Effektiv implementering af realtidsovervågning og forudsigelse af SOC for lithium-ion batteripakker

Abstrakt

Denne undersøgelse dykker ned i overvågningen af ​​opladningsstatus for lithium-ion-batterier, hvilket er afgørende for sikkerheden og effektiviteten af ​​batterienergistyring i indlejrede applikationer. En nøjagtig forståelse af batteriernes opladningsstatus er af afgørende betydning for at sikre sikker brug og ydeevne. Forskerholdet udviklede og implementerede en observatøralgoritme baseret på Kalman-filter, som blev implementeret på Spartan 6 FPGA. Algoritmen kan nøjagtigt estimere batteriets opladningstilstand, selvom der er en afvigelse mellem den oprindelige estimerede værdi og den faktiske tilstand. Denne artikel understreger især fordelene ved FPGA i hurtig databehandling, som gør det muligt for FPGA at fungere som en effektiv slavekomponent i batteristyringssystemer (BMS), der overvåger opladningsstatus for et stort antal batterier til en lavere pris. Implementering af denne observatør på lavpris FPGA er af stor betydning for at reducere omkostningerne ved batteristyringssystemer i applikationer såsom elektriske køretøjer. Derudover er observatørmodellen blevet valideret for dens effektivitet gennem streng simulering og realtidstest. Denne undersøgelse foreslår en effektiv metode til nøjagtigt at estimere opladningsstatus for lithium-ion-batterier, hvilket giver stærk støtte til effektiv styring af batterienergi i forskellige applikationer.

1. Introduktion

Betydningen af ​​energiledelse og SOC-estimering:Energistyring er afgørende i indlejrede applikationer, især batteridrevne enheder, da det påvirker batteriets levetid og den samlede systemydelse. Lithium-ion-batterier er meget udbredt på grund af deres høje energitæthed, lave selvafladningshastighed og lange cykluslevetid. For at sikre sikkerheden og effektiviteten af ​​batteristrømforsyningssystemet er nøjagtig estimering af SOC afgørende. Upræcis estimering kan føre til overopladning, overafladning og for tidlig fejl på batteriet. Men de ikke-lineære og tidsvarierende egenskaber ved lithium-ion-batterier gør SOC-estimering ret udfordrende, og derfor er forskellige estimeringsmetoder blevet foreslået, herunder modelbaserede og datadrevne tilgange.

Batteristyringssystem og SOC-estimeringsmetode

Battery Management System (BMS) er en vigtig komponent i en batteripakke, som overvåger batteristatus og styrer op- og afladningsprocessen. Nøjagtig SOC-estimering er en af ​​dens nøglefunktioner, som hjælper med at optimere batteriforbruget, forhindre overopladning og overafladning. Algoritmen skal opfylde høj præcision, robusthed over for sensorfejl med lav præcision og fejlvurdering af batteriparametre og lave beregningsmæssige strømkrav. Modellerings- og estimeringsteknikkerne til at opnå nøjagtig SOC-estimering omfatter elektrokemi, ækvivalente kredsløb og datadrevne metoder. Elektrokemiske modeller er nøjagtige, men beregningsmæssigt dyre og kræver specialiseret viden, mens observatørbaserede metoder er relativt enkle og har god nøjagtighed.

SOC-estimeringsmetoder er opdelt i to kategorier:åben-sløjfe og lukket-sløjfe estimering. Open loop-metoder såsom Coulomb-tælling er enkle, men kræver indledende SOC-kendskab, langsom dynamik og dårlig pålidelighed, mens åben kredsløbsspændingsmetoder er nøjagtige, men kræver, at batteriet efterlades inaktivt i lang tid. De lukkede sløjfemetoder omfatter hovedsageligt Model Predictive Control (MPC) og dets relaterede metoder (såsom Extended Kalman Filter (EKF), Dual Extended Kalman Filter (DEKF), Adaptive Extended Kalman Filter (AEKF), Adaptive Hybrid Algorithm (AMA), State Observer, Generalized Extended State Observer (GESO), Fuzzy Logic Method og Neural Network), samt metoder som f.eks. H-uendeligt filter, Sliding Mode Observer (SMO), partikelfilter (PF) baserede metoder og varianter af Kalman Filter (såsom Unscented Kalman Filter (UKF) og Sigma Point Kalman Filter (SPKF)).

Anvendelsen af ​​EKF og FPGA i SOC-estimering:Der er forskellige metoder til online SOC-estimering, og statsobservatører (især EKF) er populære på grund af deres robusthed. I batteristyring kan EKFs rekursive algoritme kombinere batterimodeller og måledata for at estimere SOC. Implementering af komplekse algoritmer med mikrocontrollere er dog dyrt og er muligvis ikke egnet til multibatterisystemer. BMS-omkostninger (inklusive overvågning og balancering) kan nå op på 30 % af batteripakkens priser. Derfor fokuserer denne undersøgelse på den hurtige beregning af SOC-estimeringsalgoritme for elektriske køretøjsbatterier med flere batterier i serie ved hjælp af feltprogrammerbare gate-arrays (FPGA'er). FPGA'er har vist sig at være effektive på det industrielle område. Målet med denne undersøgelse er at implementere en observatør baseret på EKF-algoritme på en billig og effektiv Spartan 6 FPGA, som kan korrigere initial unøjagtig SOC-estimering. Den hurtige observationstid kan opnå samtidig observation af flere batterier med den samme FPGA, hvilket reducerer BMS-omkostningerne for elektriske køretøjer eller andre batteri-SOC-systemer, der skal overvåges. De efterfølgende kapitler af papiret vil introducere lithium-ion-batterimodellen, observatørdesign, implementering på FPGA, simulering i Xilinx-miljøet, eksperimentelle resultater, forskningskonklusioner og fremtidigt arbejde i rækkefølge.

2. Opladningstilstand observatør

Batteri model

Der er forskellige modelleringsmetoder til nøjagtigt at repræsentere den dynamiske opførsel af elektrokemiske celler. Selvom elektrokemiske modeller kan hjælpe med at forudsige batteriets ydeevne og forstå ældningsmekanismer, kræver de initiale og grænsebetingelser for batteriet, og de er beregningsmæssigt komplekse og ikke egnede til realtidsapplikationer. Så der blev udviklet en forenklet model baseret på ækvivalent kredsløb (EEC), som er velegnet til ikke-elektrokemiske fagfolk og nem at anvende i realtid. Imidlertid skal elektrokemiske fænomener overvejes på batteriniveau for at forenkle modelgenkendelse.

EEC-modellen anvendt i denne undersøgelse inkluderer en åben kredsløbsspændingskilde (OCV), en modstand R Ω, ​​der repræsenterer højfrekvente fænomener såsom elektrolyt- og forbindelsesmodstand, såvel som ladningsoverførsel dynamisk modstand, og et parallelt kredsløb R1C1 simulerer lavfrekvent diffusionsfænomener. For at forenkle realtidsberegninger bruges et enkelt RC-kredsløb til at simulere diffusionsfænomener med en samplingsperiode på Te=0.1 sekunder, som kan ignoreres sammenlignet med samplingsperioden på grund af den dynamiske ladningsoverførsel (ca. 10ms) ). Batterimodeltilstandsligningen udvides til SOC som vist i formel 1:

(Hvor Qnom er den nominelle kapacitet, V1 er spændingen over R1C1-kredsløbet, SOC er ladetilstanden, Ubat er batteriterminalspændingen), den diskrete batterimodel udvides til SOC som vist i formel 2:

SOC observatør baseret på Kalman filter

SOC kan ikke måles direkte, og Extended Kalman Filter (EKF) bruges almindeligvis til at løse dette problem. Det kræver en nøjagtig batterimodel og evnen til at estimere SOC inden for et bestemt støjområde. EKF initialiserer og forudsiger tilstandsvariabler på et specifikt samplingtidspunkt Te ved hjælp af en batterimodeltilstandsligning (formel 1), der inkluderer SOC til forudsigelse. Observatørens præstation afhænger af tilliden til målingen og modellen, idet der tages højde for modelusikkerhed wk og spændingsmålingsusikkerhed vk (formel 3):

Forudsat at de er hvid støj, gaussisk støj og har et middelværdi på nul, er de inkluderet i kovariansmatricerne Q og R for henholdsvis tilstands- og målestøj.

På grund af ulineariteten ved at udvide batterimodellen til SOC (da OCV er relateret til SOC), er det nødvendigt at linearisere den ved at beregne den jakobiske matrix ved hvert prøveudtagningstidspunkt (formel 4):

Lineariser og beregn Kalman-forstærkningen (formel 5):

Opdater kovariansmatrix (formel 6):

Brug endelig den optimale forstærkningskorrektion til at forudsige tilstandsvektoren (formel 7):

EKF-parametrene er opsummeret i nedenstående tabel.

3. FPGA implementering

FPGA arkitektur design:FPGA består af behandlingsressourcer (såsom hukommelse, logik og registre, grupperet i forskellige typer logiske blokke) og programmerbare sammenkoblingsressourcer. Ved programmering er det nødvendigt at specificere funktionerne i de logiske blokke og organisere sammenkoblingsnetværket. Denne undersøgelse fokuserer på matrix programmerbar kredsløbsarkitektur, hvis logiske blokke er i en regulær rektangulær struktur og er forbundet til et routing-netværk (bestående af horisontale og vertikale kanaler) gennem programmerbare sammenkoblingspunkter. FPGA er sammensat af prædesignede basisbatterier og sammenkoblinger, og brugere kan programmere og bygge specifikke hardwarearkitekturer, der opfylder applikationskravene. Den udviser høj gennemløb og lav latensbehandlingskapacitet på det industrielle område, og dens fleksibilitet kan forbedre ydeevnen, reducere omkostningerne og have skalerbarhed. Brugen af ​​FPGA til konfigurerbar parallel computing reducerer algoritmeudførelsestiden, men programmering kræver optimering af fysiske egenskaber, herunder algoritmetid/arealydelse og dataformatbitvalg, samtidig med at observatørens grundlæggende nøjagtighed bevares.

Udstyr og software:Denne undersøgelse har til formål at implementere et udvidet Kalman-filter (EKF) til at estimere ladetilstanden (SOC) af en batteripakke i et realtidssystem ved hjælp af dSPACE's MicroAutoBox II (MABXII) hardwareplatform, som er pålidelig og robust til prototypedesign og test i bilindustrien. Dens indlejrede Xilinx Spartan-6 FPGA (XC6SLX150) har høj ydeevne og lavt strømforbrug (nøglespecifikationer er vist i tabel 2), hvilket gør den velegnet til denne applikation. SOC-observatøren er implementeret på denne FPGA og tester SOC'en for individuelle batterier i en batteripakke bestående af 5 serieforbundne lithium-ion-batterier (batteripakkeparametre: total nominel spænding på 18V, nominel spænding for enkelt batteri på 3,6V, samlet kapacitet på 2,5Ah, ved hjælp af Samsung 25R 18650 lithium-ion batteri, positiv elektrode er en blanding af NCA og NMC-kemikalier, negativ elektrode er grafit, batterimodelparametre identificeres ved konstantstrøm intermitterende titreringsteknologi GITT, som vist i figur 4). Under forudsætning af en batteritemperatur på 25 grader C og konstante parametre er EKF-algoritmen udviklet ved hjælp af Simulink-blokke (som vist i figur 5) og optimeret til ydeevne og ressourceudnyttelse gennem pipeline, tidsdelt multipleksing/foldning og tilpasset præcision.

Time division multiplexing teknologi:Den undersøgte batteripakke indeholder 5 serieforbundne lithium-ion-batterier, og der er to metoder til at estimere SOC for hvert batteri. Den ene er at udvikle et design med fem batterimodeller, men på grund af høje ressourcekrav er det ikke egnet til realtidsapplikationer og kræver dyrere og ressourcerigere FPGA. Den anden metode er baseret på tidsdelingsmultipleksing (se figur 6), med hver samplingstid Te '=0.02 sekunder. Efter at batteripakkens strøm og batterispænding er digitaliseret af MicroAutoBox DSP-kortets ADC, sender tilstandsmaskinen dataene til FPGA'en for at udføre EKF-algoritmen. Efter at algoritmen er afsluttet, sendes den estimerede og korrigerede SOC, fejlkovariansmatrix og diffusionsspænding tilbage til DSP'en. Efterfølgende bestræbelser vil fokusere på at verificere observatøren gennem simulering, hvilket er afgørende for at sikre observatørens nøjagtighed og effektivitet før udrulning på FPGA.

4. Xilinx's verifikation af observatører

Bekræftelsesproces:Algoritmen valideres ved hjælp af et systemgeneratorbibliotek, der er specielt designet til FPGA-programmering. Dette bibliotek tillader FPGA-programmering ved hjælp af Simulink-blokke, og databehandling kan udføres i flydende eller fast punkt-tilstand. Jo højere nøjagtighed, jo større FPGA-ressourcekrav. For at balancere nøjagtigheden af ​​resultater og ressourceudnyttelse valgte denne undersøgelse en fortegnsrepræsentation i fikspunktstilstand, specifikt Fix32_16-formatet (15 bits for heltalsdel, 16 bits for decimaldelen og 1 bit for fortegn) . Den største fordel ved at bruge dette Xilinx-bibliotek er dets lette implementering på FPGA uden behov for kompleks VHDL-programmering.

Præstationsevaluering og resultater

Observatørens ydeevne baseret på EKF evalueres gennem strømkurven for 1C-udladningsstrøm (2,5A). Den faktiske SOC initialiseres til 100 %, og den oprindelige estimerede SOC-værdi SOC-0 er indstillet til 0 % (SOC-0 er en justerbar parameter, der kan opnå en bred vifte af estimeret SOC-initiering). SOC-referenceværdien fås fra en coulomb-måler initialiseret med den korrekte initiale SOC og nominelle kapacitet. Placer den designede estimator under 1C strømtrinsafladningsstrømkurven til verifikation.

Resultaterne viser, at selvom den oprindelige estimerede værdi er forskellig fra den faktiske SOC-initialværdi, konvergerer den estimerede SOC stadig til batteriets faktiske SOC, hvilket indikerer, at EKF-observatøren kan korrigere dårlig SOC-estimering og få den estimerede SOC til at konvergere til den faktiske værdi. Imidlertid begrænser den fastpunktsrepræsentation, der bruges i implementeringen, antallet af brugte bit, hvilket fører til estimeringsfejl, og fejl kan akkumuleres under den aktuelle integrationsproces, når der forudsiges tilstandsvariable, hvilket resulterer i en lang række fejl mellem de estimerede og faktiske værdier . Så længe den absolutte fejl er mindre end 5 %, anses filteret for effektivt og kan nøjagtigt estimere tilstandsvariablerne.

5. Real-time FPGA-implementeringsresultater

Verifikation i realtid (ved hjælp af forudregistrerede data):Før faktisk batteritestning, simuler test ved hjælp af forudregistrerede strøm-/spændingsdata for batteriet. Testresultaterne viser, at observatøren har en god realtidsydelse. Strømkurven aflades med et 1C strømtrin (2,5A), og SOC'en initialiseres til 0%. SOC-referenceværdien opnås af en korrekt initialiseret coulomb-måler. Sammenlignet med simuleringsresultaterne af Xilinx er observatørens ydeevne ens i begge tilfælde, og Kalman-filteret implementeret på FPGA reducerer med succes fejlen mellem den målte spænding og den estimerede spænding, hvilket får den estimerede SOC til at konvergere til en nøjagtig værdi, der ikke kan måles direkte.

Eksperimentel verifikationsobservatør

Enkelt batteri test:Efter verifikation i realtid ved hjælp af forudregistrerede data, udføres yderligere test under faktisk batteriafladning. Brug testplatformen vist i figuren, kør observatøren, mens batteriet aflades, for at evaluere nøjagtigheden af ​​SOC-estimeringen. Ved at generere strømimpulscyklusser som den indstillede værdi for programmerbare aktive belastninger for at aflade batteriet, viser eksperimentelle resultater, at ved begyndelsen af ​​den aktuelle cyklus kan filteret korrigere den initiale SOC på 0%. Når spændingen falder, falder SOC også, og systemet kan automatisk rette op på det. Der er dog oscillation i estimeringsprocessen, hovedsageligt på grund af sensormålingsstøj, hvilket kræver et glattere filter.

Batteripakke test:Da forskningsbatteriet består af 5 serieforbundne batterier, skal der udvikles en estimator til at teste hele batteripakken. Ved at inkorporere tidsdelingsmultiplekseringsteknologi i Kalman-filtermodellen genereres en strømpulscyklus med en periode på 3200s og en amplitude på -2.5A som den programmerbare aktivbelastningsindstillingsværdi for batteriet udledning. Resultaterne viser, at observatøren nøjagtigt kan estimere spændingen og SOC for hvert batteri i hele batteripakken. Ud fra fem kurver kan SOC og spænding for hvert batteri bestemmes, hvilket har væsentlige fordele i forhold til tidligere undersøgelser, der kun estimerer den samlede spænding og SOC for batteripakken. SOC-observatøren har en udførelsestid på 2,5 µs og en typisk prøveudtagningsperiode på 0,1 s. Spartan 6-chippen har tilstrækkelig tid til at udføre flere SOC-estimeringer og observere andre tilstande (såsom intern temperatur) inden for en prøveudtagningsperiode. FPGA-implementeringen forbrugte ikke en betydelig mængde ressourcer, og på trods af programmets kompleksitet blev de tilgængelige FPGA-ressourcer ikke udnyttet fuldt ud.

6. Resumé

Inden for indlejrede applikationer er energistyring afgørende for at optimere energiforbruget og forlænge batteriets levetid. Dette kræver, at vi nøjagtigt kan overvåge batteriets ladestatus. Denne undersøgelse fokuserer på at udvikle en statsobservatør til at estimere spændingen og opladningsstatus for hvert batteri i en lithium-ion batteripakke. Observatøren anvender Kalman-filtreringsalgoritmen, der er egnet til lithium-ion-batterier og har evnen til at korrigere opladningstilstanden, når den oprindelige estimerede værdi ikke er i overensstemmelse med den faktiske opladningstilstand. Implementeringen af ​​denne komplekse algoritme på en lavpris Spartan 6 FPGA (priser under 20 euro) har vist sig at være yderst effektiv, i stand til at overvåge flere batterier samtidigt og derved reducere omkostningerne ved batteristyringssystemer.

De eksperimentelle resultater viser, at observatøren nøjagtigt kan estimere spændingen og opladningsstatus for hvert batteri, hvilket viser betydelige fordele sammenlignet med tidligere undersøgelser, der kun kunne estimere spændingen og ladestatus for hele batteripakken. Observatørens lave udførelsestid og ressourceforbrug gør det til et kraftfuldt værktøj til realtidsovervågning og kontrol af lithium-ion batteripakker, velegnet til forskellige applikationsscenarier. Selvom der blev stødt på udfordringer såsom datastøj under implementeringsprocessen, kan disse problemer løses effektivt ved at anvende passende filtreringsteknikker for at sikre resultaternes nøjagtighed. Samlet set har denne undersøgelse bidraget betydelig værdi til området for batteristyringssystemer og åbnet nye veje for fremtidig forskning.