options
search icon
email icon
EU
rrss gif icons
twitter icon
linkedin icon youtube icon
shape

Development and Validation of Li-ion Battery State Algorithms Capable of Adapting to New Chemistries

Markel Azkue Etxeandia


14/12/2023

  • ZUZENDARIAK: Haizea Gaztañaga eta Unai Iraola 
  • UNIBERTSITATEA: Mondragon Unibertsitatea

LABURPENA

Li-ioi bateriak (Li-ion) –energia-biltegiratze modernoaren giltzarriak dira– aplikazio ugariren osagai integral bihurtu dira. Aplikazio horien artean daude, besteak beste, nonahiko gailuak (hala nola telefono adimendunak eta ordenagailu eramangarriak) eta sistema konplexuak (hala nola ibilgailu elektrikoak eta energia eskala handian biltegiratzeko azpiegiturak). Eskariaren gorakada zuzenean egotz dakieke, batetik, energia-iturri berriztagarrietarako mundu-mailako paradigma-aldaketari eta, bestetik, mugikortasun elektrikoaren gero eta esparru handiagoari. Trantsizio horien ondorioz, ezinbestekoa da Li-ioi baterien azpiko teknologiaren etengabeko berrikuntza, horien errendimendua handitzeko, segurtasuna indartzeko eta kostua optimizatzeko.

Testuinguru horretan, ikerketa-eremu aktiboenetako bat karga-egoera (SoC) eta osasun-egoera (SoH) zenbatesteko algoritmo eraginkorrak garatzea da. Metrika horiek funtsezkoak dira Li-ioi baterien erabilera eraginkorra, bizitza-luzera, segurtasuna eta errendimendu-optimizazioa bermatzeko hainbat aplikaziotan.

Gainera, baterien ezaugarriak, funtzionamendu-baldintzak, baterien zahartzea, erabilera mistoko agertokiak, sortzen ari diren baterien teknologiak, erabiltzaileen portaerak, datuen eskuragarritasun mugatua eta bateriei buruzko ikerketaren etengabeko bilakaera direla eta, baterien egoera zenbatesteko metodo malguak behar dira.

Hori ikusita, lan honen helburua da SoC-ren eta SoH-ren zenbatesle moldagarriak garatzea. Sare neuronalen potentzia aprobetxatuz, zenbatesle horiek, transferentzia bidezko ikaskuntzaren teknikarekin osatuta, aurreko zeregin edo aplikazioetan eskuratutako ezagutzak ustiatuko dituzte bateria edo agertoki mota berrietara egokitzeko.

Zenbatesle horiek sortzeko, hasiera batean, hizpide dugun literaturaren berrikuspen sakona egin da. SoC-ren eta SoH-ren zenbatespen-algoritmoetan zentratu da berrikuspena, arreta berezia jarrita sare neuronalak erabiltzen dituztenetan. Berrikuspenak azterketa konparatibo bat eskaintzen du: metodologia bakoitzaren merezimenduak eta mugak jorratzen dira, hainbat sare neuronal mota aurkezten dira, hala nola sare neuronal konboluzionala (CNN) eta sare neuronal errekurrentea (RNN), eta transferentzia bidezko ikaskuntzaren printzipioa azaltzen da, bai eta SoC eta SoH kalkulatzeko izan ditzakeen onurak nabarmendu ere.

Berrikuspen bibliografikoaren ondoren, metodologia zehatz bat proposatu da. Ikerketa osoaren bizkarrezurra da hori. Metodologia horrek bost etapako prozesua deskribatzen du:

  • Konfigurazioa eta prestaketa (0 etapa): Hasierako etapa honetan, entrenamendua hasi aurretik beharrezkoak diren zereginak egin dira, hala nola datuen aurreprozesamendua, ereduaren hautaketa eta hiperparametro sintonizagarriak zehaztea.
  • Ereduak sortzea (1., 2. eta 3. etapak): Etapa horietan, CoS eta SoH zenbatesteko hainbat eredu sortu dira.
    • 1. etapa: Erreferentzia-eredua: Erreferentzia-eredu bat sortu da eta entrenamendu zorrotz baten, proben eta hiperparametroen doikuntzaren bidez hobetzen da.
    • 2. etapa: Eredu konparatiboa: Eredu berri bat eraiki da hutsetik, zelula berri baten datuak erabiliz, transferentzia bidezko ikaskuntzaren ereduaren errendimendua alderatzeko erreferentzia gisa balio duena.
    • 3. etapa: Transferentzia bidezko ikaskuntzaren eredua: Erreferentzia-eredua beste zelula bateko datu berriekin entrenatu da berriro, transferentzia bidezko ikaskuntzaren kontzeptua erabiliz.
  • Ebaluazioa (4. etapa): Azken etapa honetan, 2. eta 3. etapetako ereduen emaitzak alderatu dira. Emaitzak alderatzean, transferentzia bidezko ikaskuntzaren ereduaren eraginkortasuna egiaztatu da. Emaitzak alderatuz gero, transferentzia bidezko ikaskuntzaren ikuspegiaren eraginkortasuna ebalua daiteke.

Deskribatutako metodologiari jarraituz, SoC-ren zenbatesle batzuk garatu dira, epe motzeko memoria luzearen sareak (LSTM) aprobetxatuz. Eredu elektrokimiko batetik sortutako datu sintetikoak erabili dira fundazio-eredu bat formulatzeko, eta, ondoren, transferentzia bidezko ikaskuntza aplikatu zaio benetako zelula bat modelatzeko. Aldi berean, transferentzia bidezko ikaskuntzaren bideragarritasuna eta abantailak ebaluatzeko, eredu independenteak eraiki dira hutsetik abiatuta.

Emaitzak sinesgarriak dira: transferentzia bidezko ikaskuntza gauzatzeko ezarritako erreferentzia-eredu bat baldin badago, transferentzia bidezko ikaskuntzaren ereduak hutsetik eraikitako homologoak gainditzen ditu sistematikoki. Zehazki, transferentzia bidezko ikaskuntzako ereduak % 0,88ko batez besteko errore absolutua lortu du, SoC proben profil berberekin hutsetik abiatuta sortutako ereduek erakusten dituzten % 1,84ko eta % 5,62ko batez besteko errore absolutuekin kontraste argian. Transferentzia bidezko ikaskuntzaren ereduak, emaitza hobeak emateaz gain, sendotasun handiagoa erakutsi du, eta, gainera, zelula berriaren askoz datu gutxiago behar ditu entrenatzeko, % 80 gutxiago arte, zehatz-mehatz.

Ariketa paralelo batean, SoC-ren zenbateslearentzat erabilitako ikuspegiaren antzekoa, SoH-ren zenbatesle batzuk ere garatu dira. Horretarako, erabat konektatutako sareetan oinarritutako sare neuronalak erabili dira, lehen aipatutako metodologiari jarraikiz. Berriz ere, transferentzia bidezko ikaskuntzaren ereduak hutsetik entrenatutako ereduak gainditu ditu metrika guztietan, eta % 0,7ko batez besteko errore absolutu ikaragarria lortu du, hutsetik sortutako ereduen % 1,2ko eta % 1,6ko batez besteko errore absolutuen aldean. Gainera, aurreko emaitzak errepikatuz, transferentzia bidezko ikaskuntzaren ereduak beste ereduen datuen erdiak behar izan ditu zenbatesle berria entrenatzeko.

Laburbilduz, ikerketak irmo egiten du sare neuronalen eta transferentzia bidezko ikaskuntzaren amalgamaren alde, SoC-ren eta SoH-ren estimazio moldagarri eta sendo baterako. Proposatutako metodologiak erakutsi zuen transferentzia bidezko ikaskuntzaren ereduen erabilerak hutsetik abiatuta eraikitako homologoak sistematikoki gainditzen dituela, nabarmen txikiagoa den batez besteko errore absolutu bat lortuz eta sendotasun handiagoa erakutsiz. Ikuspegi horrek, zehaztasuna hobetzeaz gain,

datu-eskakizunak nabarmen murrizten ditu eta entrenamendua arintzen du. Hori bereziki baliotsua da datuak sortzea mugatua edo garestia den egoeretan, eta, ondorioz, metodo hori irtenbide eraginkorra da kalitate handiko emaitzak lortzeko mugen barruan.

close overlay