リチウムイオン電池SOHの紹介国際リチウムイオン電池SOH推定法

本論文では、国内外の電池SOHの推定方法に関する研究に基づいて、国際的に認められている2つの主流の方法を紹介します。

1.経験に基づくアプローチ

経験的なバッテリ寿命予測方法は、統計ルールベースの方法とも呼ばれ、主に次の3つのタイプが含まれます。

1）サイクル数法

この方法は、バッテリーのサイクル数をカウントする方法であり、バッテリーのサイクル数が特定の範囲に達すると、バッテリーは耐用年数に達したと見なされます。この方法では、さまざまなサイクル条件、サイクル状態、およびその他の要因がサイクル寿命に及ぼす影響を考慮し、経験と標準パラメーターの両方に基づいてバッテリー寿命を決定する必要があります。

2）アンソニー法と加重アンペア時法

新しいバッテリーの充電と放電の全プロセスでバッテリーが電力を処理できる合計時間数は、累積バッテリー容量が一定のレベルに達したときに固定値である必要があります。バッテリーは寿命に達したと見なされます。 。この方法はアンペア時の方法です。加重アンペア時法では、バッテリーが異なる条件下で同じ量の電気を放出する場合、生命への損傷の程度は軽くて重いため、累積電気量に加重係数を掛けると、累積アンペアが考慮されます。 -時間は特定の値に達し、バッテリーは到着したと見なされます。人生の終わり。

3）イベント指向の老化蓄積法

この方法では、最初に、バッテリー寿命の損失を引き起こす特定のイベントの説明を作成する必要があります。一般に、各イベントには、損傷の程度のスケール記述があり、バッテリーの使用中のイベントの発生を監視し、各イベントによって引き起こされたバッテリー寿命の減衰、現在のバッテリーの残りの寿命を累積します。

上記の方法はすべて、いくつかの統計法則に従って、バッテリーの使用経験に基づいており、バッテリーの使用経験が十分な場合にのみ、特定の場合の寿命予測を行います。

2、パフォーマンスベースのアプローチ

さまざまな形式のパフォーマンスモデルに基づいており、経年劣化プロセスとストレス要因を考慮しています。現在、多くの研究がこの考えに基づいてバッテリー寿命に基づく寿命予測を行っています。寿命予測で使用されるさまざまな情報源によると、バッテリ性能に基づく寿命予測は、メカニズムベース、機能ベース、およびデータ駆動の3つのカテゴリに分類されます。

メカニズムに基づく予測は、バッテリーの本質的なメカニズムの観点からバッテリーの動作メカニズムモデルと経年劣化モデルを分析および確立し、電気化学的原理の観点からバッテリーの経年劣化挙動を記述し、バッテリーの寿命を予測することです。バッテリーモデルを分析することによって。

特徴ベースの予測は、バッテリーの経年劣化プロセスで示される特性パラメーターの進化であり、特徴量とバッテリー寿命の間の対応が寿命予測のために確立されます。

データ駆動型予測は、バッテリー性能テストデータの使用であり、寿命予測のためのデータからバッテリー性能進化の法則をマイニングします。たとえば、データフィッティングから導出された分析モデルと人工ニューラルネットワークモデルは、データ駆動型の方法です。 3つの方法にはそれぞれ長所と短所があり、実際のアプリケーションではいくつかの方法を組み合わせて使用することがよくあります。

1）メカニズムベースのアプローチ

メカニズムベースの予測では、状態変数に対する各エージングファクターの影響を調査する必要があります。この方法では、最初に、オームの法則、キルヒホッフの電圧-電流法則、および電気化学反応プロセス（バトラー・ボルマー）に基づいて、バッテリーの物理化学的プロセスについて説明します。法則）、拡散過程（フィックの法則）など。次に、状態変数に対する老化プロセスの影響の法則を研究します。一方では、バッテリーのメカニズムモデルを研究する必要があります。老化プロセスの老化メカニズムモデルと、状態変数に対するストレス要因の影響を研究する必要があります。

メカニズムベースの寿命予測の主な利点は次のとおりです。ほぼすべての状態条件と動作モードに適したバッテリー。バッテリーの老化プロセスの詳細な説明。これは、バッテリーの製造および設計メーカーがバッテリーの設計を改善するために使用できます。他の方法と比較してモデルに基づいて、バッテリー制御戦略の分析はより詳細で正確になります。欠点は、モデルが細かいパラメーターと高い複雑さを必要とすることです。老化要因のテストは複雑であり、完全な老化メカニズムモデルを確立することは困難です。

2）特徴ベースの予測方法

特徴寿命予測に基づく考え方は、電池の経年劣化プロセスで示される特性パラメータの変化を使用して、寿命予測のために特徴量の値と電池の状態の対応を確立することです。

現在の機能ベースのバッテリー寿命予測は、主に電気化学的インピーダンスとバッテリーサイクル寿命の関係に焦点を合わせています。電気化学インピーダンス分光法（EIS）は、バッテリー寿命特性の研究方法として使用されます。一般に、インピーダンススペクトル曲線は、バッテリサイクル寿命のさまざまな段階で測定されます。インピーダンススペクトル曲線から電池の等価回路モデル形式を求め、サイクル数などを解析します。実効回路モデルにおける溶液抵抗、負荷抵抗、ウォーバーグインピーダンスなどのパラメータの影響則、そして最後に、バッテリサイクル数による等価回路モデルのパラメータのフィッティング式が与えられます。 EISインピーダンススペクトルに加えて、バッテリーに適用されるパルスまたはステップ励起信号の内部抵抗を推定するパルスインピーダンス測定方法もあります。

EISインピーダンススペクトルは、バッテリインピーダンスのより詳細な説明を提供し、バッテリの寿命特性を推定するために使用できます。ただし、測定はより複雑で、特別な測定器が必要です。 EISテクノロジーは、バッテリー状態のオンライン監視に適用されます。迅速な測定技術が研究されています。インパルスインピーダンス測定はシンプルで簡単に実行できます。迅速に測定でき、オンラインで監視できます。試験結果は、ある程度の電池のインピーダンスを記述し、寿命の減衰とともに増加する電池のインピーダンスの特性を反映し、電池の寿命特性としても使用できます。

3）データ駆動型予測

バッテリー自体の物理化学的プロセスは複雑であり、多くの法則をメカニズムの研究から直接説明することは困難です。テストデータの観点からバッテリーのパフォーマンスを説明するという考え方は、データ駆動型アプローチと呼ばれます。

サポートベクターマシン（SVM）、自己回帰移動平均（ARMA）、粒子フィルタリング（PF）など、多くの一般的なデータ駆動型アルゴリズムがあります。

データ駆動型予測では、オブジェクトシステムのメカニズムに関する知識は必要ありません。収集されたデータに基づいて、さまざまなデータ分析学習方法を使用して、予測用の暗黙的な情報をマイニングします。これにより、モデル取得の複雑さを回避し、実用的な予測方法を実現します。ただし、取得されたデータは通常、強い不確実性と不完全性を持っている傾向があります。実際のアプリケーションで、生命に影響を与える可能性のあるすべての要因をテストすることは非現実的です。したがって、データ駆動型の予測は簡単に実装できますが、特定の制限もあります。

このページには、機械翻訳の内容が含まれています。