Riassunto analitico
Lo scopo di questo progetto di tesi è stato quello di andare a creare un modello predittivo dell’andamento dello stato di carica e quello di salute di celle agli ioni di Litio a partire da dati sperimentali raccolti da AVL ITALIA per poi essere implementato sul software di proprietà dell’azienda stessa,ovvero iBLM.
Si è partiti dalla presa di conoscenza dell’argomento come la fisica delle batterie agli ioni di litio, i fenomeni di degrado della cella, quindi la formazione dello Solid Electrolyte Interphase (SEI), l’anode overhang, la polarizzazione degli elettrodi, tutti quei processi che andassero ad influenzare l’andamento dello State of Charge(SOC) e State of Health(SOH) nel tempo; una volta compresi si è passati alla modellazione di questi fenomeni utilizzando i dati raccolti attraverso l’utilizzo del linguaggio di programmazione Python; essendo i dati in forma discreta rispetto le variabili di SOC, temperatura e tempo si è dovuto andare ad elaborarli in maniera da trasformarli in grandezze continue nelle rispettive variabili citate, oltre a creare un trend fino a 365gg dello stato delle batterie.
Il risultato ottenuto è stato un modello predittivo semi-empirico stand-alone nel quale inserendo le condizioni iniziali di SOC, SOH e i giorni di stoccaggio della cella con condizione al contorno la temperatura ambiente, che potrebbe anche cambiare nel tempo, riesce a dedurre quanto potrebbe essere il valore dello stato di carica e di salute della cella dopo aver trascorso i giorni scelti alla temperatura scelta.
Lo step successivo è stato quello di implementare tale modello all’interno del software iBLM, questo software sarà installato su dei mini-PC montati come interfaccia esterna di container allestiti per l’immagazzinamento in maniera sicura di accumulatori.
|
Abstract
The aim of this thesis project was to create a predictive model of the state of charge and health of lithium ion cells from experimental data collected by AVL ITALIA and then implement it on the company's own software, iBLM.
We started by getting to know the subject such as the physics of lithium ion batteries, cell degradation phenomena, then the formation of the Solid Electrolyte Interphase (SEI), the anode overhang, electrode polarization, and all those processes that would influence the State of Charge(SOC) and State of Health(SOH) over time; Once understood, we moved on to modelling these phenomena using the data collected through the use of the Python programming language; since the data was in discrete form with respect to the variables of SOC, temperature and time, we had to process them in such a way as to transform them into continuous quantities in the respective variables mentioned, as well as to create a trend up to 365 days of the state of the batteries.
The result obtained was a semi-empirical stand-alone predictive model in which by entering the initial conditions of SOC, SOH and days of cell storage with boundary condition the ambient temperature, which could also change over time, it was able to deduce what the value of the cell's state of charge and health could be after spending the chosen days at the chosen temperature.
The next step was to implement this model within the iBLM software, this software will be installed on mini-PCs mounted as the external interface of containers set up for the safe storage of accumulators.
|
