Milions de persones arreu del món, no tenen accés a l'electricitat. Els sistemes de generació solar descentralitzats amb bateries, són clau per resoldre l'accés a a l'electricitat a més que eviten emissions de carboni.
Actualment, encara hi han uns elevats costos per fer la inversió que cal sumar el poc manteniment que en algunes zones rural, fan de manera que quan hi ha alguna incidència amb les bateries, la seva substitució és difícil.
Per tant, és crucial saber quan hi ha probabilitat que fallin les bateries per planificar la logística per la seva reparació i minimitzar així, el temps de la manca del subministrament d'energia elèctrica. Un nou sistema basat en la modelització multiescala de la Faraday Intitution, fa prediccions que són un 15-20% més precises que altres que utilitzin en el mateix conjunt de dades.
Aquest model, s'ha comprovat a Bboxx, que és una utility de nova generació orientada a proporcionar energia neta als països en desenvolupament que vol proporcionar i compartir dades operatives reals D'aquesta manera, es pretén evitar la limitació d'anterior estudis sobre el modelatge del estat de les bateries.
Durant un període de 2 anys, es van recollir dades sobre la tensió, el corrent i la temperatura de més de 1000 bateries que estan operatives per Àfrica mitjançant Bboxx. Per fer-ho amb aquest mètode, no cal cap sensor ni cap altre requisits addicionals, cosa que permet que els sistemes d'energia es mantinguin contínuament en servei.
Aquesta proposta, es única per mostrar com el deep learning basat en la física, pot funcionar en les aplicacions amb bateries del món real. Per això, s'utilitzen avançades tècniques probabilístiques del deep learning per inferir la resistència interna de la bateria en funció del corrent, la temperatura, l'estat de càrrega i el temps, permetent el calibratge en condicions estàndard.
L'èxit, es deu a la combinació d'un model sobre la salut per a tota les bateries i un indicador del seu estat específic de la bateria que esdevé important per saber quan s'arriba al final de la vida útil de la bateria.
Aquestes tècniques proporcionen informació sobre els factors que provoquen l'envelliment de la bateria, com ara els llindars de la tensió i de la temperatura i també, sobre el mètode què és aplicable a qualsevol bateria que es pugui representar amb un senzill model de circuit elèctric.
Aquests resultats són d'interès per a un ampli públic que des del potencials operadors fins als clients de les bateries de manera que, poden ser d'ajut per accelerar la innovació en la comprensió del rendiment de la bateria, especialment si és possible disposar de dades operatives.
S'espera que això sigui un recurs clau per a la comunitat i es comenci a dedicar recursos per analitzar les dades de camp per obtenir nous coneixements sobre el rendiment de la bateria.
Font: Universitat d'Oxford i la Faraday Institution.
Cap comentari:
Publica un comentari a l'entrada