Mathematical Modeling of Lithium Batteries: From Electrochemical Models to State Estimator Algorithms

این کتاب منحصر به فرد است که به طور کامل برای مدل سازی باتری برای تمام اجزای برنامه های سیستم مدیریت باتری (BMS) اختصاص داده شده است. مطالب این کتاب با ارائه مبانی منسجم، انبوهی از انتشارات پژوهشی در این حوزه را تحسین می کند. بازار انفجاری باتری های لیتیوم یونی منجر به تقاضای تهاجمی برای مدل های ریاضی برای سیستم های مدیریت باتری (BMS) شده است. محققان با پیشینه های مختلف از پیشینه مربوطه خود کمک می کنند که منجر به رشد جانبی می شود. خطر این وضعیت فرار این است که محققان تمایل دارند از یک روش یا الگوریتم موجود بدون دانش عمیق از اصول منسجم استفاده کنند - اغلب نتیجه را اشتباه تفسیر می کنند. شایان ذکر است که اصول راهنما مشابه هستند و عدم وضوح مانع از پیشرفت قابل توجهی می شود. تکرار یا حتی خلاصه‌ای از تمام کاربردهای مدل‌سازی باتری، هرچند زائد، از این رو کار بزرگی است و نمی‌توان آن را در یک پیشنهاد انجام داد. نویسندگان معتقدند که می‌توان با توضیح اصولی به شیوه‌ای منسجم، سهمی اساسی داشت. چنین پیشنهادی به محققان از حوزه‌های مختلف این امکان را می‌دهد که اصول پایه را درک کنند و مرز را پیش ببرند.

باتری یک سیستم الکتروشیمیایی است و هر سطحی از درک نمی‌تواند این فرض را حذف کند. موضوع مشترکی که باید در سراسر آن اجرا شود - از مدل های دقیق الکتروشیمیایی گرفته تا الگوریتم های مورد استفاده برای تخمین زمان واقعی بر روی یک ریزتراشه - این است که مبتنی بر فیزیک باشد. بر اساس این موضوع، این کتاب دارای سه بخش است. هر بخش با توسعه یک چارچوب شروع می شود - اغلب با استناد به اصول اولیه ترمودینامیک یا پدیده های حمل و نقل - و با برنامه های بلادرنگ تایید شده خاصی به پایان می رسد. بخش اول به مدل سازی الکتروشیمیایی و بخش دوم به کاهش سفارش مدل می پردازد. هدف BMS تخمین وضعیت و سلامت است و قسمت سوم به آن اختصاص یافته است. قوانین ناظران ایالتی از یک چارچوب عمومی بیزی مشتق شده اند و تخمین سلامت با استفاده از ابزارهای یادگیری ماشین (ML) دنبال می شود. یکی از اجزای متمایز این کتاب مشتقات کامل قوانین یادگیری برای الگوریتم‌های جدید ML است. با توجه به کاربرد گسترده ML در حوزه‌های مختلف، این بخش می‌تواند برای محققان خارج از حوزه BMS نیز مرتبط باشد.

نویسندگان امیدوارند که این پیشنهاد یک مهندس شاغل را با دیدگاهی پایه و جوان راضی کند. محققی با ابزارهای ضروری برای درک جامع مدل‌های BMS.

This book is unique to be the only one completely dedicated for battery modeling for all components of battery management system (BMS) applications. The contents of this book compliment the multitude of research publications in this domain by providing coherent fundamentals. An explosive market of Li ion batteries has led to aggressive demand for mathematical models for battery management systems (BMS). Researchers from multi-various backgrounds contribute from their respective background, leading to a lateral growth. Risk of this runaway situation is that researchers tend to use an existing method or algorithm without in depth knowledge of the cohesive fundamentals—often misinterpreting the outcome. It is worthy to note that the guiding principles are similar and the lack of clarity impedes a significant advancement. A repeat or even a synopsis of all the applications of battery modeling albeit redundant, would hence be a mammoth task, and cannot be done in a single offering. The authors believe that a pivotal contribution can be made by explaining the fundamentals in a coherent manner. Such an offering would enable researchers from multiple domains appreciate the bedrock principles and forward the frontier.

Battery is an electrochemical system, and any level of understanding cannot ellipse this premise. The common thread that needs to run across—from detailed electrochemical models to algorithms used for real time estimation on a microchip—is that it be physics based. Build on this theme, this book has three parts. Each part starts with developing a framework—often invoking basic principles of thermodynamics or transport phenomena—and ends with certain verified real time applications. The first part deals with electrochemical modeling and the second with model order reduction. Objective of a BMS is estimation of state and health, and the third part is dedicated for that. Rules for state observers are derived from a generic Bayesian framework, and health estimation is pursued using machine learning (ML) tools. A distinct component of this book is thorough derivations of the learning rules for the novel ML algorithms. Given the large-scale application of ML in various domains, this segment can be relevant to researchers outside BMS domain as well.

The authors hope this offering would satisfy a practicing engineer with a basic perspective, and a budding researcher with essential tools on a comprehensive understanding of BMS models.