• 注册
  • 行业动态 行业动态 关注:91 内容:648

    孚能科技周小静:数据驱动的智能管理助推电池实现多重价值提升

  • 查看作者
  • 打赏作者
  • 当前位置: 电池社区 > 行业动态 > 正文
    • 行业动态
    •   (电池中国12月14日 赣州)12月14日,“第六届动力电池应用国际峰会(CBIS2021)”在江西赣州召开。来自国内整车、动力电池、材料、设备等产业链头部企业和行业机构,以及国外部分在华产业链企业代表汇聚于此,共同围绕新发展格局下,产业链交付、供应链安全与保障、双碳目标与全球化市场新格局、材料技术突破与产业化应用等产业链核心议题进行深入交流探讨。

        图为孚能科技(赣州)股份有限公司大数据分析预警开发部高级经理周小静演讲

        会上,孚能科技(赣州)股份有限公司大数据分析预警开发部高级经理周小静发表了题为“数据驱动的电池智能管理技术研究”的主题演讲。

        为了提高电动汽车的续航里程,提高电池能量密度是一个重要的手段。当前,磷酸铁锂电池能量密度已经超过160Wh/kg,三元电池能量密度已经突破300Wh/kg。

        周小静介绍称,能量密度的提升,同时也意味着电池在发生热失控时会释放大量的热量。此外,电池结构也决定了其易燃、易爆的属性,如电解液、隔膜、浅绿石墨均属于易燃材料,电池密闭封装导致其在易燃情况下会发生爆炸,威胁人身安全。因此,需要通过适当的管理方式让电池处于相对安全的工作区间。此外,我国电动汽车的保有量也在逐年增加,电池管理至关重要。

        据周小静介绍,目前电池管理主要分三类:基于机理模型的电池管理、基于等效电路模型的电池管理和基于数据驱动的电池管理。

        其中,机理模型的目的是为了精确反映电池的电化学过程,该模型具有最高的精度,但计算复杂,通常用于电池设计和内部机理研究。

        等效电路模型是为了模拟电池的外部特性建立的,通常有电压源、电阻、电容等元器件组成,该模型在电池实时控制中运用较多,但是在极端工况下,该模型准确性有所下降。

        数据驱动的电池管理是依托于机器学习发展的,一般将电池作为一个黑箱,该类方法对电池模型的依赖程度较低,对机器学习算法要求较高,通过大量数据积累来反映真实过程。

        周小静表示,近年来,基于数据驱动的电池管理也备受关注,能否在精度和效率上超越传统的管理方法仍需进一步研究。

        据周小静介绍,数据驱动在电池管理中的应用价值主要表现为四个方面:

        一是生产设计方面。电动汽车寿命的准确评估预测将会为电动汽车的生产、技术方案制定、销售环节定价、保险业务等提供参考。

        二是用户使用方面。电动汽车和动力电池实时在线管理和故障预警将为电动汽车安全运行提供保障。

        三是残值评估方面。动力电池的寿命评估和预测将为电动汽车在二手车市场的残值评估提供非常重要的参考。

        最后是梯次利用方面。为动力电池在梯次利用过程中的寿命评价、分选提供重要参考。

        据周小静介绍,目前孚能科技在数据驱动和智能管理方面主要做了以下几个方面工作:

        首先是电池的SOC估计。在此部分的研究中,孚能科技构建了数据与模型融合的SOC估计方法。通过实验验证,其方法在新电池以及老化了600个循环的NEDC工况中,估计误差在2.3%以内。

        在状态估计方面,孚能科技提出了一种面向充电工况的电池健康状态SOH估计。通过电池加速循环老化的实验数据验证,在不同充电倍率、不同老化状态下的SOH估计误差在5%以内,极大地扩展了该方法的应用场景。

        电池热管理方面。为了优化充电过程的热管理策略,同济大学与孚能科技提出了一种面向快充工况的、基于神经网络回归模型的混合热管理设计方法,以快充倍率、冷却液流量以及相变材料厚度为优化参量,并以电池包内最高温度、单体温差为优化目标。实验表明该模型呈现较好的回归效果,并且可基于实验数据实现更多设计方案的准确预测。

        电池寿命管理方面。为了预测电池在车载应用阶段的性能衰退特性,孚能科技与同济大学提出了数据与智能化的电池循环寿命预测方法。通过电池加速老化实验获取不同老化工况下的电池衰减数据,构建了具有参数优化的设备,并提出离线数据相似性指标来筛选适当的离线数据参与训练。通过电池老化实验验证,可实现早期预测的误差在10%以内。

        电池衰减过程的非线性转折点发生之后,电池特性难以适应实际的车载动力需要。基于此需求,孚能科技提出了基于长短时记忆网络的非线性转折点预测方法。同时,研究团队还提出了结合剩余寿命和跳水程度的电池寿命二维评价指标,从电池容量衰减中提取多个特征输入到神经网络,可实现多种工况和运用场景下的非线性老化转折点的定量预测。

        对于电池管理技术趋势,周小静判断,未来的数据将围绕数据维度更高、数据跨度更宽、数据理解更深等几个方向发展。

        一是除了电压、电流与温度外,更高的数据维度,如阻力、应力、超声信息等将会更全面了解电池。

        二是除了应用阶段的数据,生产、回收以及维修阶段的数据对于电池全生命周期的管理具有重要的意义。

        三是电池机理等“先验知识”输入进算法中,机理与数据相结合,将获得更准确的估计结果。

        在电池管理发展方面,周小静指出,数据与智能是两个主要特征。数据方面包括电池的智能测量以及全生命周期能源社会的信息;智能方面指的是将更多的智能算法引入到电池管理中,形成这样一个管理方式,“未来电池管理将基于车辆端和云平台相结合的方式开展。车辆端负责智能传感、简明建模与算法及实时控制;云平台具有海量数据存储与管理和计算能力强大的特点,将会负责海量数据特征生成、复杂建模与算法、长期特性预测等功能。”
      孚能科技周小静:数据驱动的智能管理助推电池实现多重价值提升

      请登录之后再进行评论

      登录

      点击下载

    • 发布内容
    • 做任务
    • 实时动态
    • 偏好
    • 帖子间隔 侧栏位置: