Development of Lifetime Prediction Model of Lithium-Ion Battery Based on Minimizing Prediction Errors of Cycling and Operational Time Degradation Using Genetic Algorithm

Accurate lifetime prediction of lithium-ion batteries is a great challenge for the researchers and engineers involved in battery applications in electric vehicles and satellites. in this study, a semi-empirical model is introduced to predict the capacity loss of lithium-ion batteries as a function of charge and discharge cycles, operational time, and temperature. the model parameters are obtained by minimizing the prediction errors of experimental capacity loss for each charge/discharge cycle at 25 oc, 35 oc, and 45 oc.the optimum values of the model parameters are obtained using genetic algorithm, one of the optimization tools in matlab software. the model accurately predicts the capacity loss of lithium-ion battery for more charge and discharge cycles at 25 °c with an average error of 4 %. the mentioned cycles are used only to validate the prediction.

توسعه مدل پیش‌بینی طول عمر باتری‌های لیتیوم یونی براساس زوال ناشی از سیکل‌زنی و زمان عملیاتی با استفاده از الگوریتم ژنتیک

پیش‌بینی دقیق عمر عملکردی یک چالش اساسی برای کاربرد باتری‌های لیتیوم یونی در وسایل نقلیه الکتریکی و هم‌چنین ماهواره‌ها می‌باشد. در پژوهش حاضر مدلی نیمه‌تجربی برای پیش‌بینی افت ظرفیت باتری‌های لیتیوم یونی ارائه شده است که مبنای آن لحاظ کردن افت ظرفیت ناشی از سیکل‌های شارژ/ دشارژ و هم‌چنین افت ظرفیت ناشی از زمان عملیاتی باتری بوده و مدل تابعی از دما و شماره سیکل می‌باشد. به‌منظور تعیین ثوابت مدل از داده‌های تجربی مربوط به سیکل‌های شارژ/ دشارژ استفاده شده است که شامل 60 سیکل در هر یک از دماهای 25 ، 35 و 45oC می‌باشد. بهترین مقدار ثوابت مدل با استفاده از الگوریتم ژنتیک و ابزار بهینه‌سازی در نرم‌افزار Matlabبه دست آمده‌اند. به منظور صحه‌گذاری مدل و ارزیابی دقت آن، 300 سیکل شارژ/ دشارژ در دمای 25oC انجام شده است و این نتایج تجربی با مقادیر محاسبه شده از مدل مقایسه گردیده است. نتایج نشان می‌دهد که مدل بهینه‌شده با دقت بسیار خوبی افت ظرفیت باتری لیتیوم‌ یونی را تا 300 سیکل پیش‌بینی کرده است و خطای متوسط آن حدود 4% می‌باشد