Implementarea eficientă a monitorizării în timp real și a predicției SOC pentru pachetele de baterii litiu-ion

Abstract

Acest studiu analizează monitorizarea stării de încărcare a bateriilor litiu-ion, care este crucială pentru siguranța și eficiența gestionării energiei bateriei în aplicațiile încorporate. Înțelegerea cu precizie a stării de încărcare a bateriilor este de o importanță decisivă pentru a asigura utilizarea și performanța lor în siguranță. Echipa de cercetare a dezvoltat și implementat un algoritm de observator bazat pe filtrul Kalman, care a fost implementat pe Spartan 6 FPGA. Algoritmul poate estima cu precizie starea de încărcare a bateriei, chiar dacă există o abatere între valoarea inițială estimată și starea reală. Acest articol subliniază în special avantajele FPGA în calculul rapid, care îi permite FPGA să servească ca o componentă slave eficientă în sistemele de management al bateriei (BMS), monitorizând starea de încărcare a unui număr mare de baterii la un cost mai mic. Implementarea acestui observator pe FPGA cu costuri reduse este de mare importanță pentru reducerea costului sistemelor de gestionare a bateriilor în aplicații precum vehiculele electrice. În plus, modelul de observator a fost validat pentru eficacitatea sa prin simulare riguroasă și testare în timp real. Acest studiu propune o metodă eficientă pentru estimarea cu precizie a stării de încărcare a bateriilor litiu-ion, oferind un suport puternic pentru gestionarea eficientă a energiei bateriei în diverse aplicații.

1. Introducere

Importanța managementului energiei și a estimării SOC:Gestionarea energiei este crucială în aplicațiile încorporate, în special dispozitivele alimentate cu baterie, deoarece afectează durata de viață a bateriei și performanța generală a sistemului. Bateriile cu ioni de litiu sunt utilizate pe scară largă datorită densității lor mari de energie, ratei scăzute de autodescărcare și duratei de viață lungi. Pentru a asigura siguranța și eficiența sistemului de alimentare cu baterie, estimarea precisă a SOC este esențială. Estimarea incorectă poate duce la supraîncărcare, supradescărcare și defectarea prematură a bateriei. Cu toate acestea, caracteristicile neliniare și variabile în timp ale bateriilor litiu-ion fac ca estimarea SOC să fie destul de dificilă, prin urmare au fost propuse diferite metode de estimare, inclusiv abordări bazate pe model și bazate pe date.

Sistemul de management al bateriei și metoda de estimare a SOC

Sistemul de management al bateriei (BMS) este o componentă importantă a unui pachet de baterii, care monitorizează starea bateriei și controlează procesul de încărcare și descărcare. Estimarea precisă a SOC este una dintre funcțiile sale cheie, care ajută la optimizarea utilizării bateriei, la prevenirea supraîncărcării și supradescărcării. Algoritmul trebuie să îndeplinească cerințele de înaltă precizie, robustețe la precizie scăzută a erorilor senzorului și estimarea greșită a parametrilor bateriei și cerințe de putere de calcul scăzute. Tehnicile de modelare și estimare pentru realizarea estimării SOC precise includ electrochimia, circuite echivalente și metode bazate pe date. Modelele electrochimice sunt precise, dar costisitoare din punct de vedere computațional și necesită cunoștințe de specialitate, în timp ce metodele bazate pe observatori sunt relativ simple și au o precizie bună.

Metodele de estimare a SOC sunt împărțite în două categorii:estimare în buclă deschisă și în buclă închisă. Metodele în buclă deschisă, cum ar fi numărarea Coulomb, sunt simple, dar necesită cunoștințe inițiale SOC, dinamică lentă și fiabilitate slabă, în timp ce metodele de tensiune în circuit deschis sunt precise, dar necesită ca bateria să fie lăsată inactiv pentru o perioadă lungă de timp. Metodele în buclă închisă includ în principal controlul predictiv al modelului (MPC) și metodele aferente acestuia (cum ar fi filtrul Kalman extins (EKF), filtrul Kalman extins dublu (DEKF), filtrul Kalman extins adaptiv (AEKF), algoritmul hibrid adaptiv (AMA), State Observer, Generalized Extended State Observer (GESO), Fuzzy Logic Method și Neural Network), de asemenea ca metode precum filtrul H-infinit, Sliding Mode Observer (SMO), metode bazate pe Particle Filter (PF) și variante ale filtrului Kalman (cum ar fi Unscented Kalman Filter (UKF) și Sigma Point Kalman Filter (SPKF)).

Aplicarea EKF și FPGA în estimarea SOC:Există diferite metode pentru estimarea SOC online, iar observatorii de stat (în special EKF) sunt populari datorită robusteții lor. În gestionarea bateriei, algoritmul recursiv EKF poate combina modele de baterie și date de măsurare pentru a estima SOC. Cu toate acestea, implementarea algoritmilor complecși cu microcontrolere este costisitoare și poate să nu fie potrivită pentru sistemele cu mai multe baterii. Costurile BMS (inclusiv monitorizarea și echilibrarea) pot ajunge la 30% din prețurile bateriei. Prin urmare, acest studiu se concentrează pe calcularea rapidă a algoritmului de estimare a SOC pentru bateriile de vehicule electrice cu mai multe baterii în serie folosind matrice de porți programabile în câmp (FPGA). FPGA-urile s-au dovedit a fi eficiente în domeniul industrial. Scopul acestui studiu este de a implementa un observator bazat pe algoritmul EKF pe un Spartan 6 FPGA ieftin și eficient, care poate corecta estimarea inițială inexactă a SOC. Timpul de observare rapid poate realiza observarea simultană a mai multor baterii cu același FPGA, reducând costul BMS al vehiculelor electrice sau al altor sisteme SOC de baterii care trebuie monitorizate. Capitolele următoare ale lucrării vor introduce modelul bateriei litiu-ion, proiectarea observatorului, implementarea pe FPGA, simularea în mediul Xilinx, rezultatele experimentale, concluziile cercetării și lucrările viitoare în secvență.

2. Observator stare de încărcare

Model de baterie

Există diverse metode de modelare pentru a reprezenta cu acuratețe comportamentul dinamic al celulelor electrochimice. Deși modelele electrochimice pot ajuta la prezicerea performanței bateriei și la înțelegerea mecanismelor de îmbătrânire, ele necesită condiții inițiale și limită ale bateriei și sunt complexe din punct de vedere computațional și nu sunt potrivite pentru aplicații în timp real. Așadar, a fost dezvoltat un model simplificat bazat pe circuit echivalent (EEC), care este potrivit pentru profesioniștii non-electrochimici și ușor de aplicat în timp real. Cu toate acestea, fenomenele electrochimice trebuie luate în considerare la nivelul bateriei pentru a simplifica recunoașterea modelului.

Modelul EEC utilizat în acest studiu include o sursă de tensiune în circuit deschis (OCV), un rezistor R Ω care reprezintă fenomene de înaltă frecvență, cum ar fi electrolitul și rezistența de conectare, precum și rezistența dinamică de transfer de sarcină și un circuit paralel R1C1 care simulează frecvența joasă. fenomene de difuzie. Pentru a simplifica calculele în timp real, un singur circuit RC este utilizat pentru a simula fenomene de difuzie cu o perioadă de eșantionare de Te=0.1 secunde, care poate fi ignorată în comparație cu perioada de eșantionare din cauza transferului dinamic de încărcare (aproximativ 10 ms). ). Ecuația de stare a modelului bateriei este extinsă la SOC așa cum se arată în formula 1:

(Unde Qnom este capacitatea nominală, V1 este tensiunea pe circuitul R1C1, SOC este starea de încărcare, Ubat este tensiunea la borna bateriei), modelul bateriei cu stare discretă este extins la SOC așa cum se arată în formula 2:

Observator SOC bazat pe filtrul Kalman

SOC nu poate fi măsurat direct, iar filtrul Kalman extins (EKF) este utilizat în mod obișnuit pentru a rezolva această problemă. Necesită un model precis de baterie și capacitatea de a estima SOC într-un anumit interval de zgomot. EKF inițializează și prezice variabilele de stare la un anumit timp de eșantionare Te, folosind o ecuație de stare a modelului bateriei (Formula 1) care include SOC pentru predicție. Performanța observatorului depinde de încrederea în măsurare și model, ținând cont de incertitudinea modelului wk și de incertitudinea de măsurare a tensiunii vk (Formula 3):

Presupunând că sunt zgomot alb, zgomot gaussian și au o medie de zero, ele sunt incluse în matricele de covarianță Q și R ale zgomotului de stare și, respectiv, de măsurare.

Datorită neliniarității extinderii modelului bateriei la SOC (deoarece OCV este legat de SOC), este necesară liniarizarea acestuia prin calcularea matricei jacobiene la fiecare moment de eșantionare (Formula 4):

Liniarizați și calculați câștigul Kalman (Formula 5):

Actualizați matricea de covarianță (Formula 6):

În cele din urmă, utilizați corecția optimă a câștigului pentru a prezice vectorul de stare (Formula 7):

Parametrii EKF sunt rezumați în tabelul de mai jos.

3. Implementarea FPGA

Design arhitectura FPGA:FPGA constă din resurse de procesare (cum ar fi memoria, logica și registrele, grupate în diferite tipuri de blocuri logice) și resurse programabile de interconectare. La programare, este necesar să se specifice funcțiile blocurilor logice și să se organizeze rețeaua de interconectare. Acest studiu se concentrează pe arhitectura de circuite programabile matriceale, ale cărei blocuri logice sunt într-o structură dreptunghiulară obișnuită și sunt conectate la o rețea de rutare (formată din canale orizontale și verticale) prin puncte de interconectare programabile. FPGA este compus din baterii de bază și interconexiuni preproiectate, iar utilizatorii pot programa și construi arhitecturi hardware specifice care îndeplinesc cerințele aplicației. Prezintă capacități de procesare cu un randament ridicat și cu latență scăzută în domeniul industrial, iar flexibilitatea sa poate îmbunătăți performanța, poate reduce costurile și poate avea scalabilitate. Utilizarea FPGA pentru calculul paralel configurabil reduce timpul de execuție a algoritmului, dar programarea necesită optimizarea proprietăților fizice, inclusiv performanța algoritmului de timp/zonă și selectarea formatului de date a biților, menținând în același timp acuratețea de bază a observatorului.

Echipamente și software:Acest studiu își propune să implementeze un filtru Kalman extins (EKF) pentru estimarea stării de încărcare (SOC) a unui pachet de baterii într-un sistem în timp real, folosind platforma hardware MicroAutoBox II (MABXII) a dSPACE, care este fiabilă și robustă pentru proiectarea prototipului și testare în industria auto. FPGA Xilinx Spartan-6 încorporat (XC6SLX150) are o performanță ridicată și un consum redus de energie (specificațiile cheie sunt prezentate în Tabelul 2), ceea ce îl face potrivit pentru această aplicație. Observatorul SOC este implementat pe acest FPGA și testează SOC-ul bateriilor individuale într-un pachet de baterii format din 5 baterii litiu-ion conectate în serie (parametrii pachetului de baterii: tensiune nominală totală de 18 V, tensiune nominală a bateriei individuale de 3,6 V, capacitate totală de 2,5 Ah, folosind bateria litiu-ion Samsung 25R 18650, electrodul pozitiv este un amestec de NCA și NMC chimice, electrodul negativ este grafit, parametrii modelului bateriei sunt identificați prin tehnologia de titrare intermitentă cu curent constant GITT, așa cum se arată în Figura 4). Presupunând o temperatură a bateriei de 25 de grade C și parametri constanți, algoritmul EKF este dezvoltat folosind blocuri Simulink (așa cum se arată în Figura 5) și optimizat pentru performanță și utilizarea resurselor prin conductă, multiplexare/pliere în timp și precizie personalizată.

Tehnologia de multiplexare pe diviziune în timp:Pachetul de baterii aflat în studiu conține 5 baterii litiu-ion conectate în serie și există două metode de estimare a SOC al fiecărei baterii. Unul este de a dezvolta un design cu cinci modele de baterii, dar din cauza cerințelor mari de resurse, nu este potrivit pentru aplicații în timp real și necesită FPGA mai scump și bogat în resurse. A doua metodă se bazează pe multiplexarea cu diviziune în timp (vezi Figura 6), cu fiecare timp de eșantionare Te '=0,02 secunde. După ce curentul acumulatorului și tensiunea bateriei sunt digitizate de către placa MicroAutoBox DSP ADC, mașina de stat trimite datele către FPGA pentru a executa algoritmul EKF. După ce algoritmul este finalizat, SOC estimat și corectat, matricea de covarianță a erorilor și tensiunea de difuzie sunt trimise înapoi la DSP. Eforturile ulterioare se vor concentra pe verificarea observatorului prin simulare, care este crucială pentru asigurarea acurateței și eficacității observatorului înainte de implementarea pe FPGA.

4. Verificarea observatorilor de către Xilinx

Proces de verificare:Algoritmul este validat folosind o bibliotecă generatoare de sistem special concepută pentru programarea FPGA. Această bibliotecă permite programarea FPGA utilizând blocuri Simulink, iar procesarea datelor se poate face în mod în virgulă mobilă sau în virgulă fixă. Cu cât este mai mare precizia, cu atât sunt mai mari cerințele de resurse FPGA. Pentru a echilibra acuratețea rezultatelor și utilizarea resurselor, acest studiu a ales o reprezentare semnată în modul punct fix, în special formatul Fix32_16 (15 biți pentru partea întreagă, 16 biți pentru partea zecimală și 1 bit pentru semn) . Principalul avantaj al utilizării acestei biblioteci Xilinx este ușurința sa de implementare pe FPGA, fără a fi nevoie de programare VHDL complexă.

Evaluarea performanței și a rezultatelor

Performanța observatorului pe baza EKF este evaluată prin curba curentului de curent de descărcare 1C (2,5A). SOC real este inițializat la 100%, iar valoarea SOC estimată inițială SOC-0 este setată la 0% (SOC-0 este un parametru ajustabil care poate atinge o gamă largă de inițializarea SOC estimată). Valoarea de referință SOC este obținută de la un contor de coulomb inițializat cu SOC inițial corect și capacitatea nominală. Plasați estimatorul proiectat sub curba curentului de descărcare în treaptă de curent 1C pentru verificare.

Rezultatele arată că, deși valoarea inițială estimată este diferită de valoarea inițială reală a SOC, SOC estimat converge în continuare către SOC real al bateriei, ceea ce indică faptul că observatorul EKF poate corecta estimarea slabă a SOC și poate face ca SOC estimat să convergă către valoarea reală. valoare. Cu toate acestea, reprezentarea în virgulă fixă ​​utilizată în implementare limitează numărul de biți utilizați, ceea ce duce la erori de estimare, iar erorile se pot acumula în timpul procesului de integrare curent atunci când se prezică variabilele de stare, rezultând o gamă largă de erori între valorile estimate și cele reale. . Cu toate acestea, atâta timp cât eroarea absolută este mai mică de 5%, filtrul este considerat eficient și poate estima cu precizie variabilele de stare.

5. Rezultatele implementării FPGA în timp real

Verificare în timp real (folosind date preînregistrate):Înainte de testarea efectivă a bateriei, simulați testarea utilizând date preînregistrate de curent/tensiune ale bateriei. Rezultatele testului arată că observatorul are performanțe bune în timp real. Curba de curent este descărcată cu un pas de curent de 1C (2,5A), iar SOC este inițializat la 0%. Valoarea de referință SOC este obținută de un contor de coulomb inițializat corect. Comparativ cu rezultatele simulării Xilinx, performanța observatorului este similară în ambele cazuri, iar filtrul Kalman implementat pe FPGA reduce cu succes eroarea dintre tensiunea măsurată și tensiunea estimată, făcând ca SOC estimat să convergă la o valoare precisă care nu poate fi direct măsurat.

Observator de verificare experimentală

Testarea unei singure baterii:După verificarea în timp real folosind date preînregistrate, se efectuează teste suplimentare în timpul descărcării efective a bateriei. Folosind platforma de testare prezentată în figură, rulați observatorul în timp ce descărcați bateria pentru a evalua acuratețea estimării SOC. Prin generarea de cicluri de impuls curent ca valoare setată pentru sarcinile active programabile pentru a descărca bateria, rezultatele experimentale arată că la începutul ciclului curent, filtrul poate corecta SOC inițial de 0%. Pe măsură ce tensiunea scade, scade și SOC, iar sistemul o poate corecta automat. Cu toate acestea, există oscilații în procesul de estimare, în principal din cauza zgomotului de măsurare a senzorului, necesitând un filtru mai fin.

Testarea acumulatorului:Deoarece bateria de cercetare constă din 5 baterii conectate în serie, trebuie dezvoltat un estimator pentru testarea întregului pachet de baterii. Prin încorporarea tehnologiei de multiplexare cu diviziune în timp în modelul de filtru Kalman, este generat un ciclu de impuls curent cu o perioadă de 3200s și o amplitudine de -2,5A ca valoare programabilă de setare a sarcinii active pentru baterie deversare. Rezultatele arată că observatorul poate estima cu precizie tensiunea și SOC ale fiecărei baterii din întregul pachet de baterii. Pe baza a cinci curbe, se poate determina SOC-ul și tensiunea fiecărei baterii, ceea ce are avantaje semnificative în comparație cu studiile anterioare care estimează doar tensiunea totală și SOC-ul acumulatorului. Observatorul SOC are un timp de execuție de 2,5 µs și o perioadă tipică de eșantionare de 0,1 s. Cipul Spartan 6 are suficient timp pentru a efectua mai multe estimări SOC și pentru a observa alte stări (cum ar fi temperatura internă) într-o perioadă de eșantionare. Implementarea FPGA nu a consumat o cantitate semnificativă de resurse și, în ciuda complexității programului, resursele FPGA disponibile nu au fost utilizate pe deplin.

6. Rezumat

În domeniul aplicațiilor încorporate, managementul energiei este crucial pentru optimizarea consumului de energie și extinderea duratei de viață a bateriei. Acest lucru necesită să fim capabili să monitorizăm cu exactitate starea de încărcare a bateriei. Acest studiu se concentrează pe dezvoltarea unui observator de stare pentru a estima tensiunea și starea de încărcare a fiecărei baterii dintr-un pachet de baterii litiu-ion. Observatorul adoptă algoritmul de filtrare Kalman potrivit pentru bateriile litiu-ion și are capacitatea de a corecta starea de încărcare atunci când valoarea inițială estimată este inconsecventă cu starea de încărcare reală. Implementarea acestui algoritm complex pe un FPGA Spartan 6 low-cost (cu preț sub 20 de euro) s-a dovedit a fi extrem de eficientă, capabilă să monitorizeze mai multe baterii simultan, reducând astfel costul sistemelor de gestionare a bateriilor.

Rezultatele experimentale demonstrează că observatorul poate estima cu precizie tensiunea și starea de încărcare a fiecărei baterii, demonstrând avantaje semnificative în comparație cu studiile anterioare care ar putea doar estima tensiunea și starea de încărcare a întregului pachet de baterii. Timpul redus de execuție și consumul de resurse al observatorului îl fac un instrument puternic pentru monitorizarea și controlul în timp real al acumulatorilor litiu-ion, potrivit pentru diferite scenarii de aplicație. Deși provocări precum zgomotul de date au fost întâlnite în timpul procesului de implementare, aceste probleme pot fi abordate în mod eficient prin adoptarea unor tehnici de filtrare adecvate pentru a asigura acuratețea rezultatelor. În general, acest studiu a adus o valoare semnificativă în domeniul sistemelor de management al bateriilor și a deschis noi căi pentru cercetările viitoare.