Teknologi BMS Pembelajaran Mendalam Membuka Tingkatan Baru dalam Kinerja Baterai Lithium-ion

Abstrak

Sistem Manajemen Baterai (BMS) sangat penting untuk memahami kinerja baterai dalam kondisi ekstrem, seperti pengujian kecepatan tinggi. Studi ini mengusulkan BMS baru untuk pemantauan berkelanjutan, transmisi, dan penyimpanan parameter utama seperti tegangan, arus, dan suhu paket baterai lithium-ion NCA {{0}}S selama pengujian tingkat tinggi. BMS ini menggabungkan teknologi pembelajaran mendalam untuk memprediksi status kesehatan baterai (diukur berdasarkan kapasitas pengosongan) dengan memantau parameter baterai eksternal. Dua eksperimen dilakukan: eksperimen statis untuk memverifikasi fungsi BMS, dan eksperimen kondisi kerja aktual (uji penyalahgunaan pembesaran tinggi dengan getaran pada kendaraan penggerak listrik) untuk mengevaluasi kinerja aktualnya. Hasilnya menunjukkan bahwa suhu permukaan puncak baterai selama kondisi penerbangan sebenarnya mencapai 55 derajat C, lebih tinggi dari pengujian statis; Algoritme estimasi kapasitas pembelajaran mendalam mendeteksi deviasi kapasitas rata-rata sebesar 0,04 Ah, menunjukkan status kesehatan yang akurat dengan memprediksi kapasitas baterai. BMS ini menunjukkan kemampuan pengumpulan dan prediksi data yang efektif, yang mencerminkan situasi aktual dalam pengujian penyalahgunaan.

1. Pendahuluan

Pentingnya baterai lithium-ion (LIB) dan teknologi terkait:LIB sangat penting dalam bidang teknologi saat ini dan banyak digunakan pada kendaraan listrik, drone, dan perangkat elektronik portabel. Dibandingkan dengan teknologi baterai tradisional, LIB memiliki keunggulan seperti kepadatan energi yang tinggi dan siklus hidup yang panjang, namun penerapannya secara luas juga menimbulkan tantangan penuaan baterai. Oleh karena itu, State of Health (SOH) merupakan parameter penting untuk mengukur penuaan baterai. Memperkirakan SOH secara akurat menghadapi banyak tantangan, dan sistem manajemen baterai (BMS) sangat penting untuk memantau parameter baterai secara akurat.

Desain dan indikator terkait PASI:Desain BMS biasanya terkait dengan aplikasi tertentu, dan selain SOH, State of Charge (SOC) dan Remaining Effective Life (RUL) juga merupakan indikator umum kesehatan baterai. Data untuk indikator ini biasanya berasal dari pengaturan akuisisi data kepemilikan (DAQ), yang dapat menyediakan data untuk pembelajaran mendalam (DL), namun memiliki keterbatasan seperti ukuran besar, biaya tinggi, dan menargetkan baterai tertentu. Mengintegrasikan teknologi DL dengan BMS tingkat lanjut merupakan pendekatan menjanjikan yang dapat mengatasi tantangan metode pengumpulan data dan memberikan skalabilitas.

Parameter penting dan persyaratan penelitian terkait LIB:SOH, SOC, RUL, dan C-rate merupakan parameter penting untuk kinerja LIB. Peningkatan C-rate akan menyebabkan penurunan kapasitas dan kinerja baterai. Metode pengumpulan data saat ini menghadapi tantangan seperti pengaturan yang kompleks dan akurasi sensor yang tidak jelas, sehingga memerlukan pengembangan kerangka BMS portabel yang inovatif untuk pengumpulan data dalam berbagai skenario aplikasi seperti pembesaran tinggi. Studi ini mengusulkan kerangka kerja komprehensif PASI yang mengintegrasikan model DL Jaringan Degradasi Kapasitas (CD Net) yang dikembangkan sebelumnya, yang dapat memenuhi persyaratan pemantauan propulsi listrik secara real-time. Kemampuan pengumpulan data dan integrasi modelnya telah diverifikasi melalui eksperimen.

2. Pengembangan PASI

Ikhtisar pengembangan BMS:Papan sirkuit tercetak dikembangkan untuk BMS yang diusulkan guna mengumpulkan data penting yang diperlukan untuk prediksi kesehatan baterai dan mengambil tindakan berdasarkan prediksi tersebut. BMS yang dikembangkan menggunakan data kondisi pengoperasian aktual (termasuk tegangan, arus, dan suhu baterai) untuk prediksi kesehatan baterai, dan data yang dikumpulkan dimasukkan ke dalam model pembelajaran mendalam (DL) untuk prediksi waktu nyata.

Pengukuran sensor

Pengukuran arus dan tegangan:Sensor arus sisi tinggi INA219 digunakan untuk mengukur arus dengan memasukkan resistor shunt. Untuk beradaptasi dengan skenario arus tinggi, resistor shunt default 0.1 Ω diganti dengan resistor 0.01 Ω, sehingga rentang pengukuran arus mencapai ± 32A.

Pengukuran suhu:Sensor PT100 Adafruit MAX31865 dipilih untuk mengukur suhu, yang memiliki konsumsi daya rendah, akurasi tinggi, dan stabilitas. Persamaan Callendar van Dusen digunakan untuk memperoleh hubungan antara suhu dan hambatan. Lima sensor digunakan untuk mengukur suhu permukaan dan suhu sekitar masing-masing empat baterai, dan kalibrasi dilakukan.

Kontrol perangkat:Pilih papan sirkuit Wi Fi Arduino Uno Rev 2 sebagai pengontrol, yang memiliki kemampuan perekaman data, prapemrosesan, dan transmisi. Ini memberikan daya ke jaringan sensor melalui regulator 5V internal dan menghubungkan sensor dan mikrokontroler menggunakan protokol SPI.

Estimasi SOH:Data tegangan dan suhu yang dikumpulkan oleh BMS dikirimkan ke komputer, dan data arus digunakan untuk menghitung status pengisian daya (SOC) baterai melalui metode penghitungan Coulomb. SOC, beserta kapasitas nominal dan komposisi kimia baterai, dimasukkan ke dalam model CD Net untuk memprediksi kapasitas pengosongan baterai dan menghitung SOH. Model CD Net menggunakan kombinasi jaringan saraf dengan struktur tertentu, yang dioptimalkan dan diproses untuk prediksi.

3. Pengaturan eksperimental

Ikhtisar pengaturan eksperimental:Paket baterai yang terdiri dari empat baterai 18650 Sony VTC 6 yang dihubungkan secara seri diuji menggunakan sistem kimia NCA. Spesifikasi yang relevan untuk masing-masing baterai dan paket baterai diperkenalkan.

Pengujian darat:Tujuannya adalah untuk menganalisis kinerja BMS yang baru dikembangkan sebelum diterapkan pada kendaraan penggerak listrik. Gunakan sistem NEWARE Powerwall CT-4004-20V20A sebagai beban, sambungkan BMS ke unit baterai dan beban, pantau voltase, arus, dan suhu permukaan setiap unit baterai, dan catat data dengan BMS. Tempatkan sensor RTD di tengah baterai dan catat arah baterai untuk memastikan konsistensi dalam pencatatan suhu. Lakukan 42 siklus pengisian dan pengosongan, dengan pola siklus yang mirip dengan eksperimen sertifikasi NASA untuk satelit kecil.

Pengujian udara:Dilakukan setelah pengujian di darat, menggunakan pesawat listrik (drone FLYWOO Explorer) selama 20 siklus pelepasan muatan untuk mengumpulkan data dalam kondisi pelepasan muatan berkecepatan tinggi. Pengenalan parameter pesawat yang relevan, paket baterai dipasang pada braket cetak 3D, BMS ada di atas, protokol pengisian daya konsisten dengan pengujian darat, tetapi siklus pelepasannya acak. Pesawat berada sekitar 1 kaki di atas tanah saat dilepaskan. Ketika BMS menunjukkan bahwa tegangan baterai mencapai 10V, pengosongan berhenti dan kendaraan beristirahat selama 0,167 jam sebelum diisi.

4. Hasil dan Pembahasan

Ringkasan Hasil Pembahasan:Memperkenalkan hasil dan temuan utama yang diperoleh dengan menggunakan BMS yang baru dikembangkan (termasuk prediksi model CD Net). BMS yang baru dikembangkan mengumpulkan data dari beban baterai statis dan dinamis dan terintegrasi secara mulus dengan model DL seperti CD Net, memberikan fleksibilitas untuk beradaptasi dengan perkembangan teknologi.

Hasil uji lapangan

Pengukuran kurva tegangan:Data waktu tegangan dari 42 siklus pengisian dan pengosongan BMS dan peralatan pengujian (BAn) serupa. Meskipun data BMS memiliki kelambatan awal, namun pada akhirnya data tersebut menyatu, dengan deviasi rata-rata sebesar 0,2V di antara keduanya. Bagian tegangan konstan dari kurva pelepasan dapat digunakan untuk mempelajari hubungan dengan SOH, dan penyimpangan tersebut disebabkan oleh perbedaan kecepatan transmisi data dan jam internal.

Pengukuran kurva saat ini:Data BMS dan BAn saat ini dicocokkan secara keseluruhan, dan perubahan arus selama tahap pengosongan dan pengisian mengikuti aturan. Namun, terdapat keterlambatan dalam pembacaan data BMS selama tahap konversi saat ini, yang mengakibatkan beberapa penyimpangan. Setelah menghilangkan titik data deviasi yang besar, deviasi rata-rata menjadi lebih kecil, dan pembacaan arus lebih akurat daripada pembacaan tegangan.

Pengukuran kurva suhu:Pantau suhu permukaan empat baterai dan temukan bahwa suhu meningkat secara bertahap selama proses pengisian dan pengosongan, mencapai titik tertinggi pada akhir pengisian arus konstan. Kemudian, suhu berubah selama pengisian dan pengosongan tegangan konstan. Baterai keempat dalam paket baterai memiliki suhu yang relatif tinggi, dan BMS dapat mendeteksi dan menampilkan perbedaan suhu setiap baterai. Anomali suhu dapat digunakan untuk manajemen baterai.

Hasil tes udara

Pengukuran kurva arus dan tegangan:Selama penerbangan drone, arus berubah secara acak, dan BMS dapat secara akurat mencatat arus pelepasan laju tinggi. Arus pelepasan meningkat seiring dengan banyaknya pengujian, dan tegangan menurun dari 16.8V menjadi 10V selama proses pelepasan. Arus dan tegangan dipengaruhi oleh penyesuaian sikap penerbangan selama penerbangan.

Pengukuran kurva suhu:Selama pengujian udara, suhu permukaan baterai lebih tinggi dibandingkan saat pengujian di darat, dengan suhu maksimum sekitar 55 derajat C. Selama proses pengisian, suhu cenderung menurun, dan selama proses pengosongan, suhu meningkat secara bertahap. Terdapat perbedaan suhu di antara baterai yang berbeda, dan fluktuasi suhu dipengaruhi oleh penyesuaian sikap penerbangan.

Hasil ansambel pembelajaran mendalam:Dalam pengujian di lapangan, kapasitas baterai secara bertahap menurun, dan model CD Net memperkirakan kapasitas dari siklus ke-5, yang serupa dengan kapasitas hitungan Coulomb yang dicatat oleh BMS. Prediksi model tersebut relatif akurat; Kapasitas penghitungan Coulomb tidak stabil selama pengujian udara, namun model masih mampu memprediksi dengan perbedaan rata-rata sebesar 0.046Ah. Dengan membandingkan kapasitas yang diukur dengan metode penghitungan Coulomb dengan prediksi kapasitas model, keberhasilan integrasi model BMS dan DL diverifikasi, yang dapat digunakan untuk memprediksi Status Kesehatan (SOH) baterai.

5. Ringkasan

Ringkasan temuan penelitian:Pengumpulan data kondisi kerja aktual kendaraan penggerak listrik memerlukan BMS portabel yang dapat beroperasi dalam kondisi sulit, seperti pelepasan LIB dengan laju tinggi. Penelitian ini mengusulkan arsitektur BMS baru, yang menggunakan kerangka kerja edge dan cloud untuk merekam, mengirim dan menerima data, dan dapat menangani debit tingkat tinggi, menggantikan metode tradisional berdasarkan bus CAN dan komputer edge.

Ringkasan hasil tes:Uji coba darat dan udara dilakukan, dan suhu permukaan baterai paling tinggi pada akhir tahap arus konstan pengosongan. Suhu permukaan baterai bahkan lebih tinggi dalam uji udara, mencapai suhu maksimum hampir 55 derajat C. Peningkatan suhu mungkin disebabkan oleh faktor-faktor seperti penuaan baterai dan perubahan SOC, dan suhu yang berlebihan dapat menyebabkan kegagalan baterai. Selama 42 siklus di darat dan 20 siklus di udara, suhu permukaan meningkat secara bertahap.

Hasil prediksi model:Dengan menggunakan data yang dikumpulkan, model CD Net memprediksi Status Kesehatan (SOH) baterai dalam kondisi pengoperasian sebenarnya. Prediksi kapasitas model untuk siklus berikutnya dalam pengujian lapangan relatif akurat, dengan deviasi rata-rata sebesar {{0}},026 Ah; Meskipun terdapat fluktuasi kapasitas selama pengujian udara, perbedaan rata-rata yang diprediksi adalah 0,046 Ah, dan BMS mampu mengumpulkan data secara efektif dalam rentang ambang batas sensor tegangan arus.