Wat is een schatting van de batterijstatus (SOC)?

Schatting van de laadstatus van de batterij (SOC).

Het elektrochemische reactieproces van krachtbatterijen is complex en wordt beïnvloed door talrijke en onzekere factoren. Het wiskundig modelleren van dit proces is een multidisciplinair en multidisciplinair probleem, en is altijd een belangrijk aandachtspunt en uitdaging geweest voor zowel de academische wereld als de industrie. De ingangsexcitatie (belastingsstroom) en uitgangswaarnemingen (spanning en temperatuur) van een batterij zijn eindige meetbare parameters voor het beheersysteem van de batterij. Nauwkeurige modellering is essentieel voor het nauwkeuriger beschrijven van de externe kenmerken van energiebatterijen, het ontwerpen van betrouwbare algoritmen voor het schatten van de toestand van de batterij en het ontwikkelen van optimale energiebeheersystemen voor nieuwe energievoertuigen. Algemene batterijmodellen zijn hoofdzakelijk onderverdeeld in elektrochemische modellen, equivalente circuitmodellen en machine learning-modellen.

Halverwege-jaren negentig stelden M. Doyle, TF Fuller en J. Newman van de Universiteit van Californië, Berkeley een pseudo-twee-dimensionaal (P2D) model op, gebaseerd op de theorie van poreuze elektroden en geconcentreerde oplossingen, waarmee de basis werd gelegd voor de ontwikkeling van modellen voor elektrochemische mechanismen. Dit model maakt gebruik van een reeks partiële differentiaalvergelijkingen en algebraïsche vergelijkingen om onder meer de diffusie en migratie van lithiumionen in de energiebatterij, elektrochemische reacties op het oppervlak van actieve deeltjes, de wet van Ohm en ladingsbehoud nauwkeurig te beschrijven. Tot nu toe zijn de meeste elektrochemische modellen afgeleid en ontwikkeld op basis van dit model. Een elektrochemisch model is een basismodel dat niet alleen de externe kenmerken van een vermogensbatterij nauwkeurig kan simuleren, maar ook de verdeling en veranderingen van interne kenmerken (zoals de concentratie van lithiumionen in de elektroden en elektrolyt, en de reactie-overpotentiaal, die moeilijk te meten zijn). Vergeleken met andere modellen met energiebatterijen kunnen elektrochemische modellen de microscopische reacties in de batterij dieper beschrijven en een meer expliciete fysieke betekenis hebben.

P2D-modellen zijn veelzijdig en schaalbaar, toepasbaar op batterijtypen met verschillende materiaalsystemen, en kunnen worden ontwikkeld en uitgebreid naar complexere multi-veldkoppelingsmodellen. Daarom spelen P2D-modellen een onvervangbare rol bij het modelleren van batterijen. Ze bevatten echter complexe partiële differentiaalvergelijkingen en talrijke elektrochemische parameters, waardoor hoge eisen worden gesteld aan de rekenmogelijkheden van het batterijbeheersysteem (BMS). Momenteel wordt bij het oplossen van P2D-modellen voornamelijk gebruik gemaakt van numerieke methoden, zoals de eindige differentiemethode, de eindige elementenmethode en de eindige volumemethode.

Het equivalente circuitmodel maakt gebruik van traditionele circuitelementen zoals weerstanden, condensatoren en bronnen met constante spanning om een circuitnetwerk te vormen dat de externe kenmerken van de voedingsbatterij beschrijft. Dit model maakt gebruik van een spanningsbron om de elektromotorische kracht van het thermodynamische evenwicht van de accu weer te geven, en een RC-netwerk om de dynamische kenmerken van de accu te beschrijven. Het equivalente circuitmodel is goed toepasbaar op verschillende bedrijfstoestanden van de voedingsbatterij, en de toestandsvergelijkingen van het model kunnen worden afgeleid, wat analyse en toepassing vergemakkelijkt. Het equivalente circuitmodel wordt op grote schaal gebruikt in de modellering van nieuwe energievoertuigen, in simulatieonderzoek en op modellen-gebaseerd BMS. Figuur 7-27 toont een typisch equivalent circuitmodel van een stroombatterij bestaande uit n RC-netwerkstructuren, ook wel het n-RC-model genoemd. Dit model bestaat uit drie delen:

1) Spanningsbron: De nullast-spanning van de accu wordt weergegeven door $U_{oc}$.

2) Ohmse interne weerstand: De contactweerstand van de elektrodematerialen van de batterij, de elektrolyt, de isolatieweerstand en verschillende componenten wordt weergegeven door $R_o$.

3) RC-netwerk: De dynamische kenmerken van de voedingsbatterij, inclusief polarisatiekarakteristieken en diffusie-effecten, worden beschreven door de polarisatieweerstand $R_p$ en polarisatiecapaciteit $C_p$, waarbij $i=0, ..., n_s$.

In Figuur 7-27 vertegenwoordigt Omhoog de polarisatiespanning van de voedingsbatterij.

Figure 7-27 n-stage RC model circuit structure

Gebaseerd op de spanningswet en de stroomwet van Kirchhoff, en de relatie tussen condensatorspanningsverandering en stroom, kan de toestands-ruimtevergelijking van het circuitmodel worden uitgedrukt als:

7-50

Veelgebruikte elektrische batterij-equivalente circuitmodellen zoals het Rint-model, Thevenin-model en Dual Polarization (DP)-model zijn speciale gevallen van het n-RC-equivalente circuitmodel wanneer respectievelijk n=0, n=1 en n=2, en worden veel gebruikt in algoritmen voor het schatten en beheren van de batterijstatus.

Machine learning-modellen vereisen geen kennis van de interne samenstelling van de batterij en specifieke reactiemechanismen; ze hoeven alleen de historische bedrijfsgegevens van de batterij te verkrijgen (stroom, spanning, temperatuur, enz.). In wezen brengen ze niet-lineaire mappingfuncties tot stand tussen variabelen via data-gestuurde methoden. Het belangrijkste voordeel van dit type model is de toepasbaarheid op verschillende batterijtypen, de goede veelzijdigheid en het vermogen om de niet-lineaire kenmerken van batterijgedrag volledig te simuleren.

Op het gebied van het beheer en de controle van energiebatterijen omvatten de gebruikte machine learning-methoden voornamelijk fuzzy logic, neurale netwerken, ondersteunende vectormachines en hun gecombineerde algoritmen. In maart 2016 injecteerde AlphaGo's overwinning op Go-wereldkampioen Lee Sedol nieuwe vitaliteit in deep learning, wat een nieuwe golf van onderzoek en toepassing op gang bracht, die ook is toegepast op batterijbeheer. Met voldoende batterijgegevens voor training kan dit type model goede voorspellende prestaties behalen. Dit model heeft echter geen fysieke betekenis, is niet interpreteerbaar en de prestaties ervan worden sterk beïnvloed door de kwantiteit en kwaliteit van de trainingsgegevens, waardoor het moeilijk wordt om de betrouwbaarheid en robuustheid ervan te garanderen bij toepassing op batterijbeheersystemen.