Lithium

Die Fortschritte in der Lithium-Ionen-Batterietechnologie haben zur Entwicklung neuer Energiefahrzeuge, intelligenter Netze und anderer umweltfreundlicher Industrien geführt. Allerdings kommt es bei Lithium-Ionen-Batterien im Laufe der Zeit zu einer Leistungsverschlechterung aufgrund verschiedener Faktoren, darunter Batterieherstellung, Betriebsbedingungen und Umgebungsbedingungen. Diese Verschlechterung kann zu unkontrollierten Verbrennungen oder Explosionen führen. Daher ist es wichtig, den internen Gesundheitszustand von Lithium-Ionen-Batterien zu untersuchen und genaue Methoden zur Zustandsschätzung zu entwickeln.

Der Alterungsprozess von Lithium-Ionen-Batterien ist komplex und erfordert für eine genaue Vorhersage der Lebensdauer ein Modell, das auf dem Alterungsmechanismus der Batterie basiert. Die kalendarische Alterung, also die Alterung von Batterien über einen langen Zeitraum im erdfreien Zustand, ist aufgrund der langsamen Abklinggeschwindigkeit der Batterie und des Fehlens messbarer Abklingeigenschaften besonders schwer abzuschätzen.

Um dieses Problem anzugehen, wird in dieser Studie ein auf Partikelfilterung basierender Algorithmus zur Schätzung des Batteriezustands (SOH) und der verbleibenden Nutzungsdauer (RUL) vorgeschlagen. Der Algorithmus berücksichtigt den Lade- und Entladezyklusprozess, der sich auf die Alterung der Batterie auswirkt. Die Verschlechterung der Batteriekapazität wird allgemein als Indikator für die Alterung der Batterie angesehen. Sobald die Kapazität des Akkus auf einen bestimmten Grenzwert absinkt, gilt er als am Ende seiner Lebensdauer angelangt und muss ersetzt werden.

Es gibt verschiedene Methoden zur Vorhersage des SOH, darunter direkte Messmethoden, modellbasierte Methoden und datengesteuerte Methoden. Direkte Messmethoden umfassen einfache Tests des SOH der Batterie, wie etwa die Coulomb-Zählmethode und auf dem Innenwiderstand basierende Schätzmethoden. Diese Methoden weisen Einschränkungen hinsichtlich Genauigkeit und Robustheit auf.

Modellbasierte Methoden wie das Ersatzschaltbildmodell beschreiben den Zusammenhang zwischen Innenwiderstand und verfügbarer Kapazität. Diese Modelle basieren auf genauen Modellierungs- und Testdaten. Zur Verbesserung der Vorhersagegenauigkeit wurden Schätzalgorithmen mit geschlossenem Regelkreis wie der erweiterte Kalman-Filter und der Partikelfilter eingeführt.

Datengesteuerte Methoden, darunter maschinelles Lernen und Deep-Learning-Algorithmen, wurden auch auf SOH-Vorhersageaufgaben angewendet. Diese Methoden extrahieren Merkmale aus Batterielade- und -entladedaten, um einen Satz Merkmalsvektoren für die Vorhersage zu generieren. Wiederkehrende neuronale Netze wie das lange Kurzzeitgedächtnis und Gated Recurrent Networks haben bei der SOH-Vorhersage gute Ergebnisse erzielt.

Zusammenfassend lässt sich sagen, dass eine genaue Einschätzung des Gesundheitszustands von Lithium-Ionen-Batterien entscheidend für die Gewährleistung ihrer Sicherheit und die Verlängerung ihrer Lebensdauer ist. Verschiedene Methoden, darunter Partikelfilteralgorithmen und datengesteuerte Ansätze, werden entwickelt, um die Genauigkeit der SOH-Schätzung zu verbessern und die verbleibende Nutzungsdauer von Batterien vorherzusagen.