Методы мониторинга производительности и старения аккумуляторов электромобилей на основе алгоритмов машинного обучения

Summary

В данном исследовании представлена Рамочная рамка обучения на основе непрерывной оценки на основе искусственного интеллекта — система на основе искусственного интеллекта для адаптивного мониторинга, оптимизации стратегий зарядки и оценки состояния аккумуляторов электромобилей. Подход экспериментально оценивается в контролируемых условиях для оценки осуществимости и прогнозных возможностей.

Abstract

Этот протокол описывает Искусственный интеллект — Система обучения на протяжении всей жизни (AI-PLELF) для адаптивного мониторинга и управления аккумуляторами в аккумуляторных системах электромобилей. Фреймворк интегрирует данные датчиков аккумуляторов в реальном времени, включая ток, напряжение и температуру, с исторической информацией об использовании и параметрами окружающей среды для поддержки структурированной оценки состояния и оценки стратегии зарядки в системе управления аккумулятором (BMS).

Протокол описывает последовательные процедуры по сбору данных сенсоров, предварительной обработке, организации признаков, прогнозированию состояния заряда (SOC) и состоянию здоровья (SOH) на основе машинного обучения, а также формирования адаптивных реакций контроля. Рабочий процесс реализуется в контролируемой вычислительной среде с использованием общедоступных реальных наборов данных по циклу вождения. Данные делятся на подмножества для обучения, валидации и тестирования для оценки стабильности предсказания и обобщения при различных условиях работы.

Симуляционные испытания проводятся в различных циклических и экологических сценариях для оценки согласованности оценок SOC и SOH и соответствующих рекомендаций по контролю. Описанная методология предоставляет воспроизводимую основу для разработки и оценки стратегий мониторинга батарей с помощью искусственного интеллекта. Хотя настоящее исследование сосредоточено на валидации на основе моделирования, протокол закладывает структурированную основу, которая может быть расширена для лабораторного и аппаратно-интегрированного тестирования в будущих приложениях.

Introduction

Предыстория и контекст

Электромобили (EV) зависят от надежной работы аккумулятора для обеспечения безопасности, эффективности и долговечности. Системы управления аккумуляторами (BMS) отслеживают состояние аккумуляторов, регулируют зарядку и разрядку, а также предотвращают вредную эксплуатацию. Традиционные системы BMS используют модели на основе физики и логики на основе правил, что может терять точность по мере старения батарей или изменения рабочих^{циклов 1}. Технологии искусственного интеллекта и машинного обучения используются для преодоления ограничений, анализируя корреляции на основе данных между показаниями датчиков и состоянием^{батареи 2}. Методы BMS с поддержкой ИИ используют измерения в реальном времени и данные о историческом использовании для поддержки адаптивного принятия решений в нестационарных^{условиях 3}. Исследования управления батареями на базе ИИ часто сосредоточены на точности офлайн-прогнозирования в рамках определённых лабораторных^{профилей 4}, ограничивая их применимость в реальных условиях с возрастом, колебаниями нагрузки и дрейфом окружающей среды. Многие методы не имеют чёткой методологии, которую другие исследователи могли бы воспроизвести и оценить.

Ограничения существующих подходов

Стандартные методы оценки состояния батареи включают оценку SOC на основе расширенного фильтра Калмана^{(EKF) 5}, аналогичные модели деградации на основе схем и^{физики 6}, а также гибридные методы физики и^{машинного обучения 7}. Подходы на основе EKF ухудшаются с возрастом и температурой и требуют соответствующей параметризации модели⁸. Модели на основе физики требуют значительной калибровки и могут не применяться ко всем химическим характеристикам батарей или рабочим^{циклам 9}. Гибридные методы уменьшают размер модели, но требуют офлайн-обучения и стабильных режимов^{работы 10}. Вместо того чтобы сосредотачиваться преимущественно на росте производительности по статическим ориентирам, необходима структура, поддерживающая онлайн-адаптацию, непрерывное обучение и строгую оценку в условиях старения и использования¹¹.

Разрыв в исследованиях

Дизайн BMS с помощью ИИ набирает популярность, но протоколы, явно учитывающие (i) обобщение в различных циклах выполнения¹², (ii) онлайн-адаптацию к старению и дрейфу батарей, а также (iii) воспроизводимую оценку с использованием чётко определённых входных данных, этапов обучения и^{выходов 13} , отсутствуют. Исследования часто сообщают о результатах, не описывая, как обучение поддерживается или изменяется на протяжении всего срока службы^{батареи 14}. Чтобы восполнить этот пробел, в исследовании AI-PLELF представлен как структурированная структура оценки и обучения, а не коммерческая система, с акцентом на экспериментальную осуществимость и прозрачность протокола.

Обзор предлагаемого протокола

AI-PLELF объединяет данные о предыдущем использовании и факторы окружающей среды с данными датчиков батареи в реальном времени, включая ток, напряжение и температуру. Рабочий процесс BMS обрабатывает эти входные данные с помощью предварительной обработки данных, оценки состояния на основе машинного обучения и адаптивной логики решения заряда. Симуляционные тесты в различных условиях эксплуатации могут оценивать оценки SOC и SOH протокола, а также рекомендации по контролю. Протокол предполагает стандартные показатели использования и диапазон BMS (ток, напряжение, температура), записанные на частотах встроенного контроллера батареи (1–10 Гц). Цель фреймворка — обеспечить экспериментальную и симуляционную валидацию на встроенных или периферийных вычислительных устройствах с ограниченными вычислительными возможностями. Он может использоваться для контролируемых тестов и алгоритмов бенчмаркинга, но не как сертифицированный по безопасности замена аппаратного обеспечения BMS.

В данной работе представлена методологическая основа на основе искусственного интеллекта для мониторинга производительности, моделирования деградации и поддержки принятия решений в аккумуляторных системах электромобилей. Предлагаемый подход экспериментально оценивается с использованием контролируемых наборов данных и валидации на основе моделирования для демонстрации осуществимости и потенциальной эффективности. Хотя результаты свидетельствуют о измеримых улучшениях в точности прогнозирования и операционной эффективности, исследование не утверждает окончательного увеличения срока службы в реальных условиях развертывания. Вместо этого результаты закладывают основу для будущей крупномасштабной и лонгитюдной валидации.

AI-PLELF — это отдельный метод интеграции, который акцентирует внимание на обучении на протяжении всей жизни, унифицированной совместной оценке SOC–SOH и повторяемости на уровне протокола в одном процессе BMS с поддержкой ИИ. AI-PLELF постепенно обновляет модели на протяжении циклов вождения, чтобы реагировать на дрейф и старение в среде симуляции, в отличие от статичных, офлайн-обученных техник AI-BMS. Симуляции показывают, что AI-PLELF снижает отклонение оценки SOH с 4,5% до 2,6% и ошибку оценки SOC с 3,2% до 1,8% при аналогичных циклах вождения. Сравнительные графики ошибок и графики сходимости, созданные с использованием одного и того же набора данных и конвейера подготовки, выявляют эти расхождения.

Фоновое исследование:

Стратегии надёжности и устойчивого развития электромобилей всё чаще включают подходы на основе искусственного интеллекта. Системы диагностики аккумуляторов и управления энергией на базе ИИ в электромобилях помогают снизить воздействие на окружающую среду и способствовать устойчивой мобильности. D-DD&PA предсказывает SOH, SOS, срок службы цикла и RUL, как сообщили Чжао и ^{др. 15}. Повышение производительности аккумуляторов электромобилей повышает безопасность и надёжность, а также предоставляет важную оперативную информацию. ^{Шашибхушан 16} применил методы ИИ (ANN, SVM, LR, KNN) и Sparse PCA для прогнозирования SOC батареи. Модель ANN превзошла предыдущие стратегии с R² 0,9925, что позволило точную и эффективную оценку SOC. Метод AI-CF для оценки производительности аккумуляторов электромобилей, разработанный Чжао и ^др.17 , использует продольные электронные медицинские записи и реальные данные. Улучшенная диагностика SOH и SOS повышает надёжность электромобилей и аккумуляторов.

Miraftabzadeh и ^др.18 рекомендуют подходы к системам хранения энергии (ESS) на основе искусственного интеллекта для электромобилей, включая мониторинг качества электроэнергии, прогнозирование SOC и оптимизацию BMS, повышение интеграции возобновляемой энергии и эффективность зарядки. Хан и ^др.19 предлагают интегрировать микросети, ИИ и системы управления энергией (EMS) для оптимизации потребления и генерации энергии для надежной электрической системы, снижения энергетических отходов, выбросов, связанных с электромобилями, и повышения устойчивости умных сетей. Stecuła и ^др.20 исследуют подходы ИИ в городских энергетических системах, сосредотачиваясь на интеграции жилой и городской инфраструктуры для управления возобновляемой энергией, системами зарядки электромобилей, загрязнением окружающей среды и эффективностью. Миттал и ^др.21 изучают управление аккумуляторами на основе искусственного интеллекта и оптимизацию зарядки в умных устройствах, подчеркивая роль интеллектуальных микросетей в устойчивой интеграции электромобилей.

Rehan²² исследует интеграцию ИИ и облачных вычислений в американскую индустрию электромобилей для поддержки автономного вождения, управления аккумуляторами, пользовательского опыта и кибербезопасности. Vashishth и ^др.23 исследуют интеграцию ИИ с системами EMS для электромобилей для повышения экологической устойчивости и снижения выбросов. ^{Ченнупати, 24} года, обсуждает, как оптимизация электромобилей на основе искусственного интеллекта может способствовать смягчению последствий изменения климата, делая акцент на масштабируемых и устойчивых промышленных рамках. Искусственные нейронные сети, поддерживающие векторные машины и облачная диагностика повысили мониторинг состояния батареи и надёжность электромобилей. AI-PLELF расширяет эти подходы, позволяя структурированную оценку состояния батареи и адаптивное управление. В целом, ИИ может повысить устойчивость электромобилей, повышая эффективность и снижая энергопотребление.

Protocol

Время работы от батареи и производительность имеют решающее значение по мере роста внедрения электромобилей. Системы управления аккумуляторами улучшают циклы зарядки, прогнозируют деградацию и регулируют тепловое воздействие. AI-PLELF улучшает управление энергией, управление зарядкой и прогнозирование SOC/SOH аккумуляторов электромобилей. AI-PLELF использует данные датчиков в реальном времени, модели использования и условия окружающей среды для повышения производительности и долговечности батареи.

Аккумулятор был зарабатыван с помощью LBT-циклера с точностью ±0,05% в полном масштабе. Для установки ячеек при температуре 25,0 ± 0,5 °C использовалась камера с контролируемой температурой. Для закрепления термопар к поверхности ячейки для обеспечения стабильного теплового контакта использовалась высокотемпературная полиимидная клейкая лента.

Для зарядки батареи протокол зарядки CC–CV был настроен с помощью программного обеспечения управления тестированием батареи, предоставленного производителем. Ток был установлен на уровне 0,5 C (1,5 A для ячейки 3 Ah) с пределом напряжения 4,20 V. Этап CV повторялся до тех пор, пока ток не опускался ниже 0,05°C (150 мА), после чего разряд инициировался с помощью шага добавления | Разряд | CC с током 1°C (3 А) и отсечным напряжением 2,50 В. Чтобы добавить период отдыха в 600 секунд, выберите Добавить шаг | Остальные данные записывались на частоте 1 Гц и сохранялись в виде CSV-файлов с помощью Export Data | Опция ASCII. Перед каждым экспериментом каналы тока и напряжения калибровались с помощью шунта точности 0,1% и эталонной ячейки с напряжением 3,000 ± 0,001 В согласно руководству производителя.

Рабочий процесс обрабатывает сигналы тока, напряжения и температуры батареи, взятые с частотой 5 Гц из 25 реальных циклов вождения. Протокол визуализировался с помощью последовательных графиков, показывающих исходные данные сенсоров, предобработанные входы, результаты оценки SOC и кривые потерь обучающих моделей на протяжении 200 итераций симуляции. Кроме того, было создано прототипное видео выполнения для демонстрации поглощения данных, вывода с помощью ИИ и визуализации выхода в реальном времени.

Аккумуляторы для электромобилей

Эта схема показывает систему управления аккумулятором электромобилей на базе машинного обучения. Датчики батареи проверяют множество параметров батареи для запуска системы. Информационный блок организует данные датчиков на рисунке 1. ML Эти подготовленные данные используются компьютерами для прогнозирования ключевых свойств батареи с помощью различных моделей. Модель прогнозирования SOH использует заряд батареи для прогнозирования здоровья и продолжительности жизни. Оптимизация заряда на основе проекции и приоритетизация энергии максимизируют циклы зарядки и эффективность. Оба модуля получают данные от управляющего блока, который управляет работой системы и температурой батареи для снижения перегрева и продления срока службы батареи. Выходной интерфейс отправляет данные о состоянии и диагностике системы в электронный блок управления (ЭБУ), интегрируя их с системами управления автомобиля. Такая интеграция повышает эффективность и безопасность батареи, а также облегчает принятие решений в реальном времени.

(1)

Метод AI-PLELF связан с уравнением 1: Количественная оценка влияния нескольких параметров S^xq означает переменные состояния батареи, [W_lq] и веса, присваиваемые факторам, оказывающим влияние jg m, и Mx^r-q(n+1) — влияние модели ML на прогнозирование состояния батареи. Использование модификаций данных в реальном времени в выражении δR^qv + lq улучшает управление батареей.

(2)

В уравнении 2, моделирующем кумулятивное влияние множества переменных на емкость и срок службы батареи, предложенный метод AI-PLELF коррелирует с R - Q_l || A - Q_r ||. Здесь N и R представляют собой переменные состояния, такие как SOH и SOC, соответственно, отражающие состояние батареи и заряд. Текущие данные датчиков n, прошлые модели использования n и внешние переменные S(_{t,v q}) включены, чтобы система под руководством ИИ могла улучшить использование батареи (f) для повышения эффективности и увеличения срока службы.

Система управления аккумулятором (BMS) имеет решающее значение для электромобилей. Во время работы электромобиля BMS обеспечивает стабильность, безопасность и долговечность устройства хранения энергии (ESD). Различные аспекты, включая процедуры зарядки, мониторинг ячеек, сбор данных, термическое управление, управление питанием, оценку срока службы и защиту элементов, являются частью рамки BMS, которая включает как механизмы проектирования, так и оценки производительности.

Во время зарядки или разрядки ESD могут возникать дисбалансы напряжения из-за электрохимических процессов. Балансировка напряжения, таким образом, является основной функцией BMS и остаётся областью дальнейшего совершенствования. Изучая системы электромобилей и подходящие технологии хранения энергии, это исследование способствует обсуждению, иллюстрированному на рисунке 2. Система управления энергией для электромобилей остаётся важной темой исследований. После детального исследования были выявлены несколько ограничений в современных системах энергоменеджмента, и предложен структурированный подход для их устранения.

(3)

Уравнение 3 — это совокупная производительность с учётом переменных A(R,L), таких как циклы зарядки q, скорость обучения kl и определённые ухудшающиеся переменные, обозначаемые как A(R,L). Для максимизации эффективности и времени работы батареи AI-PLELF оптимизирует как коэффициенты усиления, так и деградации (st+wl), которые сбалансированы в системе.

||Ca -_{θN q}|| = N(A_N, B_q+r) + N (R_l-1, A_k+1) - 2n (A_n, Y_l-1) (4)

Согласно уравнению 4, ||Ca -_{θN q}|| — это математическая модель, которую использует система AI-PLELF для оптимизации управления батареей, которая используется для корреляции разницы между наблюдаемым и ожидаемым состоянием R_l-1, A_k+1. Алгоритмы ML 2n (A_n, Y_l-1) улучшают производительность и срок службы батареи, прогнозируя N(_{A N}, B_q+r) её SOH и SOC с использованием данных в реальном времени N (_{R l-1}, A_k+1) и предыдущих тенденций.

Продвинутое управление батареями

Продвинутая система управления аккумуляторами, ставящая приоритет на производительность, безопасность и срок службы, показана на рисунке 3 для электромобилей. Система сбора данных быстро и точно агрегирует все релевантные параметры, собирая данные с различных датчиков. После этого данные проходят через аналитический движок на базе ИИ, который использует сложные алгоритмы для анализа и интерпретации информации. Данные о производительности аккумулятора, прогнозирование проблем и тактики оптимизации использования батареи предоставляются ИИ-движком. BMS отслеживает циклы зарядки и разрядки аккумулятора, безопасную работу и срок службы на основе этих данных.

(5)

В уравнении 5, двойном N(D,R), сумма l=1 и n=1 показана слева. Математическая модель, вероятно, используется в AI-PLELF для прогнозирования состояния и производительности батареи. Эта формула учитывает рекурсивные сложения по многим переменным, таким как l и N, где N (A_n, R_b+q) — вложённая оценка переменных батареи, а g и^{i 2}lq, вероятно, охватывают дополнительные факторы окружающей среды или эксплуатации.

(6)

Моделируя связь между энергоэффективностью, ёмкостью и факторами Анализ производительности и срока службы батареи, предлагаемая методика AI-PLELF согласуется с уравнением 6 как способ улучшения системы управления аккумулятором, которая включает параметры (Q-1), такие как состояние_{заряда Q} R, окружение N_Aq и коэффициенты деградации W_L-1 , которые включают 1+N (A_n, W^L) с помощью алгоритмов машинного обучения.

Ключевым компонентом для обеспечения надёжности электромобилей является BMS, который управляет электрическими компонентами аккумулятора, включая ячейку или набор элементов. Обеспечивая работу ячейки в пределах её безопасных рабочих пределов, она защищает как потребителя, так и батарею. BMS отслеживает SOH батареи, собирает данные и регулирует внешние факторы, влияющие на ячейку, чтобы поддерживать равномерное напряжение по всей ячейке, как показано на рисунке 4.

Умный источник питания — это блок питания с BMS, подключённым к сети передачи данных или внешней системе передачи данных. Могут быть включены дополнительные функции и возможности, включая универсальные вычислительные выходы, правила подключения к умной сети и интеграцию топливных счетчиков. Интеллектуальный аккумуляторный блок может управлять собственной зарядкой, предоставлять отчёты об ошибках, выявлять условия низкого заряда батареи и предупреждать устройство о них, а также прогнозировать оставшееся время работы или срок службы источника питания. Для сохранения точности предсказаний он постоянно самокорректируется и передаёт информацию о токе, напряжении и температуре ячеек. Умные аккумуляторные блоки часто оснащены интегрированной электроникой, повышающей надёжность, безопасность, долговечность и общую полезность батареи. Они предназначены для использования в портативной электронике и ноутбуках. Эти характеристики позволяют создавать более надёжные и удобные в использовании готовые изделия. Например, когда батареи заряжаются до оптимальных характеристик в условиях температурных ограничений, устройства могут иметь более длительный срок службы.

(7)

Формула Yb_l Предлагаемый подход AI-PLELF для систем управления аккумуляторами, вероятно, связан с этим сложным уравнением 7. Чтобы оценить состояние батареи (SOH) и состояние заряда (SOC) с помощью моделей прогнозирования на базе r-1 на базе ИИ n=1, он может включать анализ операционной эффективности как операционные параметры (o, m, s, hix), внешние переменные — A_l+1(s + hix) , , и метрики эффективности (o+m) —_{a n} , O(n+l).

(8)

В уравнении 8 предлагаемое AI-PLELF указывает, что состояние и производительность батареи, выраженные как h(A,q), зависят от переменных A_{r и q x}, включённых в расчёт. Аспекты включают предиктивный анализ технического обслуживания, циклы заряда-разряда, скорость старения, тепловые эффекты и условия эксплуатации, которые могут быть представлены W_c+l , A_r , qx , и Stu.

Электромобили полагаются на свои BMS, чтобы аккумуляторы работали плавно и дольше. Интегрируя передовые методы машинного обучения, AI-PLELF (AI-PLELF) улучшает традиционный BMS. Для точной оценки состояния батареи, SOH и SOC этот новый метод использует данные в реальном времени с датчиков (T1 до Tn), прошлые модели использования и факторы окружающей среды. Для максимизации энергоэффективности и времени работы батареи система AI-PLELF оптимизирует циклы зарядки, предупреждает ухудшение и снижает тепловое воздействие. Для снижения перегрева и износа система может балансировать нагрузки (от 1 до ln), менять процедуры зарядки (от V1 до Vn) и точно прогнозировать состояние батареи. AI-PLELF превосходит стандартные BMS по производительности и долговечности батареи, согласно тщательным симуляциям. Датчики собирают немедленную информацию, модуль ИИ выполняет прогнозную аналитику, управляющий блок управляет операциями по зарядке и разряду, а система сбора данных отслеживает характеристики батареи; это основные компоненты, показанные на функциональной блочной схеме BMS.

(9)

Похоже, что предлагаемый фреймворк AI-PLELF для управления аккумулятором использует сложную модель с уравнением 9, оценка состояния или прогноз состояния батареи st, используя факторы времени и использования f, возможно, r, заданного как Z_tf(l+kq). В этом контексте Sti представлен фразой I (^{k e}, D), анализ масштабируемости влияет на прогнозирование состояния батареи. Система ИИ, вероятно, внесла изменения, улучшившие зарядку и шаблоны использования для уменьшения воздействия от разрушения, что обозначается как A(o+xq).

i(k^mR) = τ(DL^x + ρ - ∞R(no + r)) - i_ql (i + da) (10)

Метод AI-PLELF связан с уравнением 10, поскольку моделирует динамические поведения ρ тока батареи i в зависимости от сопротивления k^mR, температуры (no+r), анализа интеграции сетки, других факторов, таких как глубина разряда DL^x , внутреннее сопротивление R , а также различные рабочие параметры (i+da) и i_ql.

Панель управления, уведомления, объявления и отчёты о производительности — всё это часть пользовательского интерфейса, который получает данные от BMS. Этот интерфейс отображает состояние батареи и оповещения. Предлагаются подключения и управление внешними данными и облачными сервисами; Они отвечают за зарядку, выпуск, экстренные ситуации и готовность системы. Общий дизайн обеспечивает мощную систему управления аккумуляторами с оперативным сбором данных, продвинутой аналитикой и простым пользовательским интерфейсом. AI-PLELF опережает BMS по производительности и сроку службы батареи после обширных симуляций. AI PLELF оптимизирует зарядку и управление энергопотреблением электромобилей, прогнозируя SOH и SOC. Он может управлять одним электромобилем или автопарком и обеспечивать динамические решения во время эксплуатации. BMS на базе искусственного интеллекта может снизить затраты на обслуживание на 50% и повысить устойчивость транспорта. Создание экологичных систем электромобилей требует этого нового метода. Для проверки предложенных алгоритмов определяется многоступенчатая стратегия валидации. Во-первых, внутренняя валидация проводится с помощью разделения «train–test» на смоделированных наборах данных для оценки устойчивости предсказания и поведения сходимости. Во-вторых, анализ чувствительности проводится с изменением профилей циклирования, уровней шума и параметров деградации для оценки устойчивости. В-третьих, согласованность выходов проверяется путём сравнения тенденций SOC и SOH с оценками, полученными из эталонной модели при идентичных условиях моделирования. Хотя экспериментальная валидация не включена в настоящее исследование, этот протокол устанавливает структурированный путь валидации, который может быть расширен для лабораторных и аппаратных тестов в будущих исследованиях.

Results

Это исследование показывает, что ИИ может повысить производительность и долговечность аккумуляторов электромобилей. BMS, использующие ИИ, повышают диагностику батарей, эффективность, предиктивное обслуживание, масштабируемость и интеграцию энергосистемы. Эти системы оптимизируют циклы зарядки, прогнозируют состояние батареи и повышают надежность приложений для электромобилей, используя алгоритмы данных в реальном времени и машинное обучение. ИИ способствует устойчивому транспорту, повыша...

Discussion

AI-PLELF может обновлять электромобили BMS. AI-PLELF оптимизирует циклы зарядки, предотвращает нагрев и прогнозирует состояние батареи с помощью мощных алгоритмов машинного обучения. В реальном времени данные датчиков, исторические модели использования и переменные окружающей среды позволяют AI-PLELF прогнозировать SOH и SOC батарей, улучшая производительность и срок службы. AI-PLELF превосходит BMS по производительности и долговечности аккумуляторов в масштабных симуляциях. Владельцы Ch...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Предмет	Технические характеристики	Производитель / Модель	Назначение
Battery Cycler	± 0,05% точности в полном масштабе	LBT21084 Система испытаний аккумуляторов, Arbin Instruments, США	Точная зарядка– циклирование разряда (система тестирования аккумуляторов)
Программное обеспечение для контроля тестирования батареи (MITS Pro)	Версия 5.3.2	Arbin Instruments, США	Конфигурация CC– Протоколы зарядки/разрядки CV (программное обеспечение управления)
Полиимидная клейкая лента	Устойчивый к высоким температурам (до 260 и °; C), электрически изолированный	Полиимидная лента Kapton, DuPont, США	Закрепление термопар на поверхности аккумулятора (клейкий материал)
Прецизионный шунтовый резистор	Толерантность 0,1%	Vishay Precision Group, США	Калибровка измерения тока
Эталонная элемент напряжения	3.000 и плюсм; точность 0.001 В	Fluke Calibration, США	Калибровка канала (калибровка напряжения)
Камера с контролируемой температурой	Устойчивость: 25,0 и плюсм; 0,5 и градус; C	Экологическая палата SH-241, корпорация ESPEC, Япония	Термическая регуляция во время циклирования (контроль окружающей среды)
Термопары (тип-K)	Поверхностное крепление и плюсм; 0,5 и градус; C	Omega Engineering, США	Мониторинг температуры поверхности (измерение температуры)