Deep Learning BMS-teknik låser upp nya höjder i litiumjonbatteriprestanda

Abstrakt

Battery Management System (BMS) är avgörande för att förstå batteriprestanda under extrema förhållanden, såsom höghastighetstestning. Den här studien föreslår ett nytt BMS för kontinuerlig övervakning, överföring och lagring av nyckelparametrar som spänning, ström och temperatur hos NCA {0}}S litiumjonbatterier under höghastighetstestning. Denna BMS kombinerar djupinlärningsteknik för att förutsäga batteriets hälsostatus (mätt med urladdningskapacitet) genom att övervaka externa batteriparametrar. Två experiment utfördes: statiskt experiment för att verifiera BMS-funktionen, och faktiska arbetsvillkorsexperiment (missbrukstest med hög förstoring med vibrationer på elektriska framdrivningsfordon) för att utvärdera dess faktiska prestanda. Resultaten visade att den maximala yttemperaturen på batteriet under faktiska flygförhållanden nådde 55 grader C, vilket var högre än det statiska testet; Algoritmen för uppskattning av djupinlärningskapacitet upptäckte en genomsnittlig kapacitetsavvikelse på 0,04 Ah, vilket visar korrekt hälsostatus genom att förutsäga batterikapacitet. Detta BMS visar effektiv datainsamling och förutsägelse, vilket återspeglar den faktiska situationen vid missbrukstestning.

1. Introduktion

Vikten av litiumjonbatterier (LIB) och deras relaterade teknologier:LIB:er är avgörande inom det nuvarande tekniska området och används ofta i elfordon, drönare och bärbara elektroniska enheter. Jämfört med traditionell batteriteknik har LIB:er fördelar som hög energitäthet och lång livslängd, men deras utbredda tillämpning medför också utmaningar med batteriåldring. Därför är State of Health (SOH) en viktig parameter för att mäta batteriåldring. Att noggrant uppskatta SOH står inför många utmaningar, och batterihanteringssystem (BMS) är avgörande för att noggrant övervaka batteriparametrar.

Design och relaterade indikatorer för BMS:Utformningen av BMS är vanligtvis relaterad till specifika applikationer, och förutom SOH är State of Charge (SOC) och Remaining Useful Life (RUL) också vanliga indikatorer på batteriets hälsa. Data för dessa indikatorer kommer vanligtvis från proprietära datainsamlingsinställningar (DAQ), som kan tillhandahålla data för djupinlärning (DL), men har begränsningar som stor storlek, höga kostnader och inriktning på specifika batterier. Att integrera DL-teknik med avancerad BMS är ett lovande tillvägagångssätt som kan övervinna utmaningarna med datainsamlingsmetoder och ge skalbarhet.

Viktiga parametrar och relaterade forskningskrav för LIB:er:SOH, SOC, RUL och C-rate är alla viktiga parametrar för LIBs prestanda. En ökning av C-hastigheten kommer att leda till en minskning av batterikapacitet och prestanda. De nuvarande datainsamlingsmetoderna står inför utmaningar som komplexa inställningar och oklar sensornoggrannhet, vilket kräver utveckling av innovativa bärbara BMS-ramverk för datainsamling i olika applikationsscenarier såsom hög förstoring. Denna studie föreslår ett BMS omfattande ramverk som integrerar den tidigare utvecklade Capacity Degradation Network (CD Net) DL-modellen, som kan möta realtidsövervakningskraven för elektrisk framdrivning. Dess datainsamlings- och modellintegreringsförmåga har verifierats genom experiment.

2. Utveckling av BMS

Översikt över BMS-utveckling:Ett tryckt kretskort utvecklades för det föreslagna BMS för att samla in nyckeldata som krävs för att förutsäga batteriets hälsa och vidta åtgärder baserat på förutsägelsen. Det utvecklade BMS-systemet använder faktiska drifttillståndsdata (inklusive batterispänning, ström och temperatur) för att förutsäga batteriets hälsa, och den insamlade informationen matas in i en djupinlärningsmodell (DL) för förutsägelse i realtid.

Sensormätning

Ström- och spänningsmätning:Högsidans strömsensor INA219 används för att mäta strömmen genom att sätta in ett shuntmotstånd. För att anpassa sig till scenarier med hög ström, ersätts standard shuntmotståndet 0.1 Ω med ett 0.01 Ω motstånd, vilket gör att strömmätområdet når ± 32A.

Temperaturmätning:PT100 Adafruit MAX31865 sensor är vald för att mäta temperatur, som har låg strömförbrukning, hög noggrannhet och stabilitet. Callendar van Dusen-ekvationen används för att erhålla sambandet mellan temperatur och motstånd. Fem sensorer används för att mäta yttemperaturen och omgivningstemperaturen för fyra batterier respektive, och kalibrering utförs.

Enhetskontroll:Välj Arduino Uno Rev 2 Wi Fi-kretskort som styrenhet, som har datainspelning, förbearbetning och överföringsmöjligheter. Den ger ström till sensornätverket genom sin interna 5V-regulator och ansluter sensorn och mikrokontrollern med SPI-protokoll.

SOH-uppskattning:Spännings- och temperaturdata som samlas in av BMS överförs till datorn och aktuella data används för att beräkna batteriets laddningstillstånd (SOC) genom Coulomb-räknemetoden. SOC, tillsammans med batteriets nominella kapacitet och kemiska sammansättning, matas in i CD Net-modellen för att förutsäga batteriets urladdningskapacitet och beräkna SOH. CD Net-modellen använder en kombination av neurala nätverk med specifika strukturer, som är optimerade och bearbetade för förutsägelse.

3. Experimentell uppställning

Översikt över experimentinställning:Ett batteripaket bestående av fyra 18650 Sony VTC 6-batterier anslutna i serie testades med NCA-kemiska system. De relevanta specifikationerna för enskilda batterier och batteripaket introducerades.

Markprovning:Syftet är att analysera prestandan hos det nyutvecklade BMS innan det appliceras på elektriska framdrivningsfordon. Använd NEWARE Powerwall CT-4004-20V20A-systemet som belastning, anslut BMS till batteripaketet och ladda, övervaka spänningen, strömmen och yttemperaturen för varje batteripaket och registrera data med BMS. Placera en RTD-sensor i mitten av batteriet och registrera batteripaketets riktning för att säkerställa konsekvent temperaturregistrering. Utför 42 laddnings- och urladdningscykler, med ett cykelmönster som liknar NASA:s certifieringsexperiment för små satelliter.

Flygprovning:Utfördes efter marktest, med ett elektriskt flygplan (FLYWOO Explorer-drönare) för 20 laddningsurladdningscykler för att samla in data under höghastighetsurladdningsförhållanden. Introduktion till flygplanets relevanta parametrar, batteripaketet är installerat på en 3D-utskriven konsol, BMS är på toppen, laddningsprotokollet överensstämmer med marktestning, men urladdningscykeln är slumpmässig. Flygplanet befinner sig cirka 1 fot över marken under urladdning. När BMS visar att batterispänningen når 10V stannar urladdningen och fordonet vilar i 0,167 timmar innan det laddas.

4. Resultat och diskussion

Sammanfattning av resultatdiskussion:Introducerar resultaten och nyckelfynd som erhållits med det nyutvecklade BMS (inklusive CD Net-modellförutsägelse). Det nyutvecklade BMS samlar in data från statiska och dynamiska batteribelastningar och integreras sömlöst med DL-modeller som CD Net, vilket ger flexibilitet att anpassa sig till den tekniska utvecklingen.

Marktestresultat

Mätning av spänningskurvan:Spänningstidsdata för 42 laddnings- och urladdningscykler för BMS och testutrustning (BAn) är liknande. Även om BMS-data har initial fördröjning, konvergerar den så småningom, med en genomsnittlig avvikelse på 0.2V mellan de två. Den konstanta spänningsdelen av urladdningskurvan kan användas för att studera sambandet med SOH, och avvikelsen beror på skillnader i dataöverföringshastighet och intern klocka.

Aktuell kurvmätning:Aktuella data för BMS och BAn matchas som en helhet, och de aktuella förändringarna under urladdnings- och laddningsstadierna följer reglerna. Det finns dock en fördröjning i BMS-läsningsdata under det aktuella konverteringsskedet, vilket resulterar i vissa avvikelser. Efter att ha tagit bort datapunkter för stora avvikelser är den genomsnittliga avvikelsen mindre och strömavläsningen är mer exakt än spänningsavläsningen.

Temperaturkurvamätning:Övervaka yttemperaturen på fyra batterier och upptäck att temperaturen gradvis ökar under laddning och urladdning, och når sin högsta punkt vid slutet av konstant strömladdning. Sedan ändras temperaturen under konstant spänningsladdning och urladdning. Det fjärde batteriet i batteripaketet har en relativt hög temperatur, och BMS kan upptäcka och visa temperaturskillnaderna för varje batteri. Temperaturavvikelser kan användas för batterihantering.

Resultat från flygprov

Mätning av ström- och spänningskurvor:Under drönarens flygning ändras strömmen slumpmässigt, och BMS kan noggrant registrera den höga urladdningsströmmen. Urladdningsströmmen ökar med antalet tester, och spänningen minskar från 16,8V till 10V under urladdningsprocessen. Strömmen och spänningen påverkas av justeringen av flygläge under flygningen.

Temperaturkurvamätning:Vid luftprovning är batteriets yttemperatur högre än vid markprovning, med en maxtemperatur på cirka 55 grader C. Under laddningsprocessen tenderar temperaturen att minska, och under urladdningsprocessen ökar temperaturen gradvis. Det finns skillnader i temperatur mellan olika batterier, och temperaturfluktuationer påverkas av justeringar av flygläge.

Deep learning-ensembleresultat:I marktester minskade batterikapaciteten gradvis, och CD Net-modellen förutspådde kapaciteten från den 5:e cykeln, vilket liknade Coulomb-räknekapaciteten registrerad av BMS. Modellens förutsägelse var relativt korrekt; Coulombs räknekapacitet var instabil under flygprovning, men modellen kunde fortfarande förutsäga med en genomsnittlig skillnad på 0.046Ah. Genom att jämföra kapaciteten uppmätt med Coulomb-räknemetoden med den förutsagda kapaciteten hos modellen, verifierades den framgångsrika integrationen av BMS- och DL-modeller, som kan användas för att förutsäga hälsotillståndet (SOH) för batterier.

5. Sammanfattning

Sammanfattning av forskningsresultat:Den faktiska insamlingen av arbetsvillkorsdata för elektriska framdrivningsfordon kräver en bärbar BMS som kan fungera under svåra förhållanden, såsom höghastighetsurladdning av LIB. Denna forskning föreslår en ny BMS-arkitektur, som använder kant- och molnramverk för att spela in, sända och ta emot data, och som kan hantera höghastighetsurladdning, och ersätta de traditionella metoderna baserade på CAN-buss- och kantdatorer.

Sammanfattning av testresultat:Mark- och lufttester utfördes och yttemperaturen på batteriet var högst i slutet av urladdningskonstantströmsteget. Batteriets yttemperatur var ännu högre i lufttestet och nådde ett maximum av nästan 55 grader C. Temperaturökningen kan orsakas av faktorer som batteriets åldrande och SOC-förändringar, och för hög temperatur kan leda till batteriavbrott. Under 42 cykler på marken och 20 cykler i luften ökade yttemperaturen gradvis.

Resultat för modellförutsägelser:Med hjälp av insamlade data förutsäger CD Net-modellen batteriets hälsotillstånd (SOH) under faktiska driftsförhållanden. Modellens kapacitetsförutsägelse för nästa cykel i marktestning är relativt exakt, med en genomsnittlig avvikelse på {{0}}.026 Ah; Även om det förekom kapacitetsfluktuationer under antenntestning var den förutsagda genomsnittliga skillnaden 0,046 Ah, och BMS kunde effektivt samla in data inom tröskelområdet för strömspänningssensorer.