Efektīva reāllaika uzraudzības un SOC prognozēšanas ieviešana litija jonu akumulatoriem

Abstrakts

Šis pētījums attiecas uz litija jonu akumulatoru uzlādes stāvokļa uzraudzību, kas ir ļoti svarīgs akumulatora enerģijas pārvaldības drošībai un efektivitātei iegultās lietojumprogrammās. Precīzai akumulatoru uzlādes stāvokļa izpratnei ir izšķiroša nozīme, lai nodrošinātu to drošu lietošanu un veiktspēju. Pētnieku komanda izstrādāja un ieviesa novērotāja algoritmu, kura pamatā ir Kalmana filtrs, kas tika izvietots Spartan 6 FPGA. Algoritms var precīzi novērtēt akumulatora uzlādes stāvokli, pat ja ir novirze starp sākotnējo aprēķināto vērtību un faktisko stāvokli. Šajā rakstā īpaši uzsvērtas FPGA priekšrocības ātrā skaitļošanā, kas ļauj FPGA darboties kā efektīvai palīgkomponentei akumulatoru pārvaldības sistēmās (BMS), uzraugot liela skaita akumulatoru uzlādes statusu ar zemākām izmaksām. Šī novērotāja ieviešana zemo izmaksu FPGA ir ļoti svarīga, lai samazinātu akumulatora pārvaldības sistēmu izmaksas tādās lietojumprogrammās kā elektriskie transportlīdzekļi. Turklāt novērotāja modeļa efektivitāte ir apstiprināta, izmantojot stingru simulāciju un reāllaika testēšanu. Šis pētījums piedāvā efektīvu metodi litija jonu akumulatoru uzlādes stāvokļa precīzai novērtēšanai, nodrošinot spēcīgu atbalstu efektīvai akumulatora enerģijas pārvaldībai dažādās lietojumprogrammās.

1. Ievads

Enerģijas pārvaldības un SOC novērtējuma nozīme:Enerģijas pārvaldība ir ļoti svarīga iegultajās lietojumprogrammās, jo īpaši ierīcēs, kas darbojas ar akumulatoru, jo tā ietekmē akumulatora darbības laiku un kopējo sistēmas veiktspēju. Litija jonu akumulatori tiek plaši izmantoti to augstā enerģijas blīvuma, zemā pašizlādes ātruma un ilgā cikla mūža dēļ. Lai nodrošinātu akumulatora barošanas sistēmas drošību un efektivitāti, ir svarīgi precīzi novērtēt SOC. Neprecīzs novērtējums var izraisīt akumulatora pārlādēšanu, pārmērīgu izlādi un priekšlaicīgu akumulatora atteici. Tomēr litija jonu akumulatoru nelineārie un laika ziņā mainīgie raksturlielumi padara SOC aprēķinu diezgan sarežģītu, tāpēc ir ierosinātas dažādas novērtēšanas metodes, tostarp uz modeļiem balstītas un uz datiem balstītas pieejas.

Akumulatora pārvaldības sistēma un SOC novērtēšanas metode

Akumulatora pārvaldības sistēma (BMS) ir svarīga akumulatora komplekta sastāvdaļa, kas uzrauga akumulatora stāvokli un kontrolē uzlādes un izlādes procesu. Precīzs SOC novērtējums ir viena no tā galvenajām funkcijām, kas palīdz optimizēt akumulatora lietošanu, novērst pārlādēšanu un pārmērīgu izlādi. Algoritmam ir jāatbilst augstas precizitātes, noturības pret zemas precizitātes sensora kļūdām un akumulatora parametru nepareizas novērtēšanas prasībām, kā arī zemas skaitļošanas jaudas prasībām. Modelēšanas un novērtēšanas metodes precīzas SOC aplēses sasniegšanai ietver elektroķīmiju, līdzvērtīgas shēmas un uz datiem balstītas metodes. Elektroķīmiskie modeļi ir precīzi, bet skaitļošanas ziņā dārgi, un tiem ir nepieciešamas īpašas zināšanas, savukārt uz novērotājiem balstītas metodes ir salīdzinoši vienkāršas un ar labu precizitāti.

SOC novērtēšanas metodes ir sadalītas divās kategorijās:atklātā un slēgtā cikla novērtējums. Atvērtās cilpas metodes, piemēram, Kulona skaitīšana, ir vienkāršas, taču tām ir nepieciešamas sākotnējās SOC zināšanas, lēna dinamika un slikta uzticamība, savukārt atvērtās ķēdes sprieguma metodes ir precīzas, taču tām ir nepieciešams ilgu laiku atstāt akumulatoru dīkstāvē. Slēgtā cikla metodes galvenokārt ietver modeļa prognozējošo vadību (MPC) un ar to saistītās metodes (piemēram, paplašināto Kalmana filtru (EKF), dubulto paplašināto Kalmana filtru (DEKF), adaptīvo paplašināto Kalmana filtru (AEKF), adaptīvo hibrīda algoritmu (AMA), State Observer, Generalized Extended State Observer (GESO), Fuzzy Logic Method un Neural Network), kā arī metodes, piemēram, H bezgalības filtrs, slīdošā režīma novērotājs (SMO), uz daļiņu filtru (PF) balstītas metodes un Kalmana filtra varianti (piemēram, bez smaržas Kalmana filtrs (UKF) un Sigma Point Kalman filtrs (SPKF)).

EKF un FPGA pielietojums SOC novērtēšanā:Tiešsaistes SOC novērtēšanai ir dažādas metodes, un valsts novērotāji (īpaši EKF) ir populāri to robustuma dēļ. Akumulatora pārvaldībā EKF rekursīvais algoritms var apvienot akumulatoru modeļus un mērījumu datus, lai novērtētu SOC. Tomēr sarežģītu algoritmu ieviešana ar mikrokontrolleriem ir dārga un var nebūt piemērota vairāku akumulatoru sistēmām. BMS izmaksas (ieskaitot uzraudzību un balansēšanu) var sasniegt 30% no akumulatoru komplekta cenām. Tāpēc šis pētījums ir vērsts uz ātru SOC novērtēšanas algoritma aprēķinu elektrisko transportlīdzekļu akumulatoriem ar vairākiem akumulatoriem virknē, izmantojot lauka programmējamos vārtu blokus (FPGA). Ir pierādīts, ka FPGA ir efektīvas rūpniecības jomā. Šī pētījuma mērķis ir ieviest novērotāju, kura pamatā ir EKF algoritms, izmantojot zemu izmaksu un efektīvu Spartan 6 FPGA, kas var labot sākotnējo neprecīzo SOC novērtējumu. Ātrais novērošanas laiks var nodrošināt vienlaicīgu vairāku akumulatoru novērošanu ar vienu un to pašu FPGA, samazinot elektrisko transportlīdzekļu vai citu akumulatoru SOC sistēmu BMS izmaksas, kuras ir jāuzrauga. Nākamajās darba nodaļās tiks iepazīstināts ar litija jonu akumulatora modeli, novērotāja konstrukciju, ieviešanu uz FPGA, simulāciju Xilinx vidē, eksperimentu rezultātiem, pētījumu secinājumiem un turpmāko darbu secībā.

2. Uzlādes stāvokļa novērotājs

Akumulatora modelis

Ir dažādas modelēšanas metodes, lai precīzi attēlotu elektroķīmisko šūnu dinamisko uzvedību. Lai gan elektroķīmiskie modeļi var palīdzēt prognozēt akumulatora veiktspēju un izprast novecošanas mehānismus, tiem ir nepieciešami akumulatora sākotnējie un robežnosacījumi, un tie ir skaitļošanas ziņā sarežģīti un nav piemēroti reāllaika lietojumprogrammām. Tādējādi tika izstrādāts vienkāršots modelis, kura pamatā ir ekvivalenta shēma (EEK), kas ir piemērots neelektroķīmiskiem profesionāļiem un viegli lietojams reāllaikā. Tomēr elektroķīmiskās parādības ir jāņem vērā akumulatora līmenī, lai vienkāršotu modeļa atpazīšanu.

Šajā pētījumā izmantotais EEK modelis ietver atvērtas ķēdes sprieguma avotu (OCV), rezistoru R Ω, ​​kas attēlo augstfrekvences parādības, piemēram, elektrolīta un savienojuma pretestību, kā arī lādiņa pārneses dinamisko pretestību, un paralēlo ķēdi R1C1, kas imitē zemfrekvences. difūzijas parādības. Lai vienkāršotu reāllaika aprēķinus, tiek izmantota viena RC ķēde, lai modelētu difūzijas parādības ar paraugu ņemšanas periodu Te=0,1 sekunde, ko var ignorēt salīdzinājumā ar iztveršanas periodu dinamiskās lādiņa pārneses dēļ (apmēram 10 ms). ). Akumulatora modeļa stāvokļa vienādojums tiek paplašināts līdz SOC, kā parādīts 1. formulā:

(Ja Qnom ir nominālā ietilpība, V1 ir spriegums R1C1 ķēdē, SOC ir uzlādes stāvoklis, Ubat ir akumulatora spailes spriegums), diskrētā stāvokļa akumulatora modelis tiek paplašināts līdz SOC, kā parādīts 2. formulā:

SOC novērotājs, pamatojoties uz Kalmana filtru

SOC nevar tieši izmērīt, un šīs problēmas risināšanai parasti izmanto paplašināto Kalmana filtru (EKF). Tam nepieciešams precīzs akumulatora modelis un spēja novērtēt SOC noteiktā trokšņu diapazonā. EKF inicializē un prognozē stāvokļa mainīgos noteiktā paraugu ņemšanas laikā Te, izmantojot akumulatora modeļa stāvokļa vienādojumu (Formula 1), kas ietver SOC prognozēšanai. Novērotāja veiktspēja ir atkarīga no mērījuma un modeļa ticamības, ņemot vērā modeļa nenoteiktību wk un sprieguma mērījumu nenoteiktību vk (Formula 3):

Pieņemot, ka tie ir baltais troksnis, Gausa troksnis un kuru vidējais rādītājs ir nulle, tie ir iekļauti attiecīgi stāvokļa un mērījumu trokšņa kovariācijas matricās Q un R.

Tā kā akumulatora modeļa paplašināšana uz SOC ir nelinearitāte (jo OCV ir saistīta ar SOC), ir nepieciešams to linearizēt, aprēķinot Jakoba matricu katrā parauga ņemšanas laikā (4. formula):

Linearizējiet un aprēķiniet Kalmana pieaugumu (5. formula):

Atjaunināt kovariācijas matricu (6. formula):

Visbeidzot, izmantojiet optimālo pastiprinājuma korekciju, lai prognozētu stāvokļa vektoru (7. formula):

EKF parametri ir apkopoti zemāk esošajā tabulā.

3. FPGA ieviešana

FPGA arhitektūras dizains:FPGA sastāv no apstrādes resursiem (piemēram, atmiņas, loģikas un reģistriem, kas sagrupēti dažāda veida loģikas blokos) un programmējamiem starpsavienojuma resursiem. Programmējot ir nepieciešams precizēt loģisko bloku funkcijas un organizēt starpsavienojumu tīklu. Šajā pētījumā galvenā uzmanība pievērsta matricas programmējamās shēmas arhitektūrai, kuras loģiskie bloki ir regulārā taisnstūrveida struktūrā un ir savienoti ar maršrutēšanas tīklu (kas sastāv no horizontāliem un vertikāliem kanāliem) caur programmējamiem starpsavienojuma punktiem. FPGA sastāv no iepriekš izstrādātām pamata baterijām un starpsavienojumiem, un lietotāji var programmēt un izveidot īpašas aparatūras arhitektūras, kas atbilst lietojumprogrammu prasībām. Tam ir augsta caurlaidspēja un zema latentuma apstrādes iespējas rūpnieciskajā jomā, un tā elastība var uzlabot veiktspēju, samazināt izmaksas un mērogojamību. FPGA izmantošana konfigurējamai paralēlai skaitļošanai samazina algoritma izpildes laiku, bet programmēšana prasa fizisko īpašību optimizāciju, tostarp algoritma laika/apgabala veiktspēju un datu formāta bitu izvēli, vienlaikus saglabājot novērotāja pamata precizitāti.

Aprīkojums un programmatūra:Šī pētījuma mērķis ir ieviest paplašināto Kalmana filtru (EKF), lai novērtētu akumulatora uzlādes stāvokli (SOC) reāllaika sistēmā, izmantojot dSPACE MicroAutoBox II (MABXII) aparatūras platformu, kas ir uzticama un izturīga prototipa projektēšanai. un testēšana automobiļu rūpniecībā. Tā iegultajam Xilinx Spartan-6 FPGA (XC6SLX150) ir augsta veiktspēja un zems enerģijas patēriņš (galvenās specifikācijas ir parādītas 2. tabulā), tāpēc tas ir piemērots šim lietojumam. SOC novērotājs ir ieviests šajā FPGA un pārbauda atsevišķu akumulatoru SOC akumulatoru komplektā, kas sastāv no 5 sērijveidā savienotiem litija jonu akumulatoriem (akumulatora komplekta parametri: kopējais nominālais spriegums 18 V, nominālais spriegums vienam akumulatoram 3,6 V, kopējā jauda 2,5 Ah, izmantojot Samsung 25R 18650 litija jonu akumulatoru, pozitīvais elektrods ir NCA un NMC ķīmisko vielu maisījums, negatīvs elektrods ir grafīts, akumulatora modeļa parametrus nosaka ar pastāvīgās strāvas intermitējošās titrēšanas tehnoloģiju GITT, kā parādīts 4. attēlā). Pieņemot, ka akumulatora temperatūra ir 25 grādi C un parametri ir nemainīgi, EKF algoritms tiek izstrādāts, izmantojot Simulink blokus (kā parādīts 5. attēlā), un optimizēts veiktspējai un resursu izmantošanai, izmantojot konveijeru, laika dalīšanas multipleksēšanu/locīšanu un pielāgotu precizitāti.

Laika dalīšanas multipleksēšanas tehnoloģija:Pētotajā akumulatoru komplektā ir 5 sērijveidā savienoti litija jonu akumulatori, un katra akumulatora SOC noteikšanai ir divas metodes. Viens no tiem ir izstrādāt dizainu ar pieciem akumulatoru modeļiem, taču augsto resursu prasību dēļ tas nav piemērots reāllaika lietojumprogrammām un prasa dārgāku un resursiem bagātāku FPGA. Otrā metode ir balstīta uz laika dalīšanas multipleksēšanu (sk. 6. attēlu), ar katru iztveršanas laiku Te '=0.02 sekundes. Pēc tam, kad MicroAutoBox DSP plate ADC ir digitalizējusi akumulatora strāvu un akumulatora spriegumu, stāvokļa mašīna nosūta datus uz FPGA, lai izpildītu EKF algoritmu. Kad algoritms ir pabeigts, aprēķinātā un labotā SOC, kļūdu kovariācijas matrica un difūzijas spriegums tiek nosūtīti atpakaļ uz DSP. Turpmākie centieni tiks vērsti uz novērotāja pārbaudi, izmantojot simulāciju, kas ir ļoti svarīgi, lai nodrošinātu novērotāja precizitāti un efektivitāti pirms izvietošanas FPGA.

4. Xilinx veikta novērotāju pārbaude

Verifikācijas process:Algoritms tiek apstiprināts, izmantojot sistēmas ģeneratora bibliotēku, kas īpaši izstrādāta FPGA programmēšanai. Šī bibliotēka ļauj programmēt FPGA, izmantojot Simulink blokus, un datu apstrādi var veikt peldošā komata vai fiksētā punkta režīmā. Jo augstāka precizitāte, jo lielākas ir FPGA resursu prasības. Lai līdzsvarotu rezultātu precizitāti un resursu izmantošanu, šajā pētījumā tika izvēlēts attēlojums ar zīmi fiksētā punkta režīmā, īpaši Fix32_16 formāts (15 biti veselai daļai, 16 biti decimāldaļai un 1 bits zīmei). . Šīs Xilinx bibliotēkas izmantošanas galvenā priekšrocība ir tās vieglā ieviešana FPGA, bez nepieciešamības pēc sarežģītas VHDL programmēšanas.

Darbības novērtējums un rezultāti

Novērotāja veiktspēja, pamatojoties uz EKF, tiek novērtēta, izmantojot 1C izlādes strāvas (2,5A) strāvas līkni. Faktiskais SOC tiek inicializēts uz 100%, un sākotnējā aptuvenā SOC vērtība SOC-0 ir iestatīta uz 0% (SOC-0 ir regulējams parametrs, kas var sasniegt plašu paredzamā SOC inicializācija). SOC atsauces vērtību iegūst no kulonu mērītāja, kas inicializēts ar pareizo sākotnējo SOC un nominālo jaudu. Verifikācijai novietojiet izstrādāto novērtētāju zem 1C strāvas pakāpes izlādes strāvas līknes.

Rezultāti rāda, ka, lai gan sākotnējā aprēķinātā vērtība atšķiras no faktiskās SOC sākotnējās vērtības, aprēķinātā SOC joprojām tuvojas faktiskajam akumulatora SOC, norādot, ka EKF novērotājs var labot sliktu SOC aprēķinu un likt aprēķinātajam SOC konverģēt faktiskajam. vērtību. Tomēr ieviešanā izmantotais fiksētā punkta attēlojums ierobežo izmantoto bitu skaitu, izraisot novērtējuma kļūdas, un pašreizējā integrācijas procesa laikā, prognozējot stāvokļa mainīgos, var uzkrāties kļūdas, kā rezultātā starp aplēsto un faktisko vērtību var rasties liels kļūdu diapazons. . Tomēr, kamēr absolūtā kļūda ir mazāka par 5%, filtrs tiek uzskatīts par efektīvu un var precīzi novērtēt stāvokļa mainīgos.

5. Reālā laika FPGA ieviešanas rezultāti

Reāllaika pārbaude (izmantojot iepriekš ierakstītus datus):Pirms faktiskās akumulatora pārbaudes simulējiet testēšanu, izmantojot iepriekš ierakstītus akumulatora strāvas/sprieguma datus. Testa rezultāti liecina, ka novērotājam ir laba reāllaika veiktspēja. Strāvas līkne tiek izlādēta ar 1C strāvas soli (2,5 A), un SOC tiek inicializēts uz 0%. SOC atsauces vērtību iegūst ar pareizi inicializētu kulonu mērītāju. Salīdzinot ar Xilinx simulācijas rezultātiem, novērotāja veiktspēja abos gadījumos ir līdzīga, un FPGA ieviestais Kalmana filtrs veiksmīgi samazina kļūdu starp izmērīto spriegumu un aprēķināto spriegumu, liekot aprēķinātajam SOC konverģēt uz precīzu vērtību, ko nevar. jāmēra tieši.

Eksperimentālās verifikācijas novērotājs

Viena akumulatora pārbaude:Pēc reāllaika pārbaudes, izmantojot iepriekš ierakstītus datus, turpmāka pārbaude tiek veikta faktiskās akumulatora izlādes laikā. Izmantojot attēlā parādīto testēšanas platformu, palaidiet novērotāju, vienlaikus izlādējot akumulatoru, lai novērtētu SOC novērtējuma precizitāti. Ģenerējot strāvas impulsu ciklus kā iestatīto vērtību programmējamām aktīvajām slodzēm, lai izlādētu akumulatoru, eksperimentālie rezultāti liecina, ka pašreizējā cikla sākumā filtrs var labot sākotnējo SOC 0%. Samazinoties spriegumam, samazinās arī SOC, un sistēma to var automātiski labot. Tomēr aplēses procesā ir svārstības, galvenokārt sensora mērījumu trokšņa dēļ, kam nepieciešams vienmērīgāks filtrs.

Akumulatora komplekta pārbaude:Tā kā izpētes akumulators sastāv no 5 sērijveidā savienotām baterijām, ir jāizstrādā novērtētājs visa akumulatora komplekta pārbaudei. Kalmana filtra modelī iekļaujot laika dalīšanas multipleksēšanas tehnoloģiju, kā programmējamā akumulatora aktīvās slodzes iestatījuma vērtība tiek ģenerēts strāvas impulsa cikls ar periodu 3200s un amplitūdu -2.5A. izlāde. Rezultāti liecina, ka novērotājs var precīzi novērtēt katra akumulatora spriegumu un SOC visā akumulatora komplektā. Pamatojoties uz piecām līknēm, var noteikt katra akumulatora SOC un spriegumu, kam ir ievērojamas priekšrocības salīdzinājumā ar iepriekšējiem pētījumiem, kas tikai novērtē akumulatora bloka kopējo spriegumu un SOC. SOC novērotāja izpildes laiks ir 2,5 µs un tipiskais paraugu ņemšanas periods ir 0,1 s. Spartan 6 mikroshēmai ir pietiekami daudz laika, lai veiktu vairākus SOC aprēķinus un novērotu citus stāvokļus (piemēram, iekšējo temperatūru) vienā paraugu ņemšanas periodā. FPGA ieviešana nepatērēja ievērojamu resursu apjomu, un, neskatoties uz programmas sarežģītību, pieejamie FPGA resursi netika pilnībā izmantoti.

6. Kopsavilkums

Iegulto lietojumprogrammu jomā enerģijas pārvaldība ir ļoti svarīga, lai optimizētu enerģijas patēriņu un pagarinātu akumulatora darbības laiku. Tas prasa, lai mēs varētu precīzi uzraudzīt akumulatora uzlādes stāvokli. Šis pētījums koncentrējas uz stāvokļa novērotāja izstrādi, lai novērtētu katra akumulatora spriegumu un uzlādes stāvokli litija jonu akumulatorā. Novērotājs pieņem Kalmana filtrēšanas algoritmu, kas piemērots litija jonu akumulatoriem, un tam ir iespēja labot uzlādes stāvokli, ja sākotnējā aprēķinātā vērtība neatbilst faktiskajam uzlādes stāvoklim. Ir pierādīts, ka šī sarežģītā algoritma ieviešana uz zemu izmaksu Spartan 6 FPGA (cena zem 20 eiro) ir ļoti efektīva, un tā spēj vienlaikus uzraudzīt vairākas baterijas, tādējādi samazinot akumulatora pārvaldības sistēmu izmaksas.

Eksperimentālie rezultāti parāda, ka novērotājs var precīzi novērtēt katra akumulatora spriegumu un uzlādes stāvokli, demonstrējot ievērojamas priekšrocības salīdzinājumā ar iepriekšējiem pētījumiem, kas varēja tikai novērtēt visa akumulatora bloka spriegumu un uzlādes stāvokli. Zemais izpildes laiks un novērotāja resursu patēriņš padara to par jaudīgu rīku litija jonu akumulatoru bloku reāllaika uzraudzībai un kontrolei, kas piemērots dažādiem lietojuma scenārijiem. Lai gan ieviešanas procesā tika sastaptas tādas problēmas kā datu troksnis, šīs problēmas var efektīvi risināt, pieņemot atbilstošas ​​filtrēšanas metodes, lai nodrošinātu rezultātu precizitāti. Kopumā šis pētījums ir devis ievērojamu vērtību akumulatoru pārvaldības sistēmu jomā un pavēris jaunas iespējas turpmākiem pētījumiem.