Lítio

Os avanços na tecnologia de baterias de íons de lítio levaram ao desenvolvimento de novos veículos energéticos, redes inteligentes e outras indústrias ecológicas. No entanto, as baterias de íons de lítio apresentam deterioração de desempenho ao longo do tempo devido a vários fatores, incluindo fabricação da bateria, condições operacionais e ambientais. Esta degradação pode levar a combustões ou explosões descontroladas. Portanto, é importante estudar o estado interno de saúde das baterias de íon-lítio e desenvolver métodos precisos de estimativa de estado.

O processo de envelhecimento das baterias de íons de lítio é complexo e requer um modelo baseado no mecanismo de envelhecimento da bateria para uma previsão precisa da vida útil. O envelhecimento do calendário, que é o envelhecimento das baterias durante um longo período de tempo em estado flutuante, é particularmente difícil de estimar devido à lenta taxa de decaimento da bateria e à falta de características de decaimento mensuráveis.

Para resolver esse problema, um algoritmo baseado em filtragem de partículas é proposto neste estudo para estimativa do estado de saúde (SOH) da bateria e da vida útil restante (RUL). O algoritmo leva em consideração o processo do ciclo de carga e descarga, que afeta o envelhecimento da bateria. A degradação da capacidade da bateria é amplamente aceita como um indicador do envelhecimento da bateria. Quando a capacidade da bateria atinge um determinado limite, considera-se que atingiu o fim da sua vida útil e necessita de ser substituída.

Existem diferentes métodos para prever o SOH, incluindo métodos de medição direta, métodos baseados em modelos e métodos baseados em dados. Os métodos de medição direta envolvem testes simples do SOH da bateria, como o método de contagem de Coulomb e métodos de estimativa baseados em resistência interna. Esses métodos têm limitações de precisão e robustez.

Métodos baseados em modelos, como o modelo de circuito equivalente, descrevem a relação entre resistência interna e capacidade disponível. Esses modelos dependem de dados precisos de modelagem e teste. Algoritmos de estimativa de circuito fechado, como o filtro de Kalman estendido e o filtro de partículas, foram introduzidos para melhorar a precisão da previsão.

Métodos baseados em dados, incluindo aprendizado de máquina e algoritmos de aprendizado profundo, também foram aplicados a tarefas de previsão de SOH. Esses métodos extraem recursos de dados de carga e descarga da bateria para gerar um conjunto de vetores de recursos para previsão. Redes neurais recorrentes, como memória de longo prazo e redes recorrentes fechadas, alcançaram bons resultados na previsão de SOH.

Em conclusão, uma estimativa precisa do estado de saúde das baterias de iões de lítio é crucial para garantir a sua segurança e prolongar a sua vida útil. Vários métodos, incluindo algoritmos de filtragem de partículas e abordagens baseadas em dados, estão sendo desenvolvidos para melhorar a precisão da estimativa de SOH e prever a vida útil restante das baterias.