Enfoques de modelado de baterías para aplicaciones de Second-Life, discutidos por IDTechEx

Enfoques de modelado de baterías para aplicaciones de Second-Life, discutidos por IDTechEx

Las pruebas de rendimiento de las baterías constituyen una parte importante del mercado de baterías para vehículos eléctricos de segunda vida. Los remanufacturadores intentarán utilizar las baterías EV de mejor rendimiento en sus sistemas finales de segunda vida, como sistemas de almacenamiento estacionarios o aplicaciones de electromovilidad de menor potencia. Si bien los remanufacturadores deben tener en cuenta las consideraciones relacionadas con los procedimientos de adquisición, desensamblaje y reensamblaje, también es fundamental comprender el rendimiento de las baterías de EV retiradas. Esto se debe a que afectará el rendimiento de la última batería de segunda vida una vez reutilizada. En su último informe sobre el tema, " Baterías de vehículos eléctricos de segunda vida 2023-2033", IDTechEx analiza los diversos métodos que los jugadores están utilizando para modelar y estimar importantes parámetros de rendimiento de la batería EV retirados.
Las pruebas de batería clave que normalmente se realizarían serían las pruebas de estado de salud (SOH), impedancia interna y vida útil restante (RUL). RUL es una estimación del tiempo que queda antes de que una batería caiga por primera vez por debajo de un umbral de falla. Para la mayoría de las baterías EV de primera vida, esta es una capacidad al final de su vida útil del 70-80%. Las baterías con un alto SOH y RUL y baja impedancia interna serían las más adecuadas para aplicaciones de segunda vida.
Las partes interesadas clave que realizarían estas pruebas incluyen reutilizadores de baterías de segunda vida y diagnosticadores de baterías que desarrollan modelos de rendimiento. Las nuevas empresas que desarrollan estos modelos podrían proporcionar información sobre el rendimiento de la batería a los reutilizadores en el mercado actual. En el futuro, los OEM automotrices pueden usar estas tecnologías para cumplir con regulaciones como el Pasaporte de baterías en la UE, que requerirá que los OEM pasen información sobre el estado de la batería a un reutilizador.
Para calcular el RUL, sería necesario realizar un ciclo de una batería y extrapolar su curva de degradación de capacidad al umbral de falla. Los ciclos prolongados consumen mucho tiempo y envejecen la batería. Además, después de un cierto número de ciclos, la degradación ya no será lineal, lo que reducirá la precisión de la prueba. Por lo tanto, existe la necesidad de métodos alternativos, más precisos y rápidos para estimar RUL.
Estos enfoques incluyen técnicas basadas en datos, como el aprendizaje automático (ML), el filtro adaptativo y los métodos de proceso estocástico, o el modelado basado en la física. Por ejemplo, la empresa emergente californiana ReJoule desarrolla soluciones tecnológicas de clasificación y gestión de baterías y tiene una tecnología que combina ML con espectroscopia de impedancia electroquímica y técnicas de modelado estadístico. Una start-up india, Oorja Energy, combina técnicas basadas en la física y técnicas basadas en datos. Se agregan datos experimentales limitados a su modelo de física aplicada, y se utilizan algoritmos ML para perfeccionar un resultado preciso. La ventaja de esto es el tiempo que se ahorra en comparación con el desarrollo de un modelo basado en la física pura.

Tanto los métodos basados ​​en datos como los basados ​​en la física tienen sus pros y sus contras y son un equilibrio entre la velocidad y la precisión del modelado. Con los métodos ML, estos pueden ser rápidos para modelar el rendimiento en un gran lote de baterías, aunque pueden ser propensos a sobreajustarse y estar limitados a arquitecturas de batería específicas. En el futuro, los modelos basados ​​en la física pura pueden apuntar a ser independientes de la química de la batería. Esto proporcionaría beneficios a múltiples partes interesadas para la clasificación simplificada de grandes volúmenes de baterías de EV retiradas, independientemente del diseño. Sin embargo, el modelado de baterías basado en la física es increíblemente complejo, ya que se deben conocer todos los materiales y propiedades convencionales para modelar completamente los diferentes aspectos de una batería. Muchos de los materiales utilizados en una batería son materiales de ingeniería, y, por lo tanto, es difícil conocer factores como la porosidad del ánodo sin que un fabricante de baterías proporcione dichas especificaciones a un OEM automotriz oa un modelador a partir de entonces. Por lo tanto, desarrollar modelos basados ​​en la física puede llevar mucho tiempo, ya que los modeladores pueden necesitar calcular y comprender estas métricas específicas de la batería por sí mismos.

Es importante que los remanufacturadores midan el rendimiento de la batería EV retirada y el RUL de forma rápida y precisa. Actualmente, la mayoría de los diagnosticadores están desarrollando modelos basados ​​en datos, a veces complementados con otras técnicas a través de un enfoque de modelado híbrido. Esto actúa como una solución a corto plazo para los reutilizadores que buscan comprender la idoneidad de las baterías EV retiradas para aplicaciones de segunda vida. Sin embargo, el modelado basado en datos todavía se limita típicamente a ciertas arquitecturas de batería, lo que restringe su viabilidad comercial si no es compatible con las baterías EV retiradas de un refabricante. Claramente, existe la necesidad de una mayor estandarización de la batería EV y/o el desarrollo de modelos independientes de la batería para ayudar a superar esta barrera y facilitar una mejor compatibilidad tecnológica en una escala más amplia.

Para conocer más consideraciones sobre las pruebas y el modelado del rendimiento de las baterías de vehículos eléctricos retirados, consulte el nuevo informe de IDTechEx " Baterías de vehículos eléctricos de segunda vida 2023-2033 ". El informe incluye más información sobre la siguiente información: panorama regulatorio de segunda vida, desarrollos tecnológicos de baterías, análisis tecnoeconómico de baterías de segunda vida, actividad de jugadores clave y pronósticos de 10 años para el mercado de segunda vida (GWh instalado) y batería EV. disponibilidad.

Compartiendo este artículo usted puede ayudar a difundir valor a otros que están buscando este tipo de información. Si valora el trabajo que hacemos en Valenciacars para usted y le resulta útil, le queremos pedir un gran favor: por favor comparta el artículo en WhatsApp, en Facebook , en Twitter y sus demás redes

Así,que has podido leer sobrel los Enfoques de modelado de baterías para aplicaciones de Second-Life, discutidos por IDTechEx