Modelado y simulación de litio de alta densidad energética

Scientific Reports volumen 12, Número de artículo: 9800 (2022) Citar este artículo

2861 Accesos

Detalles de métricas

La batería de iones de litio, un dispositivo de almacenamiento de alta densidad de energía, tiene amplias aplicaciones en dispositivos eléctricos y electrónicos, computadoras, vehículos eléctricos híbridos y vehículos eléctricos. Este artículo presenta la detección de fallas múltiples de una batería de iones de litio utilizando dos filtros Kalman no lineales. Se ha desarrollado un modelo matemático no lineal discreto de batería de iones de litio y se emplea el filtro de Kalman sin perfume (UKF) para estimar el parámetro del modelo. La ocurrencia de fallas múltiples, como sobrecarga, sobredescarga y fallas de cortocircuito entre las baterías de energía entre celdas, afecta la variación de parámetros del modelo del sistema. Las combinaciones paralelas de algunos UKF (banco de filtros) comparan la variación de los parámetros del modelo entre la situación normal y la defectuosa y generan una señal residual que indica una falla diferente. Se han realizado los resultados de la simulación de múltiples números de pruebas estadísticas para el diagnóstico de fallas basado en residuos y el cálculo del umbral. El rendimiento de UKF se compara luego con el filtro de Kalman extendido (EKF) con el mismo modelo de batería y escenario de falla. El resultado de la simulación demuestra que el modelo UKF responde mejor y más rápido que el modelo EKF para el diagnóstico de fallas.

La batería, una fuente de energía ha sido utilizada por la humanidad desde su invención hace más de doscientos años. Después de muchos desarrollos, las baterías disponibles en la actualidad son más livianas, tienen una mayor capacidad de almacenamiento de energía, características de seguridad mejoradas y una mayor durabilidad, y son adecuadas para una amplia gama de aplicaciones industriales y de consumo1,2. Las baterías de litio se han modificado en iones de litio para que sean recargables y se aplican en dispositivos eléctricos, computadoras, vehículos eléctricos híbridos y vehículos eléctricos, etc. Teniendo en cuenta aspectos como la confiabilidad y la seguridad de los vehículos eléctricos, es importante monitorear los estados de iones de litio. células durante la operación. Esto se puede gestionar mediante la recopilación de los datos necesarios y la posterior estimación de los estados de las celdas a través de un sistema de gestión de baterías (BMS)3,4. El rendimiento de la celda de la batería depende de la corriente, el voltaje y la temperatura, y el estado de las celdas incluye el estado de carga (SOC)5,6,7, el estado de salud (SOH)8,9,10 y el estado de energía (SOE)11 y tiempo de vida útil remanente (RUL)12,13. Las fallas en los vehículos eléctricos se indican como (a) sobrecarga, (b) sobredescarga (c) cortocircuito interno y externo. La falla de cortocircuito interna y externa de la batería da como resultado la generación de una gran cantidad de calor que induce una pista térmica. Las fallas no comprobadas en la batería son de naturaleza irreversible y pueden provocar daños cuando son graves14,15. Para anular tales situaciones, es importante diagnosticar la falla de la batería de manera rápida y precisa. Se ha observado a partir de la literatura que el diagnóstico de falla de la batería de iones de litio es de creciente interés entre los investigadores tanto en la industria como en el campo académico. Los esfuerzos han sido realizados por los investigadores con el objetivo de detectar diferentes fallas de la batería utilizando metodologías y técnicas avanzadas. Una de estas técnicas es el diagnóstico de fallas basado en el observador, que ofrece mayor robustez debido a su capacidad para evitar la pérdida de información de fallas de la batería. Eso puede lograrse debido a perturbaciones desconocidas y condiciones iniciales defectuosas. Las ventajas inherentes de menor costo y alta flexibilidad hacen que las técnicas de diagnóstico de fallas basadas en modelos sean una solución viable para un diagnóstico de fallas preciso16. El observador de Luenberger (LO) que usa una serie de observadores de orden reducido17 se puede aplicar en el paquete de baterías para la detección de fallas. Algunos investigadores propusieron un análisis de fallas de cortocircuito basado en modelos utilizando técnicas avanzadas como indentación18, penetración de clavos19, fabricación con estructuras defectuosas20 y fuga térmica a temperaturas extremadamente altas21. En otro modelo, los voltajes de salida y los voltajes de salida reales de las baterías se pueden comparar durante el proceso de operación del EV y el sistema de alarma se activará cuando el valor absoluto de la diferencia de voltaje exceda el umbral22,23. Además, el filtro de Kalman encuentra su aplicación efectiva para el diagnóstico de fallas en las baterías de iones de litio24,25, en particular cuando el filtro óptimo exhibe una gran robustez con una señal ruidosa. Los métodos de detección de fallas basados en modelos facilitados con una robustez muy alta se pueden usar para detectar fallas de la batería con precisión. Muchos investigadores están considerando el diagnóstico de fallas basado en el filtro Kalman adaptativo para la batería de iones de litio26,27,28. El filtro Kalman adaptativo puede estimar los estados de los parámetros de la batería mediante el proceso y el ajuste de la covarianza del ruido de medición, lo que no es posible en el caso del filtro Kalman extendido, donde la información sobre las estadísticas de ruido se considera un requisito previo para el correcto funcionamiento del filtro; de lo contrario, puede conducir a resultados inexactos. Recientemente se discute la sobrecarga y la sobredescarga de la falla de la batería29. Se analiza un artículo de revisión sobre mecanismos de falla, características de falla y procedimientos de diagnóstico30.

Teniendo en cuenta la amplia aplicación de las baterías de iones de litio en varios dispositivos, es deseable fabricar baterías que tengan mayor densidad de energía, densidad de potencia y vida útil. La falla debido a sobrecarga, sobredescarga, cortocircuito entre las celdas de la batería de iones de litio podría provocar una degradación del rendimiento y una falla del sistema que, a su vez, puede causar inconvenientes, un envejecimiento más rápido y un mayor costo de mantenimiento, fuga térmica o incluso explosión. . Por lo tanto, es imperativo diseñar un sistema de gestión de baterías confiable y robusto para la detección temprana de las fallas de la batería durante la condición de servicio. El rendimiento general depende en gran medida de funciones críticas como las estimaciones de estado de carga (SOC) y estado de salud (SOH), protección contra sobrecarga y carga insuficiente, etc. Desde el punto de vista práctico, la estimación de tres fallas, a saber, sobrecarga, sobredescarga y falla de cortocircuito entre la energía entre celdas de las baterías de iones de litio, sin duda mejorarán la confiabilidad y la eficiencia de los dispositivos, dispositivos, vehículos eléctricos e híbridos, etc.

Se ha encontrado que algunos trabajos de investigación publicados concentran solo fallas de cortocircuito interno18,19,20 del paquete de baterías y algunos otros trabajos describen fallas como sobrecarga, sobredescarga, etc. Ningún investigador ha considerado todas estas fallas simultáneamente de litio. -Batería de iones en su trabajo utilizando el método basado en modelos. La mayoría de los investigadores han concentrado el método basado en modelos utilizando una única técnica que es la evaluación residual para la estimación de las fallas de las baterías22,24,25,26. La novedad del presente trabajo es que la detección de fallas basada en modelos ocurre en el paquete de baterías de iones de litio por sobrecarga, sobredescarga y fallas de cortocircuito entre la energía entre celdas de las baterías de iones de litio simultáneamente. En el presente estudio, se propone un esquema de detección de fallas basado en un modelo sistemático utilizando un banco de filtro Kalman sin perfume (UKF) en un modelo de paquete de baterías de iones de litio para la detección de fallas múltiples, como sobrecarga, sobredescarga y falla de cortocircuito entre celdas. potencia de las baterías de iones de litio. Se ha realizado una prueba estadística para el diagnóstico de fallos basado en residuos y el cálculo del umbral. El rendimiento de UKF luego se comparó con el banco de filtro Kalman extendido (EKF) en el mismo modelo de batería con el mismo escenario de falla. Dependiendo del uso de la batería, se utilizan diferentes modelos de batería, como experimental, empírico, electroquímico. El modelo de batería se considera como una extensión del modelo de Venin, en el que la sobrecarga, la descarga excesiva y la falla de cortocircuito entre la potencia entre celdas de las baterías de iones de litio se toman como parámetro de falla. El trabajo propuesto se divide en dos partes: (a) experimental (b) de simulación. En la parte experimental, las celdas de la batería se monitorean fuera de línea durante un largo intervalo de tiempo en caso de sobrecarga y sobredescarga y se miden las variaciones de parámetros debido a la sobrecarga y la sobredescarga. En el experimento se utilizó una celda de batería 123 26650 LiFePO4 (3,3 voltios, 2,5 Ah). La técnica de espectroscopia de impedancia electroquímica (EIS) se utiliza para extraer la variación de los parámetros del circuito durante la sobrecarga y descarga de la batería, que se refleja en las Tablas 2 y 3. Las variaciones de los parámetros se incorporan en el modelo de la batería durante la simulación y se ejecutan mediante dos bancos de filtros, como como UKF y EKF. Los estados de la batería de iones de litio se estiman y también se genera una señal residual al comparar la salida estimada y medida para cada celda de energía individual usando el banco UKF. Se ha demostrado que el diagnóstico de fallas basado en UKF demuestra un resultado significativo en comparación con el enfoque basado en EKF.

En la Fig. 1 se representa un esquema de detección de fallas basado en un modelo para un paquete de baterías que utiliza un banco de UKF o EKF. en paralelo con el sistema. Una serie de sensores de voltaje y corriente están conectados al paquete de baterías para medir el voltaje y la corriente en cada celda del paquete de baterías. Los diversos parámetros y estados del modelo de batería se pueden medir mediante los datos proporcionados por el sensor. Se diseña el modelo de espacio de estado del paquete de baterías equivalente y se procesan los bancos UKF o EKF para obtener los estados estimados del sistema. Los datos estimados del filtro y los datos proporcionados por el sensor se comparan y se genera una señal residual. La media de señal residual indica la existencia de falla en el sistema.

Diagrama esquemático del esquema de detección de fallas basado en banco UKF/EKF.

El modelo de espacio de estado discreto de cualquier sistema invariante en el tiempo no lineal (con falla) se puede expresar como

donde, x(k), u(k) e y(k) denotan el vector de estado, la señal de entrada y el vector de salida del sistema, respectivamente, en el paso de tiempo k. Las funciones no lineales f() y g() son continuamente diferenciables con respecto al tiempo y FT(k) implica la ocurrencia de fallas en el paso de tiempo k.

El modelo de espacio de estado discreto del filtro de Kalman no lineal viene dado por

donde, \(\widehat{x}\left(k\right)\) y \(\widehat{y}\left(k\right)\) denota el vector de estado estimado y el vector de salida estimado del filtro en el paso de tiempo k respectivamente. Donde w(k) y v(k) son independientes del proceso gaussiano de media cero y el ruido de medición. La varianza del ruido del proceso Qk y la varianza del ruido de la medición Rk se expresan como.

De la ecuación. (2) y la ecuación. (4), la señal residual se expresa como

donde F( ) es función del proceso w(k) y la secuencia del ruido de medición v(k).

Si existe alguna falla en el sistema \({F}_{T}\left(k\right)\)), la salida del filtro indica las secuencias residuales medias distintas de cero (NZM), que es la suma del ruido gaussiano y falla existente como se indica en la ecuación. (7). Ocurrencias simultáneas de fallas múltiples en el sistema, cada estado de la salida del filtro se indica mediante secuencias residuales NZM.

Un esquema de diagnóstico de fallas múltiples se explica en el diagrama de flujo como se muestra en la Fig. 2. Cuando un sistema se ve afectado por un número n de fallas diferentes, como \({F}_{T1}, {F}_{T2}, \dots .. {F}_{Tn}\), se utiliza un banco de filtros incorporando cada falla por separado. La ecuación de estado discreta de cada filtro se representa como:

Algoritmo de diagnóstico de fallas múltiples basado en residuos usando UKF/EKF.

La ecuación de salida de cada filtro se describe mediante

El residual de cada filtro es la diferencia entre la salida del sistema y la salida filtrada.

Los residuos de cada filtro se expresan como

El resumen del algoritmo UKF se proporciona en la Tabla 1. El diagnóstico de fallas múltiples basado en residuos usando UKF/EKF se muestra en el diagrama de flujo que se muestra en la Fig. 2. Para i no. de las celdas son monitoreadas por el sensor de voltaje o corriente, si ocurre alguna falla, el estado estimado de la salida del filtro no coincidirá con los datos de salida del sensor como resultado de la obtención de una señal residual de media no cero (NZM). Cuando no ocurre una falla en el sistema, muestra la salida como residuo de media cero (ZM) del ruido de proceso y medición.

El método de diagnóstico de fallas basado en modelos se implementa utilizando las propiedades electroquímicas de una batería. Se presenta una extensión del modelo de Venin que ya se aplica para varios diagnósticos de fallas y problemas de estimación de estado. El modelo extendido se usa debido a la complejidad en el cálculo de ecuaciones diferenciales parciales en modelos electroquímicos. Se considera que un modelo de batería de segundo orden de un elemento de circuito paralelo RC adicional como se muestra en la Fig. 3 representa el fenómeno electroquímico de las celdas. Los parámetros son la impedancia interfacial, la distribución de la reactividad del electrodo y la resistencia a la migración de electrones e iones. El circuito equivalente consta de una fuente de voltaje de circuito abierto o controlado Voc y un cambio en su valor con el SOC, una resistencia Rb denota la resistencia del electrolito a granel que puede variar durante el proceso de carga/descarga. El elemento de fase constante (C1) y la resistencia (R1) hacen que las redes de resistencia-condensador (RC) se utilicen como modelo de modelo de captura de reactividad del electrodo y la otra segunda combinación de red RC de R2 y C2 denota la resistencia y la capacitancia de la transferencia de carga respectivamente. La corriente (I) muestra la corriente de carga/descarga del sistema, el rendimiento de un paquete de baterías se ve muy afectado por parámetros como la corriente, la resistencia interna y el voltaje del terminal. Estos parámetros son responsables de regular la calidad de la inconsistencia, el modo de conexión, la capacidad variable de las celdas a diferentes tasas de corriente de descarga, etc. Los circuitos eléctricos de resistencia-capacitancia pueden usarse para modelar un sistema de tercer orden para celdas de batería. Cada elemento del circuito está en función del SOC y la temperatura. En el presente estudio, la temperatura se mantiene constante, el voltaje varía en función del SOC y la dinámica de envejecimiento se ha mantenido a un lado en el modelo. El aspecto significativo a considerar es que, la falla característica que puede ocurrir en la batería mientras está en operación puede ser modelada para estudiar el comportamiento del sistema bajo situaciones anormales. El control efectivo de la estimación de fallas también mejora en gran medida la vida útil de la batería. La falla de la batería debido a la sobrecarga conduce a la generación de un calor excesivo debido al aumento de la temperatura que puede causar fugas térmicas violentas. Además, el recubrimiento de cobre perjudicial que se produce en el electrodo negativo de la batería influye significativamente en el fallo de la sobredescarga que conduce a más fugas térmicas. Se notan diferentes tipos de variación en los parámetros durante la falla de las celdas de la batería debido a la sobrecarga y la sobredescarga. Se observa que el aumento de la resistencia aparente (Rb) es mayor durante la sobrecarga que durante la sobredescarga. Además, la resistencia de transferencia de carga (R1, R2) varía proporcionalmente tanto con la condición de sobrecarga como con la de descarga. La variación de la capacitancia de doble capa (C1) y el capacitor de transferencia de carga (C2) muestran un aumento pronunciado con la sobredescarga, pero lo mismo es muy pequeño con la caída gradual que se observa en caso de sobrecarga.

Modelo de circuito equivalente del paquete de baterías.

Las ecuaciones dinámicas del modelo equivalente de la batería se pueden representar por

donde, VT, V1 y V2 denotan el voltaje del terminal y el voltaje del capacitor a través de C1 y C2 respectivamente. El voltaje de circuito abierto Voc es una función no lineal de SOC y se describe mediante

donde, los coeficientes Ck, para k = 0,1,2,……..,m se obtienen de la característica OCV-SOC que se muestra en la Fig. 4.

Característica OCV-SOC para celda de batería LiFePO4.

El SOC, calculado por el método de conteo de coulomb se da como:

donde, \({C}_{a}\) es la capacidad disponible de la batería, y \(\upeta\) es la eficiencia de Coulomb que es función de la corriente y la temperatura. \(\upeta =\left\{ {\begin{array}{*{20}l} 1 \hfill & {para\;cargar} \hfill \\ {0.95} \hfill & {para\;descargar} \hfill \\ \end{matriz} } \right.\).

Los parámetros del modelo se mantienen constantes sin tener en cuenta los cambios que se produjeron debido al efecto del envejecimiento. Para simular con el filtro discreto de Kalman, el modelo de filtro se discretiza usando la expansión de la serie de Taylor y despreciando los términos superiores dados como

Estos se pueden expresar como forma de variable de estado como

En el experimento se utilizó una celda de batería 123 26650 LiFePO4 (3,3 voltios, 2,5 Ah). Las tablas 2 y 3 ilustran los resultados de la espectroscopia de impedancia para la variación de los parámetros del circuito seleccionado cuando la celda de la batería estaba bajo condiciones de falla de sobrecarga y descarga excesiva. Durante la condición de sobrecarga, la celda de la batería se mantiene con una carga del 120 % y una descarga nominal del 100 %, mientras que durante la condición de descarga excesiva se mantiene en forma inversa. En cada condición de falla, se toman medidas espectroscópicas para la variación de parámetros de algunos ciclos específicos y se muestran en las Tablas 2 y 3. Se pueden observar varias fallas en las celdas de la batería de iones de litio por la variación de diferentes parámetros en la batería durante la operación. El documento se centró principalmente en la falla de sobrecarga (OC), la falla de descarga excesiva (OD) y la falla de cortocircuito entre la potencia entre celdas de las baterías de iones de litio. La condición OC se logra cargando la batería al 120 % y 100 % de descarga nominal a una tasa de corriente favorable. La variación de los parámetros del sistema como Rb, R1, R2, C1 y C2, que contribuyeron significativamente a las fallas durante el OC y la sobredescarga (OD) de la variación de los parámetros de la celda de la batería, como se ve en la espectroscopia de impedancia, se muestran en las Tablas 2 y 3.

La corriente sinusoidal como señal de entrada se utiliza como corriente de carga o descarga del modelo.

El voltaje terminal, el estado de carga, el voltaje entre C1 y C2 en cada tiempo de muestreo se evalúa a partir de las Ecs. (21) y (22). El banco de UKF y EKF ejecuta el modelo de batería para calcular el estado de carga estimado, el voltaje en C1 y C2 en cada tiempo de muestreo con estado saludable y defectuoso mientras la señal de entrada está corrupta con blanco gaussiano. el ruido con la covarianza del ruido del proceso Qk y la covarianza del ruido de la medición Rk se toman como Q = 10–6 \(\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\end{array} \right]\) y R = 1 × 10–6 respectivamente.

El resultado de la simulación se ocupa de la comparación del rendimiento entre UKF y EKF mientras se diagnostica la falla de la batería de iones de litio del vehículo eléctrico. Se experimentan fallas de sobrecarga, sobredescarga y cortocircuito en el modelo de batería y se opera cada caso para el banco de diagnóstico de fallas de UKF y EKF. Los tres estados de los modelos de batería, que son el estado de carga, el voltaje en C1 y C2, se estiman y comparan para obtener la señal residual en cada paso de tiempo.

La corriente de carga se toma como señal de entrada considerada como I = 5sin100πt con valores iniciales de voltaje a través de la capacitancia de transferencia de carga y las capacitancias de doble capa se toman como 0.1 V cada una. El modelo se simula con una condición saludable y en el instante 50 de muestreo se inyecta una falla como sobrecarga y en el instante 120 de muestreo ocurre una segunda falla. Como el sistema se modela con tres variables de estado como SOC, V1 y V2, la ocurrencia de cualquier falla afectará los estados del modelo de batería. Al comparar el estado real y el estado estimado durante la condición saludable y defectuosa, se detecta fácilmente mediante la generación de señales residuales.

En el modelo de batería propuesto, primero se ejecuta una condición saludable y en el instante de muestreo 50 se inyecta una falla como sobrecarga. La figura 5 representa el estado real y el estado estimado de SOC por EKF y UKF. La figura 6 representa el residual de SOC de ambos filtros. Para ambos casos, el cambio de la señal residual de cero a otro valor es más apropiado en UKF que en EKF.

Estimación de SOC por EKF y UKF en un modelo de batería simulado.

Evaluación de errores/residuales para la estimación del SOC por EKF y UKF en un modelo de batería simulado.

Las Figuras 7 y 8 muestran el estado estimado del voltaje a través de la capacitancia de transferencia de carga y la señal residual de ambos filtros. La medición residual y la estimación del estado no reflejan las ocurrencias de fallas ya que la sobrecarga no afecta el voltaje a través de las capacitancias de transferencia de carga.

Voltaje a través de la capacitancia de transferencia de carga estimada por EKF y UKF durante la carga.

Evaluación de errores/residuales para la estimación de la capacitancia de transferencia de carga de tensión mediante EKF y UKF.

Cuando ocurre una falla de sobredescarga en el segundo 120, el voltaje verdadero y el voltaje estimado a través de la capacitancia de transferencia de carga de ambos filtros se representan en la Fig. 9. La señal residual de ambos filtros se muestra en la Fig. 10.

Voltaje a través de la capacitancia de transferencia de carga estimada por EKF y UKF durante la sobredescarga.

Evaluación de error/residual para la estimación de la capacitancia de transferencia de tensión a través de carga por EKF y UKF durante la descarga.

El cambio de residual para la segunda falla es claro para UKF que para EKF. Bajo esta condición, el residual de SOC no se ve afectado y muestra cero.

Cuando se produce una falla de sobrecarga a los 50 s y una falla de cortocircuito a través de la resistencia de transferencia de carga a los 120 s, ambas fallas ocurren en el modelo de batería simultáneamente, el residual de SOC y el voltaje a través de la capacitancia de transferencia de carga y la capacitancia de doble capa se muestran en las Figs. 11a–c y 12a–c.

(a) estimación residual de SOC, (b) estimación residual de voltaje a través de la capacitancia de transferencia de carga. ( c ) Estimación residual de voltaje a través de capacitancia de doble capa por EKF.

(a) Estimación residual de SOC, (b) estimación residual de voltaje a través de la capacitancia de transferencia de carga, (c) estimación residual de voltaje a través de la capacitancia de doble capa por UKF.

En el presente estudio, se ha desarrollado un modelo matemático no lineal discreto de batería de iones de litio para la detección de fallas múltiples utilizando dos filtros Kalman no lineales. Se ha llevado a cabo la comparación de rendimiento utilizando el banco de UKF y EKF para ocurrencias únicas y simultáneas de diagnóstico de fallas múltiples, como sobrecarga, sobredescarga y falla de cortocircuito entre la energía entre celdas en la batería de iones de litio. En el esquema de diagnóstico de fallas propuesto, ambos bancos de filtros (UKF y EKF) se emplean por separado en el modelo de batería de iones de litio durante una situación normal y defectuosa, de modo que la salida de los filtros y la salida medida se comparan para generar señales residuales. Se ha demostrado a partir de los resultados de la simulación de la prueba estadística que la señal residual sin falla indica una señal media cero dentro del valor del umbral, mientras que excede el valor del umbral con una señal media distinta de cero durante la condición de falla. El resultado de la comparación para ambos filtros (UKF y EKF) del estudio de simulación demuestra que el modelo UKF muestra una respuesta mejor y más rápida que la de EKF para el diagnóstico de fallas múltiples del modelo de batería de iones de litio.

Todos los datos generados o analizados durante este estudio se incluyen en este artículo publicado.

Tarascon, JM & Armand, M. Problemas y desafíos que enfrentan las baterías de litio recargables. Naturaleza 414, 359–367 (2001).

ANUNCIOS CAS PubMed Google Académico

Goonan, TG Uso de litio en baterías. Encuesta USG (2012). http://pubs.usgs.gov/circ/1371/.

Lu, L., Han, X., Li, J., Hua, J. y Ouyang, M. Una revisión de los problemas clave para la gestión de baterías de iones de litio en vehículos eléctricos. J. Fuentes de energía 226, 272–288. https://doi.org/10.1016/j.jpowsour.2012.10.060 (2013).

Artículo ADS CAS Google Académico

Bergveld, HJ, Kruijt, WS & Notten, PHL Diseño de sistemas de gestión de baterías mediante modelado (Springer, 2002).

Libro Google Académico

Wei, Z., Zou, C., Leng, F., Soong, BH & Tseng, KJ Identificación del modelo en línea y estimación del estado de carga para la batería de iones de litio con un observador basado en mínimos cuadrados totales recursivos. Trans. IEEE. Ind. Electrón. 65, 1336–1346 (2017).

Artículo Google Académico

Cheng, KWE, Divakar, BP, Wu, H., Ding, K. & Ho, HF Sistema de gestión de baterías (BMS) y desarrollo de SOC para vehículos eléctricos. Trans. IEEE. Veh. Tecnología 60(1), 76–88 (2011).

Artículo Google Académico

Wang, Y., Zhang, C. & Chen, Z. Un método para la estimación conjunta del estado de carga y la energía disponible de las baterías LiFePO4. aplicación Energía 135, 81–87 (2014).

Artículo ADS CAS Google Académico

Bartlett, A., Marcicki, J., Rhodes, K. & Rizzoni, G. Estimación del estado de salud en celdas de iones de litio de electrodos compuestos. J. Fuentes de alimentación 284, 642–649 (2015).

Artículo ADS CAS Google Académico

Andre, D., Appel, C., Soczka-Guth, T. & Sauer, DU Métodos matemáticos avanzados de estimación de SOC y SOH para baterías de iones de litio. J. Fuentes de alimentación 224, 20–27 (2013).

Artículo CAS Google Académico

Zou, C., Manzie, C., Nešic, D. & Kallapur, AG Diseño de observadores de escalas de tiempo múltiples para el estado de carga y el estado de salud de una batería de iones de litio. J. Fuentes de alimentación 335, 121–130 (2016).

Artículo ADS CAS Google Académico

Wang, Y., Zhang, C. & Chen, Z. Un enfoque adaptativo de predicción de energía restante para baterías de iones de litio en vehículos eléctricos. J. Fuentes de alimentación 305, 80–88 (2016).

Artículo ADS CAS Google Académico

Dong, H., Jin, X., Lou, Y. y Wang, C. Monitoreo del estado de la batería de iones de litio y predicción de la vida útil restante basada en el filtro de partículas de regresión del vector de soporte. J. Fuentes de alimentación 271, 114–123 (2014).

Artículo ADS CAS Google Académico

Wu, J., Zhang, C. & Chen, Z. Un método en línea para la estimación de la vida útil restante de la batería de iones de litio mediante muestreo de importancia y redes neuronales. aplicación Energía 173, 134–140 (2016).

Artículo Google Académico

Zhang, J. & Lee, J. Una revisión sobre pronósticos y monitoreo de la salud de la batería de iones de litio. J. Fuentes de alimentación 196, 6007–6014 (2011).

Artículo ADS CAS Google Académico

Goebel, K., Saha, B., Saxena, A., Celaya, J. & Christophersen, J. Pronósticos en el manejo del estado de la batería. Instrumento IEEE. medida revista 11, 33–40 (2008).

Artículo Google Académico

Ding, SX Técnicas de diagnóstico de fallas basadas en modelos: esquemas de diseño, algoritmos y herramientas (Springer, 2008).

Google Académico

Chen, W., Chen, WT, Saif, M., Li, MF y Wu, H. Aislamiento simultáneo de fallas y estimación de baterías de iones de litio a través del diseño sintetizado de Luenberger y observadores de aprendizaje. Trans. IEEE. Sistema de control Tecnología 22, 290–298 (2013).

Artículo Google Académico

Greve, L. & Fehrenbach, C. Ensayos mecánicos y simulación macromecánica de elementos finitos de la deformación, fractura e iniciación de cortocircuitos de celdas cilíndricas de baterías de iones de litio. J. Fuentes de energía 214, 377–385 (2012).

Artículo ADS CAS Google Académico

Maleki, H. & Howard, JN Cortocircuito interno en celdas de iones de litio. J. Fuentes de energía 191, 568–574 (2009).

Artículo ADS CAS Google Académico

Orendor, CJ, Roth, EP y Nagasubramanian, G. Disparadores experimentales para cortocircuitos internos en celdas de iones de litio. J. Fuentes de alimentación 196, 6554–6558 (2011).

Artículo ANUNCIOS Google Académico

Feng, X. et al. Características de fuga térmica de una batería de iones de litio prismática de gran formato que utiliza calorimetría de tasa de aceleración de volumen extendido. J. Fuentes de alimentación 255, 294–301 (2014).

Artículo ADS CAS Google Académico

Singh, A., Izadian, A. y Anwar, S. Monitoreo de condición basado en modelos en baterías de iones de litio. J. Fuentes de alimentación 268, 459–468 (2014).

Artículo ADS CAS Google Académico

Liu, Z. & He, H. Diagnóstico de fallas del sensor basado en modelos de una batería de iones de litio en vehículos eléctricos. Energías 8, 6509–6527. https://doi.org/10.3390/en8076509 (2015).

Artículo Google Académico

Singh, A., Izadian, A. y Anwar, S. Diagnóstico de fallas de baterías de iones de litio mediante estimación adaptativa de múltiples modelos. En IEEE Ind. Electron. IECON 2013—39.ª Conferencia Anual de la Sociedad de Electrónica Industrial IEEE, Viena, Austria. https://doi.org/10.1109/IECON.2013.6699695 (2013).

Singh, A., Izadian, A. y Anwar, S. Detección de fallas basada en modelos no lineales de baterías de iones de litio mediante estimación adaptativa de modelos múltiples. En el 19º Congreso Mundial de la IFAC, Ciudad del Cabo, Sudáfrica. https://doi.org/10.3182/20140824-6-ZA-1003.00711 (2014).

Sidhu, A., Izadian, A. y Anwar, S. Diagnóstico de fallas basado en modelos no lineales adaptativos de baterías de iones de litio. Trans. IEEE. Ind. Electrón. 62, 1002–1011 (2015).

Artículo Google Académico

Plett, GL Filtrado extendido de Kalman para sistemas de administración de baterías de paquetes de baterías HEV basados en LiPB—Parte 3. Estimación de estado y parámetros. J. Fuentes de energía 134, 277–292 (2004).

Artículo ADS CAS Google Académico

Hongwen, H., Xiong, R. & Guo, H. Estimación en línea de los parámetros del modelo y el estado de carga de las baterías LiFePO4 en vehículos eléctricos. aplicación Energía 89, 413–420 (2012).

Artículo Google Académico

Zheng, T. Diagnóstico de fallas de sobrecarga y sobredescarga de baterías de iones de litio. química Ing. Trans. 71, 1453–1458 (2018).

Google Académico

Hu, X. et al. Diagnóstico avanzado de fallas para sistemas de baterías de iones de litio: una revisión de los mecanismos de falla, características de fallas y procedimientos de diagnóstico. IEEE Ind. Electron. revista 14(3), 65–91 (2020).

Artículo Google Académico

Descargar referencias

Los autores también reconocen el apoyo brindado por King Abdullah City for Atomic and Renewable Energy (KA CARE) en el marco del KA CARE, el Programa de colaboración de la Universidad King Abdulaziz.

Departamento de Ingeniería Eléctrica, Instituto de Ingeniería MCKV, Liluah, Howrah, Bengala Occidental, 712104, India

chandrani sadhukhan

Departamento de Ingeniería Electrónica y de Telecomunicaciones, Instituto de Ingeniería MCKV, Liluah, Howrah, Bengala Occidental, 712104, India

Swarup Kumar Mitra

Departamento de Ingeniería Mecánica, Instituto Birla de Tecnología y Ciencia, Pilani, Campus de Pilani, VidyaVihar, Rajasthan, 333 031, India

Suvanjan Bhattacharyya

Departamento de Ingeniería Mecánica, Facultad de Ingeniería Rabigh, Universidad King Abdulaziz, Jeddah, Arabia Saudita

Eydhah Almatrafi

Centro de Investigación e Innovación Energética KA CARE, Universidad King Abdulaziz, Jeddah, 21589, Arabia Saudita

Eydhah Almatrafi

Centro de Excelencia en Energía Renovable y Sistema Eléctrico, Universidad Rey Abdulaziz, Jeddah, Arabia Saudita

Eydhah Almatrafi

Departamento de Ingeniería Mecánica, Facultad de Ingeniería, Universidad de Taif, PO Box 11099, Taif, 21944, Arabia Saudita

Bahá Saleh

Departamento de Ingeniería Electrónica y de Telecomunicaciones, Universidad de Jadavpur, Jadavpur, Bengala Occidental, 700032, India

Mrinal Kanti Naskar

También puede buscar este autor en PubMed Google Scholar

Supervisión: SB; MKN; Redacción—revisión y edición: SB; CS; Administración del proyecto: MKN; SKM; SB; Investigación: CS; SB; AE; licenciatura; curación de datos: CS; SKM; SB; licenciatura; Escritura: CS; SKM; SB; AE; Metodología: SC; AE; Conceptualización: SC; SB; AE; MKN; Todos los autores han leído y aceptado la versión publicada del manuscrito.

Correspondencia a Suvanjan Bhattacharya.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Sadhukhan, C., Mitra, SK, Bhattacharyya, S. et al. Modelado y simulación de batería de iones de litio de alta densidad de energía para la detección de fallas múltiples. Informe científico 12, 9800 (2022). https://doi.org/10.1038/s41598-022-13771-4

Descargar cita

Recibido: 12 enero 2022

Aceptado: 05 abril 2022

Publicado: 13 junio 2022

DOI: https://doi.org/10.1038/s41598-022-13771-4

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.

Noticias