Die Deep-Learning-BMS-Technologie erschließt neue Höhen bei der Leistung von Lithium-Ionen-Batterien

Abstrakt

Das Batteriemanagementsystem (BMS) ist entscheidend für das Verständnis der Batterieleistung unter extremen Bedingungen, wie z. B. bei Hochgeschwindigkeitstests. Diese Studie schlägt ein neuartiges BMS für die kontinuierliche Überwachung, Übertragung und Speicherung von Schlüsselparametern wie Spannung, Strom und Temperatur von NCA {{0}}S-Lithium-Ionen-Batteriepacks während Hochgeschwindigkeitstests vor. Dieses BMS kombiniert Deep-Learning-Technologie, um den Gesundheitszustand der Batterie (gemessen an der Entladekapazität) durch Überwachung externer Batterieparameter vorherzusagen. Es wurden zwei Experimente durchgeführt: ein statisches Experiment zur Überprüfung der BMS-Funktion und ein Experiment unter tatsächlichen Betriebsbedingungen (Missbrauchstest mit hoher Vergrößerung und Vibration an Fahrzeugen mit Elektroantrieb), um die tatsächliche Leistung zu bewerten. Die Ergebnisse zeigten, dass die Spitzenoberflächentemperatur der Batterie unter tatsächlichen Flugbedingungen 55 °C erreichte, was höher war als beim statischen Test; Der Deep-Learning-Algorithmus zur Kapazitätsschätzung erkannte eine durchschnittliche Kapazitätsabweichung von 0,04 Ah und zeigte durch die Vorhersage der Batteriekapazität einen genauen Gesundheitszustand auf. Dieses BMS demonstriert effektive Datenerfassungs- und Vorhersagefähigkeiten und spiegelt die tatsächliche Situation bei Missbrauchstests wider.

1. Einführung

Die Bedeutung von Lithium-Ionen-Batterien (LIBs) und den damit verbundenen Technologien:LIBs sind im aktuellen Technologiebereich von entscheidender Bedeutung und werden häufig in Elektrofahrzeugen, Drohnen und tragbaren elektronischen Geräten eingesetzt. Im Vergleich zur herkömmlichen Batterietechnologie bieten LIBs Vorteile wie eine hohe Energiedichte und eine lange Zyklenlebensdauer, ihre weit verbreitete Anwendung bringt jedoch auch Herausforderungen hinsichtlich der Batteriealterung mit sich. Daher ist der State of Health (SOH) ein wichtiger Parameter zur Messung der Batteriealterung. Die genaue Schätzung des SOH steht vor vielen Herausforderungen, und Batteriemanagementsysteme (BMS) sind für die genaue Überwachung der Batterieparameter von entscheidender Bedeutung.

Design und zugehörige Indikatoren von BMS:Das Design von BMS hängt in der Regel von bestimmten Anwendungen ab, und neben dem SOH sind auch der Ladezustand (SOC) und die verbleibende Nutzungsdauer (RUL) übliche Indikatoren für den Batteriezustand. Die Daten für diese Indikatoren stammen in der Regel aus proprietären Datenerfassungseinstellungen (DAQ), die Daten für Deep Learning (DL) bereitstellen können, jedoch Einschränkungen wie große Größe, hohe Kosten und die Ausrichtung auf bestimmte Batterien aufweisen. Die Integration der DL-Technologie mit fortschrittlichem BMS ist ein vielversprechender Ansatz, der die Herausforderungen der Datenerfassungsmethoden überwinden und Skalierbarkeit bieten kann.

Wichtige Parameter und damit verbundene Forschungsanforderungen von LIBs:SOH, SOC, RUL und C-Rate sind wichtige Parameter für die Leistung von LIBs. Eine Erhöhung der C-Rate führt zu einer Verringerung der Batteriekapazität und -leistung. Die aktuellen Datenerfassungsmethoden stehen vor Herausforderungen wie komplexen Einstellungen und unklarer Sensorgenauigkeit und erfordern daher die Entwicklung innovativer tragbarer BMS-Frameworks für die Datenerfassung in verschiedenen Anwendungsszenarien wie hoher Vergrößerung. In dieser Studie wird ein umfassendes BMS-Framework vorgeschlagen, das das zuvor entwickelte DL-Modell des Capacity Degradation Network (CD Net) integriert und die Echtzeitüberwachungsanforderungen elektrischer Antriebe erfüllen kann. Seine Datenerfassungs- und Modellintegrationsfunktionen wurden durch Experimente überprüft.

2. Entwicklung von BMS

Überblick über die BMS-Entwicklung:Für das vorgeschlagene BMS wurde eine Leiterplatte entwickelt, um wichtige Daten zu sammeln, die für die Vorhersage des Batteriezustands erforderlich sind, und auf der Grundlage der Vorhersage Maßnahmen zu ergreifen. Das entwickelte BMS nutzt tatsächliche Betriebszustandsdaten (einschließlich Batteriespannung, -strom und -temperatur) zur Vorhersage des Batteriezustands und die gesammelten Daten werden zur Echtzeitvorhersage in ein Deep-Learning-Modell (DL) eingegeben.

Sensormessung

Strom- und Spannungsmessung:Der High-Side-Stromsensor INA219 dient zur Messung des Stroms durch Einfügen eines Shunt-Widerstands. Zur Anpassung an Hochstromszenarien wird der standardmäßige 0.1 Ω-Shunt-Widerstand durch einen 0.01 Ω-Widerstand ersetzt, sodass der Strommessbereich ± 32 A erreichen kann.

Temperaturmessung:Der PT100 Adafruit MAX31865-Sensor wurde für die Temperaturmessung ausgewählt und zeichnet sich durch geringen Stromverbrauch, hohe Genauigkeit und Stabilität aus. Um den Zusammenhang zwischen Temperatur und Widerstand zu ermitteln, wird die Callendar-van-Dusen-Gleichung verwendet. Mit fünf Sensoren werden die Oberflächentemperatur und die Umgebungstemperatur von jeweils vier Batterien gemessen und eine Kalibrierung durchgeführt.

Gerätesteuerung:Wählen Sie die Arduino Uno Rev 2 Wi-Fi-Platine als Controller, die über Datenaufzeichnungs-, Vorverarbeitungs- und Übertragungsfunktionen verfügt. Es versorgt das Sensornetzwerk über seinen internen 5-V-Regler mit Strom und verbindet den Sensor und den Mikrocontroller über das SPI-Protokoll.

SOH-Schätzung:Die vom BMS gesammelten Spannungs- und Temperaturdaten werden an den Computer übertragen und die aktuellen Daten werden zur Berechnung des Ladezustands (SOC) der Batterie mithilfe der Coulomb-Zählmethode verwendet. Der SOC wird zusammen mit der Nennkapazität und der chemischen Zusammensetzung der Batterie in das CD-Net-Modell eingegeben, um die Entladekapazität der Batterie vorherzusagen und den SOH zu berechnen. Das CD-Net-Modell verwendet eine Kombination neuronaler Netze mit spezifischen Strukturen, die für die Vorhersage optimiert und verarbeitet werden.

3. Versuchsaufbau

Übersicht zum Versuchsaufbau:Ein Akkupack, bestehend aus vier in Reihe geschalteten 18650 Sony VTC 6-Akkus, wurde mit dem NCA-Chemiesystem getestet. Die relevanten Spezifikationen einzelner Batterien und Batteriepakete wurden eingeführt.

Bodentests:Der Zweck besteht darin, die Leistung des neu entwickelten BMS zu analysieren, bevor es auf Fahrzeuge mit Elektroantrieb angewendet wird. Verwenden Sie das NEWARE Powerwall CT-4004-20V20A-System als Last, schließen Sie das BMS an den Akku und die Ladung an, überwachen Sie die Spannung, den Strom und die Oberflächentemperatur jedes Akkus und zeichnen Sie die Daten mit dem BMS auf. Platzieren Sie einen RTD-Sensor in der Mitte der Batterie und zeichnen Sie die Richtung des Batteriepakets auf, um eine konsistente Temperaturaufzeichnung sicherzustellen. Führen Sie 42 Lade- und Entladezyklen durch, mit einem Zyklusmuster, das dem Zertifizierungsexperiment der NASA für Kleinsatelliten ähnelt.

Lufttests:Durchgeführt nach Bodentests mit einem Elektroflugzeug (FLYWOO Explorer-Drohne) für 20 Lade-Entlade-Zyklen, um Daten unter Hochentladebedingungen zu sammeln. Einführung in die relevanten Parameter des Flugzeugs, der Akku ist auf einer 3D-gedruckten Halterung installiert, das BMS befindet sich oben, das Ladeprotokoll entspricht dem Bodentest, der Entladezyklus ist jedoch zufällig. Während des Ausstoßes befindet sich das Flugzeug etwa 1 Fuß über dem Boden. Wenn das BMS anzeigt, dass die Batteriespannung 10 V erreicht, stoppt die Entladung und das Fahrzeug ruht 0,167 Stunden lang, bevor es aufgeladen wird.

4. Ergebnisse und Diskussion

Zusammenfassung der Ergebnisse der Diskussion:Stellt die Ergebnisse und wichtigsten Erkenntnisse vor, die mit dem neu entwickelten BMS gewonnen wurden (einschließlich CD Net-Modellvorhersage). Das neu entwickelte BMS sammelt Daten von statischen und dynamischen Batterielasten und lässt sich nahtlos in DL-Modelle wie CD Net integrieren und bietet so Flexibilität zur Anpassung an technologische Entwicklungen.

Ergebnisse des Bodentests

Messung der Spannungskurve:Die Spannungs-Zeit-Daten von 42 Lade- und Entladezyklen von BMS und Testgeräten (BAn) sind ähnlich. Obwohl die BMS-Daten anfänglich eine Verzögerung aufweisen, konvergieren sie schließlich mit einer durchschnittlichen Abweichung von 0,2 V zwischen den beiden. Der konstante Spannungsteil der Entladungskurve kann zur Untersuchung der Beziehung zum SOH verwendet werden. Die Abweichung ist auf Unterschiede in der Datenübertragungsrate und der internen Uhr zurückzuführen.

Stromkurvenmessung:Die aktuellen Daten von BMS und BAn werden als Ganzes abgeglichen und die aktuellen Änderungen während der Entlade- und Ladephase folgen den Regeln. Allerdings kommt es während der aktuellen Konvertierungsphase zu einer Verzögerung beim BMS-Auslesen der Daten, was zu einigen Abweichungen führt. Nach dem Entfernen von Datenpunkten mit großer Abweichung ist die durchschnittliche Abweichung kleiner und der aktuelle Messwert ist genauer als der Spannungswert.

Messung der Temperaturkurve:Überwachen Sie die Oberflächentemperatur von vier Batterien und stellen Sie fest, dass die Temperatur während des Lade- und Entladevorgangs allmählich ansteigt und am Ende des Konstantstromladens ihren höchsten Punkt erreicht. Dann ändert sich die Temperatur während des Ladens und Entladens mit konstanter Spannung. Die vierte Batterie im Batteriepaket hat eine relativ hohe Temperatur und das BMS kann die Temperaturunterschiede jeder Batterie erkennen und anzeigen. Temperaturanomalien können für das Batteriemanagement genutzt werden.

Ergebnisse der Lufttests

Messung von Strom- und Spannungsverläufen:Während des Fluges der Drohne ändert sich der Strom zufällig und das BMS kann den hohen Entladestrom genau aufzeichnen. Der Entladestrom steigt mit der Anzahl der Tests und die Spannung sinkt während des Entladevorgangs von 16,8 V auf 10 V. Strom und Spannung werden durch die Anpassung der Fluglage während des Fluges beeinflusst.

Messung der Temperaturkurve:Bei Lufttests ist die Oberflächentemperatur der Batterie höher als bei Bodentests, mit einer Höchsttemperatur von etwa 55 °C. Während des Ladevorgangs sinkt die Temperatur tendenziell und während des Entladevorgangs steigt die Temperatur allmählich an. Es gibt Temperaturunterschiede zwischen verschiedenen Batterien und Temperaturschwankungen werden durch Anpassungen der Fluglage beeinflusst.

Ergebnisse des Deep-Learning-Ensembles:Bei Bodentests nahm die Batteriekapazität allmählich ab, und das CD-Net-Modell prognostizierte die Kapazität ab dem 5. Zyklus, die der von BMS aufgezeichneten Coulomb-Zählkapazität ähnelte. Die Vorhersage des Modells war relativ genau; Die Coulomb-Zählkapazität war während der Lufttests instabil, aber das Modell konnte immer noch eine Vorhersage mit einer durchschnittlichen Differenz von 0,046 Ah treffen. Durch den Vergleich der mit der Coulomb-Zählmethode gemessenen Kapazität mit der vorhergesagten Kapazität des Modells wurde die erfolgreiche Integration von BMS- und DL-Modellen verifiziert, die zur Vorhersage des Gesundheitszustands (SOH) von Batterien verwendet werden kann.

5. Zusammenfassung

Zusammenfassung der Forschungsergebnisse:Die tatsächliche Datenerfassung zum Betriebszustand von Fahrzeugen mit Elektroantrieb erfordert ein tragbares BMS, das unter rauen Bedingungen, wie z. B. hoher Entladungsrate von LIBs, betrieben werden kann. Diese Forschung schlägt eine neuartige BMS-Architektur vor, die Edge- und Cloud-Frameworks zum Aufzeichnen, Senden und Empfangen von Daten verwendet und hohe Entladungsraten verarbeiten kann, wodurch die herkömmlichen Methoden auf Basis von CAN-Bus und Edge-Computern ersetzt werden.

Zusammenfassung der Testergebnisse:Es wurden Boden- und Lufttests durchgeführt und die Oberflächentemperatur der Batterie war am Ende der Entladephase mit konstantem Strom am höchsten. Die Oberflächentemperatur der Batterie war im Lufttest sogar noch höher und erreichte ein Maximum von fast 55 Grad C. Der Temperaturanstieg kann durch Faktoren wie Batteriealterung und SOC-Änderungen verursacht werden, und eine zu hohe Temperatur kann zu einem Batterieausfall führen. Während 42 Zyklen am Boden und 20 Zyklen in der Luft stieg die Oberflächentemperatur allmählich an.

Ergebnisse der Modellvorhersage:Anhand der gesammelten Daten sagt das CD Net-Modell den Gesundheitszustand (SOH) der Batterie unter tatsächlichen Betriebsbedingungen voraus. Die Kapazitätsvorhersage des Modells für den nächsten Zyklus im Bodentest ist mit einer durchschnittlichen Abweichung von {{0}}.026 Ah relativ genau; Obwohl es während der Lufttests zu Kapazitätsschwankungen kam, betrug die vorhergesagte durchschnittliche Differenz 0,046 Ah, und BMS war in der Lage, Daten innerhalb des Schwellenwertbereichs aktueller Spannungssensoren effektiv zu sammeln.