Litio

Los avances en la tecnología de baterías de iones de litio han llevado al desarrollo de vehículos de nueva energía, redes inteligentes y otras industrias respetuosas con el medio ambiente. Sin embargo, las baterías de iones de litio experimentan un deterioro del rendimiento con el tiempo debido a diversos factores, incluida la fabricación de la batería, las condiciones de funcionamiento y las condiciones ambientales. Esta degradación puede provocar combustión o explosión incontroladas. Por lo tanto, es importante estudiar el estado interno de las baterías de iones de litio y desarrollar métodos precisos de estimación del estado.

El proceso de envejecimiento de las baterías de iones de litio es complejo y requiere un modelo basado en el mecanismo de envejecimiento de la batería para una predicción precisa de su vida útil. El envejecimiento calendario, que es el envejecimiento de las baterías durante un largo período de tiempo en estado flotante, es particularmente difícil de estimar debido a la lenta tasa de desintegración de la batería y la falta de características de desintegración mensurables.

Para abordar este problema, en este estudio se propone un algoritmo basado en filtrado de partículas para estimar el estado de salud (SOH) y la vida útil restante (RUL) de la batería. El algoritmo tiene en cuenta el proceso del ciclo de carga y descarga, que afecta al envejecimiento de la batería. La degradación de la capacidad de la batería es ampliamente aceptada como un indicador del envejecimiento de la batería. Una vez que la capacidad de la batería desciende hasta un cierto umbral, se considera que ha llegado al final de su vida útil y es necesario reemplazarla.

Existen diferentes métodos para predecir SOH, incluidos métodos de medición directa, métodos basados ​​en modelos y métodos basados ​​en datos. Los métodos de medición directa implican pruebas simples del SOH de la batería, como el método de conteo de Coulomb y los métodos de estimación basados ​​en la resistencia interna. Estos métodos tienen limitaciones en cuanto a precisión y robustez.

Los métodos basados ​​en modelos, como el modelo de circuito equivalente, describen la relación entre la resistencia interna y la capacidad disponible. Estos modelos se basan en datos de prueba y modelado precisos. Se han introducido algoritmos de estimación de bucle cerrado, como el filtro de Kalman extendido y el filtro de partículas, para mejorar la precisión de la predicción.

También se han aplicado métodos basados ​​en datos, incluidos algoritmos de aprendizaje automático y aprendizaje profundo, a las tareas de predicción SOH. Estos métodos extraen características de los datos de carga y descarga de la batería para generar un conjunto de vectores de características para la predicción. Las redes neuronales recurrentes, como la memoria a corto plazo y las redes recurrentes cerradas, han logrado buenos resultados en la predicción de SOH.

En conclusión, una estimación precisa del estado de salud de las baterías de iones de litio es crucial para garantizar su seguridad y prolongar su vida útil. Se están desarrollando varios métodos, incluidos algoritmos de filtrado de partículas y enfoques basados ​​en datos, para mejorar la precisión de la estimación de SOH y predecir la vida útil restante de las baterías.