使用物联网和ML进行先进的电池管理系统增强,用于预测离子电池的剩余使用寿命
Gopal Krishna1, Rajesh Singh1, Anita Gehlot1
1Uttaranchal Institute of Technology, Uttaranchal University, Dehradun, 248007, India.
Scientific reports
|December 5, 2024
概括
本研究介绍了一种先进的长期短期记忆 (LSTM) 模型,用于预测离子电池的剩余使用寿命 (RUL),增强电动汽车电池管理系统 (BMS). 该模型实现了高精度,提高了能效和可持续性.
科学领域:
- 电气工程 电气工程
- 计算机科学 计算机科学
- 材料科学 材料科学 材料科学
背景情况:
- 电池运行应用的需求不断增加,特别是电动汽车 (EV),推动了对高效电池管理系统 (BMS) 的需求.
- 准确预测剩余使用寿命 (RUL) 对储能系统 (ESS) 中的离子 (Li-ion) 电池的运行效率和可持续性至关重要.
- 目前的BMS技术在准确预测电池RUL方面存在局限性.
研究的目的:
- 开发和评估一个先进的长短期内存 (LSTM) 模型,用于精确预测离子电池中的RUL.
- 为了利用实时传感器数据和已建立的数据集来进行强大的电池性能预测.
- 加强BMS内部的决策能力,以改善资源配置和适应能力.
主要方法:
- 使用物联网 (IoT) 设备和Arduino Nano.使用实时数据采集.
- 处理传感器数据 (电流,电压,温度,循环值) 输入到LSTM模型.
- 利用国家航空航天局 (NASA) 的电池数据集进行模型训练和验证.
主要成果:
- 拟议的LSTM模型实现了高预测精度,根平均平方误差 (RMSE) 为0.01173.
- 该模型在与所有其他评估模型相比,表现出了卓越的性能.
- 这些发现支持更有效的BMS决策,特别是在资源管理和适应不断变化的条件方面.
结论:
- 开发的LSTM模型显著提高了电池RUL预测的准确性.
- 实时大规模数据采集系统的实际实施挑战需要进一步研究.
- 未来的工作将重点关注模型通用性,更广泛的数据集适用性和自动化数据摄入,以实现无集成.
更多相关视频
10:41The Effect of Charging and Discharging Lithium Iron Phosphate-graphite Cells at Different Temperatures on Degradation
Published on: July 18, 2018
15.4K
11:25Identification and Quantification of Decomposition Mechanisms in Lithium-Ion Batteries; Input to Heat Flow Simulation for Modeling Thermal Runaway
Published on: March 7, 2022
4.5K
