Litio

I progressi nella tecnologia delle batterie agli ioni di litio hanno portato allo sviluppo di nuovi veicoli energetici, reti intelligenti e altre industrie rispettose dell’ambiente. Tuttavia, le batterie agli ioni di litio subiscono un deterioramento delle prestazioni nel tempo a causa di vari fattori, tra cui la produzione della batteria, le condizioni operative e le condizioni ambientali. Questo degrado può portare a combustione incontrollata o esplosioni. Pertanto, è importante studiare lo stato di salute interno delle batterie agli ioni di litio e sviluppare metodi accurati di stima dello stato.

Il processo di invecchiamento delle batterie agli ioni di litio è complesso e richiede un modello basato sul meccanismo di invecchiamento della batteria per una previsione accurata della durata. L'invecchiamento del calendario, ovvero l'invecchiamento delle batterie per un lungo periodo di tempo in uno stato fluttuante, è particolarmente difficile da stimare a causa del lento tasso di decadimento della batteria e della mancanza di caratteristiche di decadimento misurabili.

Per risolvere questo problema, in questo studio viene proposto un algoritmo basato sul filtraggio delle particelle per la stima dello stato di salute della batteria (SOH) e della vita utile rimanente (RUL). L'algoritmo tiene conto del processo del ciclo di carica e scarica, che influisce sull'invecchiamento della batteria. Il degrado della capacità della batteria è ampiamente accettato come indicatore dell’invecchiamento della batteria. Una volta che la capacità della batteria scende fino a una certa soglia, si considera che abbia raggiunto la fine della sua vita e debba essere sostituita.

Esistono diversi metodi per prevedere l’SOH, inclusi metodi di misurazione diretta, metodi basati su modelli e metodi basati sui dati. I metodi di misurazione diretta implicano semplici test dell'SOH della batteria, come il metodo di conteggio di Coulomb e i metodi di stima basati sulla resistenza interna. Questi metodi hanno limitazioni in termini di precisione e robustezza.

I metodi basati su modelli, come il modello del circuito equivalente, descrivono la relazione tra resistenza interna e capacità disponibile. Questi modelli si basano su dati di modellazione e test accurati. Sono stati introdotti algoritmi di stima a circuito chiuso, come il filtro di Kalman esteso e il filtro antiparticolato, per migliorare l'accuratezza della previsione.

Metodi basati sui dati, inclusi algoritmi di machine learning e deep learning, sono stati applicati anche alle attività di previsione SOH. Questi metodi estraggono caratteristiche dai dati di carica e scarica della batteria per generare una serie di vettori di caratteristiche per la previsione. Le reti neurali ricorrenti, come la memoria a lungo termine e le reti ricorrenti con cancello, hanno ottenuto buoni risultati nella previsione SOH.

In conclusione, una stima accurata dello stato di salute delle batterie agli ioni di litio è fondamentale per garantirne la sicurezza e prolungarne la durata. Sono in fase di sviluppo vari metodi, tra cui algoritmi di filtraggio delle particelle e approcci basati sui dati, per migliorare l’accuratezza della stima dell’SOH e prevedere la vita utile residua delle batterie.