Model predykcji stanu dostępnej energii ogniw litowo-żelazowo-fosforanowych

• Autorzy: Burzyński Damian , Kasprzyk Leszek

Identyfikatory

DOI

10.15199/48.2024.02.59

Warianty tytułu

EN

State of available energy prediction model for lithium-iron-phosphate cells

• Języki publikacji: PL

Abstrakty

PL

W artykule zajęto się problemem predykcji stanu dostępnej ogniw litowo-żelazowo-fosforanowych (LFP) z wykorzystaniem technik uczenia maszynowego. Omówiono realizowaną wiele miesięcy procedurę eksperymentalną oraz przedstawiono wyniki dla 12 ogniw pracujących cyklicznie w różnych warunkach temperaturowych i obciążeniowych. Zaprezentowano koncepcję modelu predykcji stanu dostępnej energii wraz z jego weryfikacją. Skuteczność proponowanej metody potwierdzono uzyskując średni błąd na poziomie 5%.

EN

The paper deals with the problem of state of avaiable energy prediction for a lithium-iron-phosphate (LFP) cell using machine learning techniques. The experimental procedure which was carried out for many months is discussed and the results for 12 cells operating cyclically under different temperature and load conditions are presented. The concept of a model for predicting the state of available energy is presented, along with its verification. The effectiveness of the proposed method was confirmed by obtaining an average error of 5%.

Słowa kluczowe

PL

ogniwo litowo-jonowe; trwałość akumulatora; uczenie maszynowe; modelowanie trwałości

EN

lithium-ion cell; battery life; machine learning; cycle life modelling

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 2
• Strony: 294--297
• Opis fizyczny: Bibliogr. 24 poz., rys., tab.

Twórcy

autor

Burzyński Damian

• Politechnika Poznańska, Instytut Elektrotechniki i Elektroniki Przemysłowej, ul. Piotrowo 3a, 60-965 Poznań

• https://orcid.org/0000-0001-7874-1376

autor

Kasprzyk Leszek

• Politechnika Poznańska, Instytut Elektrotechniki i Elektroniki Przemysłowej, ul. Piotrowo 3a, 60-965 Poznań

• https://orcid.org/0000-0003-3888-430X

Bibliografia

• [1] Edström K. et al., Battery 2030+ Inventing the Sustainable Batteries of the Future: Research Needs and Future Actions, Roadmap paper, (2020)
• [2] Pietracho R., Wenge C., Balischewski S., Lombardi P., Komarnicki P., Kasprzyk L., and Burzyński D., Potential of Using Medium Electric Vehicle Fleet in a Commercial Enterprise Transport in Germany on the Basis of Real-World GPS Data, Energies, 14, (2021), No 17, 5327
• [3] Tomczewski A., Mikulski S., Piotrowski A., Sowa S., Wróbel K., Multicriteria Optimisation of the Structure of a Hybrid Power Supply System for a Single-Family Housing Estate in Poland, Taking into Account Different Electromobility Development Scenarios, Energies, 16, (2023), No 10, 4132
• [4] Pietracho R., Wenge C., Komarnicki P., Kasprzyk L., Multi-Criterial Assessment of Electric Vehicle Integration into the Commercial Sector – A Case Study, Energies, 16, (2023), No 1, 462
• [5] Hałuszczak B., Putz Ł., Dobrzycki A., Mikulski S., Hybrid OFF-GRID installation as the as the power supply of summer house, Przegląd Elektrotechniczny, 98 (2022), nr 11, 248-252
• [6] Dobrzycki A., Kurz D., Maćkowiak E., Influence of Selected Working Conditions on Electricity Generation in Bifacial Photovoltaic Modules in Polish Climatic Conditions, Energies, 14, (2021), No 16, 4964
• [7] Kasprzyk L., Bednarek K., Burzyński D., Symulacja pracy akumulatorów kwasowo-ołowiowych, Przegląd Elektrotechniczny, 92, (2016), nr 12, 61-64
• [8] Burzyński D., Kasprzyk L., Wybrane metody modelowania pracy ogniw elektrochemicznych, 93, (2017), nr 12, 75-78
• [9] Jajczyk J., Filipiak M., Dąbrowski T., Reducing the Use of Electrochemical Sources of Electricity Through the Use of Wireless Power Supply, Rocznik Ochrona Środowiska, 22, (2020), No 1, 444-455
• [10] Kujawińska A., Hamrol A., Brzozowski K., Minimizing the emission of material waste in the production process of batteries, Bulletin of the Polish Academy of Sciences Technical Sciences, 70, (2022), No 6, 144049
• [11] Kasprzyk L., Burzyński D., Lewandowska A., Pietracho R., Szymenderski J., Wenge C., Modelling the operation of fuel cells in hydrogen vehicles, Przegląd Elektrotechniczny, 97, (2021), nr 12, 117-120
• [12] Burzyński D., Głuchy D., Godek M., Analysis of the impact of quick charge technology on the charging process parameters of the lithium-ion storage at various temperatures, Computer Applications in Electrical Engineering, (2018), No 19, 01035
• [13] Kasprzyk L., Domeracka A., Burzyński D., Modelling of lithiumion batteries operation and life in electric vehicles, Przegląd Elektrotechniczny, 94, (2018), nr 12, 158-161
• [14] Barre A., Suard F., Gerard M., Montaru M., Riu D., Statistical analysis for understanding and predicting battery degradations in real-life electric vehicle use, Journal of Power Sources, 245, (2014), 846-856
• [15] Schuster S., Bach T., Fleder E., Muller J., Brand M., Sextl G., Jossen A., Nonlinear aging characteristics of lithium-ion cells under different operational conditions, Journal of Energy Storage, 1, (2015), 44-53
• [16] Han X., Ouyang M., Lu L., Li J., A comparative study of commercial lithium ion battery cycle life in electric vehicle: Capacity loss estimation, Journal of Power Sources, 268, (2014), 658-669
• [17] Kaneko G., Inoue S., Taniguchi K., Hirota T., Kamiya Y., Daisho Y., Inami S., Analysis of Degradation Mechanism of Lithium Iron Phosphate Battery, World Electric Vehicle Journal, 6, (2013), No 3, 555-561
• [18] Vidal C., Małysz P., Kollmeyer P., Emadi A., Machine Learning Applied to Electrified Vehicle Battery State of Charge and State of Health Estimation: State-of-the-art, IEEE Access, 8, (2020), 52796-52814
• [19] Richardson R., Osborne M., Howey D., Gaussian process regression for forecasting battery state of health, Journal of Power Sources, 357, (2017), 209-219
• [20] Wang Y., Zhang C., Chen Z., A method for joint estimation of state-of-charge and available energy of LiFePO4 batteries, Applied Energy, 135, (2014), 81-87
• [21] Li X., Pan K., Fan G., Lu R., Zhu Ch., Rizzoni G., Canova M., A physics-based fractional order model and state of energy estimation for lithium ion batteries. Part II: Parameter identification and state of energy estimation for LiFePO4 battery, Journal of Power Sources, 367, (2017), 202-213
• [22] Yang D., Wang Y., Pan R., Chen R., Chen Z., A Neural Network Based State-of-Health Estimator of Lithium-ion Battery in Electric Vehicles, Energy Procedia, 105, (2017), 2059-2064
• [23] Guo J., Li Z., Pecht M., A Bayesian approach for Li-Ion battery capacity fade modeling and cycles to failure prognostics, Journal of Power Sources, 281, (2015), 173-184
• [24] Schulze M., Neale N., Half-Cell Cumulative Efficiency Forecasts Full-Cell Capacity Retention in Lithium-Ion Batteries, ACS Energy Letters, 6, (2021), No 3, 1082-1086

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).