Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 2019

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Early prediction of remaining discharge time for lithium-ion batteries considering parameter correlation between discharge stages

Yu Jinsong, Yang Jie, Tang Diyin, Dai Jing

Eksploatacja i Niezawodność

2019

Vol. 21, no. 1

81--89

In this paper, we propose a method for making early predictions of remaining discharge time (RDT) that considers information about future battery discharge process. Instead of analyzing the entire degradation process of a battery, as in the existing literature, we obtain the information about future battery condition by decomposing the discharge model into three stages, according to level of voltage loss. Correlation between model parameters at the first and last stages of discharge process allows the values of model parameters in the future to be used to predict the value of parameters at early stages of discharge. The particle swarm optimization (PSO) and particle filter (PF) algorithms are employed to update parameters when new voltage data is available. A case study demonstrates that the proposed approach predicts RDT more accurately than the benchmark PF-based prediction method, regardless of the degradation period of the battery.

W pracy zaproponowano metodę wczesnego przewidywania czasu pozostałego do rozładowania baterii (RDT), która uwzględnia informacje na temat przyszłego procesu jej rozładowywania. Zamiast analizować cały proces degradacji baterii, jak to ma miejsce w literaturze przedmiotu, wykorzystano informacje o przyszłym stanie baterii uzyskane na drodze podziału modelu procesu rozładowania na trzy etapy, według poziomu utraty napięcia. Korelacje między parametrami modelu uzyskanymi na pierwszym i ostatnim etapie procesu rozładowania baterii umożliwiają wykorzystanie przyszłych wartości parametrów do przewidywania wartości parametrów we wczesnych etapach rozładowania. Do aktualizacji parametrów zgodnie z napływającymi nowymi danymi napięciowymi wykorzystano algorytm optymalizacji rojem cząstek (PSO) i algorytm filtra cząsteczkowego (PF). Studium przypadku pokazuje, że proponowane podejście pozwala bardziej precyzyjnie prognozować RDT niż metoda prognozowania oparta na PF, niezależnie od okresu degradacji baterii.