفیت تخلیه باتری و محاسبه SOH وارد مدل CD Net می شود. مدل شبکه CD از ترکیبی از شبکه‌های عصبی با ساختارهای خاص استفاده می‌کند که برای پیش‌بینی بهینه‌سازی و پردازش می‌شوند.

3. راه اندازی آزمایشی

مروری بر تنظیمات آزمایشی:یک بسته باتری متشکل از چهار باتری 18650 Sony VTC 6 متصل به صورت سری با استفاده از سیستم شیمیایی NCA آزمایش شد. مشخصات مربوط به باتری های جداگانه و بسته های باتری معرفی شد.

آزمایش زمینی:هدف، تجزیه و تحلیل عملکرد BMS جدید توسعه یافته قبل از اعمال آن در وسایل نقلیه پیشران الکتریکی است. از سیستم NEWARE Powerwall CT{0}}V20A به عنوان بار استفاده کنید، BMS را به بسته باتری وصل کنید و بارگذاری کنید، ولتاژ، جریان، و دمای سطح هر بسته باتری را کنترل کنید و داده ها را با BMS ضبط کنید. یک سنسور RTD را در مرکز باتری قرار دهید و جهت بسته باتری را ثبت کنید تا از ثبات در ثبت دما اطمینان حاصل کنید. 42 چرخه شارژ و دشارژ را با الگوی چرخه ای مشابه آزمایش گواهینامه ناسا برای ماهواره های کوچک انجام دهید.

آزمایش هوایی:پس از آزمایش زمینی، با استفاده از یک هواپیمای الکتریکی (پهپاد FLYWOO Explorer) برای 20 چرخه تخلیه شارژ برای جمع‌آوری داده‌ها در شرایط تخلیه با سرعت بالا انجام شد. مقدمه ای بر پارامترهای مربوطه هواپیما، بسته باتری بر روی یک براکت پرینت سه بعدی نصب شده است، BMS در بالا قرار دارد، پروتکل شارژ مطابق با آزمایش زمینی است، اما چرخه تخلیه تصادفی است. هواپیما در هنگام تخلیه حدود 1 فوت از سطح زمین بالاتر است. هنگامی که BMS نشان می دهد که ولتاژ باتری به 10 ولت می رسد، تخلیه متوقف می شود و خودرو قبل از شارژ 0.167 ساعت استراحت می کند.

4. نتایج و بحث

خلاصه نتایج بحث:نتایج و یافته‌های کلیدی به‌دست‌آمده با استفاده از BMS جدید (شامل پیش‌بینی مدل CD Net) را معرفی می‌کند. BMS تازه توسعه‌یافته داده‌ها را از بارهای باتری استاتیک و پویا جمع‌آوری می‌کند و به طور یکپارچه با مدل‌های DL مانند CD Net ادغام می‌شود و انعطاف‌پذیری را برای انطباق با پیشرفت‌های تکنولوژیکی فراهم می‌کند.

نتایج آزمایش زمینی

اندازه گیری منحنی ولتاژ:داده های زمان ولتاژ 42 چرخه شارژ و دشارژ BMS و تجهیزات تست (BAn) مشابه هستند. اگرچه داده‌های BMS دارای تاخیر اولیه هستند، اما در نهایت با انحراف میانگین 0.2V بین این دو همگرا می‌شوند. بخش ولتاژ ثابت منحنی دبی را می توان برای مطالعه رابطه با SOH استفاده کرد و انحراف به دلیل تفاوت در سرعت انتقال داده و ساعت داخلی است.

اندازه گیری منحنی فعلی:داده های فعلی BMS و BAn به طور کلی مطابقت دارند و تغییرات فعلی در مراحل تخلیه و شارژ از قوانین پیروی می کند. با این حال، یک تاخیر در خواندن داده های BMS در مرحله تبدیل فعلی وجود دارد که منجر به برخی انحرافات می شود. پس از حذف نقاط داده انحراف بزرگ، میانگین انحراف کوچکتر است و قرائت جریان دقیق تر از قرائت ولتاژ است.

اندازه گیری منحنی دما:دمای سطح چهار باتری را زیر نظر بگیرید و متوجه شوید که دما به تدریج در طول فرآیند شارژ و دشارژ افزایش می یابد و در پایان شارژ جریان ثابت به بالاترین نقطه خود می رسد. سپس، دما در طول شارژ و دشارژ ولتاژ ثابت تغییر می کند. باتری چهارم در بسته باتری دمای نسبتا بالایی دارد و BMS می تواند تفاوت دمای هر باتری را تشخیص داده و نمایش دهد. از ناهنجاری های دما می توان برای مدیریت باتری استفاده کرد.

نتایج آزمایش هوایی

اندازه گیری منحنی های جریان و ولتاژ:در طول پرواز پهپاد، جریان به طور تصادفی تغییر می کند و BMS می تواند جریان تخلیه با سرعت بالا را به دقت ثبت کند. جریان تخلیه با تعداد تست ها افزایش می یابد و ولتاژ در طول فرآیند تخلیه از 16.8 ولت به 10 ولت کاهش می یابد. جریان و ولتاژ تحت تأثیر تنظیم وضعیت پرواز در طول پرواز است.

اندازه گیری منحنی دما:در طول آزمایش هوایی، دمای سطح باتری بالاتر از دمای آزمایش زمینی با حداکثر دمای حدود 55 درجه سانتیگراد است. در طول فرآیند شارژ، دما تمایل به کاهش دارد و در طول فرآیند دشارژ، دما به تدریج افزایش می یابد. در بین باتری‌های مختلف تفاوت‌هایی در دما وجود دارد و نوسانات دما تحت‌تاثیر تنظیم وضعیت پرواز قرار می‌گیرد.

نتایج گروه یادگیری عمیق:در آزمایش زمینی، ظرفیت باتری به تدریج کاهش یافت و مدل CD Net ظرفیت را از سیکل 5 پیش بینی کرد، که مشابه ظرفیت شمارش کولن ثبت شده توسط BMS بود. پیش‌بینی مدل نسبتاً دقیق بود. ظرفیت شمارش کولن در طول آزمایش هوایی ناپایدار بود، اما مدل همچنان قادر به پیش‌بینی با اختلاف میانگین 0.046Ah بود. با مقایسه ظرفیت اندازه‌گیری شده با روش شمارش کولن با ظرفیت پیش‌بینی‌شده مدل، ادغام موفقیت‌آمیز مدل‌های BMS و DL تأیید شد که می‌توان از آن برای پیش‌بینی وضعیت سلامت (SOH) باتری‌ها استفاده کرد.

5. خلاصه

خلاصه یافته های تحقیق:جمع‌آوری داده‌های شرایط کاری واقعی وسایل نقلیه پیشران الکتریکی به یک BMS قابل حمل نیاز دارد که بتواند تحت شرایط سخت مانند سرعت بالای تخلیه LIBها کار کند. این تحقیق یک معماری جدید BMS را پیشنهاد می‌کند که از چارچوب‌های لبه و ابری برای ضبط، انتقال و دریافت داده‌ها استفاده می‌کند و می‌تواند تخلیه با نرخ بالا را مدیریت کند و جایگزین روش‌های سنتی مبتنی بر گذرگاه CAN و رایانه‌های لبه شود.

خلاصه نتایج آزمایش:آزمایش‌های زمین و هوا انجام شد و دمای سطح باتری در پایان مرحله جریان ثابت دشارژ بالاترین میزان بود. دمای سطح باتری در آزمایش هوا حتی بالاتر بود و به حداکثر نزدیک به 55 درجه سانتیگراد رسید. افزایش دما ممکن است ناشی از عواملی مانند قدیمی شدن باتری و تغییرات SOC باشد و دمای بیش از حد ممکن است منجر به خرابی باتری شود. در طی 42 چرخه روی زمین و 20 چرخه در هوا، دمای سطح به تدریج افزایش یافت.

نتایج پیش بینی مدل:با استفاده از داده های جمع آوری شده، مدل CD Net وضعیت سلامت (SOH) باتری را در شرایط عملیاتی واقعی پیش بینی می کند. پیش بینی ظرفیت مدل برای چرخه بعدی در آزمایش زمینی نسبتا دقیق است، با میانگین انحراف {{0}}.026 Ah; اگرچه نوسانات ظرفیت در طول آزمایش هوایی وجود داشت، میانگین تفاوت پیش‌بینی‌شده 0.046 Ah بود و BMS توانست به طور موثر داده‌ها را در محدوده آستانه سنسورهای ولتاژ جریان جمع‌آوری کند.