«Я вкладываю свое сердце и душу в свою работу и в процессе теряю рассудок»
-Винсент Ван Гог
В первой части анализа литий-ионных аккумуляторов я обсуждал возможную стратегию. Здесь я разбиваю его на факты и возможную действенную информацию и результаты. Литий-ионные аккумуляторы для повторного использования предназначены не только для электромобилей. Они также есть в ваших сотовых телефонах, ноутбуках и многих других электронных устройствах, которые можно заряжать. Эти батареи имеют нормальный износ, и один из основных аспектов этого процесса называется гальванопокрытием. Гальванопокрытие — это процесс застревания ионов лития в слое между катодом и анодом. Ионы лития необходимы для переноса заряда с одной части на другую. Если застревает слишком много ионов, больше нет энергии для разрядки и использования.
Используемые здесь данные разбиты по циклам зарядки, разрядки и отдыха. Существуют также циклы полного заряда и полного разряда, при этом тест заканчивается, когда уровень работоспособности батарей приближается к 30%. Одним из хороших показателей состояния батареи является скорость, с которой она разряжается в заданном диапазоне вольт. Измеряется в киловатт-часах или кВтч. Затем это используется для выполнения линейной регрессии, чтобы можно было найти наклон и точку пересечения, чтобы получить оценку жизненного цикла батареи. Однако это не объясняет всей истории. Как будет продемонстрировано, на жизненный цикл могут влиять и другие факторы.
Как мы видим здесь, тенденция к снижению расхода электроэнергии в кВт·ч в основном носит линейный характер. Со временем элементы батареи теряют способность удерживать одинаковый уровень энергии. Указанный диапазон проходит все быстрее и быстрее с течением времени. Другой способ разбить это на части — визуализировать общее количество киловатт-часов, разряжаемых в течение каждого отдельного испытания:
Некоторые тарифы начисленных киловатт являются линейными, но некоторые также похожи на логарифмическую функцию. Мы можем быть уверены, что со временем ячейка не будет потреблять кВт/ч, и линия будет почти плоской, но никогда не будет абсолютно плоской. По-прежнему будет расти общее количество кВтч, но не так сильно и не так быстро, как более линейные кривые. Очевидно, что использование меньшего количества энергии может позволить батарее работать дольше. Мы также можем видеть, что есть нижняя группа кривых, которые пока не имеют большого диапазона. Одной из возможных причин является температура. Поскольку диапазон разряда должен быть почти постоянным, примерно от 4,2 до 3,2 вольт, это кажется само собой разумеющимся.
Показателем истинного состояния здоровья является киловатт-час, на который клетка расходует свою энергию в заданном постоянном диапазоне (в данном случае 4,2-3,2 В). Температура и общее количество кВт/ч, используемое элементом, будут использоваться для анализа уровней, а также для создания и оптимизации модели продолжительности жизненного цикла элемента батареи.
Поскольку ячейки не тестируются на максимальную емкость и полный жизненный цикл, необходимо будет оценить конечные жизненные циклы на основе доступных данных. Из графиков температуры для каждого состояния полной разрядки видно, что скорость изменения температуры может колебаться. Они могут уменьшаться, увеличиваться или оставаться прежними. Для целей нашей модели мы будем учитывать полное прогнозируемое повышение температуры. Общее количество начисленных кВт/ч также рассматривается как линейное, а также убывающее. Наклон этой линии будет считаться довольно постоянным и, таким образом, хорошо поддается прогнозированию на основе линейной регрессии. Тремя переменными, которые будут использоваться для максимально точного прогнозирования конечного жизненного цикла, будут наклон общего повышения температуры (при условии, что он остается постоянным), общее накопленное количество кВтч (также при условии, что он остается постоянным), а также регрессионный жизненный цикл. . График регрессированных жизненных циклов выглядит следующим образом:
Жизненные циклы теперь хранятся в виде массива, который можно использовать. Вместо того, чтобы пытаться предсказать (хотя мы также можем) конечную температуру элемента батареи, мы можем вместо этого использовать скорость увеличения или уменьшения для оценки производительности батареи. При текущем анализе нам не всегда разрешается проводить полный тест, и цель этого проекта состоит в том, чтобы проанализировать влияние выходной мощности и температуры на общее время, в течение которого батарея может использоваться: т.е. использовать аккумулятор и что замедляет его и насколько быстро или медленно?
Для целей анализа были рассчитаны следующие переменные:
1. Киловатт-часы за каждый полный разряд во время испытания
2. Скорость изменения температуры (по Цельсию) для каждого при пробных разрядах
3. Начальная температура перед каждым испытанием
4. Прогнозируемая конечная температура (при условии, что повышение будет постоянным)
5. Начисление киловатт-часов за каждое испытание
6. Прогнозируемое общее количество киловатт-часов
Целевая переменная представляет собой натуральный логарифм прогнозируемой продолжительности времени для каждого отдельного испытания. Цель снова состоит в том, чтобы точно предсказать жизненный цикл литий-ионного аккумулятора с ограниченными доступными данными.
Сначала для линейной модели:
Мы видим, что производительность на самом деле не там, где мы хотели бы. Мы могли бы попытаться настроить параметры, но прежде чем мы проверим это дальше, набор данных также будет пропущен через нейронную сеть для проверки способности прогнозирования:
Нейронная сеть отслеживает наилучшую производительность модели на обучающих и тестовых данных. Результирующий график обучающих и тестовых данных выглядит следующим образом:
Спектакль вроде нормальный. Имея ограниченные данные и тестируя прогнозы, мы добились высокой точности. Точность модели составляет примерно 6 часов в среднем за время работы с тестовыми данными. Модель была точной в среднем в пределах 169 часов во время обучения, но выглядит как сильное соответствие на графике истинных данных против прогнозируемых. При большем количестве доступных данных и большем количестве тестов производительность должна стать еще лучше. Использование других наборов данных также может повысить производительность и повысить точность. Кроме того, модель с идеальными прогнозами обучения не всегда дает хороший результат теста.
Что все это значит?
Это означает, что если предположить, что информация верна, мы можем быть разумно уверены, что переменные могут иметь значение для жизненного цикла протестированных аккумуляторных элементов. Из использованных данных мы можем сказать, что может продлить срок службы батареи:
Самые длительные испытания в целом набрали меньше киловатт-часов, имеют меньшее количество прогнозируемых киловатт-часов, а также более постоянную скорость изменения температуры. Считается, что самые короткие из них имеют гораздо более высокий прогнозируемый киловатт-час, накапливают больше киловатт-часов во время соответствующих испытаний и, как правило, имеют более резкую скорость изменения температуры. Это снова предполагает, что ставки остаются в некоторой степени постоянными с минимальной фактической волатильностью.
Мы видим, что жизненный цикл увеличивается, когда батарея не используется часто на полную мощность, а температура поддерживается постоянной или снижается. Другими факторами являются температура батареи и то, поддерживается ли она в прохладном или постоянном состоянии или позволяет беспрепятственно нагреваться. Также учитывалось время достижения желаемого конечного напряжения ячейки в каждом испытании. Иногда это было быстрее, а иногда медленнее. Вместе они использовались для поддержки прогнозов жизненного цикла, а также для того, чтобы иметь возможность достаточно точно определить, каким может быть жизненный цикл ионно-литиевого элемента.
