Nos complace presentar un avance en la gestión del rendimiento de las baterías de iones de litio, un componente fundamental en la transición hacia la energía sostenible.Nuestro equipo de la Escuela de Ingeniería, Tecnología y Diseño de la Universidad Christ Church de Canterbury, Reino Unido, se ha centrado en utilizar el aprendizaje automático/profundo para mejorar la estimación del estado de carga (SOC) de las baterías de iones de litio, en particular aquellas que se reutilizan para un segundo uso.-aplicaciones de vida.

El funcionamiento eficiente y seguro debaterías de iones de litioes esencial para reducir la dependencia decombustibles fósiles, apoyando la proliferación de vehículos eléctricos y permitiendo que fuentes de energía renovables alimenten la infraestructura.Un desafío clave en este ámbito es la estimación precisa del COS.Una estimación errónea del SOC puede provocar una sobrecarga o una descarga profunda, las cuales pueden degradar significativamente el rendimiento y la vida útil de la batería.

El desafío de la estimación del SOC

SOC funciona como indicador de combustible de una batería.Así como no es deseable quedarse sin combustible inesperadamente, es fundamental evitar que la batería se agote o se cargue más allá de los límites seguros.Una estimación precisa del SOC es vital para garantizar la longevidad y la seguridad de las baterías, especialmente en vehículos eléctricos y sistemas de almacenamiento de energía a gran escala.

Nuestro estudio reciente,publicadoen elRevista de almacenamiento de energía, aborda este desafío a través de un enfoque novedoso.Desarrollamos un modelo de aprendizaje basado en clústeres (CBLM), que integra el agrupamiento de K-Means con redes de memoria a corto plazo (LSTM).La agrupación permite agrupar puntos de datos similares, lo que facilita la predicción de patrones.

Al combinar la agrupación con LSTM, que destaca en el manejo de secuencias y datos de series de tiempo, la precisión de las estimaciones de SOC mejora significativamente.Una característica clave de este modelo es el mecanismo de selección de proximidad del centroide, que selecciona dinámicamente el modelo de conglomerado más apropiado enen tiempo realbasado en los datos operativos de la batería.

Pruebas y resultados

El método se probó utilizando datos de una celda de batería de iones de litio Tesla modelo 32.170.Los resultados fueron notables, logrando un error cuadrático medio (RMSE) del 0,65 % y un error absoluto medio (MAE) del 0,51 %.Este método superó a las técnicas existentes al reducir los errores en más del 60 %, lo que demuestra solidez y confiabilidad para aplicaciones del mundo real.

Para comprender las implicaciones prácticas, se llevó a cabo un examen más detallado del impacto de una estimación mejorada del SOC en el estado de la batería y el rendimiento económico.El modelo CBLM se comparó con el modelo LSTM estándar utilizando una degradación de la batería del EV de segunda vida.modeloen una solicitud de arbitraje energético.El método de estimación de SOC mejorado demostró mejoras significativas en el mantenimiento

bateríasalud durante períodos prolongados y en diversas condiciones de temperatura, particularmente en escenarios de carga y descarga de gran profundidad.Económicamente, este método aumentó la rentabilidad durante un período de siete años, especialmente en escenarios con alta profundidad de descarga, lo que resultó en ahorros sustanciales de costos.

La estimación precisa de SOC garantiza la confiabilidad y seguridad de las baterías envehículos eléctricos, mejora la eficiencia de los sistemas de almacenamiento de energía y facilita la reutilización efectiva de baterías de segunda vida, extendiendo así su ciclo de vida y reduciendo los residuos.La adaptabilidad de este enfoque permite su aplicación a diversos entornos operativos, lo que lo convierte en una herramienta versátil en la búsqueda de soluciones energéticas sostenibles.

Este avance marca un paso significativo hacia unaenergía sosteniblefuturo.Se busca la colaboración con socios de la industria para hacer la transición de esta innovación del laboratorio a aplicaciones prácticas.En conclusión, mejorar la estimación del SOC contribuye a hacer que las baterías sean más inteligentes, más confiables y más seguras, avanzando hacia un mundo impulsado por energía limpia.

Esta historia es parte deDiálogo Ciencia X, donde los investigadores pueden informar los resultados de sus artículos de investigación publicados.Visita esta paginapara obtener información sobre Science X Dialog y cómo participar.

Más información:Mohammed Khalifa Al-Alawi et al, Un novedoso método de estimación de SOC mejorado para celdas de baterías de iones de litio que utiliza modelos LSTM basados ​​en clústeres y selección de proximidad de centroide,Revista de almacenamiento de energía(2024).DOI: 10.1016/j.est.2024.112866.doi.org/10.1016/j.est.2024.112866Mohammed Al-Alawi es investigador de doctorado en la Universidad Christ Church de Canterbury y se especializa en almacenamiento de energía e ingeniería de energías renovables.

Su investigación se centra en el desarrollo de soluciones sostenibles para reutilizar baterías de vehículos eléctricos retiradas, con énfasis en mejorar la estimación del estado de carga (SOC) utilizando técnicas de aprendizaje automático/profundo.Tiene una Maestría en Ingeniería de Energías Renovables y una Licenciatura en Ingeniería Eléctrica y Electrónica.