Rosnąca popularność pojazdów elektrycznych doprowadziła do gwałtownego wzrostu liczby wycofanych baterii zasilających. Wiele z tych baterii ma nadal znaczną ilość pojemności pozostałej i może potencjalnie być wykorzystywane do magazynowania energii i zastosowań zapasowych. Jednak przed ich wykorzystaniem w procesach wtórnych ważne jest dokładne oszacowanie Stanu Zdrowia (SOH) baterii, aby zidentyfikować te o większym stopniu starzenia. Dodatkowo, dokładna ocena Stanu Naładowania (SOC) może poprawić wydajność wykorzystania wycofanych baterii.
Istniejące metody oceny SOC obejmują całkowanie czasu, napięcie na obwodzie otwartym, adaptacyjne filtrowanie i sieci neuronowe. Metoda całkowania czasu sumuje prąd płynący przez baterię, aby uzyskać wartość SOC. Metoda napięcia na obwodzie otwartym mierzy napięcie, aby określić stan naładowania. Metoda adaptacyjnego filtrowania to podejście oparte na modelu, które optymalnie oszacowuje SOC. Metoda sieci neuronowych wykorzystuje zmierzone wielkości fizyczne podczas ładowania i rozładowywania, aby nauczyć model i ustalić mapowanie między danymi baterii a SOC.
Podobnie, metody oceny SOH obejmują podejście oparte na modelu i oparte na danych. Metody oparte na modelu analizują wydajność baterii i zestawiają ją z parametrami modelu w celu oszacowania SOH. Algorytmy oparte na danych autonomicznie uczą się stanu zdrowia i charakterystyk zewnętrznych baterii w celu oszacowania SOH na podstawie danych dotyczących starzenia się baterii.
Jednak dokładność oceny SOC jest uzależniona od stopnia starzenia się baterii, a niedokładne oszacowanie SOC może wpływać na korektę SOH. Jest to bardziej zauważalne w przypadku wycofanych baterii ze względu na zróżnicowane stopnie starzenia się w różnych środowiskach pracy.
Aby poradzić sobie z tymi wyzwaniami, zaproponowano różne metody. Niektóre metody wykorzystują spektroskopię impedancji elektrochemicznej (EIS) do przewidywania SOC i SOH. Inne wykorzystują estymację parametrów i algorytmy filtru Kalmana do przeprowadzania wspólnego przewidywania online. Ponadto, do szacowania stanu baterii wykorzystuje się rekurencyjne sieci neuronowe (RNN) i sieci długotrwałej pamięci krótkotrwałej (LSTM).
Zastosowanie algorytmów opartych na danych w łącznej ocenie baterii ma obiecujący potencjał, ale dotychczasowe metody mają problemy z długim czasem nauki i niską wydajnością aktualizacji modelu. Aby poradzić sobie z tymi wyzwaniami, wprowadzono algorytm AdaBoost. AdaBoost rozpada rozkład oryginalnych próbek poprzez próbkowanie ponowne i skupia się na trudnych do nauczenia próbkach. Algorytm AdaBoost. RT poprawia algorytm AdaBoost, transformując problem regresji w problem klasyfikacji binarnej i osiągając dokładne przewidywanie szeregów czasowych.
Podsumowując, dokładne oszacowanie SOC i SOH wycofanych baterii zasilających jest istotne dla ich wtórnego wykorzystania. Zaproponowano różne metody oceny, w tym całkowanie czasu, napięcie na obwodzie otwartym, adaptacyjne filtrowanie, sieci neuronowe i podejścia oparte na danych. Ponadto, algorytm AdaBoost, a konkretnie algorytm AdaBoost. RT, wykazuje potencjał w poprawie efektywności nauki i dokładności modelu do oceny baterii.