Подходы к моделированию аккумуляторов для секунд

БОСТОН, 7 июня 2023 г. /PRNewswire/ -- Тестирование производительности аккумуляторов составляет важную часть рынка аккумуляторов для электромобилей второго срока службы. Производители будут стремиться использовать наиболее эффективные аккумуляторы для электромобилей в своих конечных системах второго срока службы, таких как стационарные системы хранения или электромобильные приложения с низким энергопотреблением. Хотя предприятия по восстановлению должны учитывать вопросы, связанные с процедурами закупки, разборки и повторной сборки, понимание характеристик вышедших из эксплуатации аккумуляторов электромобилей также имеет решающее значение. Это связано с тем, что это повлияет на производительность последней использованной батареи после ее перепрофилирования. В своем последнем отчете на тему «Используемые аккумуляторы для электромобилей в 2023–2033 годах» IDTechEx анализирует различные методы, используемые игроками для моделирования и оценки важных параметров производительности аккумуляторов для вышедших из эксплуатации электромобилей.

Основными тестами батареи, которые обычно проводятся, являются тесты на состояние работоспособности (SOH), внутреннее сопротивление и остаточный срок службы (RUL). RUL — это оценка времени, оставшегося до того, как батарея впервые упадет ниже порога отказа. Для большинства аккумуляторов для электромобилей с первым сроком эксплуатации этот срок составляет 70–80 %. Батареи с высоким уровнем SOH и RUL и низким внутренним импедансом будут наиболее подходящими для использования в качестве вторичного аккумулятора.

В число ключевых заинтересованных сторон, которые будут проводить эти испытания, входят специалисты по перепрофилированию использованных аккумуляторов и специалисты по диагностике аккумуляторов, разрабатывающие модели производительности. Стартапы, разрабатывающие эти модели, могут предоставить информацию о характеристиках аккумуляторов перепрофилировщикам на текущем рынке. В будущем OEM-производители автомобилей могут использовать эти технологии для соблюдения таких правил, как Паспорт батареи в ЕС, который потребует от OEM-производителей передавать информацию о состоянии батареи перепрофилировщику.

Чтобы рассчитать RUL, батарею необходимо подвергнуть циклическому включению, а кривую снижения ее емкости экстраполировать до порога отказа. Длительная езда на велосипеде отнимает много времени и приводит к старению аккумулятора. Более того, после определенного количества циклов деградация перестанет быть линейной, что снизит точность теста. Поэтому существует потребность в альтернативных, более точных и быстрых методах оценки RUL.

Эти подходы включают в себя методы, основанные на данных, такие как машинное обучение (МО), методы адаптивного фильтра и стохастических процессов, а также моделирование на основе физики. Например, калифорнийский стартап ReJoule разрабатывает технологические решения по управлению батареями и их классификации, а также обладает технологией, сочетающей ML с электрохимической импедансной спектроскопией и методами статистического моделирования. Индийский стартап Oorja Energy сочетает в себе методы, основанные на физике и данных. К их прикладной физической модели добавляются ограниченные экспериментальные данные, а для получения точного результата используются алгоритмы машинного обучения. Преимуществом этого является экономия времени по сравнению с разработкой модели, основанной исключительно на физике.

Как методы, основанные на данных, так и методы, основанные на физике, имеют свои плюсы и минусы и представляют собой баланс между скоростью и точностью моделирования. С помощью методов машинного обучения они могут быстро моделировать производительность большой партии батарей, хотя они могут быть склонны к переоснащению и ограничены конкретными архитектурами батарей. В будущем модели, основанные на чистой физике, могут стать независимыми от химии аккумуляторов. Это принесет выгоду множеству заинтересованных сторон в плане упрощенной классификации больших объемов списанных аккумуляторов для электромобилей, независимо от их конструкции. Однако моделирование батареи на основе физики невероятно сложно, поскольку для полного моделирования различных аспектов батареи необходимо знать все традиционные материалы и свойства. Многие материалы, используемые в аккумуляторе, являются специально разработанными материалами, и поэтому знание таких факторов, как пористость анода, затруднительно без предоставления производителем аккумулятора таких спецификаций OEM-производителю автомобилей или разработчику моделей. Поэтому разработка моделей, основанных на физике, может занять много времени, поскольку разработчикам моделей может потребоваться самим рассчитать и понять эти конкретные показатели батареи.

Для компаний, занимающихся восстановлением аккумуляторов, важно быстро и точно измерить производительность аккумуляторов старых электромобилей и RUL. В настоящее время большинство диагностов разрабатывают модели, основанные на данных, иногда дополняемые другими методами с использованием подхода гибридного моделирования. Это служит краткосрочным решением для тех, кто занимается перепрофилированием и хочет понять пригодность старых аккумуляторов для электромобилей для использования в бывших в употреблении аккумуляторах. Однако моделирование на основе данных по-прежнему обычно ограничивается определенными архитектурами аккумуляторов, что ограничивает его коммерческую жизнеспособность, если оно не совместимо с аккумуляторами для электромобилей, снятыми с производства. Очевидно, что существует необходимость в большей стандартизации аккумуляторов для электромобилей и/или в разработке моделей, не зависящих от аккумуляторов, чтобы помочь преодолеть этот барьер и обеспечить лучшую совместимость технологий в более широком масштабе.