Ефективно прилагане на мониторинг в реално време и прогнозиране на SOC за литиево-йонни батерии

Резюме

Това проучване се задълбочава в наблюдението на състоянието на зареждане на литиево-йонните батерии, което е от решаващо значение за безопасността и ефективността на управлението на енергията на батерията във вградени приложения. Точното разбиране на състоянието на зареждане на батериите е от решаващо значение за осигуряване на тяхната безопасна употреба и производителност. Изследователският екип разработи и внедри алгоритъм за наблюдател, базиран на филтър на Калман, който беше внедрен на Spartan 6 FPGA. Алгоритъмът може точно да оцени състоянието на зареждане на батерията, дори ако има отклонение между първоначалната прогнозна стойност и действителното състояние. Тази статия специално подчертава предимствата на FPGA при бързи изчисления, което позволява на FPGA да служи като ефективен подчинен компонент в системите за управление на батерията (BMS), наблюдавайки състоянието на зареждане на голям брой батерии на по-ниска цена. Внедряването на този наблюдател на евтина FPGA е от голямо значение за намаляване на разходите за системи за управление на батерията в приложения като електрически превозни средства. В допълнение, моделът на наблюдателя е валидиран за своята ефективност чрез стриктна симулация и тестване в реално време. Това проучване предлага ефективен метод за точно оценяване на състоянието на зареждане на литиево-йонните батерии, осигурявайки силна подкрепа за ефективно управление на енергията на батерията в различни приложения.

1. Въведение

Значението на управлението на енергията и оценката на SOC:Управлението на енергията е от решаващо значение за вградените приложения, особено за захранваните с батерии устройства, тъй като влияе върху живота на батерията и цялостната производителност на системата. Литиево-йонните батерии са широко използвани поради тяхната висока енергийна плътност, ниска скорост на саморазреждане и дълъг живот на цикъла. За да се гарантира безопасността и ефективността на системата за захранване на батерията, точната оценка на SOC е от съществено значение. Неточната оценка може да доведе до презареждане, прекомерно разреждане и преждевременна повреда на батерията. Въпреки това, нелинейните и променящите се във времето характеристики на литиево-йонните батерии правят оценката на SOC доста предизвикателна, поради което са предложени различни методи за оценка, включително базирани на модели и базирани на данни подходи.

Система за управление на батерията и метод за оценка на SOC

Системата за управление на батерията (BMS) е важен компонент на батерията, която следи състоянието на батерията и контролира процеса на зареждане и разреждане. Точното определяне на SOC е една от ключовите му функции, която помага за оптимизиране на използването на батерията, предотвратяване на презареждане и презареждане. Алгоритъмът трябва да отговаря на висока прецизност, устойчивост на грешки на сензора с ниска точност и погрешна оценка на параметрите на батерията, както и ниски изисквания за изчислителна мощност. Техниките за моделиране и оценка за постигане на точна оценка на SOC включват електрохимия, еквивалентни схеми и методи, управлявани от данни. Електрохимичните модели са точни, но изчислително скъпи и изискват специализирани познания, докато методите, базирани на наблюдател, са относително прости и имат добра точност.

Методите за оценка на SOC са разделени на две категории:оценяване в отворен и затворен контур. Методите с отворена верига, като например броенето на Кулон, са прости, но изискват първоначални познания за SOC, бавна динамика и слаба надеждност, докато методите за напрежение на отворена верига са точни, но изискват батерията да остане неактивна за дълго време. Методите със затворен цикъл включват главно моделно предсказуемо управление (MPC) и свързаните с него методи (като разширен филтър на Калман (EKF), двоен разширен филтър на Калман (DEKF), адаптивен разширен филтър на Калман (AEKF), адаптивен хибриден алгоритъм (AMA), State Observer, Generalized Extended State Observer (GESO), Fuzzy Logic Method и Neural Network), както и методи като H-infinity филтър, Sliding Mode Observer (SMO), методи, базирани на филтър за частици (PF) и варианти на Калманов филтър (като Калманов филтър без аромат (UKF) и Калманов филтър на Sigma Point (SPKF)).

Приложението на EKF и FPGA в SOC оценка:Има различни методи за онлайн оценка на SOC и държавните наблюдатели (особено EKF) са популярни поради своята надеждност. При управлението на батерията рекурсивният алгоритъм на EKF може да комбинира модели на батерия и данни от измерване, за да оцени SOC. Прилагането на сложни алгоритми с микроконтролери обаче е скъпо и може да не е подходящо за системи с много батерии. Разходите за BMS (включително мониторинг и балансиране) може да достигнат 30% от цените на батерийния пакет. Следователно, това проучване се фокусира върху бързото изчисляване на алгоритъма за оценка на SOC за батерии за електрически превозни средства с множество батерии в серия, използвайки полеви програмируеми гейт масиви (FPGA). FPGA са доказали своята ефективност в индустриалната сфера. Целта на това проучване е да се приложи наблюдател, базиран на EKF алгоритъм на евтин и ефективен Spartan 6 FPGA, който може да коригира първоначалната неточна оценка на SOC. Бързото време за наблюдение може да постигне едновременно наблюдение на множество батерии с една и съща FPGA, намалявайки разходите за BMS на електрически превозни средства или други SOC системи на батерии, които трябва да бъдат наблюдавани. Следващите глави на документа ще представят модела на литиево-йонната батерия, дизайна на наблюдателя, внедряването на FPGA, симулацията в среда на Xilinx, експерименталните резултати, изследователските заключения и бъдещата работа в последователност.

2. Наблюдател на състоянието на зареждане

Модел на батерията

Има различни методи за моделиране за точно представяне на динамичното поведение на електрохимичните клетки. Въпреки че електрохимичните модели могат да помогнат за прогнозиране на производителността на батерията и разбиране на механизмите на стареене, те изискват начални и гранични условия на батерията и са изчислително сложни и не са подходящи за приложения в реално време. Така беше разработен опростен модел, базиран на еквивалентна схема (EEC), който е подходящ за неелектрохимични специалисти и лесен за прилагане в реално време. Въпреки това, електрохимичните явления трябва да се вземат предвид на ниво батерия, за да се опрости разпознаването на модела.

Моделът EEC, използван в това проучване, включва източник на напрежение в отворена верига (OCV), резистор R Ω, ​​представляващ високочестотни явления като електролит и съпротивление на връзката, както и динамично съпротивление на пренос на заряд, и паралелна верига R1C1, симулираща ниска честота явления на дифузия. За опростяване на изчисленията в реално време се използва единична RC верига за симулиране на явления на дифузия с период на вземане на проби от Te=0.1 секунди, който може да бъде игнориран в сравнение с периода на вземане на проби поради динамичния трансфер на заряд (около 10 ms ). Уравнението на състоянието на модела на батерията се разширява до SOC, както е показано във формула 1:

(Където Qnom е номиналният капацитет, V1 е напрежението във веригата R1C1, SOC е състоянието на зареждане, Ubat е напрежението на клемата на батерията), моделът на батерията с дискретно състояние се разширява до SOC, както е показано във формула 2:

SOC наблюдател, базиран на филтър на Калман

SOC не може да бъде директно измерен и за решаването на този проблем обикновено се използва разширен филтър на Калман (EKF). Изисква се точен модел на батерията и възможност за оценка на SOC в рамките на определен шумов диапазон. EKF инициализира и прогнозира променливите на състоянието в определено време за вземане на проби Te, използвайки уравнение на състоянието на модела на батерията (Формула 1), което включва SOC за прогнозиране. Ефективността на наблюдателя зависи от достоверността на измерването и модела, като се вземат предвид несигурността на модела wk и несигурността на измерване на напрежението vk ​​(Формула 3):

Ако приемем, че те са бял шум, шум на Гаус и имат средна стойност нула, те са включени в ковариационните матрици Q и R съответно на шума на състоянието и измерването.

Поради нелинейността на разширяването на модела на батерията до SOC (тъй като OCV е свързано със SOC), е необходимо да се линеаризира чрез изчисляване на якобианската матрица при всяко време на вземане на проби (Формула 4):

Линеаризирайте и изчислете усилването на Калман (Формула 5):

Актуализиране на ковариационната матрица (Формула 6):

И накрая, използвайте оптималната корекция на печалбата, за да предвидите вектора на състоянието (Формула 7):

Параметрите на EKF са обобщени в таблицата по-долу.

3. Реализация на FPGA

Дизайн на FPGA архитектура:FPGA се състои от ресурси за обработка (като памет, логика и регистри, групирани в различни типове логически блокове) и програмируеми ресурси за взаимно свързване. При програмирането е необходимо да се уточнят функциите на логическите блокове и да се организира мрежата за свързване. Това изследване се фокусира върху архитектурата на матрична програмируема верига, чиито логически блокове са в правилна правоъгълна структура и са свързани към мрежа за маршрутизиране (състояща се от хоризонтални и вертикални канали) чрез програмируеми точки за свързване. FPGA се състои от предварително проектирани основни батерии и връзки и потребителите могат да програмират и изграждат специфични хардуерни архитектури, които отговарят на изискванията на приложенията. Той показва възможности за обработка с висока пропускателна способност и ниска латентност в индустриалната област, а неговата гъвкавост може да подобри производителността, да намали разходите и да има мащабируемост. Използването на FPGA за конфигурируеми паралелни изчисления намалява времето за изпълнение на алгоритъма, но програмирането изисква оптимизиране на физическите свойства, включително производителност време/област на алгоритъма и избор на битове за формат на данните, като същевременно се поддържа основната точност на наблюдателя.

Оборудване и софтуер:Това проучване има за цел да приложи разширен филтър на Калман (EKF) за оценка на състоянието на заряд (SOC) на батерия в система в реално време, използвайки хардуерната платформа MicroAutoBox II (MABXII) на dSPACE, която е надеждна и стабилна за проектиране на прототип и тестване в автомобилната индустрия. Неговият вграден Xilinx Spartan-6 FPGA (XC6SLX150) има висока производителност и ниска консумация на енергия (ключовите спецификации са показани в таблица 2), което го прави подходящ за това приложение. SOC наблюдателят е внедрен на тази FPGA и тества SOC на отделни батерии в батериен пакет, състоящ се от 5 последователно свързани литиево-йонни батерии (параметри на батерийния пакет: общо номинално напрежение от 18 V, номинално напрежение на единична батерия от 3,6 V, общ капацитет от 2,5 Ah, използвайки литиево-йонна батерия Samsung 25R 18650, положителният електрод е смес от NCA и NMC химикали, отрицателният електрод е графит, параметрите на модела на батерията се идентифицират чрез технология за периодично титруване с постоянен ток GITT, както е показано на фигура 4). Приемайки температура на батерията от 25 градуса C и постоянни параметри, алгоритъмът EKF е разработен с помощта на блокове Simulink (както е показано на фигура 5) и е оптимизиран за производителност и използване на ресурсите чрез конвейер, мултиплексиране/сгъване с разделяне по време и персонализирана прецизност.

Технология за мултиплексиране с разделяне по време:Изследваният пакет батерии съдържа 5 серии свързани литиево-йонни батерии и има два метода за оценка на SOC на всяка батерия. Единият е да се разработи дизайн с пет модела батерии, но поради високите изисквания за ресурси, той не е подходящ за приложения в реално време и изисква по-скъпа и богата на ресурси FPGA. Вторият метод се основава на мултиплексиране с разделяне по време (вижте Фигура 6), като всяко време на вземане на проби Te '=0.02 секунди. След като токът на батерията и напрежението на батерията са дигитализирани от платката ADC на MicroAutoBox DSP, машината на състоянието изпраща данните към FPGA, за да изпълни алгоритъма EKF. След завършване на алгоритъма, изчисленият и коригиран SOC, ковариационната матрица на грешката и дифузионното напрежение се изпращат обратно към DSP. Последващите усилия ще се съсредоточат върху проверката на наблюдателя чрез симулация, което е от решаващо значение за осигуряване на точността и ефективността на наблюдателя преди внедряването на FPGA.

4. Проверка на Xilinx на наблюдатели

Процес на проверка:Алгоритъмът е валидиран с помощта на библиотека за системен генератор, специално проектирана за програмиране на FPGA. Тази библиотека позволява програмиране на FPGA с помощта на блокове Simulink и обработката на данни може да се извърши в режим с плаваща или фиксирана запетая. Колкото по-висока е точността, толкова по-големи са изискванията за ресурси на FPGA. За да балансира точността на резултатите и използването на ресурсите, това проучване избра представяне със знак в режим с фиксирана точка, по-специално формата Fix32_16 (15 бита за цяла част, 16 бита за десетична част и 1 бит за знак) . Основното предимство на използването на тази библиотека на Xilinx е нейната лекота на внедряване на FPGA, без необходимост от сложно VHDL програмиране.

Оценка на изпълнението и резултати

Ефективността на наблюдателя въз основа на EKF се оценява чрез текущата крива на 1C разряден ток (2,5A). Действителният SOC се инициализира на 100%, а първоначалната прогнозна стойност на SOC SOC-0 е зададена на 0% (SOC-0 е регулируем параметър, който може да постигне широк диапазон от прогнозна SOC инициализация). Референтната стойност на SOC се получава от кулонметър, инициализиран с правилния първоначален SOC и номинален капацитет. Поставете проектирания оценител под кривата на 1C токов стъпков разряден ток за проверка.

Резултатите показват, че въпреки че първоначалната прогнозна стойност е различна от действителната първоначална стойност на SOC, изчисленият SOC все още се сближава с действителния SOC на батерията, което показва, че наблюдателят на EKF може да коригира лошата оценка на SOC и да накара прогнозния SOC да се сближи с действителния стойност. Въпреки това, представянето с фиксирана запетая, използвано в изпълнението, ограничава броя на използваните битове, което води до грешки в оценката и грешки могат да се натрупат по време на текущия процес на интегриране при прогнозиране на променливи на състоянието, което води до голям диапазон от грешки между прогнозните и действителните стойности . Въпреки това, докато абсолютната грешка е по-малка от 5%, филтърът се счита за ефективен и може точно да оцени променливите на състоянието.

5. Резултати от внедряването на FPGA в реално време

Проверка в реално време (използвайки предварително записани данни):Преди действително тестване на батерията, симулирайте тестване, като използвате предварително записани данни за ток/напрежение на батерията. Резултатите от теста показват, че наблюдателят има добра производителност в реално време. Токовата крива се разрежда с 1C токова стъпка (2,5A) и SOC се инициализира на 0%. Референтната стойност на SOC се получава чрез правилно инициализиран кулонметър. В сравнение с резултатите от симулацията на Xilinx, производителността на наблюдателя е подобна и в двата случая, а филтърът на Калман, внедрен на FPGA, успешно намалява грешката между измереното напрежение и изчисленото напрежение, като прави изчисления SOC да се сближи до точна стойност, която не може да бъдат директно измерени.

Наблюдател за експериментална проверка

Тестване на единична батерия:След проверка в реално време с помощта на предварително записани данни, по-нататъшно тестване се провежда по време на действителното разреждане на батерията. Като използвате платформата за тестване, показана на фигурата, пуснете наблюдателя, докато разреждате батерията, за да оцените точността на оценката на SOC. Чрез генериране на токови импулсни цикли като зададена стойност за програмируеми активни товари за разреждане на батерията, експерименталните резултати показват, че в началото на текущия цикъл филтърът може да коригира първоначалния SOC от 0%. С намаляването на напрежението, SOC също намалява и системата може автоматично да го коригира. Има обаче колебания в процеса на оценка, главно поради шума от измерване на сензора, което изисква по-гладък филтър.

Тестване на батерията:Тъй като изследователската батерия се състои от 5 серийно свързани батерии, трябва да се разработи оценител за тестване на целия комплект батерии. Чрез включване на технологията за мултиплексиране с разделяне по време в модела на филтъра на Калман, токов импулсен цикъл с период от 3200s и амплитуда -2.5A се генерира като програмируема стойност на настройка на активния товар за батерията освобождаване от отговорност. Резултатите показват, че наблюдателят може точно да оцени напрежението и SOC на всяка батерия в целия пакет батерии. Въз основа на пет криви могат да се определят SOC и напрежението на всяка батерия, което има значителни предимства в сравнение с предишни проучвания, които оценяват само общото напрежение и SOC на батерията. SOC наблюдателят има време за изпълнение от 2,5 µs и типичен период на вземане на проби от 0,1 s. Чипът Spartan 6 има достатъчно време, за да извърши множество оценки на SOC и да наблюдава други състояния (като вътрешна температура) в рамките на един период на вземане на проби. Внедряването на FPGA не изразходва значително количество ресурси и въпреки сложността на програмата, наличните ресурси на FPGA не бяха използвани напълно.

6. Обобщение

В областта на вградените приложения управлението на енергията е от решаващо значение за оптимизиране на консумацията на енергия и удължаване на живота на батерията. Това изисква от нас да можем точно да следим състоянието на зареждане на батерията. Това проучване се фокусира върху разработването на наблюдател на състоянието за оценка на напрежението и състоянието на зареждане на всяка батерия в литиево-йонна батерия. Наблюдателят приема алгоритъма за филтриране на Калман, подходящ за литиево-йонни батерии, и има способността да коригира състоянието на зареждане, когато първоначалната прогнозна стойност е несъвместима с действителното състояние на зареждане. Прилагането на този сложен алгоритъм върху евтин Spartan 6 FPGA (на цена под 20 евро) е доказано, че е високоефективно, способно да наблюдава множество батерии едновременно, като по този начин намалява цената на системите за управление на батерията.

Експерименталните резултати показват, че наблюдателят може точно да оцени напрежението и състоянието на зареждане на всяка батерия, демонстрирайки значителни предимства в сравнение с предишни проучвания, които можеха да оценят само напрежението и състоянието на зареждане на целия пакет батерии. Ниското време за изпълнение и потреблението на ресурси на наблюдателя го правят мощен инструмент за наблюдение и контрол в реално време на пакети литиево-йонни батерии, подходящи за различни сценарии на приложение. Въпреки че по време на процеса на внедряване се срещнаха предизвикателства като шум в данните, тези проблеми могат да бъдат ефективно разрешени чрез приемане на подходящи техники за филтриране, за да се гарантира точността на резултатите. Като цяло, това проучване е допринесло със значителна стойност в областта на системите за управление на батерии и отвори нови пътища за бъдещи изследвания.