Резюме
Литиево-йонните батерии са от решаващо значение в областта на съвременното съхранение на енергия. След комерсиализацията им през 90-те години на миналия век напредъкът в науката за материалите и инженерството повиши техния капацитет, безопасност и продължителност на живота. Динамичните характеристики на литиево-йонните батерии обаче са сложни и изискват усъвършенствани стратегии за зареждане и управление за оптимизиране на производителността, безопасността и продължителността на живота. Тази статия предлага сравнителен анализ на три усъвършенствани метода за управление на зареждането на литиево-йонни батерии: обучение с подсилване, управление с размита логика и традиционно управление с пропорционална интегрална производна (PID). Традиционните методи за зареждане трудно се справят с динамичната сложност на батерията, което води до лоша производителност. Тази статия използва симулация на MATLAB Simulink, за да оцени тези интелигентни стратегии за управление за подобряване на ефективността на зареждането, скоростта и живота на батерията. Резултатите показват, че обучението с подсилване има силна адаптивност, размитата логика може ефективно да се справя с нелинейни проблеми, производителността на PID контрола е надеждна и изискванията за изчислителни ресурси са ниски.
1. Въведение
Ограниченията на литиево-йонните батерии в сравнение с традиционните методи за зареждане:Литиево-йонните батерии имат предимствата на висока енергийна плътност, дълъг живот на цикъла и ниска скорост на саморазреждане, напълно променяйки начина, по който енергията се съхранява и използва, и се превръщат в една от основните технологии в съвременното общество. Въпреки това, традиционните методи за зареждане с постоянен ток и постоянно напрежение (CC/CV) често не успяват да се справят с динамичната сложност на литиево-йонните батерии, което води до лоша производителност на зареждане и възможно влошаване на производителността на батерията с течение на времето.
Въведение в стратегията за интелигентен контрол
За да отговори на предизвикателствата, тази статия сравнява и анализира три основни метода за интелигентно управление за зареждане на литиево-йонни батерии: обучение с подсилване (RL), управление с размита логика (FL) и традиционно управление с пропорционална интегрална производна (PID).
Контролерът RL научава оптималната стратегия за управление чрез взаимодействие с модела на батерията и захранващите електронни устройства, използвайки модел с малък сигнал, за да опрости силовите електронни устройства и да подобри процеса на обучение. Обучение на невронна мрежа, базирана на функция за възнаграждение, за санкциониране на пикове на ток и напрежение за по-стабилен процес на зареждане, с цел контролиране на входното напрежение на батерията. Чрез оценяване на отговора чрез множество взаимодействия и максимизиране на стойността на наградата, докато наблюдавате състоянието на батерията, могат да се дават награди или наказания въз основа на текущата стойност и агресивни контролни действия. Може да се установи, че може да се разработи стратегия за зареждане, която минимизира времето за зареждане, консумацията на енергия и разграждането на батерията, като същевременно гарантира безопасна работа.
Контролерът FL предоставя гъвкав и интуитивен начин за интегриране на експертни познания и евристични правила в процеса на зареждане чрез дефиниране на езикови променливи като състояние на зареждане, температура и скорост на зареждане и установяване на правила за извод. Бяха проектирани два FL контролера, като единият регулира напрежението, за да поддържа стабилност при различни криви на зареждане, а другият регулира тока, за да избегне прекомерни пикове и да поддържа стабилни стойности, което може по-добре да се справи с нелинейността и присъщата несигурност в динамиката на литиево-йонните батерии, като по този начин подобряване на производителността на зареждане и удължаване на живота на батерията.
PID контролерът може да балансира фактори като време за зареждане, енергийна ефективност и защита на здравето на батерията чрез регулиране и оптимизиране на кривата на зареждане.
2. Методи за изследване на стратегии за контрол на зареждането на литиево-йонни батерии
Предимства и характеристики на батерията на симулационната платформа MATLAB Simulink:MATLAB Simulink предоставя мощна платформа за анализиране и оптимизиране на системи за зареждане на литиево-йонни батерии. Литиево-йонните батерии се превърнаха в предпочитан избор за различни приложения поради тяхната висока енергийна плътност (осигуряваща високо съотношение енергия към тегло, подходяща за преносими електронни устройства и електрически превозни средства с ограничено пространство и тегло), ниска скорост на саморазреждане (подходяща за дълго срочно съхранение на енергия), усъвършенствана технология за рециклиране и ниско въздействие върху околната среда (по-устойчиви и екологични).
Моделиране на среден преобразувател на малък сигнал:Необходим е ефективен дизайн за системите за пренос на енергия от литиево-йонна батерия. В това изследване се използва изолирана DC/DC преобразувателна верига (предавателният преобразувател е подобен на топологията на DC/DC преобразувател и включва трансформатор за осигуряване на електрическа изолация и подобряване на безопасността на батерията). Поведението на веригата се характеризира като трансферна функция от втори ред, използвайки критерия на модела на малък сигнал, а приближението на ниския сигнал (нисък Q) се използва за опростяване на анализа, което води до трансферна функция на модел на преобразувател, която включва работа и коефициент на преобразуване. Преобразувателят симулира използването на идеални компоненти за подобряване на ефективността и анализира два сценария: без натоварване и с натоварване на литиево-йонната батерия. При условия на празен ход предавателната функция и тенденциите на напрежението и тока на преобразувателя са подобни, но изходът на преобразувателя осцилира. При условия на натоварване основната разлика е във времето за стабилизиране. Идеализирането на трансферната функция кара системата да реагира по-бързо, но крайната изходна стойност е последователна и използването на трансферната функция може значително да съкрати времето за симулация.
Описание на контролната архитектура:Стратегията за управление се основава на модела на литиево-йонната батерия в MATLAB Simulink, който предоставя подробни технически параметри за точна симулация и анализ на производителността на батерията. Процесът на зареждане CC/CV включва етап на контрол на тока (където токът е настроен на безопасно ниво и напрежението на батерията се увеличава със зареждането, достигайки праг преди да влезе в етапа на контрол на напрежението) и етап на контрол на напрежението (където напрежението остава стабилно и токът постепенно намалява, докато батерията се зареди напълно), което може да предотврати презареждането, да намали налягането на батерията, да намали риска от прегряване и да удължи живота на батерията. Оценените стратегии за контрол са обобщени в таблица 1 и ще бъдат представени подробно по-късно.
| Контролер | Сценарий 1 | Сценарий 2 | Сценарий 3 |
| Напрежение | Обучение с подсилване (RL) | Сугено Неясен ПД | PID |
| Текущ | ПИ | Сугено Фузи ПД I | PID |
Архитектура на обучение с подсилване:Контролерът за обучение с подсилване научава оптималната стратегия чрез взаимодействие със системата, за да се справи със сложна нелинейна динамика. Възприемайки схема за критици на актьори, мрежата на актьорите избира действия, а мрежата на критиците оценява действията, за да предостави обратна връзка. Непрекъснатата Gaussian Actor Network (CGAN) се използва за обработка на непрекъснати пространства за действие и оптималната стратегия се изследва чрез извеждане на параметри на Gaussian разпределение. Архитектурата му включва множество напълно свързани слоеве, а функцията за активиране е предимно Модифицирана линейна единица (RELU). Въз основа на обучението в инструментариума за обучение на подсилване на MATLAB, функцията за възнаграждение се изчислява въз основа на грешка в напрежението, контролни действия и наблюдения на напрежението, за да се стимулира поддържането на напрежението в очаквания диапазон и да се санкционират отклоненията. Чрез задаване на константи се осигурява максимален ефект от обучението, а максималната средна награда се постига след 200 рунда на обучение. Бавната реакция на батерията обаче затруднява настройката на параметрите.
Размита архитектура:Контролерите с размита пропорционална производна (PD) са по-ефективни при справяне с нелинейността и несигурността на системата от традиционните PD контролери, като се адаптират към промените в характеристиките на батерията, за да осигурят стабилно и точно управление на напрежението. Система за размити изводи е конструирана с помощта на схемата Sugeno, с напрежение, контролирано от размит PD и ток, контролиран от размит PD+I. Входът се обработва с помощта на нормализирани триъгълни функции за членство за обработка на грешки и техните производни, а изходът се обработва с помощта на три функции за нормализиране на Sugeno за обработка на състояния. Входният диапазон е ограничен, за да се избегне насищане, а входният и изходният диапазон се модифицират от съответните константи.
Класическа PID архитектура:Класическият пропорционално интегрално производен (PID) контролер се използва широко при зареждане на батерии поради своята простота, ефективност и надеждна работа. Той е лесен за внедряване и настройка и може да регулира и оптимизира условията на зареждане в реално време. Той съчетава пропорционални, интегрални и производни действия за точно регулиране на напрежението и тока. Има силна универсалност и е подходящ за различни сценарии на батерии и зареждане. Той има ниска цена и ниски изисквания за изчислителни ресурси и е подходящ за вградени системи и евтино хардуерно внедряване. Архитектурата му използва само два класически контролера за контрол съответно на напрежението и тока (вътрешната структура не е описана подробно поради ограничения на пространството).
3. Оценка на ефективността на стратегията за контрол на зареждането на литиево-йонна батерия
Настройка на параметрите на контролера:Функцията за възнаграждение за обучение за подсилване се определя чрез евристични методи и константите се коригират чрез повтарящи се експерименти, за да се получи (r1=200), (r2=-25), (p1=-10) и ( p2=180). Размитият контролер (PD+I) настройва параметрите ръчно чрез проба и грешка, с текущи контролни параметри на (P=20), (D=0. 00000 1), (I{{8 }}) и (K_D=0.297) и параметри за контрол на напрежението на (P=15), (D=0.0001) и (K_D=0.315). PID контролерът използва инструмента MATLAB PID Tuner и невронна мрежа, за да намери оптималните параметри, включително контрол на тока (P=15), (I {PID}=5), контрол на напрежението (P=22 .5), (I=4.9) и (D {PID}=0.03).
Анализ на производителността на контролера
Аспект на оценка:Оценете работата на контролера по отношение на точността на регулиране на напрежението и тока, времето за реакция, стабилността и защитата от смущения.
| Контролер | RMS напрежение [V] | RMS ток [A] | Време за зареждане | Време за симулация 6 s | Време за симулация на стъпки |
| RL | 3.9347 | 0.3 | 10,017.57 s | 21,046.5 s | 3,5 ms |
| FuZZy PI+ D | 3.8601 | 0.3 | 18,401.40 s | 1961.4 s | {0}.33 ms |
| PID | 3.8601 | 0.3 | 12,933.57 s | 87.90 s | {0}.015 ms |
Контролер за обучение за подсилване:Базиран на невронна мрежа контролер за обучение на подсилване може да постигне стабилно номинално напрежение без превишаване, когато токът е нула (както е показано на фигура 5b). Въпреки това, когато се прилага CC/CV управление, възникват колебания на напрежението поради липса на разбиране на съществуващия ток, което води до нестабилен и намаляващ ток по време на зареждане на батерията. Скоростта на зареждане е най-бърза, но има феномен на звънене, който може да повреди електронните компоненти и да съкрати живота на батерията. При практически приложения е необходимо да се вземе предвид циркулиращият ток, за да се подобри производителността.
Размит контролер:проектирани да поддържат стабилно зареждане, с по-дълги времена за зареждане и стабилизиране, но без скокове в преобразуването на контрола на тока и напрежението (както е показано на фигура 5c). Въпреки че е по-безопасен, той е по-бавен и може да бъде оптимизиран чрез коригиране на правилата за извод.
PID контролер:Той реагира бързо на грешки, но има значителни смущения и свръхток по време на прехода от напрежение към ток (както е показано на фигура 5b). Производителността му е умерена и не зависи от опита на оператора.
Анализ на показателя за ефективност:Анализирайте действието за управление на напрежението на входния DC/DC преобразувател, изчислете средната квадратична стойност (RMS) и открийте, че RMS стойността на контролера за обучение за подсилване е малко по-висока, което показва, че неговото управляващо действие се променя по-значително и е чувствително към малки промени. Оценката на RMS стойността на тока на батерията за всички контролери доведе до постоянна стойност от 0.3A, което показва, че въпреки разликите в стратегиите и действията за управление, всички контролери са успели да поддържат изходния ток в рамките на очаквания диапазон . Това означава, че въпреки че действията за контрол на напрежението на контролера за обучение на подсилване варират значително, това не влияе върху стабилността и постоянството на изходния ток, което е от решаващо значение за безопасната и ефективна работа на системата.
4. Обсъждане на резултатите от стратегията за контрол на зареждането на литиево-йонна батерия
Време за изпълнение на симулацията на контролера и вариация на изхода:Резултатите в таблица 2 са получени от симулации, при които всеки контролер е конфигуриран за 6 секунди, като контролерът за обучение с подсилване (RL) има най-дълго време за изпълнение от 21046 секунди. В сравнение с други контролери, използвани за регулиране на напрежението и тока на литиево-йонни батерии, контролерът RL има по-голяма вариация на изхода и дори при малки смущения може да възникне феномен на звънене (контролни действия на високочестотни трептения). Когато се прилага към действителни захранващи електронни устройства, може да причини прегряване на батерията и компонентите на преобразувателя, шум от сензора и скъсяване на живота на батерията с вариация на напрежението от 0,02 V. За подобряване на контролера и намаляване на вибрациите може да се добави нискочестотен филтър към изхода на контролера, може да се модифицира архитектурата на невронната мрежа или може да се използва хибриден метод за управление (като PID или размит контролер за регулиране на изхода на невронната мрежа). използвани.
Адаптивност на контролера и работни характеристики:RL контролерите имат висока адаптивност към различни ситуации, тъй като са по-чувствителни към смущения. Промените в изхода обаче показват необходимостта от включване на повече параметри в обучението на агенти, за да се подобри способността им да се адаптират към повече сценарии, да се увеличи ефективността на таксуването и да се избегне възможна нестабилност. Размитите контролери имат за цел да избегнат високи токови пикове и бавни скорости на зареждане поради техните правила за извод; PID контролерът реагира на грешки чрез модифициране на изходния сигнал и може да се адаптира към динамични промени.
Оценка на изходната производителност на контролера:Средноквадратичната стойност (RMS) беше използвана за оценка на изходната производителност на три контролера и резултатите показаха, че средното напрежение, поддържано от всички контролери, е подобно на номиналното напрежение на батерията, което е от решаващо значение за предотвратяване на презареждане и избягване на батерията прегряване. По отношение на управлението на тока, всички контролери могат да достигнат референтната стойност за много кратко време за реакция без превишаване и имат добра толерантност към външни смущения. По отношение на контрола на напрежението, контролерът може непрекъснато да достига референтната стойност, като постепенно намалява тока, докато достигне нула, за да завърши цикъла на зареждане. Все пак трябва да се отбележи, че контролерите, базирани на RL, могат да изпитват леки колебания в тока по време на последния етап на зареждане, вариращи между текущата стойност и нула, и може да изискват допълнителни настройки за подобряване на стабилността.
5. Обобщение
ПИД контролер
Предимства:Известен със своята простота и ефективност, той се представя добре при регулиране на напрежението и тока и може да осигури бърз и стабилен отговор в много приложения.
Недостатък:Относително слаба адаптивност при работа със сложни динамични характеристики на батерията, което затруднява постигането на силно динамична оптимизация.
Размит контролер
Предимства:Чрез дефиниране на езикови променливи и правила за извод опитът се интегрира в контролния процес, който може по-добре да се справи с нелинейността и несигурността на батерията, позволявайки на системата да се адаптира към специфични ситуации и да работи стабилно при различни работни условия. Регулирането на правилата за извеждане в съответствие с изискванията на приложението може да оптимизира производителността на зареждането до известна степен.
Недостатъци:Дизайнът разчита до голяма степен на правила и опит, разработката е сложна и скоростта на зареждане е сравнително бавна, което може да не отговаря на високите изисквания за бързо зареждане в сценарии на приложение.
Контролер, базиран на обучение с подсилване
Предимства:Той може да научи оптималната стратегия чрез взаимодействие със системата, има силна способност за обработка на малки смущения, може динамично да се адаптира към променящите се условия, непрекъснато да оптимизира производителността и има висока адаптивност към различни условия на натоварване. При сложни и непрекъснато променящи се сценарии за зареждане на батерията, той може ефективно да подобри точността и ефективността на зареждане, особено подходящ за приложения, които изискват висока гъвкавост и адаптивност на зареждането.
Недостатъци:Изисква голямо количество изчислителни ресурси, дълго време за обучение, като например най-дългото време за изпълнение в това проучване. Процесът на обучение е сложен и изисква внимателно проектиране на функциите за възнаграждение и настройка на архитектурата на невронната мрежа, в противен случай могат да възникнат нестабилни явления като проблеми със звънене. За да се подобри точността, е необходима по-сложна архитектура на невронна мрежа, което допълнително увеличава изчислителната тежест и времето за симулация.