Гадание на батарейках: прогнозирование срока службы аккумуляторов электротранспорта

Если попытаться описать современный мир, при этом не впадая в депрессию и концентрируя внимание на технологичный, а не социальный аспект, то на ум приходит одно слово — мобильность. Многие технологии, даже появившиеся десятки лет тому назад, получили свой беспроводной или мобильный эквивалент. Конечно, любое такое устройство, будь то телефон или электрокар, требуют периодической подзарядки. И в таком случае возникает вопрос — как часто? Ученые из Кембриджского университета (Великобритания) создали алгоритм, способный рассчитывать факторы, влияющие на продолжительность срока службы батареи в электротранспорте, а также давать рекомендации по маршруту и скорости движения для достижения сохранения заряда. Как работает алгоритм, какие данные он обрабатывает, и каковы его советы? Ответы на эти вопросы мы найдем в докладе ученых. Поехали.

Основа исследования

Конечность полезных ископаемых и переживания (вполне оправданные) касательно экологической обстановки привели к тому, что современный мир начал активнее искать альтернативные источники энергии, а также переделывать старые технологии на новый лад. В частности это привело к появлению большого разнообразия электрического транспорта, который должен поблагодарить за свое появление литий-ионные батареи.

Несмотря на экологические преимущества этого перехода, использование литий-ионных аккумуляторов сопряжено с рядом проблем, ограничений и опасений. Пользователи часто переживают именно из-за батарей, их заряда, срока службы и потенциального выхода из строя. Для решения этих проблем требуется возможность точного прогнозирования производительности батареи, особенно при переменных условиях использования.

Как отмечают ученые, основной проблемой такого прогнозирования является неоднородность батареи. Каждый пользователь использует свой автомобиль по-разному, и даже в одном аккумуляторном блоке не все элементы обязательно заряжаются или разряжаются одинаковым током. Эти различия означают, что внутреннее состояние каждой батареи, включая степень литиевого покрытия или растрескивания электродов, может значительно различаться как на уровне «внутри блока», так и на уровне «между блоками».

Для количественной оценки степени деградации внутри батарей и выявления таковых, которые достигли конца срока службы (в электромобилях это обычно определяется как точка, в которой разрядная емкость снижается до 80% от номинальной емкости) обычно используется скалярная метрика состояния (SOH от State of Health), измеряемая с использованием разрядной емкости предыдущего цикла или внутреннего сопротивления. Проблема с этим подходом заключается в том, что батареи с одним и тем же числовым значением SOH необязательно демонстрируют одинаковые уровни каждого процесса деградации. Однако влияние будущего использования элемента на будущую производительность элемента и путь деградации значительно зависит от типа деградации, которая уже произошла.

Ученые считают, что точное прогнозирование производительности батареи требует неинвазивного подхода для получения информации о состоянии батареи на микроскопическом уровне.

Как краткосрочное, так и долгосрочное прогнозирование производительности батареи являются крайне важными аспектами для повышения эффективности батарей. В течение короткого промежутка времени прогнозирование того, как батарея будет реагировать на конкретный протокол зарядки и разрядки, можно использовать для разработки оптимальных протоколов зарядки. В долгосрочной перспективе основное внимание уделяется прогнозированию оставшегося срока полезного использования, окончания срока службы или «точки перегиба» на кривой срока службы батареи, при которой деградация ускоряется.

Подходы к обоим типам прогнозирования можно разделить на эмпирические, физические модели и модели, управляемые данными, а также гибридные модели.

Эмпирические подходы использовались для моделирования долговременного снижения емкости с помощью степенных законов, но предполагали фиксированную работу в течение срока службы батареи и не учитывали внутренние различия в состоянии батарей в начале срока службы. Эти подходы предполагают, что все батареи имеют одинаковый химический состав, а потому будут исчерпывать заряд одинаково, если их одинаково использовать. Однако, что не удивительно, на практике все совершенно иначе.

В физических методиках батареи моделируются либо механически с использованием анализа основных принципов внутренних физических и электрохимических процессов, либо с использованием моделирования эквивалентной схемы, которое моделирует батареи как цепь, состоящую из резисторов и конденсаторов, которые представляют лежащие в основе электрохимические процессы.

Механистические модели нацелены на то, чтобы зафиксировать, как напряжение батареи реагирует на приложенный извне ток (или наоборот), что можно использовать для прогнозирования оптимальных протоколов зарядки. Однако параметры таких моделей необходимо обновлять для каждой отдельной батареи, и обычно они страдают от неидентифицируемости — несколько наборов параметров модели могут одинаково хорошо объяснить наблюдаемые данные, но будут давать совершенно разные прогнозы для тестовых батарей или для одной и той же батареи, но в разный период ее работы.

Для моделей на основе схем параметры схемы могут быть приспособлены либо к данным тока-напряжения, либо к спектрам электрохимического импеданса. Затем параметры схемы можно использовать для прогнозирования снижения емкости при стандартных условиях использования или для моделирования влияния различных условий использования на производительность батареи.

Тем не менее сложно зафиксировать каждый режим деградации в аналитической модели. Кроме того, новый набор параметров модели должен изучаться для каждой батареи от цикла к циклу, что затрудняет вывод общей для всех батарей модели.

Если же говорить о моделях, которые основаны исключительно на данных, то они используют необработанные данные в качестве входных для алгоритма машинного обучения, чтобы спрогнозировать долгосрочное снижение мощности, увеличение сопротивления и оставшийся срок полезного использования батареи.

Если роль входных данных исполняют характеристики батарей, то машинное обучение использует характеристики, извлеченные из кривой зарядки или разрядки, для прогнозирования разрядной емкости, оставшегося срока службы и резкого падения емкости.

Изображение №1

Методы, основанные на данных, обычно используют данные, полученные в лабораторных условиях, где элементы заряжаются и разряжаются одинаково в течение всего срока их службы, поэтому влияние переменного использования батарей на будущие характеристики игнорируется (изображение №1). Однако, попытки экстраполировать результаты лабораторных испытаний на полевые условия, как правило, заканчиваются не очень успешно.

В рассматриваемом нами сегодня труде ученые попытались определить, существует ли достаточно информативный маркер «здоровья» батарей, который можно использовать для прогнозирования краткосрочных и долгосрочных результатов в условиях неравномерного использования батарей в прошлом и будущем.

На схеме выше показан исследуемый метод, который разительно отличается от предыдущих. Ученые обнаружили, что при получении спектра EIS (electrochemical impedance spectroscopy / спектроскопии электрохимического импеданса) непосредственно перед зарядкой можно предсказать как следующий цикл, так и более долгосрочную емкость батареи с погрешностью менее 10%.

Результаты исследования

Для этого исследования было сгенерировано два отдельных набора данных, соответствующих коммерчески доступным LiR батареям (миниатюрным элементам питания), приобретенным у двух разных производителей, что позволяет проверить, является ли исследуемый подход надежным.

Первый набор данных соответствует 40 батарейкам типа Powerstream LiR 2032 (номинальная емкость 1С = 35 мАч). 24 батарейки подвергались последовательности случайно выбранных токов заряда и разряда при 23±2 °C в течение 110–120 полных циклов заряда/разряда.

Каждый цикл состоял из первоначальной диагностики состояния батареи, включающей получение гальваностатического спектра EIS, с последующим использованием, включающим стадии зарядки и разрядки.

Зарядка и разрядка состояли из двухэтапного и одноэтапного протокола постоянного тока (CC от Constant Current) соответственно. Токи выбирались случайным образом в каждом цикле в диапазонах 70–140 мА (2–4 °С), 35–105 мА (1–3 °С) и 35–140 мА (1–4 °С) соответственно.

Изображение №2

Чтобы проверить устойчивость модели к сдвигу домена, ученые дополнительно испытали оставшиеся 16 ячеек при тех же условиях за исключением того, что ток заряда был фиксирован для всех батарей на уровне 52.5 мА.

Используя первый набор данных, чтобы подтвердить, что подход может успешно прогнозировать разрядную емкость на несколько циклов вперед, ученые значительно расширили анализ, чтобы изучить устойчивость модели к изменению определенных параметров (производитель батареи, схема использования и рабочая температура).

Для этого были использованы дополнительные 48 батарей от второго производителя, RS Pro (номинальная емкость 40 мАч), в гораздо более широком диапазоне моделей использования.

В этом случае каждая батарея снова подвергалась 100 циклам двухступенчатой СС-зарядки и одноступенчатой СС-разрядки, при этом три скорости выбирались случайным образом в начале каждого цикла. Но в этот раз задача была усложнена различным распределением токов для каждой батареи. Это было сделано для того, чтобы воспроизвести сценарий, в котором разные пользователи батарей имеют разные модели среднего использования, но по-прежнему демонстрируют случайное поведение от цикла к циклу. Из этих батарей 16 штук работали при более высокой температуре (35 °C).

Первым делом было решено предсказать разрядную емкость следующего цикла для элемента, история использования которого полностью неизвестна. Для этой задачи использовалась вероятностная модель машинного обучения.

Изображение №3

Графики выше демонстрируют точность использованной модели. Используя как состояние, так и действие в качестве входных данных, мощность разряда в следующем цикле прогнозировалась со средней ошибкой 8.2%. Стоит отметить, что и состояние, и действие (3а) оказались необходимыми для прогнозирования будущей производительности батареи: если только состояние (3b) или действие (3c) используются в качестве входных данных, ошибка увеличивается до 20.7% и 15.4% соответственно. Это говорит о важности не только внутреннего состояния батареи, но и того, как она используется.

Изображение №4

Для оптимизированной зарядки важно, чтобы данная модель прогнозирования работала не только в рамках следующего будущего цикла, но и на несколько циклов вперед. Потому было решено протестировать точность модели по мере продвижения в будущее.

Выше показано, как коэффициент детерминации (R²) меняется в зависимости от цикла. Как и ожидалось, точность модели снижается по мере увеличения интервала прогнозирования. Однако она по-прежнему достигает R² = 0.75 при проецировании на 40 циклов вперед.

Изображение №5

Далее была выполнена проверка эффективности данных путем измерения того, как меняется производительность по мере увеличения количества батарей, используемых для обучения модели.

При увеличении числа батарей с 2 до 22 наблюдалось значительное снижение ошибки с 23.8% до 8.2%. Но для эффективной работы ошибки, когда допустима ошибка менее 10%, было достаточно и восьми батарей.

Важным тестом на обобщаемость модели является изучение точности модели при изменении распределения доменов, т. е. когда модель используется в условиях, отличных от обучающих данных.

Изображение №6

Тестирование модели в таком случае проходило с использованием еще 16 батарей того же производителя, но с фиксированным током разряда на уровне 1.5C для каждой батареи на протяжении всего срока службы. Сама же модель перед тестом обучалась исключительно на данных от батарей, которые подвергались случайным токам разряда в течение их срока службы. Это позволяет предсказать разрядную емкость следующего цикла для батарей, ранее подвергнутых фиксированному разряду.

На графике 6a показано распределение емкостей разряда для обучающих и тестовых наборов данных. Прогностическая точность модели на наборе данных с фиксированным расходом показана на 6b. Модель достигает ошибки теста всего 6.3% для этого набора данных со сдвигом домена, что соответствует R² = 0.76.

Данная модель также выводит прогностическую неопределенность, которая показывает, насколько модель уверена в качестве своих прогнозов. Как говорят ученые, в условиях сдвига доменов особенно важно, чтобы модель «знала то, чего она не знает» и оценивала высокую прогностическую неопределенность в отношении точек данных, по которым она может получить высокую ошибку.

Проверить способность модели оценивать ее неопределенность можно, наблюдая, как средняя ошибка теста изменяется по мере того, как количество точек данных уменьшается, чтобы включать только те точки данных, в которых модель наиболее уверена. Если модель может успешно оценить свой уровень достоверности, средняя ошибка теста должна уменьшаться по мере того, как доля данных уменьшается, чтобы включать только наиболее достоверно предсказанные точки.

На 6c показано снижение среднеквадратичной ошибки (RMSE от root-mean-squared error) на 32 % по мере того, как доля данных уменьшается со 100 % до наиболее достоверных 25 %. Это показывает, что данная модель узнала, в каких предсказаниях она должна быть уверена.

Далее ученые решили проверить, насколько точным и надежным будет предсказание модели, если будут проверяться батареи различных производителей, работающие при разной температуре и в разном режиме.

Для этой проверки были использованы 32 батареи, а переменные условий указаны в таблице ниже.

Таблица №1

В ходе тестирования измерение точности модели выполнялось двумя способами:

• рассматривался случай, когда модель обучается на батареях, которые были подвергнуты тому же распределению протоколов, что и тестовый набор (случайное разделение);
• более сложный случай, когда модель обучается только на батареях, которые подвергаются трем распределениям протокола циклирования, и тестируется на оставшихся восьми батареях, подвергаемых другому протоколу циклирования.

Такая задача не является тривиальной, как уверяют ученые. А все потому, что батареи во время обучения модели и во время тестирования модели сильно отличаются. Следовательно, проверяется способность модели экстраполировать не только от цикла к циклу (когда все батареи одинаковы), но и от разных групп батарей, отличных друг от друга в рамках режима их эксплуатации.

Ожидаемо, модель показывала отличные результаты в случае, когда во время тестов использовались те же батареи, что и во время обучения. Однако, в противном случае результаты прогнозирования модели все еще оставались на достаточно высоком уровне. А ошибка снижалась на 30%, когда оценка состояния формировалась с использованием спектра EIS наряду с особенностями кривой разряда, а не только характеристик кривой разряда.

Проверка модели при различных рабочих температурах также показала хорошие результаты. Ошибка теста была 34.2%, если использовались только характеристики кривой разряда, но снижалась до 14.0%, когда добавлялись данные по спектрам EIS.

Для более детального ознакомления с нюансами исследования рекомендую заглянуть в доклад ученых и дополнительные материалы к нему.

Эпилог

Когда речь заходит об электротранспорте, то первое, о чем думает практически каждый, это заряд батареи. Как часто ее надо заряжать, как долго это происходит, и когда ее придется менять на новую? Эти вопросы достаточно важные, но ответить на них порой не так просто. Для этого необходимо буквально предсказывать то, как будет работать та или иная батарея в будущем. При этом необходимо учитывать различные факторы.

В рассмотренном нами сегодня труде ученые продемонстрировали неинвазивный зонд, который посылает в батарею электрический импульс и считывает ее ответную реакцию. В результате создается карта состояния батареи, по которой можно оценить ее дальнейшее будущее в рамках срока службы и потенциальных изменений емкости.

Полученные данные были переданы алгоритму машинного обучения, который и предсказывал, как батарея будет реагировать на следующий цикл зарядки-разрядки, в зависимости от того, как быстро батарея будет заряжаться и как быстро будет двигаться автомобиль.

Уникальность данного алгоритма в том, что ему не нужны данные о предыдущем использовании изучаемой батареи для оценки ее будущих характеристик.

Данный алгоритм, будучи весьма точным и эффективным, может пригодиться для разработки новых типов батарей, срок службы которых будет увеличен. Также алгоритм можно применить в логистических целях для оценки оптимальных маршрутов электротранспорта с учетом циклов зарядки-разрядки батарей. Также он пригодится и для создания нового протокола быстрой зарядки, который позволит быстрее заряжать электрокар без потенциальной деградации батареи.

Немного рекламы

Спасибо, что остаётесь с нами. Вам нравятся наши статьи? Хотите видеть больше интересных материалов? Поддержите нас, оформив заказ или порекомендовав знакомым, облачные VPS для разработчиков от $4.99, уникальный аналог entry-level серверов, который был придуман нами для Вас: Вся правда о VPS (KVM) E5-2697 v3 (6 Cores) 10GB DDR4 480GB SSD 1Gbps от $19 или как правильно делить сервер? (доступны варианты с RAID1 и RAID10, до 24 ядер и до 40GB DDR4).

Dell R730xd в 2 раза дешевле в дата-центре Maincubes Tier IV в Амстердаме? Только у нас 2 х Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 ТВ от $199 в Нидерландах! Dell R420 — 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB — от $99! Читайте о том Как построить инфраструктуру корп. класса c применением серверов Dell R730xd Е5-2650 v4 стоимостью 9000 евро за копейки?