Press "Enter" to skip to content

Искусственный интеллект обеспечивает прогнозирование срока службы литий-ионной батареи

Одна из многих проблем при определении срока службы любой батареи заключается в том, что такую ​​оценку сложно провести на ранних этапах ее использования. Эта ситуация может измениться благодаря проекту, осуществляемого совместной командой Stanford / MIT, работающей под эгидой Центра проектирования батарей на основе данных. Научно-промышленное сотрудничество включает в себя научно-исследовательский институт Toyota и имеет целью объединение теории, практики и данных.

Они использовали сложность и алгоритмы искусственного интеллекта / машинного обучения для разработки моделей, которые точно прогнозируют длительный срок службы батареи, используя данные, собранные из циклов заряда/разряда, которые были измерены только на ранних этапах срока службы батареи. «Стандартный способ тестирования новых конструкций аккумуляторов — это заряжать и разряжать элементы, пока они не выйдут из строя. Поскольку батареи имеют длительный срок службы, этот процесс может занять много месяцев и даже лет », — сказал соавтор Питер Аттиа, кандидат наук в Стэнфордском университете в области материаловедения и инженерии. «Это дорогостоящее узкое место в исследованиях аккумуляторных батарей».

Цель исследования заключалась в том, чтобы точно предсказать срок полезного использования литий-ионных батарей (с литий-железо-фосфатным катодом и графитовым анодом) исключительно на основе данных раннего цикла, полученных задолго до того, как их емкость снизится. Для создания набора обучающих данных и разработки модели они циклически заряжали / разряжали 124 коммерческих аккумулятора до тех пор, пока каждый из них не достиг конца срока полезного использования (который они определили как потерю емкости в 20%). Аккумуляторы из систем A123 с номинальной емкостью 1,1 Ач и номинальным напряжением 3,3 В были циклически установлены в горизонтальных цилиндрических приспособлениях в температурной камере с принудительной конвекцией 30 ° C.

При превышении 80% SOC все элементы заряжаются гальваностатически при 1C до 3,6 В, а затем потенциостатически заряжаются при 3,6 В. Верхнее значение для каждого тока ограничено верхним пределом напряжения производителя 3,6 В

Они использовали два режима быстрой зарядки, но с одинаковыми условиями разряда, чтобы варьировать срок службы батарей до того, как каждый из них достигнет конца своего срока службы (рисунок выше). Режим зарядки был «C1 (Q1) -C2», в котором C1 и C2 — первый и второй этапы постоянного тока соответственно, а Q1 — степень заряда аккумулятора (SOC,%), при котором переключаются зарядные токи. Второй этап тока заканчивается при 80% SOC, после чего элементы заряжаются при 1C CC-CV. Все батареи были разряжены при 4C (C — емкость элемента). Измерения внутреннего сопротивления были получены во время зарядки при 80% SOC путем усреднения 10 импульсов ± 3,6 ° C с длительностью импульса 30 мс или 33 мс. Испытуемые батареи выдержали от 150 до 2300 циклов зарядки / разрядки.

«Результирующий набор» из нескольких сотен миллионов точек данных (циклы заряда/разряда) был использован для обучения их модели и алгоритма. Это определило состояние каждой батареи и предсказало, сколько еще будет продолжаться каждый цикл, в основном используя данные о падении напряжения и некоторых других факторах на ранних этапах работы аккумулятора (рисунок ниже). Обратите внимание, что батарея SOH — это сложное состояние, включающее две основные характеристики стареющих батарей (среди прочих соображений): их постепенная потеря емкости хранения (называемая исчезновением емкости); и увеличение внутреннего импеданса, который уменьшает количество фактической мощности, которую батарея может доставить к нагрузке.

В системе оптимизации с обратной связью данные о батареях, проверяемых батареями, поступают в модель раннего прогнозирования. Эти прогнозы применяются к алгоритму байесовского оптимального экспериментального проектирования, который рекомендует следующие подходы для тестирования

Погрешность предсказания лежит в пределах 9% от конечного числа циклов работы аккумуляторов. Кроме того, алгоритм искусственного интеллекта смог классифицировать батареи как имеющие длительный или короткий срок службы только после первых пяти циклов заряда / разряда, и эти прогнозы считались правильными в 95% случаев.

«Несмотря на все время и деньги, которые тратятся на разработку аккумуляторов, прогресс все еще измеряется десятилетиями», — сказал соавтор исследования Патрик Херринг, ученый из исследовательского института Toyota. «В этой работе мы сокращаем один из самых трудоемких этапов – тестирование аккумуляторной батареи — на порядок».

Результаты были представлены в их подробной работе, опубликованной в журнале Nature Energy «Прогнозирование срока службы батареи до ухудшения емкости на основе данных» (Data-driven prediction of battery cycle life before capacity degradation), а также в других материалах. В качестве дополнительного преимущества, исследователи сделали общедоступный базовый набор данных, который, как утверждается, является крупнейшим в своем роде.

Оставьте комментарий

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *