Deep Learning BMS-teknologi låser opp nye høyder i litium-ion-batteriytelse

Abstrakt

Battery Management System (BMS) er avgjørende for å forstå batteriytelsen under ekstreme forhold, som høyhastighetstesting. Denne studien foreslår et nytt BMS for kontinuerlig overvåking, overføring og lagring av nøkkelparametere som spenning, strøm og temperatur til NCA {0}}S litiumionbatteripakker under høyhastighetstesting. Denne BMS-en kombinerer dyplæringsteknologi for å forutsi helsestatusen til batteriet (målt ved utladningskapasitet) ved å overvåke eksterne batteriparametere. To eksperimenter ble utført: statisk eksperiment for å verifisere BMS-funksjonen, og faktisk arbeidstilstandseksperiment (misbrukstest med høy forstørrelse med vibrasjon på elektriske fremdriftskjøretøyer) for å evaluere den faktiske ytelsen. Resultatene viste at toppoverflatetemperaturen til batteriet under faktiske flyforhold nådde 55 grader C, som var høyere enn den statiske testen; Algoritmen for estimering av dyp læringskapasitet oppdaget et gjennomsnittlig kapasitetsavvik på 0,04 Ah, og demonstrerte nøyaktig helsestatus ved å forutsi batterikapasitet. Denne BMS demonstrerer effektive datainnsamlings- og prediksjonsevner, som gjenspeiler den faktiske situasjonen i misbrukstesting.

1. Introduksjon

Viktigheten av litium-ion-batterier (LIB) og deres relaterte teknologier:LIB-er er avgjørende i det nåværende teknologiske feltet og mye brukt i elektriske kjøretøy, droner og bærbare elektroniske enheter. Sammenlignet med tradisjonell batteriteknologi har LIB-er fordeler som høy energitetthet og lang levetid, men deres utbredte anvendelse byr også på utfordringer med aldring av batterier. Derfor er helsetilstand (SOH) en viktig parameter for å måle batterialdring. Nøyaktig estimering av SOH står overfor mange utfordringer, og batteristyringssystemer (BMS) er avgjørende for nøyaktig overvåking av batteriparametere.

Design og relaterte indikatorer for BMS:Utformingen av BMS er vanligvis relatert til spesifikke applikasjoner, og i tillegg til SOH er State of Charge (SOC) og Remaining Useful Life (RUL) også vanlige indikatorer på batterihelse. Dataene for disse indikatorene kommer vanligvis fra proprietære datainnsamlingsinnstillinger (DAQ), som kan gi data for dyp læring (DL), men har begrensninger som stor størrelse, høye kostnader og målretting mot spesifikke batterier. Å integrere DL-teknologi med avansert BMS er en lovende tilnærming som kan overvinne utfordringene med datainnsamlingsmetoder og gi skalerbarhet.

Viktige parametere og relaterte forskningskrav til LIBer:SOH, SOC, RUL og C-rate er alle viktige parametere for LIBs ytelse. En økning i C-rate vil føre til en reduksjon i batterikapasitet og ytelse. De nåværende datainnsamlingsmetodene står overfor utfordringer som komplekse innstillinger og uklar sensornøyaktighet, og krever derfor utvikling av innovative bærbare BMS-rammeverk for datainnsamling i ulike applikasjonsscenarier som høy forstørrelse. Denne studien foreslår et BMS omfattende rammeverk som integrerer den tidligere utviklede Capacity Degradation Network (CD Net) DL-modellen, som kan møte sanntidsovervåkingskravene til elektrisk fremdrift. Dens datainnsamlings- og modellintegreringsevner har blitt verifisert gjennom eksperimenter.

2. Utvikling av BMS

Oversikt over BMS-utvikling:Et trykt kretskort ble utviklet for den foreslåtte BMS for å samle nøkkeldata som kreves for batterihelseprediksjon og iverksette tiltak basert på prediksjonen. Den utviklede BMS-en bruker faktiske driftstilstandsdata (inkludert batterispenning, strøm og temperatur) for batterihelseprediksjon, og de innsamlede dataene legges inn i en dyplæringsmodell (DL) for sanntidsprediksjon.

Sensormåling

Strøm- og spenningsmåling:Høysidestrømsensoren INA219 brukes til å måle strømmen ved å sette inn en shuntmotstand. For å tilpasse seg scenarier med høy strøm, erstattes standard 0.1 Ω shuntmotstand med en 0.01 Ω motstand, slik at strømmåleområdet når ± 32A.

Temperaturmåling:PT100 Adafruit MAX31865 sensor er valgt for å måle temperatur, som har lavt strømforbruk, høy nøyaktighet og stabilitet. Callendar van Dusen-ligningen brukes for å finne forholdet mellom temperatur og motstand. Fem sensorer brukes til å måle overflatetemperaturen og omgivelsestemperaturen til henholdsvis fire batterier, og kalibrering utføres.

Enhetskontroll:Velg Arduino Uno Rev 2 Wi Fi-kretskortet som kontrolleren, som har dataopptak, forbehandling og overføringsmuligheter. Den gir strøm til sensornettverket gjennom sin interne 5V-regulator og kobler sensoren og mikrokontrolleren ved hjelp av SPI-protokollen.

SOH-estimat:Spennings- og temperaturdataene som samles inn av BMS, overføres til datamaskinen, og gjeldende data brukes til å beregne ladetilstanden (SOC) til batteriet gjennom Coulomb-tellemetoden. SOC, sammen med batteriets nominelle kapasitet og kjemiske sammensetning, legges inn i CD Net-modellen for å forutsi utladingskapasiteten til batteriet og beregne SOH. CD Net-modellen bruker en kombinasjon av nevrale nettverk med spesifikke strukturer, som er optimalisert og behandlet for prediksjon.

3. Eksperimentelt oppsett

Oversikt over eksperimentelt oppsett:En batteripakke bestående av fire 18650 Sony VTC 6-batterier koblet i serie ble testet med NCA-kjemiske system. De relevante spesifikasjonene for individuelle batterier og batteripakker ble introdusert.

Bakketesting:Hensikten er å analysere ytelsen til den nyutviklede BMS-en før den brukes på elektriske fremdriftskjøretøyer. Bruk NEWARE Powerwall CT-4004-20V20A-systemet som last, koble BMS til batteripakken og last, overvåk spenningen, strømmen og overflatetemperaturen til hver batteripakke, og registrer dataene med BMS. Plasser en RTD-sensor i midten av batteriet og registrer retningen til batteripakken for å sikre konsistent temperaturregistrering. Utfør 42 lade- og utladingssykluser, med et syklusmønster som ligner på NASAs sertifiseringseksperiment for små satellitter.

Lufttesting:Utført etter bakketesting, ved bruk av et elektrisk fly (FLYWOO Explorer-drone) for 2 0 ladeutladningssykluser for å samle inn data under høyhastighetsutladningsforhold. Introduksjon til de relevante parameterne til flyet, batteripakken er installert på en 3D-trykt brakett, BMS er på toppen, ladeprotokollen er i samsvar med bakketesting, men utladningssyklusen er tilfeldig. Flyet er omtrent 1 fot over bakken under utladning. Når BMS viser at batterispenningen når 10V, stopper utladingen og kjøretøyet hviler i 0,167 timer før lading.

4. Resultater og diskusjon

Oppsummering av resultatdiskusjon:Introduserer resultatene og nøkkelfunnene oppnådd ved bruk av det nyutviklede BMS (inkludert CD Net-modellprediksjon). Det nyutviklede BMS samler inn data fra statiske og dynamiske batteribelastninger og integreres sømløst med DL-modeller som CD Net, og gir fleksibilitet til å tilpasse seg teknologisk utvikling.

Resultat av jordprøver

Spenningskurvemåling:Spenningstidsdataene for 42 lade- og utladingssykluser for BMS og testutstyr (BAn) er like. Selv om BMS-dataene har initial forsinkelse, konvergerer de til slutt, med et gjennomsnittlig avvik på 0.2V mellom de to. Den konstante spenningsdelen av utladningskurven kan brukes til å studere sammenhengen med SOH, og avviket skyldes forskjeller i dataoverføringshastighet og intern klokke.

Nåværende kurvemåling:Gjeldende data til BMS og BAn er matchet som en helhet, og gjeldende endringer under utladnings- og ladestadiet følger reglene. Det er imidlertid en forsinkelse i BMS-lesing av data under det nåværende konverteringsstadiet, noe som resulterer i noen avvik. Etter å ha fjernet datapunkter for store avvik, er gjennomsnittsavviket mindre, og strømavlesningen er mer nøyaktig enn spenningsavlesningen.

Temperaturkurvemåling:Overvåk overflatetemperaturen til fire batterier og finn ut at temperaturen gradvis øker under lade- og utladingsprosessen, og når sitt høyeste punkt ved slutten av konstant strømlading. Deretter endres temperaturen under konstant spenningslading og -utlading. Det fjerde batteriet i batteripakken har en relativt høy temperatur, og BMS kan oppdage og vise temperaturforskjellene til hvert batteri. Temperaturavvik kan brukes til batteristyring.

Luftprøveresultater

Måling av strøm- og spenningskurver:Under flyturen av dronen endres strømmen tilfeldig, og BMS kan registrere den høye utladningsstrømmen nøyaktig. Utladningsstrømmen øker med antall tester, og spenningen synker fra 16,8V til 10V under utladingsprosessen. Strøm og spenning påvirkes av justeringen av flyholdningen under flyturen.

Temperaturkurvemåling:Under lufttesting er overflatetemperaturen på batteriet høyere enn ved bakketesting, med en maksimal temperatur på ca. 55 grader C. Under ladeprosessen har temperaturen en tendens til å synke, og under utladingsprosessen øker temperaturen gradvis. Det er forskjeller i temperatur mellom forskjellige batterier, og temperatursvingninger påvirkes av justeringer av flyholdning.

Resultater for ensemble med dyp læring:I bakketesting ble batterikapasiteten gradvis redusert, og CD Net-modellen spådde kapasiteten fra den 5. syklusen, som var lik Coulomb-tellekapasiteten registrert av BMS. Modellens prediksjon var relativt nøyaktig; Coulomb-tellekapasiteten var ustabil under lufttesting, men modellen var fortsatt i stand til å forutsi med en gjennomsnittlig forskjell på 0.046Ah. Ved å sammenligne kapasiteten målt med Coulomb-tellemetoden med den forutsagte kapasiteten til modellen, ble den vellykkede integrasjonen av BMS- og DL-modeller verifisert, som kan brukes til å forutsi helsetilstanden (SOH) til batterier.

5. Sammendrag

Oppsummering av forskningsfunn:Selve datainnsamlingen av arbeidsforhold for elektriske fremdriftskjøretøyer krever en bærbar BMS som kan fungere under tøffe forhold, for eksempel høyhastighetsutladning av LIBer. Denne forskningen foreslår en ny BMS-arkitektur, som bruker kant- og sky-rammeverk for å registrere, overføre og motta data, og kan håndtere høyhastighetsutladning, og erstatte de tradisjonelle metodene basert på CAN-buss- og kantdatamaskiner.

Sammendrag av testresultater:Bakke- og lufttester ble utført, og overflatetemperaturen til batteriet var høyest ved slutten av utladningskonstantstrømstadiet. Overflatetemperaturen på batteriet var enda høyere i lufttesten, og nådde et maksimum på nesten 55 grader C. Temperaturøkningen kan skyldes faktorer som batterialdring og SOC-endringer, og for høy temperatur kan føre til batterisvikt. I løpet av 42 sykluser på bakken og 20 sykluser i luften økte overflatetemperaturen gradvis.

Modellprediksjonsresultater:Ved å bruke de innsamlede dataene forutsier CD Net-modellen batteriets helsetilstand (SOH) under faktiske driftsforhold. Modellens kapasitetsprediksjon for neste syklus i bakketesting er relativt nøyaktig, med et gjennomsnittlig avvik på {{0}}.026 Ah; Selv om det var kapasitetssvingninger under lufttesting, var den anslåtte gjennomsnittlige forskjellen 0,046 Ah, og BMS var i stand til effektivt å samle inn data innenfor terskelområdet til strømspenningssensorer.