Estimarea stării de încărcare a bateriei (SOC).
Modele comune de baterii
Procesul de reacție electrochimică a bateriilor de putere este complex, influențat de numeroși și incerti factori. Modelarea matematică a acestui proces este o problemă multidisciplinară și multi-domeniu și a fost întotdeauna un obiectiv și o provocare cheie atât pentru mediul academic, cât și pentru industrie. Excitația de intrare (curent de sarcină) și observațiile de ieșire (tensiune și temperatură) ale unei baterii de putere sunt parametri măsurabili finiți pentru sistemul de management al bateriei de putere. Modelarea precisă este esențială pentru descrierea mai precisă a caracteristicilor externe ale bateriilor de putere, proiectarea unor algoritmi fiabili de estimare a stării bateriilor de putere și dezvoltarea sistemelor optime de management al energiei pentru vehiculele cu energie noi. Modelele comune de baterii de putere sunt împărțite în principal în modele electrochimice, modele de circuite echivalente și modele de învățare automată.
(1) Model electrochimic
La mijlocul-1990, M. Doyle, TF Fuller și J. Newman de la Universitatea din California, Berkeley, au stabilit un model pseudo-bi{-dimensional (P2D) bazat pe teoria electrozilor poroși și a soluțiilor concentrate, punând bazele dezvoltării modelelor de mecanism electrochimic. Acest model folosește o serie de ecuații diferențiale parțiale și ecuații algebrice pentru a descrie cu acuratețe difuzia și migrarea ionilor de litiu în interiorul bateriei de alimentare, reacțiile electrochimice pe suprafața particulelor active, legea lui Ohm și conservarea sarcinii, printre alte fenomene electrochimice. Până în prezent, majoritatea modelelor electrochimice sunt derivate și dezvoltate din acest model. Un model electrochimic este un model de primele principii care poate simula cu acuratețe nu numai caracteristicile externe ale unei baterii de putere, ci și distribuția și modificările caracteristicilor interne (cum ar fi concentrația ionilor de litiu în electrozi și electrolit și suprapotențialul de reacție, care sunt dificil de măsurat). În comparație cu alte modele de baterii de putere, modelele electrochimice pot descrie reacțiile microscopice din interiorul bateriei de putere mai în profunzime și au o semnificație fizică mai explicită.
Modelele P2D sunt versatile și scalabile, aplicabile tipurilor de baterii cu diferite sisteme de materiale și pot fi dezvoltate și extinse în modele mai complexe de cuplare multi-câmp. Prin urmare, modelele P2D joacă un rol de neînlocuit în modelarea bateriei. Cu toate acestea, ele conțin ecuații diferențiale parțiale complexe și numeroși parametri electrochimici, punând cerințe mari asupra capacităților de calcul ale Sistemului de management al bateriei (BMS). În prezent, rezolvarea modelelor P2D utilizează în primul rând metode numerice, cum ar fi metoda diferențelor finite, metoda elementelor finite și metoda volumului finit.
(2) Model de circuit echivalent
Modelul de circuit echivalent utilizează elemente de circuit tradiționale, cum ar fi rezistențe, condensatoare și surse de tensiune constantă pentru a forma o rețea de circuite pentru a descrie caracteristicile externe ale bateriei de alimentare. Acest model folosește o sursă de tensiune pentru a reprezenta forța electromotoare de echilibru termodinamic a bateriei de putere și o rețea RC pentru a descrie caracteristicile dinamice ale bateriei de putere. Modelul de circuit echivalent are aplicabilitate bună la diferite stări de funcționare ale bateriei de alimentare, iar ecuațiile de stare ale modelului pot fi derivate, facilitând analiza și aplicarea. Modelul de circuit echivalent a fost utilizat pe scară largă în cercetarea de modelare și simulare a vehiculelor energetice noi și în BMS bazat pe model-. Figura 7-27 prezintă un model tipic de circuit echivalent al unei baterii de putere compusă din n structuri de rețea RC, denumit model n-RC. Acest model este format din trei părți:
1) Sursa de tensiune: tensiunea în circuit deschis-a bateriei de alimentare este reprezentată de $U_{oc}$.
2) Rezistență internă ohmică: Rezistența de contact a materialelor electrodului bateriei de putere, electrolit, rezistență de izolare și diferite componente este reprezentată de $R_o$.
3) Rețeaua RC: Caracteristicile dinamice ale bateriei de putere, inclusiv caracteristicile de polarizare și efectele de difuzie, sunt descrise de rezistența de polarizare $R_p$ și capacitatea de polarizare $C_p$, unde $i=0, ..., n_s$.
În Figura 7-27, Up reprezintă tensiunea de polarizare a bateriei de alimentare.
Pe baza legii tensiunii și a curentului lui Kirchhoff și a relației dintre modificarea tensiunii condensatorului și curent, ecuația-spațială de stare a modelului de circuit poate fi exprimată ca:
Modelele de circuite echivalente a bateriei de putere utilizate în mod obișnuit, cum ar fi modelul Rint, modelul Thevenin și modelul de polarizare dublă (DP) sunt cazuri speciale ale modelului de circuit echivalent n-RC când n=0, n=1 și, respectiv, n=2 și au fost utilizate pe scară largă în algoritmii de estimare și gestionare a stării bateriei de alimentare.
(3) Modele de învățare automată
Modelele de învățare automată nu necesită cunoașterea compoziției interne a bateriei și a mecanismelor de reacție specifice; trebuie doar să obțină datele istorice de funcționare ale bateriei (curent, tensiune, temperatură etc.). În esență, ei stabilesc funcții de mapare neliniară între variabile prin metode bazate pe date-. Principalul avantaj al acestui tip de model este aplicabilitatea lui la diferite tipuri de baterii, versatilitatea sa bună și capacitatea sa de a simula pe deplin caracteristicile neliniare ale comportamentului bateriei.
În domeniul gestionării și controlului bateriilor de putere, metodele de învățare automată utilizate includ în principal logica fuzzy, rețelele neuronale, mașinile de suport vector și algoritmii lor combinați. În martie 2016, victoria lui AlphaGo asupra campionului mondial Go, Lee Sedol, a injectat o nouă vitalitate în învățarea profundă, declanșând un nou val de cercetare și aplicare, care a fost aplicată și la gestionarea bateriei. Cu date suficiente ale bateriei pentru antrenament, acest tip de model poate obține performanțe predictive bune. Cu toate acestea, acest model nu are semnificație fizică, este de neinterpretat, iar performanța sa este foarte afectată de cantitatea și calitatea datelor de antrenament, ceea ce face dificilă garantarea fiabilității și robusteței acestuia atunci când este aplicată sistemelor de management al bateriei.
