Эффективное внедрение мониторинга и прогнозирования SOC в режиме реального времени для литий-ионных аккумуляторов

Абстрактный

Это исследование посвящено мониторингу состояния зарядки литий-ионных аккумуляторов, что имеет решающее значение для безопасности и эффективности управления энергопотреблением аккумуляторов во встроенных приложениях. Точное понимание состояния зарядки аккумуляторов имеет решающее значение для обеспечения их безопасного использования и работоспособности. Исследовательская группа разработала и реализовала алгоритм наблюдателя на основе фильтра Калмана, который был развернут на FPGA Spartan 6. Алгоритм может точно оценить состояние зарядки аккумулятора, даже если существует отклонение между начальным расчетным значением и фактическим состоянием. В этой статье особенно подчеркиваются преимущества FPGA в быстрых вычислениях, которые позволяют FPGA служить эффективным ведомым компонентом в системах управления батареями (BMS), отслеживая состояние зарядки большого количества батарей при меньших затратах. Реализация этого наблюдателя на недорогой FPGA имеет большое значение для снижения стоимости систем управления батареями в таких приложениях, как электромобили. Кроме того, эффективность модели наблюдателя была подтверждена посредством тщательного моделирования и тестирования в реальном времени. В этом исследовании предлагается эффективный метод точной оценки состояния зарядки литий-ионных батарей, обеспечивающий надежную поддержку эффективного управления энергией батареи в различных приложениях.

1. Введение

Важность управления энергопотреблением и оценки SOC:Управление энергопотреблением имеет решающее значение во встроенных приложениях, особенно в устройствах с батарейным питанием, поскольку оно влияет на срок службы батареи и общую производительность системы. Литий-ионные аккумуляторы широко используются благодаря их высокой плотности энергии, низкой скорости саморазряда и длительному сроку службы. Для обеспечения безопасности и эффективности системы аккумуляторного электропитания необходима точная оценка SOC. Неточная оценка может привести к перезаряду, переразряду и преждевременному выходу из строя аккумулятора. Однако нелинейные и изменяющиеся во времени характеристики литий-ионных батарей делают оценку SOC весьма сложной задачей, поэтому были предложены различные методы оценки, в том числе подходы, основанные на моделях и данных.

Система управления батареями и метод оценки SOC

Система управления батареями (BMS) — это важный компонент аккумуляторной батареи, который контролирует состояние батареи и контролирует процесс зарядки и разрядки. Точная оценка SOC — одна из его ключевых функций, которая помогает оптимизировать использование батареи, предотвратить перезарядку и чрезмерную разрядку. Алгоритм должен соответствовать высокой точности, устойчивости к ошибкам датчиков низкой точности и неправильной оценке параметров батареи, а также низким требованиям к вычислительной мощности. Методы моделирования и оценки для достижения точной оценки SOC включают электрохимию, эквивалентные схемы и методы, основанные на данных. Электрохимические модели точны, но требуют больших вычислительных затрат и требуют специальных знаний, в то время как методы, основанные на наблюдателе, относительно просты и имеют хорошую точность.

Методы оценки SOC делятся на две категории:оценка с разомкнутым и замкнутым контуром. Методы разомкнутого контура, такие как подсчет Кулона, просты, но требуют начальных знаний SOC, медленной динамики и низкой надежности, в то время как методы определения напряжения разомкнутой цепи точны, но требуют, чтобы батарея оставалась бездействующей в течение длительного времени. Методы с обратной связью в основном включают управление с прогнозированием модели (MPC) и связанные с ним методы (такие как расширенный фильтр Калмана (EKF), двойной расширенный фильтр Калмана (DEKF), адаптивный расширенный фильтр Калмана (AEKF), адаптивный гибридный алгоритм (AMA), State Observer, Generalized Extended State Observer (GESO), метод нечеткой логики и нейронная сеть), а также такие методы, как фильтр H-бесконечности, наблюдатель скользящего режима (SMO), Методы на основе фильтра частиц (PF) и варианты фильтра Калмана (например, фильтр Калмана без запаха (UKF) и точечный сигма-фильтр Калмана (SPKF)).

Применение EKF и FPGA для оценки SOC:Существуют различные методы онлайн-оценки SOC, и государственные наблюдатели (особенно EKF) популярны из-за их надежности. При управлении батареями рекурсивный алгоритм EKF может комбинировать модели батарей и данные измерений для оценки SOC. Однако реализация сложных алгоритмов с помощью микроконтроллеров обходится дорого и может не подходить для систем с несколькими батареями. Затраты на BMS (включая мониторинг и балансировку) могут достигать 30% стоимости аккумуляторных батарей. Таким образом, это исследование сосредоточено на быстром расчете алгоритма оценки SOC для аккумуляторов электромобилей с несколькими батареями, включенными последовательно, с использованием программируемых вентильных матриц (FPGA). FPGA доказали свою эффективность в промышленной сфере. Целью данного исследования является реализация наблюдателя на основе алгоритма EKF на недорогой и эффективной ПЛИС Spartan 6, который может корректировать первоначальную неточную оценку SOC. Быстрое время наблюдения позволяет обеспечить одновременное наблюдение за несколькими батареями с помощью одной и той же FPGA, что снижает стоимость BMS электромобилей или других аккумуляторных систем SOC, которые необходимо контролировать. В последующих главах статьи будут последовательно представлены модель литий-ионной батареи, конструкция наблюдателя, реализация на FPGA, моделирование в среде Xilinx, результаты экспериментов, выводы исследований и будущая работа.

2. Обвиняющий государственный наблюдатель

Модель аккумулятора

Существуют различные методы моделирования, позволяющие точно представить динамическое поведение электрохимических ячеек. Хотя электрохимические модели могут помочь спрогнозировать производительность батареи и понять механизмы старения, они требуют начальных и граничных условий батареи, сложны в вычислительном отношении и не подходят для приложений реального времени. Поэтому была разработана упрощенная модель, основанная на эквивалентной схеме (EEC), которая подходит для специалистов, не являющихся электрохимиками, и ее легко применять в режиме реального времени. Однако электрохимические явления необходимо учитывать на уровне батареи, чтобы упростить распознавание модели.

Модель EEC, используемая в этом исследовании, включает в себя источник напряжения разомкнутой цепи (OCV), резистор R Ω, ​​представляющий высокочастотные явления, такие как сопротивление электролита и соединения, а также динамическое сопротивление переноса заряда, и параллельную цепь R1C1, имитирующую низкочастотные диффузионные явления. Для упрощения расчетов в реальном времени используется одна RC-цепь для моделирования диффузионных явлений с периодом выборки Te=0.1 секунды, которую можно игнорировать по сравнению с периодом выборки из-за динамического переноса заряда (около 10 мс). ). Уравнение состояния модели батареи распространяется на SOC, как показано в формуле 1:

(Где Qnom — номинальная емкость, V1 — напряжение в цепи R1C1, SOC — состояние заряда, Ubat — напряжение на клеммах аккумулятора), модель батареи с дискретным состоянием расширяется до SOC, как показано в формуле 2:

Наблюдатель SOC на основе фильтра Калмана

SOC невозможно измерить напрямую, и для решения этой проблемы обычно используется расширенный фильтр Калмана (EKF). Для этого требуется точная модель батареи и способность оценивать SOC в определенном диапазоне шума. EKF инициализирует и прогнозирует переменные состояния в определенный момент времени выборки Te, используя уравнение состояния модели батареи (формула 1), которое включает SOC для прогнозирования. Производительность наблюдателя зависит от уверенности в измерении и модели с учетом неопределенности модели wk и неопределенности измерения напряжения vk (формула 3):

Предполагая, что это белый шум, гауссов шум и имеют нулевое среднее значение, они включаются в ковариационные матрицы Q и R шума состояния и шума измерения соответственно.

Из-за нелинейности расширения модели батареи до SOC (поскольку OCV связано с SOC), необходимо линеаризовать ее путем расчета матрицы Якоби в каждый момент выборки (формула 4):

Линеаризуйте и рассчитайте коэффициент усиления Калмана (формула 5):

Обновить ковариационную матрицу (формула 6):

Наконец, используйте коррекцию оптимального усиления, чтобы спрогнозировать вектор состояния (формула 7):

Параметры EKF сведены в таблицу ниже.

3. Реализация ПЛИС

Проект архитектуры FPGA:FPGA состоит из ресурсов обработки (таких как память, логика и регистры, сгруппированные в различные типы логических блоков) и ресурсов программируемых межсоединений. При программировании необходимо указать функции логических блоков и организовать сеть межсоединений. В данном исследовании основное внимание уделяется архитектуре матричной программируемой схемы, логические блоки которой имеют правильную прямоугольную структуру и подключены к сети маршрутизации (состоящей из горизонтальных и вертикальных каналов) через программируемые точки соединения. FPGA состоит из предварительно разработанных базовых батарей и межсоединений, и пользователи могут программировать и создавать конкретные аппаратные архитектуры, соответствующие требованиям приложений. Он демонстрирует высокую пропускную способность и возможности обработки с низкой задержкой в ​​промышленной области, а его гибкость может повысить производительность, снизить затраты и обеспечить масштабируемость. Использование FPGA для настраиваемых параллельных вычислений сокращает время выполнения алгоритма, но программирование требует оптимизации физических свойств, включая производительность алгоритма по времени/площади и выбор битов формата данных, сохраняя при этом базовую точность наблюдателя.

Оборудование и программное обеспечение:Целью данного исследования является внедрение расширенного фильтра Калмана (EKF) для оценки состояния заряда (SOC) аккумуляторной батареи в системе реального времени с использованием аппаратной платформы dSPACE MicroAutoBox II (MABXII), которая является надежной и устойчивой для проектирования прототипов. и испытания в автомобильной промышленности. Встроенная ПЛИС Xilinx Spartan-6 (XC6SLX150) имеет высокую производительность и низкое энергопотребление (основные характеристики приведены в таблице 2), что делает ее подходящей для этого приложения. Наблюдатель SOC реализован на этой FPGA и тестирует SOC отдельных батарей в аккумуляторном блоке, состоящем из 5 последовательно соединенных литий-ионных батарей (параметры аккумуляторного блока: общее номинальное напряжение 18 В, номинальное напряжение одной батареи 3,6 В, общая емкость 2,5 Ач, с использованием литий-ионного аккумулятора Samsung 25R 18650, положительный электрод представляет собой смесь химикатов NCA и NMC, отрицательный электрод представляет собой графит, параметры модели аккумулятора определяются по постоянному току. технология прерывистого титрования GITT, как показано на рисунке 4). При температуре батареи 25 градусов C и постоянных параметрах алгоритм EKF разрабатывается с использованием блоков Simulink (как показано на рисунке 5) и оптимизирован для производительности и использования ресурсов посредством конвейера, мультиплексирования/свертывания с временным разделением и настраиваемой точности.

Технология мультиплексирования с временным разделением:Исследуемый аккумуляторный блок содержит 5 последовательно соединенных литий-ионных батарей, и существует два метода оценки SOC каждой батареи. Один из них — разработать конструкцию с пятью моделями батарей, но из-за высоких требований к ресурсам она не подходит для приложений реального времени и требует более дорогой и богатой ресурсами FPGA. Второй метод основан на мультиплексировании с временным разделением (см. рисунок 6), с каждым временем выборки Te '=0,02 секунды. После того, как ток аккумуляторной батареи и напряжение батареи оцифровываются АЦП платы MicroAutoBox DSP, конечный автомат отправляет данные в FPGA для выполнения алгоритма EKF. После завершения алгоритма оцененный и скорректированный SOC, ковариационная матрица ошибок и напряжение диффузии отправляются обратно в DSP. Последующие усилия будут сосредоточены на проверке наблюдателя посредством моделирования, что имеет решающее значение для обеспечения точности и эффективности наблюдателя перед его развертыванием на FPGA.

4. Проверка наблюдателей Xilinx

Процесс проверки:Алгоритм проверяется с использованием библиотеки системного генератора, специально разработанной для программирования FPGA. Эта библиотека позволяет программировать FPGA с использованием блоков Simulink, а обработка данных может выполняться в режиме с плавающей или фиксированной запятой. Чем выше точность, тем больше требования к ресурсам FPGA. Чтобы сбалансировать точность результатов и использование ресурсов, в этом исследовании было выбрано знаковое представление в режиме с фиксированной запятой, а именно формат Fix32_16 (15 бит для целой части, 16 бит для десятичной части и 1 бит для знака). . Основным преимуществом использования этой библиотеки Xilinx является простота ее реализации на FPGA без необходимости сложного программирования VHDL.

Оценка эффективности и результаты

Производительность наблюдателя на основе EKF оценивается по текущей кривой тока разряда 1С (2,5А). Фактическое значение SOC инициализируется равным 100 %, а начальное расчетное значение SOC SOC-0 устанавливается равным 0 % (SOC-0 — это настраиваемый параметр, который может достигать широкого диапазона значений. предполагаемая инициализация SOC). Эталонное значение SOC получается из кулоновского счетчика, инициализированного с правильным начальным SOC и номинальной емкостью. Поместите разработанный оценщик под кривую разрядного тока шага тока 1С для проверки.

Результаты показывают, что, хотя начальное расчетное значение отличается от фактического начального значения SOC, расчетное значение SOC по-прежнему сходится к фактическому SOC батареи, что указывает на то, что наблюдатель EKF может исправить плохую оценку SOC и привести расчетное SOC к фактическому. ценить. Однако представление с фиксированной запятой, используемое в реализации, ограничивает количество используемых битов, что приводит к ошибкам оценки, а ошибки могут накапливаться в ходе текущего процесса интегрирования при прогнозировании переменных состояния, что приводит к большому диапазону ошибок между расчетными и фактическими значениями. . Однако, пока абсолютная ошибка составляет менее 5%, фильтр считается эффективным и может точно оценить переменные состояния.

5. Результаты реализации FPGA в реальном времени

Проверка в реальном времени (с использованием предварительно записанных данных):Перед фактическим тестированием батареи смоделируйте тестирование, используя предварительно записанные данные о токе/напряжении батареи. Результаты испытаний показывают, что наблюдатель имеет хорошую производительность в реальном времени. Кривая тока разряжается с шагом тока 1C (2,5 А), а SOC инициализируется значением 0%. Эталонное значение SOC получается с помощью правильно инициализированного кулонометра. По сравнению с результатами моделирования Xilinx, производительность наблюдателя в обоих случаях одинакова, а фильтр Калмана, реализованный на FPGA, успешно уменьшает ошибку между измеренным напряжением и расчетным напряжением, заставляя расчетный SOC сходиться к точному значению, которое не может быть достигнуто. быть непосредственно измерено.

Наблюдатель экспериментальной проверки

Тестирование одной батареи:После проверки в реальном времени с использованием предварительно записанных данных дальнейшее тестирование проводится во время фактического разряда батареи. Используя испытательную платформу, показанную на рисунке, запустите наблюдатель при разрядке аккумулятора, чтобы оценить точность оценки SOC. Генерируя циклы импульсов тока в качестве заданного значения для программируемых активных нагрузок для разряда аккумулятора, экспериментальные результаты показывают, что в начале цикла тока фильтр может корректировать начальный SOC на 0%. По мере снижения напряжения SOC также уменьшается, и система может автоматически его скорректировать. Однако в процессе оценки наблюдаются колебания, в основном из-за шума измерений датчика, что требует более сглаживающего фильтра.

Тестирование аккумуляторной батареи:Поскольку исследовательская батарея состоит из 5 последовательно соединенных батарей, необходимо разработать оценщик для тестирования всей аккумуляторной батареи. Благодаря включению технологии временного мультиплексирования в модель фильтра Калмана, цикл импульсов тока с периодом 3200 с и амплитудой -2,5 А генерируется в качестве программируемого значения настройки активной нагрузки для аккумулятора. увольнять. Результаты показывают, что наблюдатель может точно оценить напряжение и уровень заряда каждой батареи во всем аккумуляторном блоке. На основе пяти кривых можно определить SOC и напряжение каждой батареи, что имеет значительные преимущества по сравнению с предыдущими исследованиями, которые оценивали только общее напряжение и SOC аккумуляторной батареи. Наблюдатель SOC имеет время выполнения 2,5 мкс и типичный период выборки 0,1 с. Чип Spartan 6 имеет достаточно времени для выполнения нескольких оценок SOC и наблюдения за другими состояниями (например, внутренней температурой) в течение одного периода выборки. Реализация FPGA не потребляла значительного количества ресурсов, и, несмотря на сложность программы, доступные ресурсы FPGA не были использованы полностью.

6. Резюме

В области встраиваемых приложений управление энергопотреблением имеет решающее значение для оптимизации энергопотребления и продления срока службы батареи. Это требует от нас возможности точно отслеживать состояние зарядки аккумулятора. В данном исследовании основное внимание уделяется разработке государственного наблюдателя для оценки напряжения и состояния зарядки каждой батареи в литий-ионном аккумуляторном блоке. Наблюдатель использует алгоритм фильтрации Калмана, подходящий для литий-ионных аккумуляторов, и имеет возможность корректировать состояние зарядки, когда первоначальное расчетное значение не соответствует фактическому состоянию зарядки. Реализация этого сложного алгоритма на недорогой FPGA Spartan 6 (ценой менее 20 евро) оказалась высокоэффективной, способной одновременно контролировать несколько батарей, тем самым снижая стоимость систем управления батареями.

Результаты эксперимента показывают, что наблюдатель может точно оценить напряжение и состояние зарядки каждой батареи, демонстрируя значительные преимущества по сравнению с предыдущими исследованиями, которые могли оценить только напряжение и состояние зарядки всей аккумуляторной батареи. Малое время выполнения и потребление ресурсов наблюдателя делают его мощным инструментом для мониторинга и управления литий-ионными аккумуляторами в реальном времени, подходящим для различных сценариев применения. Хотя в процессе реализации возникли такие проблемы, как шум в данных, эти проблемы можно эффективно решить, приняв соответствующие методы фильтрации для обеспечения точности результатов. В целом, это исследование внесло значительный вклад в область систем управления батареями и открыло новые возможности для будущих исследований.