물리 기반 배터리 모델링 및 공동 시뮬레이션 매개변수 최적화를 위한 MATLAB 도구박스: COBRAPRO

Основні поняття

COBRAPRO는 실험 데이터를 사용하여 폐루프 매개변수 최적화를 수행할 수 있는 물리 기반 배터리 모델링 소프트웨어입니다.

Анотація

COBRAPRO(Co-simulation Battery Modeling for Accelerated Parameter Optimization)는 Doyle-Fuller-Newman(DFN) 모델을 기반으로 하는 물리 기반 배터리 모델링 소프트웨어입니다. DFN 모델은 액체 전해질과 고체 전극에서의 리튬 이온 수송 및 전하 보존, 리튬 삽입 및 탈리 과정에서의 동역학을 고려하는 가장 널리 인정받는 고충실도 모델입니다.
COBRAPRO는 다음과 같은 세 가지 주요 과제를 해결하고자 합니다:

계산 복잡성: COBRAPRO는 빠른 솔버를 활용하여 DEARLIBS 대비 2-3 orders of magnitude 향상된 계산 속도를 제공합니다.

일관된 초기 조건: COBRAPRO는 단일 단계 접근법을 구현하여 DAE 시스템의 초기 조건을 자동으로 결정합니다.

알 수 없는 모델 매개변수: COBRAPRO는 입자 군집 최적화(PSO) 알고리즘을 사용하여 실험 전류-전압 데이터를 통해 DFN 매개변수를 최적화합니다.

COBRAPRO의 핵심 기능은 다음과 같습니다:

매개변수 식별 루틴: PSO를 사용하여 실험 전류-전압 데이터로 매개변수 최적화
DFN 모델 구현: 유한 체적법(FVM)을 사용하여 PDE를 이산화하고 SUNDIALS IDA를 사용하여 DAE 시스템 해결
고체 입자 반경 이산화 옵션: FVM, 3차 Hermite 보간법, 유한 차분법(FDM)
DAE 초기화 옵션: 단일 단계 접근법, SUNDIALS IDACalcIC
배터리 사이클링 시뮬레이션: 정전류(CC), 하이브리드 펄스 전력 특성화(HPPC), 동적 전류 프로파일
매개변수 식별 가능성 분석: 국부 민감도 분석(LSA), 상관 분석
이 사례 연구에서는 LG 21700-M50T 셀을 대상으로 C/20 용량 테스트, HPPC, 주행 사이클 데이터를 사용하여 매개변수를 식별하는 과정을 단계별로 보여줍니다. 이 다단계 접근법은 모든 알 수 없는 매개변수를 동시에 식별하는 것보다 매개변수 식별 가능성을 높이는 것으로 제안됩니다.

Статистика

C/20 용량 테스트 식별:

θ100_p 식별값: 0.26475
θ100_n 식별값: 0.77842
θ0_p 식별값: 0.89385
θ0_n 식별값: 0.029818
HPPC 식별:

Dsp 식별값: 5.5423e-15
kn 식별값: 8.6471e-09
c0 식별값: 1166.3688
Dsn 식별값: 2.1618e-14
UDDS 주행 사이클 검증:

전압 목적 함수 값: 0.0039168
양극 SOC 목적 함수 값: 0.032573
음극 SOC 목적 함수 값: 0.015161

Цитати

없음

Ключові висновки, отримані з

COBRAPRO: A MATLAB toolbox for Physics-based Battery Modeling and Co-simulation Parameter Optimization

by Sara Ha,Simo... о arxiv.org 04-17-2024

https://arxiv.org/pdf/2404.10022.pdf

Глибші Запити

COBRAPRO의 매개변수 식별 프레임워크를 다른 화학 시스템(예: 연료 전지, 슈퍼커패시터)에 적용할 수 있을까요

COBRAPRO의 매개변수 식별 프레임워크는 다른 화학 시스템에도 적용할 수 있습니다. 예를 들어, 연료 전지나 슈퍼커패시터와 같은 다른 화학 시스템에 대해서도 COBRAPRO의 물리학 기반 배터리 모델링 소프트웨어를 활용하여 매개변수를 동일한 방식으로 식별할 수 있습니다. 이를 통해 해당 시스템의 동적 특성을 정확하게 예측하고 최적화할 수 있습니다. COBRAPRO의 유연성과 다양한 매개변수 최적화 기능을 활용하여 다른 화학 시스템에 대한 모델링과 매개변수 식별을 수행할 수 있습니다.

실제 배터리 셀의 불균일성과 비대칭성을 고려하기 위해 COBRAPRO의 DFN 모델을 확장할 수 있을까요

COBRAPRO의 DFN 모델을 확장하여 실제 배터리 셀의 불균일성과 비대칭성을 고려할 수 있습니다. 이를 위해 모델에 추가적인 파라미터를 도입하거나 기존 파라미터를 수정하여 배터리 셀의 현실적인 특성을 반영할 수 있습니다. 예를 들어, 실제 배터리의 구조적 특징을 고려하여 모델의 기하학적 매개변수를 조정하거나 전해질의 불균일성을 고려하여 전해질 관련 매개변수를 조정할 수 있습니다. 이러한 수정과 추가를 통해 COBRAPRO의 DFN 모델을 보다 현실적이고 정확한 모델로 발전시킬 수 있습니다.

COBRAPRO의 매개변수 식별 결과를 활용하여 배터리 수명 예측 모델을 개발할 수 있을까요

COBRAPRO의 매개변수 식별 결과를 활용하여 배터리 수명 예측 모델을 개발할 수 있습니다. 매개변수 식별을 통해 정확한 모델을 구축하고 배터리의 동적 특성을 이해할 수 있게 됩니다. 이를 바탕으로 배터리의 충방전 특성, 열 관리, 사이클링 행동 등을 예측하고 최적화할 수 있습니다. 또한, 매개변수 식별을 통해 얻은 결과를 활용하여 배터리의 성능 저하 메커니즘을 분석하고 수명 예측 모델을 개발하여 배터리의 수명을 더욱 정확하게 예측할 수 있습니다. 이를 통해 배터리의 수명을 연장하고 안정성을 향상시키는 데 기여할 수 있습니다.