Takso de Bateria Ŝarĝo-Stato (SOC).
Oftaj Bateriaj Modeloj
La elektrokemia reakcia procezo de potencaj kuirilaroj estas kompleksa, influita de multaj kaj necertaj faktoroj. Matematika modeligado de ĉi tiu procezo estas multfaka kaj mult-kampa problemo, kaj ĉiam estis ŝlosila fokuso kaj defio por kaj akademio kaj industrio. La eniga ekscito (ŝarĝa kurento) kaj produktaĵobservaĵoj (tensio kaj temperaturo) de potenca baterio estas finhavaj mezureblaj parametroj por la potenca baterio-administra sistemo. Preciza modeligado estas esenca por pli precize priskribi la eksterajn karakterizaĵojn de potencaj baterioj, dezajnante fidindajn potencajn bateriajn ŝtattaksajn algoritmojn kaj evoluigi optimumajn energiadministrajn sistemojn por novaj energiaj veturiloj. Oftaj potencaj bateriomodeloj estas plejparte dividitaj en elektrokemiajn modelojn, ekvivalentajn cirkvitajn modelojn kaj maŝinlernajn modelojn.
(1) Elektrokemia Modelo
En la mez-1990-aj jaroj, M. Doyle, TF Fuller, kaj J. Newman de la Universitato de Kalifornio, Berkeley, establis pseŭdo-du-dimensian (P2D) modelon bazitan sur la teorio de poraj elektrodoj kaj koncentritaj solvoj, metante la fundamenton por la evoluo de elektrokemiaj mekanismo-modeloj. Tiu modelo uzas serion de partaj diferencialaj ekvacioj kaj algebraj ekvacioj por precize priskribi la disvastigon kaj migradon de litiojonoj ene de la potenca baterio, elektrokemiajn reagojn sur la surfaco de aktivaj partikloj, la leĝon de Ohm kaj ŝargokonservadon, inter aliaj elektrokemiaj fenomenoj. Ĝis nun, la plej multaj elektrokemiaj modeloj estas derivitaj kaj evoluigitaj de tiu modelo. Elektrokemia modelo estas unuaprincipa modelo, kiu povas precize simuli ne nur la eksterajn trajtojn de potenca baterio sed ankaŭ la distribuon kaj ŝanĝojn de internaj karakterizaĵoj (kiel la koncentriĝo de litiojonoj en la elektrodoj kaj elektrolito, kaj la reakcia tropotenco, kiuj estas malfacile mezureblaj). Kompare kun aliaj potencbateriomodeloj, elektrokemiaj modeloj povas priskribi la mikroskopajn reagojn ene de la potencbaterio en pli granda profundo kaj havi pli eksplicitan fizikan signifon.
P2D-modeloj estas multflankaj kaj skaleblaj, uzeblaj al baterispecoj kun malsamaj materialaj sistemoj, kaj povas esti evoluigitaj kaj etenditaj en pli kompleksajn mult-kampajn kunligajn modelojn. Tial, P2D-modeloj ludas neanstataŭeblan rolon en bateriomodelado. Tamen, ili enhavas kompleksajn partajn diferencialajn ekvaciojn kaj multajn elektrokemiajn parametrojn, metante altajn postulojn sur la komputilaj kapabloj de la Battery Management System (BMS). Nuntempe, solvi P2D-modelojn ĉefe utiligas nombrajn metodojn, kiel ekzemple la finhava diferencometodo, la finhava elementmetodo, kaj la finhava volumenmetodo.
(2) Ekvivalenta Cirkvito-Modelo
La ekvivalenta cirkvitomodelo uzas tradiciajn cirkvitajn elementojn kiel ekzemple rezistiloj, kondensiloj kaj konstantaj tensiofontoj por formi cirkvitreton por priskribi la eksterajn karakterizaĵojn de la potenca baterio. Tiu modelo uzas tensiofonton por reprezenti la termodinamikan ekvilibran elektromovan forton de la potenca baterio, kaj RC-reton por priskribi la dinamikajn karakterizaĵojn de la potenca baterio. La ekvivalenta cirkvitomodelo havas bonan aplikeblecon al diversaj funkciaj statoj de la potenca baterio, kaj la ŝtatekvacioj de la modelo povas esti derivitaj, faciligante analizon kaj aplikon. La ekvivalenta cirkvitomodelo estis vaste utiligita en nova energiveturilo-modeligado kaj simuladesplorado kaj model-bazita BMS. Figuro 7-27 montras tipan ekvivalentan cirkvitmodelon de potenca baterio kunmetita de n RC-retaj strukturoj, nomataj n-RC-modelo. Ĉi tiu modelo konsistas el tri partoj:
1) Tensiofonto: La malferma-cirkvita tensio de la elektra baterio estas reprezentita per $U_{oc}$.
2) Ohmic Interna Rezisto: La kontakta rezisto de la potencaj kuirilaraj elektrodaj materialoj, elektrolito, izola rezistilo kaj diversaj komponantoj estas reprezentita per $R_o$.
3) RC-Reto: La dinamikaj karakterizaĵoj de la potenca baterio, inkluzive de polusiĝkarakterizaĵoj kaj disvastigefikoj, estas priskribitaj per la polusiĝrezisto $R_p$ kaj polusiĝkapacitanco $C_p$, kie $i=0, ..., n_s$.
En Figuro 7-27, Supre reprezentas la polarizan tension de la potenca baterio.
Surbaze de la tensioleĝo kaj nuna leĝo de Kirchhoff, kaj la rilato inter kondensila tensioŝanĝo kaj fluo, la stato-spaca ekvacio de la cirkvitomodelo povas esti esprimita kiel:
Ofte uzitaj potencbaterio-ekvivalentaj cirkvitmodeloj kiel ekzemple la Rint-modelo, Thevenin-modelo, kaj Dual Polarization (DP) modelo estas specialaj kazoj de la n-RC-ekvivalenta cirkvitmodelo kiam n{=0, n=1, kaj n=2, respektive, kaj estis vaste uzitaj en potencbaterioŝtattakso kaj administradalgoritmoj.
(3) Maŝinlernado-Modeloj
Maŝinlernado-modeloj ne postulas scion pri la interna kunmetaĵo de la baterio kaj specifajn reagmekanismojn; ili nur bezonas akiri la historiajn operaciajn datumojn de la baterio (kurento, tensio, temperaturo, ktp.). Esence, ili establas neliniajn mapajn funkciojn inter variabloj per metodoj de datumoj-. La ĉefa avantaĝo de ĉi tiu tipo de modelo estas ĝia aplikebleco al malsamaj baterispecoj, ĝia bona ĉiuflankeco kaj ĝia kapablo plene simuli la neliniajn trajtojn de bateriokonduto.
En la kampo de administrado kaj kontrolo de potencbaterio, la maŝinlernadaj metodoj uzataj ĉefe inkluzivas malklarkonturan logikon, neŭralajn retojn, subtenajn vektorajn maŝinojn kaj iliajn kombinitajn algoritmojn. En marto 2016, la venko de AlphaGo super Go mondĉampiono Lee Sedol injektis novan viglecon en profundan lernadon, ekigante novan ondon de esplorado kaj aplikiĝo, kiu ankaŭ estis aplikita al bateriadministrado. Kun sufiĉaj bateriaj datumoj por trejnado, ĉi tiu tipo de modelo povas atingi bonan prognozan agadon. Tamen, ĉi tiu modelo malhavas fizikan signifon, estas neinterpretebla, kaj ĝia agado estas tre tuŝita de la kvanto kaj kvalito de trejnaj datumoj, malfaciligante garantii ĝian fidindecon kaj fortikecon kiam aplikite al bateriaj administradsistemoj.
