Cd|KOH|NiOOH

Zn|NH4CI|MnO2

Li|LiClO4|MnO2

Pb|H2SO4|PbO2

H2|KOH|O2

Моделирование и оценка зарядового состояния литий-серного аккумулятора с помощью нейронно-нечёткой сети

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).

Оценена возможность определения зарядового состояния литий-серных аккумуляторов с помощью ANFIS-модели. В качестве входных параметров модели использованы легко измеримые на практике физические величины – напряжение на аккумуляторе, скорость его изменения и количество прошедших циклов. Произведён анализ ANFIS моделей с различными параметрами (количеством и типом функций принадлежности). Показано, что ANFIS-модель позволяет оценивать зарядовое состояние литий-серного аккумулятора с точностью более 95%. Предложенный тип моделей может применяться в системах управления и контроля, совместно с цифровыми агрегированными двойниками, для дообучения моделей на реальных данных и увеличения точности оценки зарядового состояния литий-серных аккумуляторов.

Литература

1. Li J., Niu Zh., Guo C., Li M., Bao W. Catalyzing the polysulfide conver-sion for promoting lithium sulfur battery performances : A review // Journal of Energy Chemistry. 2020. Vol. 54. P. 434–451. https://doi.org/10.1016/j.jechem.2020.06.009

2. Yang X., Li X., Adair K., Zhang H., Sun X. Structural Design of LSB From Fundamental Research to Practical Application // Electrochemical Energy Reviews. 2018. Vol. 1. P. 239–293. https://doi.org/10.1007/s41918-018-0010-3

3. Bruce P., Freunberger S. A., Hardwick L., Tarascom J. M. Li-O2 and Li-S batteries with high-energy storage // Nature Mater. 2012. Vol. 11. P. 19–29. https://doi.org/10.1038/nmat3191

4. Wang C., Zhu K., Chi Z., Ke F., Yang Y., Wang A., Weikun Wang, Lix-iao Miao. How far away are lithium-sulfur batteries from commercialization? Frontiers in Energy Research. 2019. Vol. 7. Article 123. https://doi.org/10.3389/fenrg.2019.00123

5. Long B., Li X., Gao X., Liu Z. Prognostics Comparison of Lithium-Ion Battery Based on the Shallow and Deep Neural Networks Model // Energies. 2019. Vol. 12, iss. 17. Article 3271. https://doi.org/10.3390/en12173271

6. Kumar B., Khare N., Chaturvedi P. K. FPGA-based design of advanced BMS implementing SoC / SoH estimators // Microelectronics Reliability. 2018. Vol. 84. P. 66–74. https://doi.org/10.1016/j.microrel.2018.03.015

7. Hua X., Zhang C., Offer G. Finding a better fit for lithium ion batteries : A simple, novel, load dependent, modified equivalent circuit model and parameter-ization method // Journal of Power Sources. 2021. Vol. 464. Article 229117. https://doi.org/10.1016/j.jpowsour.2020.229117

8. Piller S., Perrin M., Jossen A. Methods for state-of-charge determination and their applications // Journal of Power Sources. 2001. Vol. 96. P. 113–120. https://doi.org/10.1016/S0378-7753(01)00560-2

9. Chang W. Y. The state of charge estimating methods for battery : A review // ISRN Applied Mathematics. 2013. Vol. 2013. Article ID953792. https://doi.org/10.1155/2013/953792

10. Cuma M. U., Koroglu T. A comprehensive review on estimation strategies used in hybrid and battery electric vehicles // Renewable and Sustainable Energy Reviews. 2015. Vol. 42. P. 517–531. https://doi.org/10.1016/j.rser.2014.10.047

11. Wild M., Offer G. J. Lithium–Sulfur batteries. Hoboken, NJ, USA, John Wiley & Sons, Inc., 2019. 335 p.

12. Кузьмина Е. В., Карасева Е. В., Чудова Н. В., Мельникова А. А., Колосницын В. С. О возможности определения термодинамических функций электрохимической системы Li–S методом ЭДС // Электрохимия. 2019. Т. 55, № 10. С. 1215–1225. https://doi.org/10.1134/S0424857019080085

13. Haykin S. Neural Networks : A Comprehensive Foundation Subse-quent Edition. Prentice Hall, 1999. 842 p.

14. Kvasnicka V., Sklenák S., Pospichal J. Application of Recurrent Neural Networks in Chemistry. Prediction and Classification of 13C NMR Chemical Shifts in a Series of Monosubstituted Benzenes // Journal of Chemical Information and Modeling. 1992. Vol. 32. P. 142–147.

15. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. М. : Мир, 1976. 166 с.

16. Chau K. T., Wu K. C., Chan C. C., Shen W. X. A new battery capacity indicator for nickel–metal hydride battery powered electric vehicles using adaptive neuro-fuzzy inference system // Energy Conversion and Management. 2003. Vol. 44. P. 2059–2071. https://doi.org/10.1016/S0196-8904(02)00249-2

17. Chau K. T., Wu K. C., Chan C. C. A new battery capacity indicator for lith-ium-ion battery powered electric vehicles using adaptive neuro-fuzzy inference system // Energy Conversion and Management. 2004. Vol. 45. P. 1681–1692. https://doi.org/10.1016/j.enconman.2003.09.031

18. Fleischer C., Waag W., Bai Z., Sauer D. U. Adaptive On-line State-of-available-power Prediction of Lithium-ion Batteries // Journal of Power Electronic. 2013. Vol. 13, № 4. P. 516–517. https://doi.org/10.6113/jpe.2013.13.4.516

19. Fotouhi A., Auger D. J., Longo S. Lithium-Sulfur Battery State-of-Charge Observability Analysis and Estimation // IEEE Transactions on Power Electronics. 2018. Vol. 33, № 7. P. 5847–5859. https://doi.org/10.1109/TPEL.2017.2740223

20. Хижняков Ю. Н. Алгоритмы нечёткого, нейронного и нечётко-нейронного управления в системах реального времени. Пермь : Изд-во Перм. нац. исслед. политехн. ун-та, 2013. 160 c.

21. Кукса П. П. Анализ нейросетевых-нечетких моделей // Digital Library Scribd : [сайт]. URL: https://www.scribd.com/doc/50646929 (дата обращения: 10.02.21).

22. Sancarlos A., Cameron M., Abel A., Cueto E., Duval J.-L., Chinesta F. From ROM of Electrochemistry to AI-Based Battery Digital and Hybrid Twin // Archives of Computational Methods in Engineering. 2019. Vol. 28. P. 979–1015. https://doi.org/10.1007/s11831-020-09404-6

23. Ramachandran R., Subathra B., Srinivasan S. Recursive Estimation of Battery Pack Parameters in Electric Vehicles // 9th IEEE International Conference on Computational Intelligence and Computing Research (ICCIC). Madurai, India, 2018. P. 165–171.

Текст в формате PDF:
(downloads: 34)