Tecnologia Deep Learning BMS revela novos patamares no desempenho da bateria de íons de lítio

Resumo

O Sistema de gerenciamento de bateria (BMS) é crucial para compreender o desempenho da bateria sob condições extremas, como testes de alta taxa. Este estudo propõe um novo BMS para monitoramento contínuo, transmissão e armazenamento de parâmetros-chave, como tensão, corrente e temperatura de baterias de íons de lítio NCA {{0}}S durante testes de alta taxa. Este BMS combina tecnologia de aprendizagem profunda para prever o estado de saúde da bateria (medido pela capacidade de descarga) monitorando parâmetros externos da bateria. Foram realizados dois experimentos: experimento estático para verificar o funcionamento do BMS e experimento de condições reais de trabalho (teste de abuso de alta ampliação com vibração em veículos de propulsão elétrica) para avaliar seu desempenho real. Os resultados mostraram que o pico de temperatura da superfície da bateria durante as condições reais de voo atingiu 55 graus C, que foi superior ao teste estático; O algoritmo de estimativa de capacidade de aprendizagem profunda detectou um desvio médio de capacidade de 0,04 Ah, demonstrando o estado de saúde preciso ao prever a capacidade da bateria. Este BMS demonstra capacidades eficazes de recolha e previsão de dados, refletindo a situação real nos testes de abuso.

1. Introdução

A importância das baterias de íons de lítio (LIBs) e suas tecnologias relacionadas:LIBs são cruciais no campo tecnológico atual e amplamente utilizados em veículos elétricos, drones e dispositivos eletrônicos portáteis. Em comparação com a tecnologia de bateria tradicional, as LIBs apresentam vantagens como alta densidade de energia e longo ciclo de vida, mas sua ampla aplicação também traz desafios de envelhecimento da bateria. Portanto, o Estado de Saúde (SOH) é um parâmetro importante para medir o envelhecimento da bateria. A estimativa precisa do SOH enfrenta muitos desafios, e os sistemas de gerenciamento de bateria (BMSs) são cruciais para monitorar com precisão os parâmetros da bateria.

Design e indicadores relacionados do BMS:O design do BMS geralmente está relacionado a aplicações específicas e, além do SOH, o estado de carga (SOC) e a vida útil restante (RUL) também são indicadores comuns da integridade da bateria. Os dados para esses indicadores geralmente vêm de configurações proprietárias de aquisição de dados (DAQ), que podem fornecer dados para aprendizado profundo (DL), mas têm limitações como tamanho grande, alto custo e direcionamento para baterias específicas. A integração da tecnologia DL com BMS avançado é uma abordagem promissora que pode superar os desafios dos métodos de coleta de dados e fornecer escalabilidade.

Parâmetros importantes e requisitos de pesquisa relacionados dos LIBs:SOH, SOC, RUL e taxa C são parâmetros importantes para o desempenho de LIBs. Um aumento na taxa C levará a uma diminuição na capacidade e no desempenho da bateria. Os métodos atuais de coleta de dados enfrentam desafios como configurações complexas e precisão pouco clara dos sensores, exigindo assim o desenvolvimento de estruturas BMS portáteis inovadoras para coleta de dados em vários cenários de aplicação, como alta ampliação. Este estudo propõe uma estrutura abrangente de BMS que integra o modelo DL da Rede de Degradação de Capacidade (CD Net) desenvolvido anteriormente, que pode atender aos requisitos de monitoramento em tempo real da propulsão elétrica. Suas capacidades de coleta de dados e integração de modelos foram verificadas por meio de experimentos.

2. Desenvolvimento de BMS

Visão geral do desenvolvimento do BMS:Uma placa de circuito impresso foi desenvolvida para o BMS proposto para coletar dados importantes necessários para a previsão da saúde da bateria e tomar medidas com base na previsão. O BMS desenvolvido usa dados reais das condições operacionais (incluindo tensão, corrente e temperatura da bateria) para previsão da integridade da bateria, e os dados coletados são inseridos em um modelo de aprendizado profundo (DL) para previsão em tempo real.

Medição do sensor

Medição de corrente e tensão:O sensor de corrente lateral alta INA219 é usado para medir a corrente inserindo um resistor shunt. Para se adaptar a cenários de alta corrente, o resistor shunt padrão de 0 0,1 Ω é substituído por um resistor de 0 0,01 Ω, permitindo que a faixa de medição de corrente atinja ± 32A.

Medição de temperatura:O sensor PT100 Adafruit MAX31865 é selecionado para medir temperatura, que possui baixo consumo de energia, alta precisão e estabilidade. A equação de Callendar van Dusen é usada para obter a relação entre temperatura e resistência. Cinco sensores são usados ​​para medir a temperatura da superfície e a temperatura ambiente de quatro baterias, respectivamente, e a calibração é realizada.

Controle do dispositivo:Escolha a placa de circuito Arduino Uno Rev 2 Wi Fi como controlador, que possui recursos de gravação, pré-processamento e transmissão de dados. Ele fornece energia para a rede de sensores através de seu regulador interno de 5V e conecta o sensor e o microcontrolador usando o protocolo SPI.

Estimativa SOH:Os dados de tensão e temperatura coletados pelo BMS são transmitidos ao computador, e os dados atuais são usados ​​para calcular o estado de carga (SOC) da bateria através do método de contagem de Coulomb. O SOC, juntamente com a capacidade nominal e a composição química da bateria, é inserido no modelo CD Net para prever a capacidade de descarga da bateria e calcular o SOH. O modelo CD Net utiliza uma combinação de redes neurais com estruturas específicas, que são otimizadas e processadas para predição.

3. Configuração experimental

Visão geral da configuração experimental:Uma bateria composta por quatro baterias Sony VTC 6 18650 conectadas em série foi testada usando o sistema químico NCA. As especificações relevantes de baterias individuais e conjuntos de baterias foram introduzidas.

Testes de solo:O objetivo é analisar o desempenho do BMS recentemente desenvolvido antes de aplicá-lo a veículos de propulsão elétrica. Use o sistema NEWARE Powerwall CT-4004-20V20A como carga, conecte o BMS à bateria e à carga, monitore a tensão, a corrente e a temperatura da superfície de cada bateria e registre os dados com o BMS. Coloque um sensor RTD no centro da bateria e registre a direção da bateria para garantir consistência no registro da temperatura. Execute 42 ciclos de carga e descarga, com um padrão de ciclo semelhante ao experimento de certificação da NASA para pequenos satélites.

Testes aéreos:Conduzido após testes de solo, usando uma aeronave elétrica (drone FLYWOO Explorer) para 20 ciclos de descarga de carga para coletar dados sob condições de descarga de alta taxa. Introdução aos parâmetros relevantes da aeronave, a bateria é instalada em um suporte impresso em 3D, o BMS está no topo, o protocolo de carregamento é consistente com os testes de solo, mas o ciclo de descarga é aleatório. A aeronave está cerca de 30 centímetros acima do solo durante a descarga. Quando o BMS indica que a tensão da bateria atinge 10V, a descarga pára e o veículo descansa durante 0,167 horas antes de carregar.

4. Resultados e Discussão

Resumo da discussão dos resultados:Apresenta os resultados e as principais conclusões obtidas usando o BMS recentemente desenvolvido (incluindo a previsão do modelo CD Net). O BMS recentemente desenvolvido coleta dados de cargas de bateria estáticas e dinâmicas e integra-se perfeitamente com modelos DL, como o CD Net, proporcionando flexibilidade para adaptação aos desenvolvimentos tecnológicos.

Resultados de testes de solo

Medição da curva de tensão:Os dados de tempo de tensão de 42 ciclos de carga e descarga do BMS e do equipamento de teste (BAn) são semelhantes. Embora os dados do BMS tenham atraso inicial, eles eventualmente convergem, com um desvio médio de 0,2V entre os dois. A parte de tensão constante da curva de descarga pode ser usada para estudar a relação com o SOH, e o desvio é devido a diferenças na taxa de transmissão de dados e no relógio interno.

Medição da curva atual:Os dados atuais do BMS e BAn são comparados como um todo, e as alterações atuais durante as fases de descarga e carregamento seguem as regras. No entanto, há um atraso na leitura dos dados do BMS durante a fase de conversão atual, resultando em alguns desvios. Depois de remover pontos de dados de grande desvio, o desvio médio é menor e a leitura da corrente é mais precisa do que a leitura da tensão.

Medição da curva de temperatura:Monitore a temperatura da superfície de quatro baterias e descubra que a temperatura aumenta gradualmente durante o processo de carga e descarga, atingindo seu ponto mais alto no final do carregamento de corrente constante. Então, a temperatura muda durante a carga e descarga de tensão constante. A quarta bateria da bateria tem uma temperatura relativamente alta e o BMS pode detectar e exibir as diferenças de temperatura de cada bateria. Anomalias de temperatura podem ser usadas para gerenciamento de bateria.

Resultados de testes aéreos

Medição de curvas de corrente e tensão:Durante o voo do drone, a corrente muda aleatoriamente e o BMS pode registrar com precisão a corrente de descarga de alta taxa. A corrente de descarga aumenta com o número de testes e a tensão diminui de 16,8V para 10V durante o processo de descarga. A corrente e a tensão são afetadas pelo ajuste da atitude de voo durante o voo.

Medição da curva de temperatura:Durante os testes aéreos, a temperatura da superfície da bateria é mais elevada do que durante os testes no solo, com uma temperatura máxima de cerca de 55 graus C. Durante o processo de carregamento, a temperatura tende a diminuir e, durante o processo de descarga, a temperatura aumenta gradualmente. Existem diferenças de temperatura entre as diferentes baterias e as flutuações de temperatura são afetadas pelos ajustes de atitude de voo.

Resultados do conjunto de aprendizagem profunda:Nos testes de solo, a capacidade da bateria diminuiu gradativamente, e o modelo CD Net previu a capacidade a partir do 5º ciclo, que foi semelhante à capacidade de contagem de Coulomb registrada pelo BMS. A previsão do modelo foi relativamente precisa; A capacidade de contagem de Coulomb ficou instável durante os testes aéreos, mas o modelo ainda foi capaz de prever com uma diferença média de 0,046Ah. Ao comparar a capacidade medida pelo método de contagem de Coulomb com a capacidade prevista do modelo, verificou-se o sucesso da integração dos modelos BMS e DL, que podem ser utilizados para prever o Estado de Saúde (SOH) das baterias.

5. Resumo

Resumo dos resultados da pesquisa:A coleta de dados reais das condições de trabalho de veículos de propulsão elétrica requer um BMS portátil que possa operar sob condições adversas, como descarga de alta taxa de LIBs. Esta pesquisa propõe uma nova arquitetura BMS, que utiliza estruturas de borda e nuvem para registrar, transmitir e receber dados, e pode lidar com descargas de alta taxa, substituindo os métodos tradicionais baseados em barramento CAN e computadores de ponta.

Resumo dos resultados do teste:Foram realizados testes no solo e no ar, e a temperatura da superfície da bateria foi mais alta no final do estágio de corrente constante de descarga. A temperatura da superfície da bateria foi ainda mais alta no teste de ar, atingindo um máximo de quase 55 graus C. O aumento da temperatura pode ser causado por fatores como envelhecimento da bateria e alterações no SOC, e temperatura excessiva pode levar à falha da bateria. Durante 42 ciclos no solo e 20 ciclos no ar, a temperatura da superfície aumentou gradualmente.

Resultados da previsão do modelo:Usando os dados coletados, o modelo CD Net prevê o Estado de Saúde (SOH) da bateria sob condições reais de operação. A previsão de capacidade do modelo para o próximo ciclo de testes em solo é relativamente precisa, com um desvio médio de {{0}},026 Ah; Embora tenha havido flutuações de capacidade durante os testes aéreos, a diferença média prevista foi de 0,046 Ah, e a BMS foi capaz de coletar dados de forma eficaz dentro da faixa limite dos sensores de tensão de corrente.