Cerca nel sito per parola chiave

pubblicazioni - Articolo ISI

An online state of health estimation method for lithium-ion batteries based on time partitioning and data-driven model identification

pubblicazioni - Articolo ISI

An online state of health estimation method for lithium-ion batteries based on time partitioning and data-driven model identification

Negli ultimi anni il numero di batterie utilizzate per smart-grid e veicoli elettrici è in costante crescita. Per manutenere correttamente questi sistemi nel tempo, è fondamentale monitorare lo stato di salute della batteria (SoH). Le tecniche standard della letteratura forniscono una stima accurata dello Stato di Salute principalmente eseguendo test offline o con conoscenza a priori dei parametri dei modelli. Questo documento propone un nuovo algoritmo, State of Health Estimator (SHE), che deduce il modello della batteria online e utilizza questa caratterizzazione per fornire una stima affidabile e accurata sia della capacità effettiva della batteria che della resistenza interna.

Negli ultimi anni il numero di batterie utilizzate per smart-grid e veicoli elettrici è in costante crescita. Per manutenere correttamente questi sistemi nel tempo, è fondamentale monitorare lo stato di salute della batteria (SoH), determinare quando non è utile per l’applicazione corrente ed eventualmente riutilizzarla in un altro contesto, concetto noto anche come second-life battery. Tuttavia, le tecniche standard della letteratura forniscono una stima accurata dello Stato di Salute principalmente eseguendo test offline o con conoscenza a priori dei parametri dei modelli.

 

Questo documento propone un nuovo algoritmo, State of Health Estimator (SHE), che deduce il modello della batteria online, cioè durante la sua vita operativa, e utilizza questa caratterizzazione per fornire una stima affidabile e accurata sia della capacità effettiva della batteria che della resistenza interna, considerando sia la componente ohmica che quella di polarizzazione. La campagna sperimentale, eseguita su dati reali, mostra prestazioni soddisfacenti, con un errore medio rispettivamente dell’1,2% e del 4% nella stima della capacità massima della batteria e della resistenza interna.

Progetti

Commenti