Εκτίμηση κατάστασης φόρτισης μπαταρίας (SOC).
Κοινά μοντέλα μπαταριών
Η διαδικασία ηλεκτροχημικής αντίδρασης των μπαταριών ισχύος είναι πολύπλοκη, επηρεασμένη από πολλούς και αβέβαιους παράγοντες. Η μαθηματική μοντελοποίηση αυτής της διαδικασίας είναι ένα πολυεπιστημονικό και πολυ{1}}πρόβλημα και αποτελούσε πάντα βασικό επίκεντρο και πρόκληση τόσο για τον ακαδημαϊκό κόσμο όσο και για τη βιομηχανία. Η διέγερση εισόδου (ρεύμα φορτίου) και οι παρατηρήσεις εξόδου (τάση και θερμοκρασία) μιας μπαταρίας ισχύος είναι πεπερασμένες μετρήσιμες παράμετροι για το σύστημα διαχείρισης της μπαταρίας ισχύος. Η ακριβής μοντελοποίηση είναι απαραίτητη για την ακριβέστερη περιγραφή των εξωτερικών χαρακτηριστικών των μπαταριών ισχύος, το σχεδιασμό αξιόπιστων αλγορίθμων εκτίμησης της κατάστασης των μπαταριών ισχύος και την ανάπτυξη βέλτιστων συστημάτων διαχείρισης ενέργειας για νέα ενεργειακά οχήματα. Τα κοινά μοντέλα μπαταριών ισχύος χωρίζονται κυρίως σε ηλεκτροχημικά μοντέλα, μοντέλα ισοδύναμων κυκλωμάτων και μοντέλα μηχανικής εκμάθησης.
(1) Ηλεκτροχημικό μοντέλο
Στα μέσα-της δεκαετίας του 1990, οι M. Doyle, TF Fuller και J. Newman του Πανεπιστημίου της Καλιφόρνια, στο Μπέρκλεϋ, καθιέρωσαν ένα ψευδο-δισδιάστατο μοντέλο (P2D) βασισμένο στη θεωρία των πορωδών ηλεκτροδίων και των συμπυκνωμένων λύσεων, θέτοντας τα θεμέλια για την ανάπτυξη χημικών μοντέλων μηχανισμών. Αυτό το μοντέλο χρησιμοποιεί μια σειρά από μερικές διαφορικές εξισώσεις και αλγεβρικές εξισώσεις για να περιγράψει με ακρίβεια τη διάχυση και τη μετανάστευση ιόντων λιθίου εντός της μπαταρίας ισχύος, τις ηλεκτροχημικές αντιδράσεις στην επιφάνεια των ενεργών σωματιδίων, το νόμο του Ohm και τη διατήρηση φορτίου, μεταξύ άλλων ηλεκτροχημικών φαινομένων. Μέχρι σήμερα, τα περισσότερα ηλεκτροχημικά μοντέλα προέρχονται και αναπτύσσονται από αυτό το μοντέλο. Ένα ηλεκτροχημικό μοντέλο είναι ένα μοντέλο πρώτων αρχών που μπορεί να προσομοιώσει με ακρίβεια όχι μόνο τα εξωτερικά χαρακτηριστικά μιας μπαταρίας ισχύος, αλλά και την κατανομή και τις αλλαγές των εσωτερικών χαρακτηριστικών (όπως η συγκέντρωση ιόντων λιθίου στα ηλεκτρόδια και τον ηλεκτρολύτη και το υπερβολικό δυναμικό αντίδρασης, που είναι δύσκολο να μετρηθούν). Σε σύγκριση με άλλα μοντέλα μπαταριών ισχύος, τα ηλεκτροχημικά μοντέλα μπορούν να περιγράψουν τις μικροσκοπικές αντιδράσεις στο εσωτερικό της μπαταρίας ισχύος σε μεγαλύτερο βάθος και έχουν πιο σαφή φυσική σημασία.
Τα μοντέλα P2D είναι ευέλικτα και επεκτάσιμα, εφαρμόζονται σε τύπους μπαταριών με διαφορετικά συστήματα υλικών και μπορούν να αναπτυχθούν και να επεκταθούν σε πιο σύνθετα μοντέλα σύζευξης πολλαπλών-πεδίων. Επομένως, τα μοντέλα P2D παίζουν αναντικατάστατο ρόλο στη μοντελοποίηση μπαταριών. Ωστόσο, περιέχουν πολύπλοκες μερικές διαφορικές εξισώσεις και πολυάριθμες ηλεκτροχημικές παραμέτρους, θέτοντας υψηλές απαιτήσεις στις υπολογιστικές δυνατότητες του Συστήματος Διαχείρισης Μπαταριών (BMS). Επί του παρόντος, η επίλυση μοντέλων P2D χρησιμοποιεί κυρίως αριθμητικές μεθόδους, όπως η μέθοδος πεπερασμένων διαφορών, η μέθοδος πεπερασμένων στοιχείων και η μέθοδος πεπερασμένου όγκου.
(2) Μοντέλο ισοδύναμου κυκλώματος
Το μοντέλο ισοδύναμου κυκλώματος χρησιμοποιεί παραδοσιακά στοιχεία κυκλώματος όπως αντιστάσεις, πυκνωτές και πηγές σταθερής τάσης για να σχηματίσει ένα δίκτυο κυκλώματος για να περιγράψει τα εξωτερικά χαρακτηριστικά της μπαταρίας ισχύος. Αυτό το μοντέλο χρησιμοποιεί μια πηγή τάσης για να αναπαραστήσει τη θερμοδυναμική ηλεκτροκινητική δύναμη ισορροπίας της μπαταρίας ισχύος και ένα δίκτυο RC για να περιγράψει τα δυναμικά χαρακτηριστικά της μπαταρίας ισχύος. Το μοντέλο ισοδύναμου κυκλώματος έχει καλή εφαρμογή σε διάφορες καταστάσεις λειτουργίας της μπαταρίας ισχύος και οι εξισώσεις καταστάσεων του μοντέλου μπορούν να εξαχθούν, διευκολύνοντας την ανάλυση και την εφαρμογή. Το ισοδύναμο μοντέλο κυκλώματος έχει χρησιμοποιηθεί ευρέως στην έρευνα μοντελοποίησης και προσομοίωσης οχημάτων νέας ενέργειας και στο BMS βάσει μοντέλων-. Το σχήμα 7-27 δείχνει ένα τυπικό μοντέλο ισοδύναμου κυκλώματος μιας μπαταρίας ισχύος που αποτελείται από n δομές δικτύου RC, που αναφέρεται ως μοντέλο n-RC. Αυτό το μοντέλο αποτελείται από τρία μέρη:
1) Πηγή τάσης: Η τάση ανοιχτού κυκλώματος-της μπαταρίας ισχύος αντιπροσωπεύεται από $U_{oc}$.
2) Ωμική εσωτερική αντίσταση: Η αντίσταση επαφής των υλικών ηλεκτροδίου μπαταρίας ισχύος, του ηλεκτρολύτη, της αντίστασης απομόνωσης και των διαφόρων εξαρτημάτων αντιπροσωπεύεται από $R_o$.
3) Δίκτυο RC: Τα δυναμικά χαρακτηριστικά της μπαταρίας ισχύος, συμπεριλαμβανομένων των χαρακτηριστικών πόλωσης και των επιδράσεων διάχυσης, περιγράφονται από την αντίσταση πόλωσης $R_p$ και την χωρητικότητα πόλωσης $C_p$, όπου $i=0, ..., n_s$.
Στο Σχήμα 7-27, το Up αντιπροσωπεύει την τάση πόλωσης της μπαταρίας ισχύος.
Με βάση τον νόμο τάσης και το νόμο του ρεύματος του Kirchhoff, και τη σχέση μεταξύ της αλλαγής τάσης πυκνωτή και του ρεύματος, η εξίσωση χώρου-κατάστασης του μοντέλου κυκλώματος μπορεί να εκφραστεί ως:
Τα κοινώς χρησιμοποιούμενα μοντέλα κυκλώματος ισοδύναμου μπαταριών ισχύος, όπως το μοντέλο Rint, το μοντέλο Thevenin και το μοντέλο διπλής πόλωσης (DP) είναι ειδικές περιπτώσεις του μοντέλου ισοδύναμου κυκλώματος n-RC όταν n=0, n=1 και n=2, αντίστοιχα, και έχουν χρησιμοποιηθεί ευρέως στην αλγόριθμη διαχείρισης ισχύος μπαταρίας.
(3) Μοντέλα Μηχανικής Μάθησης
Τα μοντέλα μηχανικής εκμάθησης δεν απαιτούν γνώση της εσωτερικής σύνθεσης της μπαταρίας και των ειδικών μηχανισμών αντίδρασης. χρειάζεται μόνο να λάβουν τα ιστορικά δεδομένα λειτουργίας της μπαταρίας (ρεύμα, τάση, θερμοκρασία κ.λπ.). Ουσιαστικά, καθιερώνουν μη γραμμικές συναρτήσεις χαρτογράφησης μεταξύ μεταβλητών μέσω μεθόδων{2}}που βασίζονται σε δεδομένα. Το κύριο πλεονέκτημα αυτού του τύπου μοντέλου είναι η δυνατότητα εφαρμογής του σε διαφορετικούς τύπους μπαταριών, η καλή του ευελιξία και η ικανότητά του να προσομοιώνει πλήρως τα μη γραμμικά χαρακτηριστικά της συμπεριφοράς της μπαταρίας.
Στον τομέα της διαχείρισης και του ελέγχου των μπαταριών ισχύος, οι μέθοδοι μηχανικής εκμάθησης που χρησιμοποιούνται περιλαμβάνουν κυρίως ασαφή λογική, νευρωνικά δίκτυα, μηχανές υποστήριξης διανυσμάτων και τους συνδυασμένους αλγόριθμους τους. Τον Μάρτιο του 2016, η νίκη της AlphaGo επί του παγκόσμιου πρωταθλητή Go Lee Sedol έδωσε νέα ζωτικότητα στη βαθιά μάθηση, πυροδοτώντας ένα νέο κύμα έρευνας και εφαρμογής, το οποίο έχει επίσης εφαρμοστεί στη διαχείριση μπαταριών. Με επαρκή δεδομένα μπαταρίας για προπόνηση, αυτός ο τύπος μοντέλου μπορεί να επιτύχει καλή προγνωστική απόδοση. Ωστόσο, αυτό το μοντέλο δεν έχει φυσικό νόημα, δεν μπορεί να ερμηνευτεί και η απόδοσή του επηρεάζεται σε μεγάλο βαθμό από την ποσότητα και την ποιότητα των δεδομένων προπόνησης, καθιστώντας δύσκολη την εγγύηση της αξιοπιστίας και της στιβαρότητάς του όταν εφαρμόζεται σε συστήματα διαχείρισης μπαταριών.
