Роль адаптивного контроля в управлении деградацией аккумуляторов в электромобилях

Введение в адаптивный контроль в управлении аккумуляторами EV

Электромобили (EV) резко выросли в принятии, поскольку автомобильная промышленность поворачивается к устойчивой мобильности. Центральным элементом этого перехода является литий-ионный аккумуляторный блок, который представляет собой самый дорогой и технически требовательный компонент в электромобиле. Со временем все батареи испытывают деградацию - необратимую потерю емкости и мощности. Эффективное управление этой деградацией имеет решающее значение не только для дальности и стоимости перепродажи транспортных средств, но и для безопасности и общей удовлетворенности владения. Адаптивные системы управления появились в качестве сложного решения, позволяющего в режиме реального времени корректировать стратегии зарядки и разрядки на основе текущего состояния батареи. В отличие от статических или основанных на правилах систем управления батареями (BMS), адаптивный подход управления постоянно учится на данных датчиков и развивает свои параметры, чтобы минимизировать нагрузку на химию ячеек. В этой статье исследуются механизмы, лежащие в основе деградации батареи, объясняет, как адаптивный контроль смягчает эти эффекты, и рассматривает последние исследования и будущие тенденции в этой области.

Понимание деградации батареи

Электрохимические механизмы мощности Fade

Деградация аккумуляторов в литий-ионных клетках происходит от нескольких взаимосвязанных химических и физических процессов. Первичные механизмы включают образование слоя между твердыми электролитами (SEI) на аноде, литиевой оболочке, растворение катодного материала и разложение электролита. Каждый из этих процессов ускоряется при определенных электрических и тепловых условиях. Например, высокие скорости зарядки (высокие С-скорости) и низкие температуры увеличивают риск образования внутренних коротких замыканий. И наоборот, повышенные температуры ускоряют рост слоя SEI и деградацию катода, что приводит к более высокому импедансу и потере емкости. Ключевыми параметрами, влияющими на деградацию, являются: (1) температура, (2) глубина разряда (DoD), (3) величина тока заряда/разряда, (4) диапазон заряда (SoC) и (5) время, проведенное при высоком или низком SoC.

Количественное ухудшение состояния батареи

Состояние батареи обычно выражается как состояние здоровья (SoH), определяемое как отношение текущей емкости к начальной емкости. Типичный критерий конца срока службы для батарей EV - это когда SoH падает до 70-80% от первоначального рейтинга. Деградация не является линейной; она часто следует двухфазной схеме: первоначально медленный, линейный блек, в котором доминирует рост SEI, за которым следует ускоренная точка «колено», где ставки резко увеличиваются из-за потери активного материала или запасов лития. Адаптивные системы управления стремятся продвинуть точку колена как можно дальше в будущее. Исследования Национальной лаборатории возобновляемых источников энергии (NREL) показали, что тщательное управление профилями заряда может продлить срок службы до 40% по сравнению с агрессивными протоколами зарядки.

Основы адаптивных систем управления

Что такое адаптивный контроль?

Адаптивное управление — это класс стратегий управления обратной связью, которые корректируют параметры контроллера в реальном времени для адаптации к изменениям в системе или ее среде. В контексте управления аккумулятором EV адаптивный контроллер постоянно оценивает внутреннее состояние батареи — например, внутреннее сопротивление, емкость и температурные градиенты — и соответствующим образом изменяет ток зарядки, пределы напряжения и стратегии охлаждения. В отличие от фиксированной управляющей системы BMS, которая использует предварительно определенные таблицы поиска, адаптивная система BMS использует алгоритмы оценки в режиме онлайн и механизмы обновления модели для обработки старения, изменения от ячейки к ячейке и изменения условий эксплуатации.

Основные компоненты адаптивной BMS

1. Батарейная модель: Обычно эквивалентная схемная модель (ECM) или электрохимическая модель, которая предсказывает напряжение, внутреннее сопротивление и температурный отклик.Адаптивные системы часто используют фильтр Калмана или рекурсивные наименьшие квадраты для обновления параметров модели по мере старения батареи.
2. Государственный оценщик:] Алгоритмы, такие как Расширенный фильтр Калмана (EKF) или Незапахший фильтр Калмана (UKF), оценивают SoC, SoH и внутреннюю температуру в реальном времени.
3. Закон управления: На основе расчетных состояний контроллер вычисляет оптимальный ток зарядки, пределы напряжения и действия управления температурой. Это может включать в себя модель предиктивного управления (MPC) или стратегии обучения на основе подкрепления.
4. Интерфейс акулятора: Сигналы управления отправляются на бортовое зарядное устройство (OBC), преобразователь постоянного тока и систему управления теплом (например, насосы охлаждающей жидкости, вентиляторы радиатора).

Основные функции адаптивного контроля при управлении деградацией

Регулирование температуры

Температура является наиболее влиятельным внешним фактором старения аккумуляторов. На каждые 10°C повышения выше 25°C скорость угасания емкости может примерно удвоиться. Адаптивные системы управления используют тепловые модели и датчики температуры в реальном времени для модуляции зарядной мощности и активации контуров охлаждения или нагрева. Например, во время быстрой зарядки BMS может ограничивать ток, если температура ячейки превышает порог безопасности. В холодном климате предварительная кондиционирование батареи с использованием тепловой системы перед зарядкой (при извлечении из сетки или при рекуперативном торможении) гарантирует, что зарядка происходит в температурном диапазоне, который минимизирует покрытие литием. Исследование SAE International показало, что адаптивное управление тепловой энергией снизило средние показатели деградации на 15% более чем на 100 000 миль.

Напряжение и текущее управление

Пределы напряжения, применяемые во время зарядки (постоянное напряжение тока, CC-CV), имеют решающее значение. Даже небольшое перенапряжение может ускорить поломку SEI. Адаптивные алгоритмы управления динамически снижают максимальное напряжение зарядки по мере старения батареи, потому что старые ячейки имеют более высокое импеданс и более чувствительны к напряжению напряжения. Аналогично, профиль тока может быть сформирован, чтобы избежать высоких скоростей при низком SoC и при высоком SoC, где деградация наиболее тяжела. Исследователи из ScienceDirect, скорректированные на основе внутренних оценок сопротивления, снижают деградацию до 22% по сравнению с фиксированными протоколами CC-CV.

Состояние оптимизации заряда

Работа батареи при экстремальных значениях SoC - близких к 0% или 100% - вызывает более высокую механическую нагрузку на электроды и ускоряет разложение электролита. Адаптивное управление может рекомендовать и обеспечивать «буферную зону» вокруг полезного диапазона SoC. Например, во время ежедневной поездки BMS может ограничить целевой SoC до 80% (если не ожидается более длительная поездка) для сохранения срока службы цикла. При рекуперативном торможении система динамически регулирует прием заряда, чтобы избежать перегрузки батареи. Кроме того, адаптивный контроллер может изучать схемы вождения пользователя и планировать установки SoC соответственно - метод, иногда называемый «адаптивной зарядкой».

Прогнозирование жизненного цикла и адаптация к использованию

Адаптивные системы управления включают в себя прогностические модели, которые оценивают оставшийся срок полезного использования (RUL) на основе накопленного количества цикла, средней температуры, истории заряда / разряда и старения календаря. Эти модели постоянно обновляются по мере ухудшения состояния батареи. С этой информацией система может регулировать эксплуатационные профили - например, путем снижения максимальной мощности транспортного средства, когда здоровье батареи падает ниже порога, торгуя пиковой производительностью для долголетия. Операторы флота могут использовать эти данные для оптимального планирования зарядки, избегая окон зарядки с высоким напряжением в часы пик. Инструмент моделирования срока службы батареи NREL дает представление о том, как такой прогностический контроль может быть реализован.

Недавние достижения в области глубокого обучения и обучения с подкреплением (RL) открыли новые возможности для адаптивного управления аккумуляторами. Вместо использования упрощенной физической модели агент RL может изучать оптимальную политику зарядки из исторических данных и обратной связи в реальном времени. Например, исследователи из MIT разработали модель машинного обучения, которая сократила время зарядки на 50%, не вызывая деградации за счет динамической корректировки текущего профиля. Такие подходы, основанные на ИИ, могут адаптироваться к индивидуальным траекториям старения батареи более точно, чем обычные адаптивные контроллеры.

Интегрированный тепловой и электрический контроль

Следующее поколение адаптивной BMS будет тесно связано с электрическим и тепловым управлением. Вместо того, чтобы рассматривать охлаждение как отдельную систему, прогностические контроллеры будут предварительно охлаждать батарею перед событием быстрой зарядки на основе предстоящих графиков вождения или зарядки (полученных через навигационные системы). Этот целостный подход может минимизировать тепловое напряжение и улучшить срок службы цикла.

Облачный адаптивный контроль

Многие современные электромобили уже имеют облачное подключение. Загружая данные батареи на облачные серверы, производители могут запускать более сложные модели (например, цифровые двойники), которые периодически обновляют параметры локальной BMS. Это выгружает вычисления из транспортного средства и позволяет обучение в масштабе всего парка. Обновления по воздуху (OTA) станут обычным явлением для улучшения адаптивных алгоритмов по мере появления новых результатов исследований.

Беспроводная BMS и контроль уровня ячейки

Системы беспроводного управления батареями (wBMS) устраняют проводную упряжку между контроллерами модулей, позволяя осуществлять более детальный мониторинг. Адаптивное управление на уровне ячеек (а не на уровне модулей) может минимизировать деградацию от слабых ячеек путем более равномерного распределения нагрузки. Такие компании, как Texas Instruments предлагают решения для беспроводной BMS, которые поддерживают адаптивные алгоритмы.

Практические примеры и тематические исследования

Адаптивная BMS от Tesla

Tesla была пионером в адаптивном управлении батареями. Их транспортные средства включают в себя сложную BMS, которая учится на поведении каждого аккумуляторного блока. Например, функция ограничения зарядки «Double-Click» позволяет пользователю устанавливать максимальную SoC, но система адаптируется к температуре окружающей среды и историческим шаблонам деградации. Tesla также использует обновления OTA для корректировки кривых заряда - например, обновление 2020 года, которое ограничивало время сужения Supercharger на основе состояния упаковки.

Тепловое управление Nissan Leaf

Nissan Leaf изначально не имел системы жидкостного терморегулирования. Ранние модели страдали от быстрой деградации в жарком климате. Последующие поколения включали BMS, которая адаптивно ограничивала быструю мощность заряда, когда батарея была горячей, помогая замедлить угасание емкости. Это простая, но эффективная форма адаптивного управления - корректировка мощности зарядки на основе обратной связи температуры.

Аккумулятор Second-Life и адаптивное управление

После выхода на пенсию автомобильных аккумуляторов, EV батареи часто перепрофилируются для стационарного хранения энергии. Адаптивное управление здесь одинаково важно, так как емкость батареи и импеданс широко варьируются. Хорошо разработанная адаптивная BMS может продлить второй срок службы еще на 5-10 лет, оптимизируя циклы заряда/разряда для конкретного состояния SoH. Такие компании, как Connected Energy используют адаптивные алгоритмы в своих системах E-STOR для безопасного управления устаревшими пакетами.

Заключение

Адаптивное управление перешло от новой концепции исследования к практической необходимости для современных электромобилей. По мере развития химии аккумуляторов и ускорения внедрения электромобилей способность динамически управлять зарядкой, разрядкой и тепловыми условиями напрямую повлияет на надежность, безопасность и стоимость транспортных средств. Хотя проблемы в вычислениях, точности датчиков и надежности модели сохраняются, траектория ясна: будущие электромобили будут полагаться на все более интеллектуальные адаптивные системы управления батареями, которые учатся на каждом цикле и настраиваются в режиме реального времени. Для производителей и операторов автопарка инвестирование в технологию адаптивного управления заключается не только в продлении срока службы батареи - речь идет о создании доверия и обеспечении того, чтобы электромобили оставались неотразимым выбором на десятилетия вперед.