یک سیستم هشدار اولیه حرارتی مبدل ترتیبی برای ایمنی باتری یون لیتیوم

چکیده

مرجع پلیمر در بازار ایران (پلیم پارت) : واکنش‌های داخلی باتری‌های یون لیتیوم حساس به دما هستند، که باعث می‌شود دما تأثیر قابل توجهی بر ایمنی و عملکرد آن‌ها داشته باشد. بنابراین، پیش‌بینی روند تغییرات دمای باتری‌های یون لیتیوم و اجرای هشدار اولیه در خصوص رفتار حرارتی، بسیار مهم است. به‌منظور حل این نگرانی در خصوص رفتار حرارتی باتری‌های یون لیتیوم، پژوهش حاضر یک سیستم هشدار اولیه حرارتی مبدل ترتیبی [1]STTEWS طراحی نموده است. ابتدا، یک شبکه جدید تشخیص کانولوشن-بازگشتی موقت[2] (TCRDN) با ترکیب LSTM[3] و شبکه کانولوشن زمانی[4] (TCN) با استفاده از یک الگوریتم تقویت‌کننده تطبیقی ​​ساخته می‌شود. سپس، یک شبکه تشخیص حرارتی مبدل کامل[5] (TTDN) ایجاد می‌شود که اطلاعات مهم از تصاویر حرارتی باتری یون لیتیوم را ترکیب می‌کند و نتایج پیش‌بینی TCRDN را برای دستیابی به یک عملکرد هشدار اولیه دقیق یکپارچه می‌نماید. TTDN مبدل سری زمانی و مبدل بینایی پیشرفته را ترکیب می‌نماید. TCRDN و TTDN ، STTEWS کامل راتشکیل می‌دهند. آزمایش‌ها نشان می‌دهند که هم دقت و هم امتیاز F1 برای سیستم STTEWS پیشنهادی در تشخیص و ارائه‌ی هشدارهای حرارتی در مجموعه‌های داده چندگانه، بیش از 95٪ است.

نتیجه‌­گیری

در این مقاله، یک سیستم هشدار اولیه حرارتی مبدل ترتیبی (STTEWS) پیشنهاد شد. STTEWS شامل دو بخش مهم، پیام‌رسان پیش‌بینی دما و تشخیص حرارتی چند کانالی است. برای بخش پیش‌بینی دما، این مقاله LSTM و TCN را برای ساخت یک شبکه تشخیص کانولوشن بازگشتی (TCRDN) ترکیب نمود. TCRDN می‌تواند از سیگنال‌های اندازه‌گیری نویزدار در گام‌های 20 ثانیه‌ای برای پیش‌بینی تغییر دمای سطح مجموعه باتری لیتیوم-یون در 60 ثانیه‌ی بعدی استفاده نماید. آزمایش‌ها ثابت کرده‌اند که TCRDN ایجاد شده در این مقاله می‌تواند مزایای LSTM و TCN را برای دستیابی به پیش‌بینی دقیق‌تر برای باتری‌های یون لیتیوم ترکیب نماید.  از دیدگاه [6]MSE، TCRDN دارای حداکثر کاهش 0/01 در مقایسه با شبکه ساده TCN است. این کاهش می‌تواند در مقایسه با شبکه ساده LSTM به 0/02 برسد. برای بخش تشخیص هشدار حرارتی، این مقاله یک مدل تشخیص هشدار حرارتی مبدل کامل (TTDN) برای دستیابی به هشدار حرارتی دقیق طراحی نموده است. TTDN نه تنها از نتایج پیش‌بینی دقیق‌تر TCRN برای بهبود عملکرد مدل استفاده می‌نماید، بلکه از اطلاعات مهم مبتنی بر تصاویر حرارتی باتری‌های لیتیومی نیز بهره می‌برد. TTDN از مدل‌های مبدل پیشرفته تشکیل شده و دو ورودی را با مدل‌های مختلف پردازش می‌نماید.از چهار شاخص دقت، صحت، یادآوری و امتیاز F1، در سه سناریو، امتیاز STTEWS از 95 درصد فراتر رفته و STTEWS در مقایسه با سایر روش‌های منفرد، بهترین است.

[1] Sequential-transformer thermal early warning system (STTEWS)

[2] Temporal convolution-recurrent diagnosis network (TCRDN)

[3] Long short-term memory (LSTM)

[4] Temporal convolution network (TCN)

[5] Transformer thermal diagnosis network (TTDN)

[6] Mean squared error (MSE)

Ref: Li, M.; Dong, C.; Xiong, B.; Mu, Y.; Yu, X.; Xiao, Q.; Jia, H.; STTEWS: A sequential-transformer thermal early warning system for lithium-ion battery safety. Applied Energy. 2022, 328, 119965.

DOI: 10.1016/j.apenergy.2022.119965

ترجمه و ویرایش : علیرضا دهقان