Алгоритми оцінки стану SOC та SOH для точної управління батареями

При управлінні акумуляторами, особливо літій-іонними типами, поширеними в електромобілях (EV) та системах зберігання енергії, важливими є два критичні показники: Стан заряду (SOC) і Стан здоров’я (SOH).

  • SOC вимірює поточну доступну енергію в акумуляторі порівняно з його максимальною ємністю, зазвичай виражену у відсотках. Це, по суті, індикатор палива акумулятора, що показує, скільки заряду залишилось.
    • Посібник з SOC
  • SOH оцінює загальний стан або ступінь старіння акумулятора. Він відображає здатність акумулятора постачати енергію та підтримувати продуктивність з часом порівняно з його початковим станом.
    • Посібник з SOH

Обидва показники SOC і SOH безпосередньо впливають на стабільність подачі енергії, безпеку та продуктивність. Точна оцінка забезпечує, що пристрої не вимикаються несподівано або не деградують передчасно, що є критично важливим у застосуваннях від електромобілів до систем зберігання відновлюваної енергії.

Основні виклики у точній оцінці

Точне визначення SOC і SOH не є простим через кілька складних поведінкових особливостей акумулятора:

  • Нелінійна динаміка акумулятора – Відносини між напругою та струмом акумулятора не є простими або лінійними, особливо при високих навантаженнях або швидкому заряджанні.
  • Ефекти старіння – З часом хімічні та механічні зміни знижують ємність і ефективність, що робить оцінку SOH все більш важливою, але складнішою для точного визначення.
  • Вплив факторів навколишнього середовища – Коливання температури та зміни внутрішнього опору суттєво впливають на продуктивність акумулятора та сигнали вимірювань.

Ці виклики вимагають складних алгоритмів, які адаптуються до змінних умов замість того, щоб покладатися на фіксовані припущення.

Перспектива споживача та виклики електроенергії

З точки зору користувача, точна оцінка SOC та SOH безпосередньо перетворюється на переваги та управління ризиками:

  • Споживачі залежать від стабільного часу роботи батареї для електромобілів або безперебійного живлення під час відключень, що підтримується точною оцінкою стану.
  • Комунальні служби та оператори мереж можуть оптимізувати розподіл енергії та уникати дорогих простоїв, контролюючи стан батареї в режимі реального часу.
  • Ризики недооцінки SOH включають раптову втрату живлення, небезпеку для безпеки та дорогі заміни батарей.

Покращуючи алгоритми SOC та SOH, ми можемо краще адаптувати енергетичні рішення до потреб клієнтів, зменшити операційні ризики та в кінцевому підсумку забезпечити більш надійне, економічно ефективне живлення там, де це найбільше важливо.

Основні алгоритми для оцінки SOC та SOH: підходи на основі моделей

Алгоритми оцінки SOC та SOH батареї

Коли мова йде про точна оцінка стану заряду (SOC) та стану здоров’я (SOH), алгоритми на основі моделей є надійною відправною точкою. Ці методи значною мірою спираються на фізику батарей та електрохімічні моделі для забезпечення точного моніторингу. Ось чіткий розподіл провідних підходів:

Метод підрахунку кулонів: основи та обмеження

Підрахунок кулонів — один із найпростіших методів оцінки SOC. Він працює шляхом відстеження потоку струму в батарею та з неї, фактично вимірюючи заряд в ампер-годинах.

Плюси

  • Простий у впровадженні
  • Відстеження використання заряду в режимі реального часу

Мінуси

  • Накопичувальні помилки з часом
  • Вимагає частого калібрування
  • Не враховує старіння батареї або вплив температури

Оскільки він ґрунтується виключно на інтеграції струму, він не оцінює безпосередньо стан здоров'я батареї (SOH) або не адаптується до деградації батареї, що обмежує його точність у реальних сценаріях.

Сімейство фільтрів Калмана для оцінки SOC та SOH

Сімейство фільтрів Калмана підвищує рівень, використовуючи статистичні моделі для зменшення шуму та помилок у оцінках батареї.

Розширений фільтр Калмана (EKF)

EKF включає нелінійну динаміку батареї через лінійизацію навколо поточних станів. Він широко використовується для оцінки SOC у літій-іонних батареях, оскільки балансуючи точність і обчислювальні витрати добре.

Нескінченний фільтр Калмана (UKF)

UKF обробляє нелінійність більш природно без необхідності лінійизації, часто забезпечуючи кращу точність SOC та SOH, особливо за умов динамічного водіння або навантаження.

Особливість EKF UKF
Обробляє нелінійність Лінійне наближення Безпосередня нелінійна трансформація
Точність Добре Зазвичай краща
Складність Помірний Вищий
Потрібні обчислення Нижча Вищий

Обидва фільтри реалізовані у системах управління батареями (BMS) для відстеження стану батареї в режимі реального часу, підвищуючи надійність у електромобілях (EV) та системах зберігання енергії в мережі.

Дуальні та спільні підходи до фільтрації для спільної оцінки

Для одночасної оцінки SOC та SOH використовуються методи подвійної або спільної фільтрації:

  • Двойні фільтри

    Два окремі фільтри працюють паралельно — один відстежує SOC, інший SOH — обмінюючись даними для покращення обох оцінок.

  • Спільні фільтри

    Один підхід до фільтрації оцінює SOC і SOH разом, враховуючи їх складну взаємодію, особливо за умов старіння та високого навантаження.

Цей спільний підхід дозволяє краще прогнозувати деградацію батареї та межі її використання, що є важливим для подовження терміну служби батареї та підтримки стабільної подачі енергії.

Для більш детальної інформації про інтеграцію цих передових алгоритмів BMS з новітніми технологіями батарей, ознайомтеся з нашими ресурсами щодо рішень на твердотільних батареях.

Основні алгоритми для оцінки SOC та SOH: методи, засновані на даних, з використанням ШІ для адаптивної точності

Останніми роками, методи, орієнтовані на дані стали популярним вибором для оцінки стану заряду (SOC) та стану здоров'я (SOH) у системах акумуляторів, особливо в електромобілях та мережевих сховищах. Ці підходи використовують машинне навчання (ML) для аналізу великих наборів даних акумуляторів, дозволяючи системі вивчати складні закономірності, які можуть пропустити традиційні методи на основі моделей.

Основи машинного навчання у оцінці SOC/SOH

Два поширені методи ML у оцінці SOC та SOH:

Мережі з довготривалою пам’яттю (LSTM)

LSTM — це тип рекурентної нейронної мережі, розроблений для обробки послідовностей даних. Оскільки поведінка акумулятора з часом є послідовною, LSTM можуть захоплювати залежності та тенденції у циклах заряджання/розряджання, змін температури та ефектах старіння. Вони добре адаптуються до нелінійностей та невизначеностей, що зустрічаються у реальному використанні акумуляторів.

Моделі на основі дерев (Random Forest, градієнтний бустінг)

Ці моделі працюють шляхом побудови кількох дерев рішень з навчальних даних і об’єднання їх результатів для підвищення точності. Вони відносно швидкі у навчанні та інтерпретації, що робить їх корисними для систем управління акумуляторами (BMS), де обчислювальні ресурси можуть бути обмеженими.

Гібридні інновації: поєднання ML та фільтраційних методів

Щоб збалансувати точність і надійність, багато розробників поєднують машинне навчання з класичними алгоритмами фільтрації, такими як Калманівські фільтри. Ідея полягає у використанні ML для захоплення складних нелінійних поведінкових характеристик акумулятора, тоді як фільтри забезпечують стабільне та послідовне оновлення стану.

Переваги:

  • Покращена точність за рахунок використання закономірностей даних, які виявляє ML
  • Захист від шумів у реальних сигналах, що забезпечується фільтрами
  • Адаптивність до різних типів акумуляторів та режимів використання

Недоліки:

  • Збільшена обчислювальна складність, що може вимагати більше обчислювальних ресурсів
  • Потреба у великих, високоякісних наборах даних для навчання моделей ML
  • Складність у налаштуванні спільної роботи компонентів ML та фільтрації
Підхід Сильні сторони Слабкі сторони
Мережі LSTM Захоплення часових залежностей, нелінійних тенденцій Вимагає великих обсягів даних, високої обчислювальної потужності
Моделі на основі дерев Швидкі, інтерпретовані, підходять для завдань класифікації Можуть мати труднощі з складністю часових рядів
Гібридні ML та фільтри Точні, адаптивні та стійкі до шуму Складний дизайн і налаштування, вища обчислювальна складність

Використання методів, що базуються на даних, особливо у поєднанні з алгоритмами фільтрації, пропонує потужний спосіб покращення оцінки SOC та SOH — динамічно адаптуючись до старіння та використання акумулятора, що є критично важливим для клієнтів, які потребують стабільної, довговічної енергії в пристроях та електромобілях на ринку України.

Розгляди щодо впровадження алгоритмів оцінки стану SOC/SOH

Алгоритми оцінки SOC та SOH батареї

Коли мова йде про Алгоритми оцінки SOC та SOH, отримання точних результатів залежить не лише від вибору моделі — практичні фактори впровадження відіграють важливу роль. Кілька фізичних та експлуатаційних параметрів безпосередньо впливають на якість оцінок стану акумулятора.

Ключові фактори, що впливають на оцінки SOC та SOH

  • Вплив температури

    Ефективність батареї значно залежить від температури. Обчислення SOC та SOH можуть змінюватися, якщо температура не враховується належним чином, оскільки хімічні реакції всередині батареї прискорюються або сповільнюються, що впливає на напругу та опір.

  • Зміни внутрішнього опору

    Зі старінням батарей або при високих навантаженнях їх внутрішній опір змінюється. Цей опір впливає на реакцію напруги і може спотворювати обчислення SOC, якщо моделі не адаптуються до цих змін.

  • Навантаження та режими використання

    Швидке заряджання, часті глибокі розряди або високі струми створюють нелінійності, з якими потрібно обережно працювати моделям оцінки, щоб уникнути втрати точності.

  • Шум вимірювань та помилки датчиків

    Реальні дані містять шум від датчиків, що вимірюють напругу, струм і температуру. Надійне фільтрування або попередня обробка даних є необхідною для стабільності оцінок.

Кращі практики налаштування алгоритмів SOC/SOH

Забезпечення хорошої роботи алгоритмів оцінки стану означає регулярне налаштування та перевірку моделей, або онлайн (під час роботи батареї) або офлайн (у контрольованих умовах). Ось що потрібно враховувати:

Онлайн-налаштування

  • Постійне коригування параметрів моделі у відповідь на зворотний зв'язок у реальному часі.
  • Допомагає адаптуватися до змінних умов, таких як коливання температури або старіння батареї.
  • Вимагає обчислювальної ефективності для роботи без виснаження системних ресурсів.

Офлайн-калібрування

  • Використовуйте контрольовані лабораторні вимірювання для встановлення базових параметрів.
  • Критично для підтвердження точності моделі та виявлення систематичних упереджень.
  • Забезпечує чистий набір даних для навчання алгоритмів та бенчмаркінгу.

Гібридні підходи

Комбінування онлайн та офлайн налаштувань може забезпечити баланс: надійна початкова калібровка та адаптивні оновлення на основі живих даних.

Техніки валідації для надійних оцінок

  • Крос-валідація з використанням історичних даних акумулятора

    Порівнюйте передбачення алгоритму з відомими циклами та моделями деградації.

  • Бенчмаркінг з еталонними вимірюваннями

    Використовуйте спеціалізоване лабораторне обладнання для вимірювання фактичного SOC та SOH і підтвердження результатів алгоритму.

  • Стрес-тестування з крайніми випадками

    Випробовуйте моделі на екстремальних температурах, навантаженнях або умовах старіння для забезпечення надійності.

Поради щодо інтеграції

  • Забезпечте підтримку вашої системи управління батареєю (BMS) для гнучкого оновлення алгоритмів з метою впровадження покращень у налаштуваннях.
  • Використовуйте всебічне логування для відстеження продуктивності оцінки з часом для постійного вдосконалення.
  • Пріоритет надавайте точності та розташуванню датчиків для зменшення шумових даних.

Звертаючи особливу увагу на ці практичні аспекти, ви забезпечите, що ваша оцінка SOC та SOH буде надійною, з реалістичною точністю, що є критичним для стабільної подачі енергії та збільшення терміну служби батареї.

Реальні застосування оцінки SOC/SOH у системах батарей

Випадки використання EV та зберігання енергії в мережі у продуктах lipower

У lipower наші системи управління акумуляторами є серцем електромобілів (EV) та рішень для зберігання енергії в мережі. Точне SOC (стан заряду) і SOH (стан здоров'я) оцінювання відіграє важливу роль у забезпеченні надійної та стабільної подачі енергії. Для EV точний SOC допомагає максимізувати запас ходу та запобігти несподіваному відключенню. У зберіганні енергії в мережі знання про SOH забезпечує стабільну роботу батарей протягом довгих циклів, що є ключовим для балансування навантаження та відновлюваних джерел енергії.

Кейс-стаді EKF: покращення точності SOC та тривалості роботи батареї

Одним із видатних прикладів від lipower є впровадження Розширений фільтр Калмана (EKF) алгоритму в батареї EV. Здатність EKF обробляти нелінійну динаміку батареї дозволяє йому забезпечувати високоточне відстеження SOC у реальних умовах. У випробуваннях це призвело до:

  • покращення точності оцінки SOC на 10-15%, що зменшує тривогу щодо запасу ходу для водіїв
  • подовження терміну служби батареї за рахунок оптимізації циклів заряджання/розряджання на основі надійних даних про SOH
  • покращення безпеки шляхом раннього виявлення аномальної поведінки батареї

Цей кейс показує, що фільтри на основі моделей, такі як EKF, можуть значно підвищити продуктивність BMS у вимогливих умовах.

Розв’язані проблеми: старіння та сценарії високого навантаження

Батареї зношуються з часом через циклічну роботу та вплив навколишнього середовища, такого як високі температури. Високі енергетичні вимоги, поширені при прискоренні EV або пікових навантаженнях у мережі, ускладнюють оцінку SOC/SOH через нелінійні відповіді та швидкі зміни напруги. рішення lipower вирішують ці проблеми шляхом:

  • Впровадження адаптивних фільтраційних технік, які налаштовуються з віком батарей
  • Компенсації впливу температури та змін внутрішнього опору
  • Використання даних у реальному часі для оновлення оцінок SOH, що забезпечує постійне уявлення про стан батареї

Завдяки вирішенню цих проблем, алгоритми SOC/SOH від lipower забезпечують стабільну подачу енергії який відповідає очікуванням українських споживачів щодо надійності та довговічності як у особистих транспортних засобах, так і у системах масштабного зберігання енергії.

Кращі практики інтеграції алгоритмів SOC/SOH у вашу BMS

Посібник з інтеграції алгоритмів оцінки SOC та SOH у BMS

Інтеграція точних Стан заряду (SOC) і Стан здоров’я (SOH) алгоритмів у вашу Система управління батареями (BMS) є важливою для надійної подачі енергії та довговічної роботи батареї. Ось чіткий покроковий підхід, який допоможе вам обрати правильну модель, апаратне забезпечення та методи тестування, адаптовані для реального використання — особливо з урахуванням прагнення Lipower до стабільних, орієнтованих на клієнта рішень.

Крок 1: Вибір моделі для оцінки SOC/SOH

Вибір правильної алгоритму залежить від типу батареї, застосування та потреб у точності:

  • Облік за кількістю кулонів: Простий та ефективний для систем, де не критична висока точність. Найкраще поєднувати з коригуючими алгоритмами, щоб уникнути зсуву.
  • Фільтри Калмана (EKF, UKF): Чудово підходять для нелінійних літій-іонних батарей. EKF широко використовується, але UKF забезпечує кращу точність при складній динаміці.
  • Двошарові або спільні моделі фільтрів: Ідеально, якщо потрібно одночасно оцінити SOC та SOH, особливо у системах, що стикаються з процесами старіння або коливаннями температури.
  • Моделі машинного навчання: Розглядайте, коли у вас є доступ до великих даних про батареї. LSTM або дерева моделей забезпечують адаптивну точність, але потребують більше обчислювальних ресурсів.

Порада: Починайте з моделей на основі моделей для швидкої точності та додайте методи, що ґрунтуються на даних, по мірі зростання обсягу даних.

Крок 2: Вимоги до апаратного забезпечення та інтеграція

Гідне апаратне забезпечення забезпечує оптимальну роботу алгоритмів SOC та SOH:

  • Точні датчики: Датчики напруги, струму та температури з низьким рівнем шуму є критичними. Якість датчиків безпосередньо впливає на точність оцінки.
  • Обчислювальна потужність: Залежно від складності алгоритму (особливо моделей машинного навчання), переконайтеся, що ваш контролер BMS має достатній запас обчислювальної потужності.
  • Інтерфейси зв'язку: Потрібні надійні з'єднання (CAN-шина, UART тощо) для потокової передачі даних у реальному часі та віддаленого моніторингу.
  • Теплове управління: Оскільки температура впливає на поведінку та показання батареї, інтегруйте теплові датчики близько до елементів для реального часу компенсації.

Крок 3: Стратегії тестування та валідації

Безперервна валідація є важливою для підтримки точності та надійності ваших оцінок:

  • Калібрування онлайн/офлайн: Регулярне калібрування за допомогою реальних циклів заряджання/розряджання покращує точність SOC та SOH.
  • Польові випробування у цільових умовах: Перевіряйте алгоритми у реальних сценаріях, що мають значення для ваших клієнтів — високий струм, екстремальні температури, зношені елементи.
  • Перевірка з фізичними вимірюваннями: Використовуйте імпедансне відстеження або лабораторні тести, щоб визначити, чи збігаються ваші прогнози SOH з фактичним станом батареї.
  • Періодичне оновлення алгоритмів: Адаптуйте моделі на основі зібраних експлуатаційних даних, покращуючи точність протягом життєвого циклу батареї.

Поради щодо інтеграції

  • Забезпечте підтримку вашої системи управління батареєю (BMS) для гнучкого оновлення алгоритмів з метою впровадження покращень у налаштуваннях.
  • Використовуйте всебічне логування для відстеження продуктивності оцінки з часом для постійного вдосконалення.
  • Пріоритет надавайте точності та розташуванню датчиків для зменшення шумових даних.

Інтеграція lipower та індивідуальні рішення

У lipower кожен продукт розроблений навколо стабільної подачі струму для вирішення електроенергетичних проблем клієнтів. Наші алгоритми оцінки стану SOC та SOH налаштовані та оптимізовані для:

  • Надійна продуктивність у батареях для електромобілів та мережевого зберігання енергії, поширених на ринку України.
  • Адаптивна точність яка реагує на старіння батареї, коливання навантаження та фактори навколишнього середовища.
  • Безшовна інтеграція BMS, забезпечуючи стабільну та безпечну роботу ваших енергетичних систем за допомогою розумного прогнозування.

Зробіть крок до індивідуальних стабільних енергетичних рішень сьогодні, співпрацюючи з lipower. Ми надаємо індивідуальні експертні послуги, від вибору алгоритмів до апаратного забезпечення та керівництва з валідації — щоб ви були впевнені, що ваші системи батарей працюватимуть саме так, як ви очікуєте.

Майбутнє оцінки стану SOC/SOH: тенденції та інновації

Дивлячись уперед, алгоритми оцінки SOC та SOH швидко розвиваються, керуючись досягненнями в галузі штучного інтелекту та нових методів фільтрації. Ці інновації спрямовані на подолання постійних викликів старіння батарей, нелінійної динаміки та реальної змінності для підтримки стабільної та надійної подачі енергії.

Нові гібридні моделі штучного інтелекту та квантово-стійкі фільтри

Один із найбільших проривів — це зростання гібридних моделей штучного інтелекту які поєднують традиційні підходи на основі фізики з машинним навчанням. Ці гібриди використовують переваги обох світів:

  • Фізичні моделі забезпечують міцну основу, базуючись на хімії батареї та електричній поведінці.
  • Моделі машинного навчання, такі як LSTM або алгоритми на основі дерев, адаптуються до нових даних, покращуючи точність у непередбачуваних умовах.

Ми також починаємо бачити впровадження квантово-стійких фільтрів, розроблених для високої стійкості до шумів та складних поведінкових характеристик батареї, які іноді пропускають класичні фільтри. Ці фільтри мають обіцянки для захисту управління батареями від майбутніх викликів.

Точність прогнозів на 2030 рік

До 2030 року очікується, що оцінка SOC та SOH стане значно більш точною, зменшаться похибки завдяки:

  • Покращеним технікам злиття даних, що поєднують дані сенсорів та інтелектуальні висновки.
  • Алгоритмам у реальному часі, здатним швидко вчитися тенденціям стану батареї.
  • Кращій інтеграції з системами управління батареями (BMS), оптимізуючи як апаратне, так і програмне забезпечення.

Це означає довший термін служби батареї, безпечнішу експлуатацію та більш стабільну подачу енергії, адаптовану до потреб клієнтів.

Зобов’язання lipower щодо інновацій

У lipower ми прагнемо залишатися на передовій цих тенденцій. Кожен наш продукт пріоритетно орієнтований на орієнтовані на клієнта рішення які забезпечують стабільний струм та надійне живлення, підтримувані передовими технологіями оцінки SOC та SOH. Чи то для електромобілів, чи для зберігання енергії в мережі, ми зосереджені на:

  • Інтеграція передових гібридних алгоритмів штучного інтелекту.
  • Застосування адаптивних каліманівських фільтрів та технік співоцінки.
  • Забезпечення стійкості до температурних коливань, старіння та сценаріїв високого навантаження.

Щоб ознайомитися з нашими останніми інноваціями у батареях та тим, як ми впроваджуємо ці передові алгоритми у наші системи, перегляньте нашу роботу з твердотільними батареями і інноваційною продуктивністю батарей.

Чудово! Поділіться цим дописом: