1 of 9

Определение параметров литий-ионных аккумуляторов из результатов циклирования

Кузовчиков Сергей Михайлович

Москва

2023

Курс «Нейронные сети и их применение в научных исследованиях»

2 of 9

Литий-ионные аккумуляторы

Очень быстрый рост рынка элеткромобилей

​

Необходимо оценивать параметры аккумуляторов в

электромобилях по неполным данным

​

​

Определение параметров литий-ионных аккумуляторов из результатов циклирования

3 of 9

Определение параметров литий-ионных аккумуляторов из результатов циклирования

Зависимость SoH от номера цикла для разных аккумуляторов

Изменение силы тока при циклировании

Изменение напряжения при циклировании

Пример данных

4 of 9

Определение параметров литий-ионных аккумуляторов из результатов циклирования

Кривые существенно изменяются с падением SoH – но есть ли обратная связь - неизвестно

​

​

Разрядный полуцикл

Зарядный полуцикл

Эволюция кривых с циклированием

5 of 9

Определение параметров литий-ионных аккумуляторов из результатов циклирования

Подготовка данных:

  • Отсеивание неполных циклов, циклов с ошибками и выбросами
  • Resampling – интерполяция точек через равные промежутки времени (30с, 60с, 120с, 180c, 300c)

​

6 of 9

Определение параметров литий-ионных аккумуляторов из результатов циклирования

Распределение SoH по кол-ву циклов

Длина цикла

Общая структура данных

7 of 9

Определение параметров литий-ионных аккумуляторов из результатов циклирования

Модели хорошо переучиваются - 11, 13, 15, 19 и 23

​

​

Валидация моделей GRU�Среднее переобучения на 10*64 циклах

MSE loss

0. 5 нейронов, 1 слоёв, bidirectional = False

1. 5 нейронов, 1 слоёв, bidirectional = True

2. 5 нейронов, 2 слоёв, bidirectional = False

3. 5 нейронов, 2 слоёв, bidirectional = True

4. 5 нейронов, 3 слоёв, bidirectional = False

5. 5 нейронов, 3 слоёв, bidirectional = True

6. 10 нейронов, 1 слоёв, bidirectional = False

7. 10 нейронов, 1 слоёв, bidirectional = True

8. 10 нейронов, 2 слоёв, bidirectional = False

9. 10 нейронов, 2 слоёв, bidirectional = True

10. 10 нейронов, 3 слоёв, bidirectional = False

11. 10 нейронов, 3 слоёв, bidirectional = True

12. 20 нейронов, 1 слоёв, bidirectional = False

13. 20 нейронов, 1 слоёв, bidirectional = True

14. 20 нейронов, 2 слоёв, bidirectional = False

15. 20 нейронов, 2 слоёв, bidirectional = True

16. 20 нейронов, 3 слоёв, bidirectional = False

17. 20 нейронов, 3 слоёв, bidirectional = True

18. 30 нейронов, 1 слоёв, bidirectional = False

19. 30 нейронов, 1 слоёв, bidirectional = True

20. 30 нейронов, 2 слоёв, bidirectional = False

21. 30 нейронов, 2 слоёв, bidirectional = True

22. 30 нейронов, 3 слоёв, bidirectional = False

23. 30 нейронов, 3 слоёв, bidirectional = True

8 of 9

Определение параметров литий-ионных аккумуляторов из результатов циклирования

Оптимизатор – Adam, модели на основе GRU+полносвязный слой, равный по размеру скрытому слою

Мера MSE

​

​

Полное обучение моделей

GroupedKFold = 4, MSE для лучшей модели

Sampling/RMSE,%

30 s

60 s

120s

180s

300s

20 нейронов, 2 слоя,

3.023±1.955

2.436±0.692

2.392±0.430

2.358±0.653

2.433±0.685

20 нейронов, 2 слоя, двунаправленная

2.357±0.508

2.346±0.530

2.296±0.653

2.321±0.701

2.386±0.668

30 нейронов, 3 слоя, двунаправленная

2.392±0.485

2.430±0.475

2.442±0.454

2.331±0.641

2.432±0.671

9 of 9

Определение параметров литий-ионных аккумуляторов из результатов циклирования

  • Оптимальным сэмплингом является 300с для данных моделей – ошибка не меняется, а сложность вычислений снижается.
  • Наиболее удачное значение RMSE 2.23±0.65%, для модели 2 и сэмплинга 120с

​

​

Заключение