ВЕСТНИК
Башкирского университета

ENGLISH
Главная Авторам Рецензентам Выпуски журнала Редколлегия Редакция Загрузить статью Подписка ISSN 1998-4812

Архив | Том 26, 2021, No. 3.

МОДЕЛИРОВАНИЕ РАЗРЯДНЫХ КРИВЫХ ЛИТИЙ-СЕРНЫХ АККУМУЛЯТОРОВ С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ ПРЯМОГО РАСПРОСТРАНЕНИЯ

Вестник Башкирского университета. 2021. Том 26. №3. С. 659-663.
Download
  • © Д. В. Колосницын

    Уфимский Институт химии УФИЦ РАН

    Россия, Республика Башкортостан, 450054 г. Уфа, пр. Октября, 69

  • © Д. А. Осипова

    Уфимский Институт химии УФИЦ РАН

    Россия, Республика Башкортостан, 450054 г. Уфа, пр. Октября, 69

  • © Е. В. Кузьмина

    Уфимский Институт химии УФИЦ РАН

    Россия, Республика Башкортостан, 450054 г. Уфа, пр. Октября, 69

  • © Е. В. Карасева

    Уфимский Институт химии УФИЦ РАН

    Россия, Республика Башкортостан, 450054 г. Уфа, пр. Октября, 69

  • © В. С. Колосницын

    Уфимский Институт химии УФИЦ РАН

    Россия, Республика Башкортостан, 450054 г. Уфа, пр. Октября, 69

Оценена возможность использования искусственных нейронных сетей (ИНС) прямого распространения для моделирования изменения характеристик литий-серных аккумуляторов (ЛСА) в процессе гальваностатического циклирования. Смоделированы разрядные кривые и кривая уменьшения емкости ЛСА при гальваностатическом циклировании. Показано, что в диапазоне обучающей выборки смоделированные кривые практически полностью совпадают с экспериментальными кривыми. Вне диапазона обучающей выборки наблюдается постепенный разбег между экспериментальными и расчетными кривыми. Таким образом, ИНС прямого распространения хорошо аппроксимируют и интерполируют экспериментальные разрядные кривые ЛСА, но плохо осуществляют их экстраполяцию.

Ключевые слова:

  • моделирование
  • нейронные сети
  • литий-серный аккумулятор
  • литиевый аккумулятор
  • литий-ионный аккумулятор
  • modeling
  • artificial neural networks
  • lithium-sulfur battery
  • lithium battery
  • lithium-ion battery

ЛИТЕРАТУРА

  1. Bruce P. G., Freunberger S. A., Hardwick L., Tarascom J. M. Li-O2 and Li-S batteries with high-energy storage // Nature Mater. 2012. Vol. 11. P. 19-29. DOI: 10.1038/nmat3191.
  2. Long B., Li X., Gao X., Liu Z. Prognostics Comparison of Lithium-Ion Battery Based on the Shallow and Deep Neural Networks Model // Energies. 2019. Vol. 12. DOI: 10.3390/en12173271.
  3. Haykin S. Neural Networks: A Comprehensive Foundation Subsequent Edition. Prentice Hall, 1999. 842 p.
  4. Chau K. T., Wu K. C., Chan C. C., Shen W. X. A new battery capacity indicator for nickel-metal hydride battery powered electric vehicles using adaptive neuro-fuzzy inference system // Energy Conversion and Management. 2003. Vol. 44. P. 2059-2071. DOI: 10.1016/S0196-8904(02)00249-2.
  5. Chau K. T., Wu K. C., Chan C. C. A new battery capacity indicator for lithium-ion battery powered electric vehicles using adaptive neuro-fuzzy inference system // Energy Conversion and Management. 2004. Vol. 45. P. 1681-1692. DOI: 10.1016/j.enconman.2003.09.031.
  6. Колосницын Д. В., Карасева Е. В., Кузьмина Е. В., Колосницын В. С. О возможности моделирования разрядных характеристик литий-серных аккумуляторов с использованием нечетких нейронных сетей // Электрохимия. 2021. Т. 57. №3. С. 190-194. DOI:10.31857/S042485702103004X.
  7. Мочалов С. Э., Антипин А. В., Нургалиев А. Р., Колосницын В. С. Многоканальный потенциостат-гальваностат для циклических испытаний аккумуляторов и электрохимических ячеек // Электрохимическая энергетика. 2015. Т. 15. №1. С. 45-50. [Mochalov S. E., Antipin A. V., Nurgaliev A. R., Kolosnitsyn V. S. Multichannel potentiostat-galvanostat for cycling of batteries and electrochemical cells // Elektrokhimicheskaya energetika (in Russian). 2015. Vol. 15. No. 1. P. 45-50.
  8. Свид. 2019611773 Российская Федерация. Свидетельство об официальной регистрации программы для ЭВМ. "ElChemLab, Data Analyzer" / Д. В. Колосницын; правообладатель УФИЦ РАН (RU). - опубл. 04.02.2019, Реестр программ для ЭВМ. 1 с.
  9. Колосницын Д. В., Кузьмина Е. В., Карасева Е. В. Автоматизация обработки данных электрохимических исследований аккумуляторных ячеек // Электрохимическая энергетика. 2019. Т. 19. №4. С. 186-197. [Kolosnitsyn D. V., Kuzmina E. V., Karaseva E. V. Automation of Data Processing of Electrochemical Studies of Battery Cells // Elektrokhimicheskaya energetika (in Russian). 2019. V. 19. No 4. P. 186-197. DOI: 10.18500/1608-4039-2019-19-4-186-197.
  10. Sancarlos A., Cameron M., Abel A., Cueto E., Duval J.-L., Chinesta F. From ROM of Electrochemistry to AI-Based Battery Digital and Hybrid Twin//Archives of Computational Methods in Engineering. 2019. DOI: 10.1007/s11831-020-09404-6.
  11. Ramachandran R., Subathra B., Srinivasan S. Recursive Estimation of Battery Pack Parameters in Electric Vehicles. 9th IEEE International Conference on Computational Intelligence and Computing Research (ICCIC). Madurai. INDIA. 2018. P. 165-171.

Copyright © Вестник Башкирского университета 2010-2022