Modélisation et simulation du lithium à haute densité d'énergie

Rapports scientifiques volume 12, Numéro d'article : 9800 (2022) Citer cet article

2861 accès

Détails des métriques

La batterie lithium-ion, un dispositif de stockage à haute densité d'énergie, a de nombreuses applications dans les gadgets électriques et électroniques, les ordinateurs, les véhicules électriques hybrides et les véhicules électriques. Cet article présente la détection de défauts multiples d'une batterie lithium-ion à l'aide de deux filtres de Kalman non linéaires. Un modèle mathématique non linéaire discret de batterie lithium-ion a été développé et un filtre de Kalman non parfumé (UKF) est utilisé pour estimer le paramètre du modèle. Les occurrences de défauts multiples tels que les défauts de surcharge, de décharge excessive et de court-circuit entre les batteries d'alimentation intercellulaires, affectent la variation des paramètres du modèle de système. Des combinaisons parallèles de certains UKF (banc de filtres) comparent la variation des paramètres du modèle entre la situation normale et défectueuse et génèrent un signal résiduel indiquant un défaut différent. Des résultats de simulation de nombres multiples de tests statistiques ont été effectués pour le diagnostic de défaut basé sur les résidus et le calcul de seuil. Les performances de UKF sont ensuite comparées au filtre de Kalman étendu (EKF) avec le même modèle de batterie et le même scénario de panne. Le résultat de la simulation prouve que le modèle UKF répond mieux et plus rapidement que celui d'EKF pour le diagnostic des défauts.

La pile, source d'énergie, est utilisée par l'humanité depuis son invention il y a plus de deux cents ans. Après de nombreux développements, les batteries disponibles de nos jours sont plus légères, ont une plus grande capacité de stockage d'énergie, des caractéristiques de sécurité améliorées et une durabilité plus longue et conviennent à une large gamme d'applications grand public et industrielles1,2. Les batteries au lithium ont été modifiées en lithium-ion pour les rendre rechargeables et appliquées dans les gadgets électriques, les ordinateurs, les véhicules électriques hybrides et les véhicules électriques, etc. Compte tenu des aspects tels que la fiabilité et la sécurité des véhicules électriques, il est important de surveiller les états du lithium-ion. cellules pendant le fonctionnement. Cela peut être géré par la collecte des données requises et l'estimation ultérieure des états des cellules via un système de gestion de batterie (BMS)3,4. Les performances des cellules de batterie dépendent du courant, de la tension et de la température, et l'état des cellules comprend l'état de charge (SOC)5,6,7, l'état de santé (SOH)8,9,10 et l'état d'énergie (SOE)11 et la durée de vie utile restante (RUL)12,13. Les défauts du véhicule électrique sont indiqués comme (a) surcharge, (b) décharge excessive (c) court-circuit interne et externe. Le défaut de court-circuit interne et externe de la batterie entraîne la génération d'une énorme quantité de chaleur qui induit une piste thermique. Les défauts non contrôlés de la batterie sont de nature irréversible et peuvent entraîner des dommages lorsqu'ils sont graves14,15. Afin d'annuler de telles situations, il est important de diagnostiquer le défaut de la batterie rapidement et avec précision. Il a été observé à partir de la littérature que le diagnostic de défaut de batterie lithium-ion suscite un intérêt croissant parmi les chercheurs à la fois dans l'industrie et dans le domaine universitaire. Les efforts ont été déployés par les chercheurs visant à détecter différents défauts de batterie à l'aide de méthodologies et de techniques avancées. L'une de ces techniques est le diagnostic de défaut basé sur l'observateur qui offre une robustesse améliorée en raison de sa capacité à éviter la perte d'informations sur les défauts de la batterie. Cela peut être dû à des perturbations inconnues et à un état initial défectueux. Les avantages inhérents d'un coût moindre et d'une grande flexibilité font des techniques de diagnostic de défaut basées sur un modèle une solution viable pour un diagnostic de défaut précis16. L'observateur de Luenberger (LO) utilisant une série d'observateurs d'ordre réduit17 peut être appliqué sur un bloc-batterie pour la détection de défauts. Certains chercheurs ont proposé une analyse des défauts de court-circuit basée sur un modèle utilisant des techniques avancées telles que l'indentation18, la pénétration des clous19, la fabrication avec des structures défectueuses20 et l'emballement thermique à des températures extrêmement élevées21. Dans un autre modèle, les tensions de sortie et les tensions de sortie réelles des batteries peuvent être comparées pendant le processus de fonctionnement du VE et le système d'alarme se déclenche lorsque la valeur absolue de la différence de tension dépasse le seuil22,23. En outre, le filtre de Kalman trouve son application efficace pour le diagnostic du défaut dans les batteries lithium-ion24,25 en particulier lorsque le filtre optimal présente une forte robustesse avec un signal bruyant. Les méthodes de détection de défauts basées sur un modèle facilitées par une très grande robustesse peuvent être utilisées pour détecter avec précision les défauts de la batterie. Le diagnostic de défaut basé sur le filtre de Kalman adaptatif pour la batterie lithium-ion est à l'étude par de nombreux chercheurs26,27,28. Le filtre de Kalman adaptatif peut estimer les états des paramètres de la batterie par le processus et l'ajustement de la covariance du bruit de mesure, ce qui n'est pas possible dans le cas du filtre de Kalman étendu où les informations sur les statistiques de bruit sont considérées comme la condition préalable au bon fonctionnement du filtre, sinon cela peut conduire à des résultats inexacts. Récemment, la surcharge et la décharge excessive du défaut de batterie sont discutées29. Un article de synthèse sur les mécanismes de défaillance, les caractéristiques de défaillance et les procédures de diagnostic est discuté30.

Compte tenu de la large application des batteries lithium-ion dans divers dispositifs, il est souhaitable de fabriquer des batteries qui auront une densité d'énergie, une densité de puissance et une durée de vie plus élevées. La panne due à une surcharge, une décharge excessive, un court-circuit entre les cellules de la batterie lithium-ion peut entraîner une dégradation des performances et une défaillance du système qui, à leur tour, peuvent entraîner des inconvénients, un vieillissement plus rapide et des coûts de maintenance plus élevés, un emballement thermique ou même une explosion. . Par conséquent, il est impératif de concevoir un système de gestion de batterie fiable et robuste pour une détection précoce des défauts de la batterie en condition de service. La performance globale dépend fortement des fonctions critiques telles que les estimations de l'état de charge (SOC) et de l'état de santé (SOH), les protections contre les surcharges et les sous-charges, etc. Du point de vue pratique, l'estimation de trois défauts, à savoir la surcharge, la décharge excessive et le défaut de court-circuit entre la puissance intercellulaire des batteries lithium-ion amélioreront certainement la fiabilité et l'efficacité des appareils, gadgets, véhicules électriques et hybrides, etc.

Il a été constaté que certains articles de recherche publiés se concentrent uniquement sur les défauts de court-circuit interne18,19,20 de la batterie et certains autres travaux décrivent des défauts tels qu'une surcharge, une décharge excessive, etc. Aucun chercheur n'a pris en compte simultanément tous ces défauts du lithium. -ion batterie dans leur travail en utilisant la méthode basée sur un modèle. La plupart des chercheurs ont concentré la méthode basée sur un modèle en utilisant une seule technique qui est l'évaluation résiduelle pour l'estimation des défauts des batteries22,24,25,26. La nouveauté du présent travail est de modéliser la détection des défauts sur la batterie lithium-ion pour les surcharges, les décharges excessives et les défauts de court-circuit entre la puissance intercellulaire des batteries lithium-ion simultanément. Dans la présente étude, un schéma de détection de défauts basé sur un modèle systématique est proposé en utilisant une banque de filtres de Kalman non parfumés (UKF) sur un modèle de batterie lithium-ion pour la détection de défauts multiples tels qu'une surcharge, une décharge excessive et un court-circuit entre les cellules. puissance des batteries lithium-ion. Un test statistique a été effectué pour le diagnostic de défaut basé sur les résidus et le calcul du seuil. Les performances de l'UKF ont ensuite été comparées à celles d'un banc de filtres de Kalman étendus (EKF) sur le même modèle de batterie avec le même scénario de panne. En fonction de l'utilisation de la batterie, différents modèles de batterie, tels que des batteries expérimentales, empiriques et électrochimiques, sont utilisés. Le modèle de batterie est considéré comme une extension du modèle de venin où les défauts de surcharge, de décharge excessive et de court-circuit entre la puissance intercellulaire des batteries lithium-ion sont pris comme paramètre de défaut. Le travail proposé est divisé en deux parties : (a) expérimentale (b) simulation. Dans la partie expérimentale, les cellules de batterie sont surveillées hors ligne pendant un long intervalle de temps en cas de surcharge et de décharge excessive et la variation des paramètres due à la surcharge, la décharge excessive sont mesurées. Une batterie 123 26650 LiFePO4 (3,3 Volts, 2,5 Ah) a été utilisée dans l'expérience. La technique de spectroscopie d'impédance électrochimique (EIS) est utilisée pour extraire la variation des paramètres du circuit pendant la surcharge et la décharge de la batterie qui est reflétée dans les tableaux 2 et 3. Les variations des paramètres sont incorporées dans le modèle de batterie pendant la simulation et exécutées par deux bancs de filtres tels que comme UKF et EKF. Les états de la batterie lithium-ion sont estimés et un signal résiduel est également généré en comparant la sortie estimée et mesurée pour chaque cellule de puissance individuelle à l'aide de la banque UKF. Il a été démontré que le diagnostic de défaut basé sur UKF s'avère un résultat significatif par rapport à l'approche basée sur EKF.

Un schéma de détection de défaut basé sur un modèle pour un bloc-batterie utilisant une banque de UKF ou EKF est représenté à la Fig. en parallèle avec le système. Une série de capteurs de tension et de courant sont connectés au bloc-batterie pour mesurer la tension et le courant dans chaque cellule du bloc-batterie. Les différents paramètres, états du modèle de batterie peuvent être mesurés par les données fournies par le capteur. Le modèle d'espace d'état du bloc-batterie équivalent est conçu et les banques UKF ou EKF sont traitées pour obtenir les états estimés du système. Les données estimées provenant des données fournies par le filtre et le capteur sont comparées et un signal résiduel est généré. La moyenne du signal résiduel indique l'existence d'un défaut dans le système.

Schéma de principe du système de détection de défauts basé sur la banque UKF / EKF.

Le modèle d'espace d'état discret de tout système non linéaire invariant dans le temps (avec défaut) peut être exprimé comme

où x(k), u(k) et y(k) désignent respectivement le vecteur d'état, le signal d'entrée et le vecteur de sortie du système au pas de temps k. Les fonctions non linéaires f() et g() sont continûment différentiables par rapport au temps et FT(k) implique les occurrences de défaut au pas de temps k.

Le modèle d'espace d'état discret du filtre de Kalman non linéaire est donné par

où, \(\widehat{x}\left(k\right)\) et \(\widehat{y}\left(k\right)\) désignent le vecteur d'état estimé et le vecteur de sortie estimé du filtre au pas de temps k respectivement. Où w(k) et v(k) sont indépendants du processus gaussien à moyenne nulle et du bruit de mesure. La variance du bruit de processus Qk et la variance du bruit de mesure Rk sont exprimées par.

De l'éq. (2) et éq. (4), le signal résiduel est exprimé par

où F( ) est fonction du processus w(k) et de la séquence de bruit de mesure v(k).

S'il existe un défaut dans le système \({F}_{T}\left(k\right)\)), la sortie du filtre indique les séquences résiduelles moyennes non nulles (NZM) qui est la somme du bruit gaussien et défaut existant comme indiqué dans l'équation. (7). Les occurrences simultanées de plusieurs défauts dans le système, chaque état de la sortie du filtre est indiqué par des séquences résiduelles NZM.

Un schéma de diagnostic de pannes multiples est expliqué dans l'organigramme comme illustré à la Fig. 2. Lorsqu'un système est affecté par n nombre de pannes différentes telles que \({F}_{T1}, {F}_{T2}, \dots .. {F}_{Tn}\), un banc de filtres est utilisé en incorporant chaque défaut séparément. L'équation d'état discrète de chaque filtre est représentée par :

Algorithme de diagnostic de défauts multiples basé sur les résidus utilisant UKF/EKF.

L'équation de sortie de chaque filtre est décrite par

Le résidu de chaque filtre est la différence entre la sortie du système et la sortie filtrée.

Les résidus de chaque filtre sont exprimés en

Le résumé de l'algorithme UKF est donné dans le tableau 1. Le diagnostic de défauts multiples basé sur les résidus utilisant UKF/EKF est illustré dans l'organigramme de la Fig. 2. Pour i no. des cellules sont surveillées par un capteur de tension ou de courant, si un défaut se produit, l'état estimé de la sortie du filtre ne correspondra pas aux données de sortie du capteur en raison du signal résiduel non nul (NZM) obtenu. Lorsque le défaut ne se produit pas dans le système, il affiche la sortie sous forme de résidu de moyenne nulle (ZM) du bruit de processus et de mesure.

Un procédé de diagnostic de panne basé sur un modèle est mis en œuvre à l'aide des propriétés électrochimiques d'une batterie. Une extension du modèle venin est présentée qui est déjà appliquée pour divers problèmes de diagnostic de défaut et d'estimation d'état. Le modèle étendu est utilisé en raison de la complexité du calcul des équations aux dérivées partielles dans les modèles électrochimiques. Un modèle de batterie de deuxième ordre d'un élément de circuit parallèle RC supplémentaire, tel que représenté sur la figure 3, est considéré comme représentant le phénomène électrochimique des cellules. Les paramètres sont l'impédance interfaciale, la distribution de réactivité de l'électrode et la résistance à la migration des électrons et des ions. Le circuit équivalent est constitué d'une source de tension contrôlée ou à circuit ouvert Voc et d'une variation de sa valeur avec le SOC, une résistance Rb désigne la résistance de l'électrolyte en vrac qui peut varier au cours du processus de charge/décharge. L'élément à phase constante (C1) et la résistance (R1) font des réseaux résistance-condensateur (RC) utilisés comme modèle de modèle de capture de réactivité d'électrode et l'autre deuxième combinaison de réseau RC de R2 et C2 désigne la résistance et la capacité de transfert de charge respectivement. Le courant (I) indique le courant de charge/décharge du système, les performances d'une batterie sont fortement affectées par des paramètres tels que le courant, la résistance interne et la tension aux bornes. Ces paramètres sont chargés de réguler la qualité de l'incohérence, le mode de connexion, la capacité variable des cellules à différents taux de courant de décharge, etc. Les circuits électriques résistance-capacité peuvent être utilisés pour modéliser un système de troisième ordre pour les cellules de batterie. Chaque élément du circuit est fonction du SOC et de la température. Dans la présente étude, la température est maintenue constante, la tension varie en fonction du SOC et la dynamique de vieillissement a été laissée de côté dans le modèle. L'aspect important à considérer est que le défaut de signature qui peut se produire dans la batterie pendant son fonctionnement peut être modélisé pour étudier le comportement du système dans des situations anormales. Un contrôle efficace de l'estimation des défauts améliore également la durée de vie de la batterie dans une large mesure. La défaillance de la batterie due à une surcharge entraîne une génération de chaleur excessive due à une augmentation de la température pouvant provoquer de violents emballements thermiques. De plus, le placage de cuivre préjudiciable qui se produit à l'électrode négative de la batterie influence de manière significative l'échec de la décharge excessive conduisant à d'autres emballements thermiques. Différents types de variation des paramètres sont observés lors de la défaillance des cellules de la batterie en raison d'une surcharge et d'une décharge excessive. On observe que l'augmentation de la résistance de masse (Rb) est plus importante lors d'une surcharge que lors d'une décharge excessive. De plus, la résistance de transfert de charge (R1, R2) varie proportionnellement avec les conditions de surcharge et de décharge excessive. La variation de la capacité à double couche (C1) et du condensateur de transfert de charge (C2) montre une forte augmentation avec une décharge excessive, mais la même chose est très faible avec une baisse progressive de la nature en cas de surcharge.

Modèle de circuit équivalent de la batterie.

Les équations dynamiques du modèle équivalent de la batterie peuvent être représentées par

où, VT, V1 et V2 désignent la tension aux bornes et la tension du condensateur aux bornes de C1 et C2 respectivement. La tension en circuit ouvert Voc est une fonction non linéaire de SOC et décrite par

où, les coefficients Ck, pour k = 0,1,2,……..,m sont obtenus à partir de la caractéristique OCV-SOC illustrée à la Fig. 4.

Caractéristique OCV-SOC pour cellule de batterie LiFePO4.

Le SOC, calculé par la méthode de comptage coulombien, est donné par :

où, \({C}_{a}\) est la capacité disponible de la batterie, et \(\upeta\) est l'efficacité de coulomb qui est fonction du courant et de la température. \(\upeta =\left\{ {\begin{array}{*{20}l} 1 \hfill & {for\;charge} \hfill \\ {0.95} \hfill & {for\;décharge} \hfill \\ \end{tableau} } \right.\).

Les paramètres du modèle sont maintenus constants en négligeant les changements dus à l'effet du vieillissement. Pour simuler avec le filtre de Kalman discret, le modèle de filtre est discrétisé en utilisant le développement en série de Taylor et en négligeant les termes supérieurs donnés comme

Ceux-ci peuvent être exprimés sous forme de variable d'état comme

Une batterie 123 26650 LiFePO4 (3,3 Volts, 2,5 Ah) a été utilisée dans l'expérience. Les tableaux 2 et 3 illustrent les résultats de la spectroscopie d'impédance pour la variation des paramètres de circuit sélectionnés lorsque la cellule de batterie était dans des conditions de défaut de surcharge et de décharge excessive. Pendant une condition de surcharge, la cellule de la batterie est maintenue avec une charge de 120 % et une décharge nominale de 100 %, tandis qu'en condition de décharge excessive, elle est maintenue en sens inverse. Dans chaque condition de défaut, des mesures de spectroscopie pour la variation des paramètres de certains cycles spécifiques sont prises et présentées dans les tableaux 2 et 3. Divers défauts dans les cellules de batterie lithium-ion peuvent être observés par différentes variations de paramètres dans la batterie pendant le fonctionnement. L'article s'est principalement concentré sur le défaut de surcharge (OC), le défaut de décharge excessive (OD) et le défaut de court-circuit entre la puissance intercellulaire des batteries lithium-ion. La condition OC est obtenue en chargeant la batterie à 120 % et 100 % de décharge nominale à un taux de courant favorable. La variation des paramètres du système tels que Rb, R1, R2, C1 et C2, qui ont contribué de manière significative aux défauts pendant OC et à la décharge excessive (OD) de la variation des paramètres des cellules de la batterie, comme on le voit dans la spectroscopie d'impédance, sont présentées dans les tableaux 2 et 3.

Le courant sinusoïdal en tant que signal d'entrée est utilisé comme courant de charge ou de décharge du modèle.

La tension aux bornes, l'état de charge, la tension aux bornes de C1 et C2 à chaque temps d'échantillonnage sont évalués à partir des équations. (21) et (22). Le modèle de batterie est exécuté par une banque d'UKF et d'EKF pour calculer l'état de charge estimé, la tension aux bornes de C1 et C2 à chaque temps d'échantillonnage avec un état sain et défectueux tandis que le signal d'entrée est corrompu avec du blanc gaussien. le bruit avec la covariance du bruit de processus Qk et la covariance du bruit de mesure Rk sont pris comme Q = 10–6 \(\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\end{array} \right]\) et R = 1 × 10–6 respectivement.

Le résultat de la simulation traite de la comparaison des performances entre UKF et EKF lors du diagnostic des défauts de la batterie lithium-ion du véhicule électrique. Les défauts de surcharge, de décharge excessive et de court-circuit sont expérimentés dans le modèle de batterie et chaque cas pour la banque de diagnostic de défaut de UKF et EKF est exploité. Les trois états des modèles de batterie, à savoir l'état de charge, la tension aux bornes de C1 et C2, sont estimés et comparés pour obtenir un signal résiduel à chaque pas de temps.

Le courant de charge est pris comme signal d'entrée considéré comme I = 5sin100πt avec des valeurs initiales de tension aux bornes de la capacité de transfert de charge et les capacités à double couche sont prises à 0,1 V chacune. Le modèle est simulé avec un état sain et au 50e instant d'échantillonnage, un défaut est injecté en tant que surcharge et au 120e instant d'échantillonnage, un deuxième défaut se produit. Comme le système est modélisé avec trois variables d'état comme SOC, V1 et V2, les occurrences de tout défaut affecteront les états du modèle de batterie. En comparant l'état réel et l'état estimé pendant une condition saine et défectueuse, il est facilement détecté par la génération de signal résiduel.

Dans le modèle de batterie proposé, la condition de fonctionnement est d'abord saine et au 50e instant d'échantillonnage, un défaut est injecté sous forme de surcharge. La figure 5 représente l'état réel et l'état estimé du SOC par EKF et UKF. La figure 6 représente le résiduel de SOC des deux filtres. Dans les deux cas, le changement du signal résiduel de zéro à une autre valeur est plus approprié dans UKF que dans EKF.

Estimation du SOC par EKF et UKF sur un modèle de batterie simulée.

Évaluation des erreurs/résidus pour l'estimation du SOC par EKF et UKF sur un modèle de batterie simulé.

Les figures 7 et 8 montrent l'état estimé de la tension aux bornes de la capacité de transfert de charge et le signal résiduel des deux filtres. La mesure résiduelle et l'estimation de l'état ne reflètent pas les occurrences de défaut car la surcharge n'affecte pas la tension aux bornes des capacités de transfert de charge.

Tension aux bornes de la capacité de transfert de charge estimée par EKF et UKF pendant la charge.

Évaluation des erreurs/résidus pour la tension aux bornes de l'estimation de la capacité de transfert de charge par EKF et UKF.

Lorsqu'un défaut de décharge excessive se produit à la 120e seconde, la tension réelle et la tension estimée aux bornes de la capacité de transfert de charge par les deux filtres sont représentées par la Fig. 9. Le signal résiduel des deux filtres est illustré à la Fig. 10.

Tension aux bornes de la capacité de transfert de charge estimée par EKF et UKF lors d'une décharge excessive.

Évaluation d'erreur/résiduelle pour l'estimation de la capacité de transfert de tension aux bornes de EKF et UKF pendant la décharge.

Le décalage du résiduel pour le deuxième défaut est plus clair pour UKF que pour EKF. Dans cette condition, le résidu pour le SOC n'est pas affecté et affiche zéro.

Lors d'un défaut de surcharge à la 50e s et d'un défaut de court-circuit sur la résistance de transfert de charge à la 120e s, les deux défauts se produisent simultanément sur le modèle de batterie, le résidu de SOC et la tension sur la capacité de transfert de charge et la capacité à double couche sont représentés sur les Fig. 11a–c et 12a–c.

(a) Estimation résiduelle du SOC, (b) estimation résiduelle de la tension aux bornes de la capacité de transfert de charge. ( c ) Estimation résiduelle de la tension aux bornes de la capacité à double couche par EKF.

(a) Estimation résiduelle du SOC, (b) estimation résiduelle de la tension aux bornes de la capacité de transfert de charge, (c) estimation résiduelle de la tension aux bornes de la capacité à double couche par UKF.

Dans la présente étude, un modèle mathématique non linéaire discret de batterie lithium-ion a été développé pour la détection de défauts multiples à l'aide de deux filtres de Kalman non linéaires. La comparaison des performances à l'aide de la banque d'UKF et d'EKF pour les occurrences uniques et simultanées de diagnostics de défauts multiples tels qu'une surcharge, une décharge excessive et un défaut de court-circuit entre l'alimentation intercellulaire dans la batterie lithium-ion a été effectuée. Dans le schéma de diagnostic de défaut proposé, les deux bancs de filtres (UKF et EKF) sont utilisés séparément sur le modèle de batterie lithium-ion en situation normale et défectueuse, de sorte que la sortie des filtres et la sortie mesurée sont comparées pour générer des signaux résiduels. Il a été démontré à partir des résultats de simulation du test statistique que le signal résiduel sans défaut indique un signal moyen nul dans la valeur seuil alors qu'il dépasse la valeur seuil avec un signal moyen non nul pendant une condition défectueuse. Le résultat de la comparaison pour les deux filtres (UKF et EKF) de l'étude de simulation prouve que le modèle UKF présente une réponse meilleure et plus rapide que celle de l'EKF pour le diagnostic de défauts multiples du modèle de batterie lithium-ion.

Toutes les données générées ou analysées au cours de cette étude sont incluses dans cet article publié.

Tarascon, JM & Armand, M. Enjeux et défis des batteries au lithium rechargeables. Nature 414, 359–367 (2001).

ADS CAS PubMed Google Scholar

Goonan, TG Utilisation du lithium dans les batteries. Enquête du gouvernement américain (2012). http://pubs.usgs.gov/circ/1371/.

Lu, L., Han, X., Li, J., Hua, J. & Ouyang, M. Un examen des principaux problèmes de gestion des batteries lithium-ion dans les véhicules électriques. J. Sources d'alimentation 226, 272–288. https://doi.org/10.1016/j.jpowsour.2012.10.060 (2013).

Article ADS CAS Google Scholar

Bergveld, HJ, Kruijt, WS & Notten, PHL Conception de systèmes de gestion de batterie par modélisation (Springer, 2002).

Réserver Google Scholar

Wei, Z., Zou, C., Leng, F., Soong, BH & Tseng, KJ Identification du modèle en ligne et estimation de l'état de charge pour la batterie lithium-ion avec un observateur récursif basé sur les moindres carrés totaux. IEEE Trans. Ind. Électron. 65, 1336-1346 (2017).

Article Google Scholar

Cheng, KWE, Divakar, BP, Wu, H., Ding, K. & Ho, HF Système de gestion de batterie (BMS) et développement de SOC pour véhicules électriques. IEEE Trans. Véh. Technol. 60(1), 76–88 (2011).

Article Google Scholar

Wang, Y., Zhang, C. & Chen, Z. Une méthode d'estimation conjointe de l'état de charge et de l'énergie disponible des batteries LiFePO4. Appl. Énergie 135, 81–87 (2014).

Article ADS CAS Google Scholar

Bartlett, A., Marcicki, J., Rhodes, K. & Rizzoni, G. Estimation de l'état de santé dans les cellules lithium-ion à électrodes composites. J. Sources d'alimentation 284, 642–649 (2015).

Article ADS CAS Google Scholar

Andre, D., Appel, C., Soczka-Guth, T. & Sauer, DU Méthodes mathématiques avancées d'estimation du SOC et du SOH pour les batteries lithium-ion. J. Sources d'alimentation 224, 20–27 (2013).

Article CAS Google Scholar

Zou, C., Manzie, C., Nešic, D. & Kallapur, AG Conception d'observateurs à plusieurs échelles de temps pour l'état de charge et l'état de santé d'une batterie lithium-ion. J. Sources d'alimentation 335, 121-130 (2016).

Article ADS CAS Google Scholar

Wang, Y., Zhang, C. et Chen, Z. Une approche adaptative de prédiction de l'énergie restante pour les batteries lithium-ion dans les véhicules électriques. J. Sources d'alimentation 305, 80–88 (2016).

Article ADS CAS Google Scholar

Dong, H., Jin, X., Lou, Y. et Wang, C. Surveillance de l'état de santé de la batterie lithium-ion et prédiction de la durée de vie utile restante basée sur le filtre à particules de régression du vecteur de support. J. Sources d'alimentation 271, 114-123 (2014).

Article ADS CAS Google Scholar

Wu, J., Zhang, C. et Chen, Z. Une méthode en ligne pour l'estimation de la durée de vie restante d'une batterie lithium-ion à l'aide d'un échantillonnage d'importance et de réseaux de neurones. Appl. Énergie 173, 134–140 (2016).

Article Google Scholar

Zhang, J. & Lee, J. Une revue sur les pronostics et la surveillance de la santé de la batterie Li-ion. J. Sources d'alimentation 196, 6007–6014 (2011).

Article ADS CAS Google Scholar

Goebel, K., Saha, B., Saxena, A., Celaya, J. & Christophersen, J. Pronostics in battery health management. Instrument IEEE. Mes. Mag. 11, 33–40 (2008).

Article Google Scholar

Ding, SX Model-Based Fault Diagnosis Techniques: Design Schemes, Algorithms, and Tools (Springer, 2008).

Google Scholar

Chen, W., Chen, WT, Saif, M., Li, MF et Wu, H. Isolation simultanée des défauts et estimation des batteries lithium-ion via la conception synthétisée de Luenberger et des observateurs d'apprentissage. IEEE Trans. Système de contrôle Technol. 22, 290-298 (2013).

Article Google Scholar

Greve, L. & Fehrenbach, C. Essais mécaniques et simulation par éléments finis macro-mécaniques de la déformation, de la rupture et de l'initiation de courts-circuits de cellules de batterie lithium-ion cylindriques. J. Sources d'alimentation 214, 377–385 (2012).

Article ADS CAS Google Scholar

Maleki, H. & Howard, JN Court-circuit interne dans les cellules Li-ion. J. Power Sources 191, 568–574 (2009).

Article ADS CAS Google Scholar

Orendor, CJ, Roth, EP & Nagasubramanian, G. Déclencheurs expérimentaux pour les courts-circuits internes dans les cellules lithium-ion. J. Sources d'alimentation 196, 6554–6558 (2011).

Annonces d'article Google Scholar

Feng, X. et al. Caractéristiques d'emballement thermique d'une batterie lithium-ion prismatique grand format utilisant une calorimétrie à taux d'accélération de volume étendu. J. Sources d'alimentation 255, 294–301 (2014).

Article ADS CAS Google Scholar

Singh, A., Izadian, A. & Anwar, S. Surveillance de l'état basée sur un modèle dans les batteries lithium-ion. J. Sources d'alimentation 268, 459–468 (2014).

Article ADS CAS Google Scholar

Liu, Z. & He, H. Diagnostic de défaut de capteur basé sur un modèle d'une batterie lithium-ion dans les véhicules électriques. Énergies 8, 6509–6527. https://doi.org/10.3390/en8076509 (2015).

Article Google Scholar

Singh, A., Izadian, A. & Anwar, S. Diagnostic de défaut des batteries Li-ion à l'aide d'une estimation adaptative à plusieurs modèles. Dans IEEE Ind. Electron. IECON 2013—39e Conférence annuelle de la Société d'électronique industrielle IEEE, Vienne, Autriche. https://doi.org/10.1109/IECON.2013.6699695 (2013).

Singh, A., Izadian, A. & Anwar, S. Détection de défaut basée sur un modèle non linéaire de batterie lithium-ion à l'aide d'une estimation adaptative de plusieurs modèles. Au 19e Congrès mondial de l'IFAC, Cape Town, Afrique du Sud. https://doi.org/10.3182/20140824-6-ZA-1003.00711 (2014).

Sidhu, A., Izadian, A. & Anwar, S. Diagnostic de panne basé sur un modèle non linéaire adaptatif des batteries Li-ion. IEEE Trans. Ind. Électron. 62, 1002–1011 (2015).

Article Google Scholar

Plett, GL Filtrage de Kalman étendu pour les systèmes de gestion de batterie des packs de batteries HEV basés sur LiPB - Partie 3. Estimation de l'état et des paramètres. J. Power Sources 134, 277-292 (2004).

Article ADS CAS Google Scholar

Hongwen, H., Xiong, R. & Guo, H. Estimation en ligne des paramètres du modèle et de l'état de charge des batteries LiFePO4 dans les véhicules électriques. Appl. Énergie 89, 413–420 (2012).

Article Google Scholar

Zheng, T. Diagnostic de défaut de surcharge et de décharge excessive des batteries lithium-ion. Chim. Ing. Trans. 71, 1453–1458 (2018).

Google Scholar

Hu, X. et al. Diagnostic avancé des pannes pour les systèmes de batterie lithium-ion : un examen des mécanismes de panne, des caractéristiques de panne et des procédures de diagnostic. IEEE Ind. Electron. Mag. 14(3), 65–91 (2020).

Article Google Scholar

Télécharger les références

Les auteurs reconnaissent également le soutien fourni par King Abdullah City for Atomic and Renewable Energy (KA CARE) dans le cadre du programme de collaboration KA CARE—King Abdulaziz University.

Département de génie électrique, MCKV Institute of Engineering, Liluah, Howrah, Bengale occidental, 712104, Inde

Chandrani Sadhukhan

Département d'ingénierie électronique et des télécommunications, MCKV Institute of Engineering, Liluah, Howrah, Bengale occidental, 712104, Inde

Swarup Kumar Mitra

Département de génie mécanique, Birla Institute of Technology & Science, Pilani, Pilani Campus, VidyaVihar, Rajasthan, 333 031, Inde

Suvanjan Bhattacharyya

Département de génie mécanique, Collège d'ingénierie Rabigh, Université King Abdulaziz, Djeddah, Arabie saoudite

Eydhah Almatrafi

KA CARE Energy Research and Innovation Centre, King Abdulaziz University, Djeddah, 21589, Arabie Saoudite

Eydhah Almatrafi

Centre d'excellence en énergie renouvelable et système électrique, Université King Abdulaziz, Djeddah, Arabie saoudite

Eydhah Almatrafi

Département de génie mécanique, Collège d'ingénierie, Université de Taif, PO Box 11099, Taif, 21944, Arabie saoudite

Bahaa Saleh

Département d'ingénierie électronique et des télécommunications, Université de Jadavpur, Jadavpur, Bengale occidental, 700032, Inde

Mrinal Kanti Naskar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Supervision : CS ; MKN ; Rédaction—révision et édition : SB ; SC ; Administration du projet : MKN ; SKM ; SB ; Enquête : CS ; SB ; EA ; BS ; conservation des données : CS ; SKM ; SB ; BS ; Rédaction : CS ; SKM ; SB ; EA ; Méthodologie : CS ; EA ; Conceptualisation : CS ; SB ; EA ; MKN ; Tous les auteurs ont lu et accepté la version publiée du manuscrit.

Correspondance à Suvanjan Bhattacharya.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur n'importe quel support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournir un lien vers la licence Creative Commons et indiquer si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Sadhukhan, C., Mitra, SK, Bhattacharyya, S. et al. Modélisation et simulation d'une batterie lithium-ion à haute densité d'énergie pour la détection de défauts multiples. Sci Rep 12, 9800 (2022). https://doi.org/10.1038/s41598-022-13771-4

Télécharger la citation

Reçu : 12 janvier 2022

Accepté : 05 avril 2022

Publié: 13 juin 2022

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.

Nouvelles

Modélisation et simulation du lithium à haute densité d'énergie