Efektivní implementace monitorování v reálném čase a predikce SOC pro lithium-iontové baterie

Abstraktní

Tato studie se zabývá sledováním stavu nabíjení lithium-iontových baterií, které je klíčové pro bezpečnost a efektivitu řízení energie baterií ve vestavěných aplikacích. Přesné pochopení stavu nabití baterií má rozhodující význam pro zajištění jejich bezpečného používání a výkonu. Výzkumný tým vyvinul a implementoval algoritmus pozorovatele založený na Kalmanově filtru, který byl nasazen na Spartan 6 FPGA. Algoritmus dokáže přesně odhadnout stav nabití baterie, i když existuje odchylka mezi počáteční odhadovanou hodnotou a skutečným stavem. Tento článek zvláště zdůrazňuje výhody FPGA v rychlých výpočtech, které umožňují FPGA sloužit jako efektivní slave komponenta v systémech správy baterií (BMS), monitorující stav nabíjení velkého počtu baterií za nižší cenu. Implementace tohoto pozorovatele na nízkonákladové FPGA má velký význam pro snížení nákladů na systémy správy baterií v aplikacích, jako jsou elektrická vozidla. Kromě toho byla účinnost modelu pozorovatele ověřena prostřednictvím přísné simulace a testování v reálném čase. Tato studie navrhuje účinnou metodu pro přesný odhad stavu nabití lithium-iontových baterií, která poskytuje silnou podporu pro efektivní řízení energie baterií v různých aplikacích.

1. Úvod

Důležitost energetického managementu a odhadu SOC:Správa energie je zásadní ve vestavěných aplikacích, zejména v bateriově napájených zařízeních, protože ovlivňuje životnost baterie a celkový výkon systému. Lithium-iontové baterie jsou široce používány kvůli jejich vysoké hustotě energie, nízké rychlosti samovybíjení a dlouhé životnosti. Pro zajištění bezpečnosti a účinnosti bateriového napájecího systému je nezbytný přesný odhad SOC. Nepřesný odhad může vést k přebití, nadměrnému vybití a předčasnému selhání baterie. Nelineární a časově proměnlivé charakteristiky lithium-iontových baterií však činí odhad SOC poměrně náročným, a proto byly navrženy různé metody odhadu, včetně přístupů založených na modelu a na datech.

Systém správy baterií a metoda odhadu SOC

Battery Management System (BMS) je důležitou součástí baterie, která monitoruje stav baterie a řídí proces nabíjení a vybíjení. Přesný odhad SOC je jednou z jeho klíčových funkcí, která pomáhá optimalizovat využití baterie, zabraňuje přebíjení a nadměrnému vybíjení. Algoritmus musí splňovat vysokou přesnost, odolnost vůči chybám snímačů s nízkou přesností a nesprávnému odhadu parametrů baterie a nízké požadavky na výpočetní výkon. Techniky modelování a odhadu pro dosažení přesného odhadu SOC zahrnují elektrochemii, ekvivalentní obvody a metody řízené daty. Elektrochemické modely jsou přesné, ale výpočetně drahé a vyžadují specializované znalosti, zatímco metody založené na pozorovateli jsou relativně jednoduché a mají dobrou přesnost.

Metody odhadu SOC se dělí do dvou kategorií:odhad s otevřenou a uzavřenou smyčkou. Metody otevřené smyčky, jako je Coulombovo počítání, jsou jednoduché, ale vyžadují počáteční znalosti SOC, pomalou dynamiku a špatnou spolehlivost, zatímco metody otevřeného napětí jsou přesné, ale vyžadují, aby byla baterie ponechána dlouhou dobu nečinná. Mezi metody s uzavřenou smyčkou patří především prediktivní řízení modelu (MPC) a jeho příbuzné metody (jako je rozšířený Kalmanův filtr (EKF), duální rozšířený Kalmanův filtr (DEKF), adaptivní rozšířený Kalmanův filtr (AEKF), adaptivní hybridní algoritmus (AMA), adaptivní hybridní algoritmus), State Observer, Generalized Extended State Observer (GESO), Fuzzy Logic Method a Neuron Network), stejně jako metody jako H-nekonečno filtr, Sliding Mode Observer (SMO), metody založené na filtru částic (PF) a varianty Kalmanova filtru (jako je Unscented Kalman Filter (UKF) a Sigma Point Kalman Filter (SPKF)).

Aplikace EKF a FPGA v odhadu SOC:Pro online odhad SOC existují různé metody a státní pozorovatelé (zejména EKF) jsou oblíbení díky své robustnosti. Při správě baterií může rekurzivní algoritmus EKF kombinovat modely baterií a naměřená data pro odhad SOC. Implementace složitých algoritmů s mikrokontroléry je však nákladná a nemusí být vhodná pro vícebateriové systémy. Náklady na BMS (včetně monitorování a vyvažování) mohou dosáhnout 30 % ceny baterií. Tato studie se proto zaměřuje na rychlý výpočet algoritmu odhadu SOC pro baterie elektrických vozidel s více bateriemi v sérii pomocí polí FPGA (field programmable gate arrays). FPGA se osvědčily jako účinné v průmyslové oblasti. Cílem této studie je implementovat pozorovatel založený na algoritmu EKF na levném a efektivním FPGA Spartan 6, který dokáže opravit počáteční nepřesný odhad SOC. Rychlý čas pozorování může dosáhnout současného pozorování více baterií se stejným FPGA, což snižuje náklady na BMS elektrických vozidel nebo jiných bateriových SOC systémů, které je třeba monitorovat. Následující kapitoly článku představí model lithium-iontové baterie, návrh pozorovatele, implementaci na FPGA, simulaci v prostředí Xilinx, experimentální výsledky, závěry výzkumu a budoucí práci v sekvenci.

2. Pozorovatel stavu nabíjení

Model baterie

Pro přesné znázornění dynamického chování elektrochemických článků existují různé metody modelování. Přestože elektrochemické modely mohou pomoci předpovídat výkon baterie a pochopit mechanismy stárnutí, vyžadují počáteční a okrajové podmínky baterie a jsou výpočetně složité a nejsou vhodné pro aplikace v reálném čase. Byl tedy vyvinut zjednodušený model založený na ekvivalentním obvodu (EEC), který je vhodný pro neelektrochemické profesionály a snadno se používá v reálném čase. Elektrochemické jevy je však třeba vzít v úvahu na úrovni baterie, aby se zjednodušilo rozpoznávání modelu.

Model EEC použitý v této studii zahrnuje zdroj napětí v otevřeném obvodu (OCV), rezistor R Ω představující vysokofrekvenční jevy, jako je odpor elektrolytu a spojení, stejně jako dynamický odpor přenosu náboje, a paralelní obvod R1C1 simulující nízkofrekvenční difúzní jevy. Pro zjednodušení výpočtů v reálném čase se používá jediný RC obvod pro simulaci difúzních jevů s periodou vzorkování Te=0,1 sekundy, kterou lze vzhledem k dynamickému přenosu náboje ignorovat ve srovnání s periodou vzorkování (asi 10 ms ). Stavová rovnice modelu baterie je rozšířena na SOC, jak je znázorněno ve vzorci 1:

(Kde Qnom je jmenovitá kapacita, V1 je napětí na obvodu R1C1, SOC je stav nabití, Ubat je napětí na svorkách baterie), model diskrétní baterie je rozšířen na SOC, jak je znázorněno ve vzorci 2:

Pozorovatel SOC založený na Kalmanově filtru

SOC nelze přímo měřit a k řešení tohoto problému se běžně používá rozšířený Kalmanův filtr (EKF). Vyžaduje přesný model baterie a schopnost odhadnout SOC v určitém rozsahu šumu. EKF inicializuje a předpovídá stavové proměnné ve specifickém vzorkovacím čase Te pomocí stavové rovnice modelu baterie (vzorec 1), která zahrnuje SOC pro predikci. Výkon pozorovatele závisí na spolehlivosti měření a modelu, přičemž se bere v úvahu nejistota modelu wk a nejistota měření napětí vk (vzorec 3):

Za předpokladu, že se jedná o bílý šum, Gaussův šum a mají střední hodnotu nula, jsou zahrnuty v kovariančních maticích Q a R stavu a šumu měření.

Vzhledem k nelinearitě rozšíření bateriového modelu na SOC (protože OCV souvisí s SOC), je nutné jej linearizovat výpočtem jakobiánské matice v každém vzorkovacím čase (vzorec 4):

Linearizovat a vypočítat Kalmanův zisk (vzorec 5):

Aktualizace kovarianční matice (vzorec 6):

Nakonec použijte optimální korekci zisku k predikci stavového vektoru (vzorec 7):

Parametry EKF jsou shrnuty v tabulce níže.

3. Implementace FPGA

Návrh architektury FPGA:FPGA se skládá ze zdrojů zpracování (jako je paměť, logika a registry, seskupené do různých typů logických bloků) a programovatelných propojovacích zdrojů. Při programování je nutné specifikovat funkce logických bloků a organizovat propojovací síť. Tato studie se zaměřuje na architekturu maticových programovatelných obvodů, jejichž logické bloky jsou v pravidelné pravoúhlé struktuře a jsou napojeny na směrovací síť (skládající se z horizontálních a vertikálních kanálů) prostřednictvím programovatelných propojovacích bodů. FPGA se skládá z předem navržených základních baterií a propojení a uživatelé mohou programovat a budovat specifické hardwarové architektury, které splňují požadavky aplikací. Vykazuje vysokou propustnost a nízkou latenci zpracování v průmyslové oblasti a jeho flexibilita může zvýšit výkon, snížit náklady a mít škálovatelnost. Použití FPGA pro konfigurovatelné paralelní výpočty zkracuje dobu provádění algoritmu, ale programování vyžaduje optimalizaci fyzikálních vlastností, včetně výkonu algoritmu čas/oblast a výběr bitů datového formátu, při zachování základní přesnosti pozorovatele.

Vybavení a software:Tato studie si klade za cíl implementovat rozšířený Kalmanův filtr (EKF) pro odhad stavu nabití (SOC) baterie v systému v reálném čase pomocí hardwarové platformy dSPACE MicroAutoBox II (MABXII), která je spolehlivá a robustní pro návrh prototypu. a testování v automobilovém průmyslu. Jeho vestavěný Xilinx Spartan-6 FPGA (XC6SLX150) má vysoký výkon a nízkou spotřebu energie (klíčové specifikace jsou uvedeny v tabulce 2), díky čemuž je vhodný pro tuto aplikaci. Pozorovatel SOC je implementován na tomto FPGA a testuje SOC jednotlivých baterií v bateriové sadě složené z 5 sériově zapojených lithium-iontových baterií (parametry bateriové sady: celkové jmenovité napětí 18V, jmenovité napětí jedné baterie 3,6V, celková kapacita 2,5Ah, s použitím lithium-iontové baterie Samsung 25R 18650, kladná elektroda je směs chemikálií NCA a NMC, záporná elektroda je grafit, parametry modelu baterie jsou identifikovány konstantními současná technologie přerušované titrace GITT, jak je znázorněno na obrázku 4). Za předpokladu teploty baterie 25 °C a konstantních parametrů je algoritmus EKF vyvinut pomocí bloků Simulink (jak je znázorněno na obrázku 5) a je optimalizován pro výkon a využití zdrojů prostřednictvím potrubí, časového multiplexování/skládání a přizpůsobené přesnosti.

Technologie multiplexování s časovým dělením:Zkoumaná baterie obsahuje 5 sériově zapojených lithium-iontových baterií a existují dvě metody pro odhad SOC každé baterie. Jedním z nich je vyvinout návrh s pěti modely baterií, ale kvůli vysokým nárokům na zdroje není vhodný pro aplikace v reálném čase a vyžaduje dražší a na zdroje bohaté FPGA. Druhá metoda je založena na multiplexování s časovým dělením (viz obrázek 6), s každým vzorkovacím časem Te '=0.02 sekund. Poté, co jsou proud a napětí baterie digitalizovány deskou MicroAutoBox DSP ADC, stavový automat odešle data do FPGA, aby provedl algoritmus EKF. Po dokončení algoritmu jsou odhadnuté a opravené SOC, chybová kovarianční matice a difúzní napětí odeslány zpět do DSP. Následné úsilí se zaměří na ověření pozorovatele pomocí simulace, která je zásadní pro zajištění přesnosti a efektivity pozorovatele před nasazením na FPGA.

4. Xilinxova verifikace pozorovatelů

Proces ověření:Algoritmus je ověřen pomocí knihovny systémového generátoru speciálně navržené pro programování FPGA. Tato knihovna umožňuje programování FPGA pomocí bloků Simulink a zpracování dat lze provádět v režimu s pohyblivou řádovou čárkou nebo s pevnou řádovou čárkou. Čím vyšší přesnost, tím větší požadavky na zdroje FPGA. Aby tato studie vyvážila přesnost výsledků a využití zdrojů, zvolila tato studie znaménkovou reprezentaci v režimu s pevnou čárkou, konkrétně formát Fix32_16 (15 bitů pro celé číslo, 16 bitů pro desetinnou část a 1 bit pro znaménko) . Hlavní výhodou použití této knihovny Xilinx je její snadná implementace na FPGA, bez nutnosti složitého programování ve VHDL.

Hodnocení výkonu a výsledky

Výkon pozorovatele na základě EKF je hodnocen pomocí proudové křivky 1C vybíjecího proudu (2,5A). Skutečná hodnota SOC je inicializována na 100 % a počáteční odhadovaná hodnota SOC SOC-0 je nastavena na 0 % (SOC-0 je nastavitelný parametr, který může dosáhnout širokého rozsahu odhadovaná inicializace SOC). Referenční hodnota SOC se získá z coulombmetru inicializovaného se správným počátečním SOC a jmenovitou kapacitou. Pro ověření umístěte navržený estimátor pod křivku vybíjecího proudu s krokem 1C.

Výsledky ukazují, že ačkoli se počáteční odhadovaná hodnota liší od skutečné počáteční hodnoty SOC, odhadovaná SOC stále konverguje ke skutečné SOC baterie, což naznačuje, že pozorovatel EKF může opravit špatný odhad SOC a zajistit, aby odhadovaná SOC konvergovala ke skutečné hodnota. Reprezentace s pevnou čárkou použitá v implementaci však omezuje počet použitých bitů, což vede k chybám odhadu a chyby se mohou hromadit během aktuálního integračního procesu při predikci stavových proměnných, což má za následek velký rozsah chyb mezi odhadovanými a skutečnými hodnotami. . Pokud je však absolutní chyba menší než 5 %, je filtr považován za účinný a dokáže přesně odhadnout stavové proměnné.

5. Výsledky implementace FPGA v reálném čase

Ověření v reálném čase (pomocí předem zaznamenaných dat):Před vlastním testováním baterie simulujte testování pomocí předem zaznamenaných údajů o proudu/napětí baterie. Výsledky testu ukazují, že pozorovatel má dobrý výkon v reálném čase. Křivka proudu se vybije s krokem 1C proudu (2,5A) a SOC se inicializuje na 0%. Referenční hodnota SOC je získána správně inicializovaným coulombovým metrem. Ve srovnání s výsledky simulace Xilinx je výkon pozorovatele v obou případech podobný a Kalmanův filtr implementovaný na FPGA úspěšně snižuje chybu mezi naměřeným napětím a odhadovaným napětím, takže odhadovaný SOC konverguje k přesné hodnotě, která nemůže být přímo měřen.

Experimentální ověřovací pozorovatel

Testování jedné baterie:Po ověření v reálném čase pomocí předem zaznamenaných dat se další testování provádí během skutečného vybíjení baterie. Pomocí testovací platformy znázorněné na obrázku spusťte pozorovatele při vybíjení baterie, abyste vyhodnotili přesnost odhadu SOC. Generováním cyklů proudových pulzů jako nastavené hodnoty pro programovatelné aktivní zátěže pro vybití baterie experimentální výsledky ukazují, že na začátku aktuálního cyklu může filtr opravit počáteční SOC 0 %. S klesajícím napětím klesá i SOC a systém to může automaticky korigovat. V procesu odhadu však dochází k oscilacím, zejména kvůli šumu měření senzoru, což vyžaduje jemnější filtr.

Testování baterie:Protože se výzkumná baterie skládá z 5 sériově zapojených baterií, je třeba vyvinout odhad pro testování celé sady baterií. Začleněním technologie multiplexování s časovým dělením do modelu Kalmanova filtru je generován aktuální pulzní cyklus s periodou 3200 s a amplitudou -2,5A jako programovatelná hodnota nastavení aktivní zátěže pro baterii. splnit. Výsledky ukazují, že pozorovatel může přesně odhadnout napětí a SOC každé baterie v celém bateriovém bloku. Na základě pěti křivek lze určit SOC a napětí každé baterie, což má významné výhody ve srovnání s předchozími studiemi, které pouze odhadují celkové napětí a SOC sady baterií. SOC pozorovatel má dobu provedení 2,5 µs a typickou periodu vzorkování 0,1 s. Čip Spartan 6 má dostatek času na provedení více odhadů SOC a sledování dalších stavů (jako je vnitřní teplota) během jedné periody vzorkování. Implementace FPGA nespotřebovala významné množství zdrojů a přes složitost programu nebyly dostupné zdroje FPGA plně využity.

6. Shrnutí

V oblasti embedded aplikací je energetický management zásadní pro optimalizaci spotřeby energie a prodloužení životnosti baterie. To vyžaduje, abychom byli schopni přesně sledovat stav nabíjení baterie. Tato studie se zaměřuje na vývoj stavu pozorovatele pro odhad napětí a stavu nabíjení každé baterie v lithium-iontové baterii. Pozorovatel používá Kalmanův filtrační algoritmus vhodný pro lithium-iontové baterie a má schopnost opravit stav nabití, když počáteční odhadovaná hodnota není v souladu se skutečným stavem nabíjení. Implementace tohoto složitého algoritmu na levném Spartan 6 FPGA (cena pod 20 eur) se ukázala jako vysoce efektivní a dokáže monitorovat více baterií současně, čímž se snižují náklady na systémy správy baterií.

Experimentální výsledky ukazují, že pozorovatel může přesně odhadnout napětí a stav nabíjení každé baterie, což prokazuje významné výhody ve srovnání s předchozími studiemi, které mohly pouze odhadnout napětí a stav nabíjení celé sady baterií. Nízká doba provádění a spotřeba zdrojů z pozorovatele činí výkonný nástroj pro monitorování a řízení lithium-iontových baterií v reálném čase, vhodný pro různé scénáře aplikací. Přestože se během procesu implementace vyskytly problémy, jako je datový šum, tyto problémy lze účinně řešit přijetím vhodných filtračních technik, aby byla zajištěna přesnost výsledků. Celkově tato studie přispěla významnou hodnotou do oblasti systémů správy baterií a otevřela nové cesty pro budoucí výzkum.