リチウム

リチウムイオン電池技術の進歩は、新エネルギー自動車、スマートグリッド、その他の環境に優しい産業の発展につながりました。 ただし、リチウムイオン電池は、電池の製造、動作条件、環境条件などのさまざまな要因により、時間の経過とともに性能が低下します。 この劣化により、制御不能な燃焼や爆発が発生する可能性があります。 したがって、リチウムイオン電池の内部健康状態を研究し、正確な状態推定方法を開発することが重要です。

リチウムイオン電池の劣化プロセスは複雑であり、正確な寿命を予測するには、電池の劣化メカニズムに基づいたモデルが必要です。 カレンダー劣化は、浮遊状態で長期間にわたるバッテリの劣化であり、バッテリの減衰速度が遅く、測定可能な減衰特性がないため、推定することが特に困難です。

この問題に対処するために、この研究では、バッテリーの健全性 (SOH) と残存耐用年数 (RUL) を推定するための粒子フィルタリング ベースのアルゴリズムが提案されています。 このアルゴリズムでは、バッテリーの劣化に影響を与える充電と放電のサイクル プロセスが考慮されています。 バッテリー容量の低下は、バッテリーの経年劣化の指標として広く受け入れられています。 バッテリー容量が一定のしきい値まで低下すると、寿命が来たとみ​​なされ、交換する必要があります。

SOH を予測するには、直接測定方法、モデルベースの方法、データ駆動型の方法など、さまざまな方法があります。 直接測定方法には、クーロン計数法や内部抵抗に基づく推定方法など、バッテリーの SOH の簡単なテストが含まれます。 これらの方法には精度と堅牢性に限界があります。

等価回路モデルなどのモデルベースの手法は、内部抵抗と利用可能な容量の関係を記述します。 これらのモデルは、正確なモデリングとテスト データに依存しています。 拡張カルマン フィルターや粒子フィルターなどの閉ループ推定アルゴリズムが導入され、予測精度が向上しました。

機械学習や深層学習アルゴリズムなどのデータ駆動型の手法も、SOH 予測タスクに適用されています。 これらの方法では、バッテリーの充電および放電データから特徴を抽出して、予測用の特徴ベクトルのセットを生成します。 長期短期記憶やゲートリカレント ネットワークなどのリカレント ニューラル ネットワークは、SOH 予測において良好な結果を達成しています。

結論として、リチウムイオン電池の健康状態を正確に推定することは、電池の安全性を確保し、寿命を延ばすために非常に重要です。 SOH 推定の精度を向上させ、バッテリーの残りの耐用年数を予測するために、粒子フィルタリング アルゴリズムやデータ駆動型アプローチなどのさまざまな方法が開発されています。