Sintesi Tecnica: Estrazione di Caratteristiche di Salute da Dati di Guasto sul Campo di Sistemi di Accumulo di Energia con Batterie

Definizione del Problema

Il monitoraggio dello stato di salute dei moduli di batterie agli ioni di litio nei sistemi di accumulo di energia con batterie (BESS) connessi alla rete è fondamentale per prevenire guasti catastrofici. Tuttavia, la valutazione dello stato di salute delle celle in campo presenta sfide significative, distinte dagli ambienti controllati di laboratorio:

1. Condizioni Operative Variabili: I sistemi reali sperimentano fluttuazioni nei tassi C (C-rates), finestre di tensione e temperature. Queste variazioni influenzano direttamente le caratteristiche di salute, rendendo difficile distinguere tra i cambiamenti causati dal degrado e quelli causati dalla dinamica operativa.
2. Sensori Sparsi: I moduli commerciali tipicamente mancano di sensori per ogni singola cella. Tensione e corrente sono misurate a livello di gruppo in parallelo, e i sensori di temperatura sono scarsi. Ciò impedisce l'osservazione diretta degli stati delle singole celle, oscurando sottili firme di guasto.
3. Meccanismi di Guasto Sconosciuti: A differenza degli studi di laboratorio dove vengono indotte condizioni di abuso, i guasti sul campo hanno cause profonde sconosciute, complicando l'identificazione di specifici indicatori di guasto.
4. Scarsità di Dati: I dati relativi ai guasti sono rari e gli esistenti dataset pubblici spesso mancano di configurazioni di celle collegate in parallelo o si affidano esclusivamente alla resistenza interna come indicatore di salute.

Metodologia

Gli autori presentano un framework per estrarre e calibrare le caratteristiche di salute dai dati operativi per identificare caratteristiche discriminanti per i gruppi di celle in parallelo difettosi. La metodologia si compone di tre fasi:

1. Elaborazione dei Dati ed Estrazione delle Caratteristiche

Utilizzando dati operativi a 1 Hz di 25 moduli BESS commerciali (ciascuno contenente 14 gruppi in serie collegati in parallelo), gli autori hanno estratto tre categorie di caratteristiche di salute per ogni gruppo in parallelo:

• Capacità ($\hat{C}$): Stimata durante eventi di scarica a potenza costante tramite il conteggio di Coulomb. I confini dello Stato di Carica (SOC) sono stati determinati mappando le tensioni terminali a riposo su una curva di Tensione a Circuito Aperto (OCV) di una cella nuova.
• Resistenza Interna ($\hat{R}$): Stimata dal comportamento di rilassamento della tensione a seguito di eventi di carica. La resistenza è stata calcolata in vari step temporali ($\tau \in \{1\text{s}, 5, 10, 15, 20, 25 \text{ min}\}$) per catturare le resistenze ohmica, di trasferimento di carica e di diffusione.
• Caratteristiche di Analisi della Tensione Differenziale (DVA): Estratte dalle curve $dV/dQ$ durante la scarica. Le caratteristiche includevano l'altezza e la posizione di tensione dei picchi di Alta Tensione (3,7–3,9 V) e Bassa Tensione (3,45–3,65 V). Algoritmi specifici (identificazione informata dall'OCP e filtraggio Savitzky-Golay) sono stati utilizzati per mitigare il rumore dei sensori.

2. Regressione dei Processi Gaussiani (GP) per la Calibrazione

Per disaccoppiare gli effetti delle variabili condizioni operative dalle tendenze di degrado sottostanti, gli autori hanno impiegato un framework di regressione GP.

• Struttura del Modello: Ogni caratteristica di salute $y$ è stata modellata come la somma di due GP indipendenti: $f_{op}(x)$, che cattura la sensibilità alle condizioni operative (es. tasso C, tensione, corrente), e $f_{deg}(t)$, che cattura la traiettoria di degrado dipendente dal tempo.
• Calibrazione: Isolando la componente $f_{deg}(t)$, il metodo produce caratteristiche "calibrate" che rappresentano la vera tendenza all'invecchiamento indipendentemente dalle specifiche condizioni operative al momento della misurazione.
• Normalizzazione: Per consentire il confronto tra moduli, le caratteristiche calibrate sono state normalizzate rispetto alla media e alla deviazione standard degli altri 13 gruppi all'interno dello stesso modulo.

3. Valutazione Statistica

Gli autori hanno valutato la capacità di queste caratteristiche calibrate di distinguere il singolo gruppo confermato difettoso dai 13 gruppi non difettosi in ciascuno dei 25 moduli.

• Test Statistici: Sono stati utilizzati i test di Mann–Whitney U per determinare se le distribuzioni dei gruppi difettosi e non difettosi differissero significativamente ($p < 0,05$).
• Utilità Discriminante: L'Area Sotto la Curva Caratteristica di Ricezione Operativa (AUC) è stata calcolata per quantificare la capacità di rilevamento pratico di ogni caratteristica.

Risultati Chiave

Lo studio ha utilizzato un dataset composto da 25 gruppi di celle difettosi e 325 gruppi non difettosi, con oltre 183 milioni di righe di dati raccolte durante 1–6 mesi prima della conferma del guasto.

• Separazione Significativa:

  • Capacità: Sia i valori mediani della capacità che il tasso di degradazione della capacità (pendenza) hanno mostrato differenze statisticamente significative tra i gruppi difettosi e quelli non difettosi ($p < 0,05$). I gruppi difettosi hanno mostrato una capacità inferiore e un degrado accelerato già 15–30 giorni prima del guasto.
  • Altezze dei Picchi DVA: Le altezze di entrambi i picchi di $dV/dQ$ ad Alta e Bassa Tensione sono risultate significativamente inferiori per i gruppi difettosi ($p < 0,05$).
  • Nota: Le posizioni dei picchi DVA e le pendenze della capacità in certi intervalli temporali non sempre mostravano significatività, ma le metriche primarie (capacità e altezze dei picchi) lo facevano.

• Mancanza di Separazione:

  • Resistenza Interna: Né la resistenza ohmica ($\tau=1\text{s}$) né le resistenze di trasferimento di carica/diffusione ($\tau > 1\text{s}$) hanno mostrato differenze statisticamente significative tra i gruppi difettosi e quelli non difettosi ($p > 0,05$).

• Performance di Rilevamento:

  • Nonostante la significatività statistica, il potere discriminante (AUC) di tutte le caratteristiche è stato modesto. La migliore caratteristica, il tasso di degradazione della capacità, ha raggiunto un'AUC di 0,671. Le altezze dei picchi DVA e i valori mediani della capacità sono variati tra 0,614 e 0,64.
  • Le caratteristiche di resistenza si sono comportate vicino al caso casuale (AUC < 0,60).
  • Gli autori attribuiscono ciò alla sostanziale sovrapposizione distributiva tra le popolazioni difettose e non difettose, probabilmente dovuta a meccanismi di guasto eterogenei e all'effetto di mascheramento delle connessioni in parallelo.

Meccanismi di Guasto Ipotizzati

In base alle firme delle caratteristiche osservate, gli autori ipotizzano che i guasti in questo dataset siano coerenti con:

• Squilibri cella-cella e inomogeneità: Indicati dalla riduzione delle altezze dei picchi $dV/dQ$, che suggeriscono transizioni di fase più ampie e una distribuzione della corrente non uniforme.
• Placcaggio Locale di Litio: Indicato da una capacità inferiore e da tassi di degradazione accelerati, coerenti con una perdita irreversibile di inventario di litio (LLI).

La mancanza di deviazione della resistenza suggerisce che i guasti non fossero caratterizzati principalmente da aumenti significativi di resistenza (es. corrosione dei connettori o cortocircuiti interni), o che l'architettura in parallelo abbia mascherato l'aumento di resistenza di una singola cella guasta.

Significato e Rivendicazioni

L'articolo rivendica i seguenti contributi e importanze:

1. Framework per Dati di Campo: Dimostra un framework robusto per estrarre e calibrare le caratteristiche di salute dai dati operativi reali dei BESS, separando con successo le tendenze di degrado dalle variabili condizioni operative utilizzando i Processi Gaussiani.
2. Sfida al Rilevamento Centrato sulla Resistenza: I risultati mettono in discussione l'uso esclusivo della resistenza interna per il rilevamento dei guasti. Lo studio mostra che, in questo specifico dataset, la resistenza non è stata un indicatore primario di guasto, mentre la capacità e le caratteristiche DVA lo sono stati.
3. Comprensione della Dinamica dei Guasti in Parallelo: Analizzando i gruppi in parallelo, il lavoro affronta una lacuna nella letteratura esistente (che spesso si concentra su celle solo in serie) e evidenzia l'"effetto di mascheramento" in cui le connessioni in parallelo possono nascondere il degrado delle singole celle nelle misurazioni di resistenza a livello di gruppo.
4. Aspettative Realistiche: Gli autori concludono con modestia che, sebbene esistano differenze statisticamente significative, la sostanziale sovrapposizione delle distribuzioni delle caratteristiche evidenzia l'intrinseca difficoltà dell'uso di singole caratteristiche elettrochimiche per un rilevamento dei guasti robusto sul campo senza incorrere in elevati tassi di falsi positivi. Il lavoro fa progredire la comprensione del comportamento dei guasti, ma non pretende di aver risolto interamente il problema del rilevamento.