Ydeevne af intelligent kontrolstrategi for lithium-batteriopladere i energieffektivitet og sikkerhed

Abstrakt

Lithium-ion-batterier er afgørende inden for moderne energilagring. Siden deres kommercialisering i 1990'erne har fremskridt inden for materialevidenskab og teknik forbedret deres kapacitet, sikkerhed og levetid. Men de dynamiske egenskaber ved lithium-ion-batterier er komplekse og kræver avancerede opladnings- og kontrolstrategier for at optimere ydeevne, sikkerhed og levetid. Denne artikel foreslår en komparativ analyse af tre avancerede kontrolmetoder til lithium-ion batteriopladning: forstærkningsindlæring, fuzzy logic control og traditionel proportional integral derivative (PID) kontrol. Traditionelle opladningsmetoder er vanskelige at klare batteriets dynamiske kompleksitet, hvilket resulterer i dårlig ydeevne. Denne artikel bruger MATLAB Simulink-simulering til at evaluere disse intelligente kontrolstrategier for at forbedre opladningseffektivitet, hastighed og batterilevetid. Resultaterne viser, at forstærkningslæring har stærk tilpasningsevne, fuzzy logik effektivt kan håndtere ikke-lineære problemer, PID-kontrolydelsen er pålidelig, og krav til beregningsressourcer er lave.

1. Introduktion

Begrænsningerne ved lithium-ion-batterier sammenlignet med traditionelle opladningsmetoder:Lithium-ion-batterier har fordelene ved høj energitæthed, lang cykluslevetid og lav selvafladningshastighed, hvilket fuldstændigt ændrer den måde, energi lagres og bruges på, og bliver en af ​​de grundlæggende teknologier i det moderne samfund. Traditionelle opladningsmetoder med konstant strøm og konstant spænding (CC/CV) klarer dog ofte ikke den dynamiske kompleksitet af lithium-ion-batterier, hvilket resulterer i dårlig opladningsydelse og mulig forringelse af batteriets ydeevne over tid.

Introduktion til intelligent kontrolstrategi

For at løse udfordringerne sammenligner og analyserer denne artikel tre vigtigste intelligente kontrolmetoder til lithium-ion batteriopladning: forstærkningsindlæring (RL), fuzzy logic control (FL) og traditionel proportional integral derivative (PID) kontrol.

RL-controlleren lærer den optimale kontrolstrategi ved at interagere med batterimodellen og strømelektroniske enheder, ved at bruge en lille signalmodel for at forenkle de strømelektroniske enheder og forbedre træningsprocessen. Træning af et neuralt netværk baseret på en belønningsfunktion for at straffe strøm- og spændingsspidser for en mere stabil opladningsproces med det formål at kontrollere batteriets indgangsspænding. Ved at evaluere responsen gennem flere interaktioner og maksimere belønningsværdien, mens batteristatus overvåges, kan belønninger eller straffe gives baseret på den aktuelle værdi og aggressive kontrolhandlinger. Det kan konstateres, at der kan udvikles en opladningsstrategi, der minimerer opladningstid, energiforbrug og batterinedbrydning og samtidig sikrer sikker drift.

FL-controlleren giver en fleksibel og intuitiv måde at integrere ekspertviden og heuristiske regler i opladningsprocessen ved at definere sprogvariabler såsom ladestatus, temperatur og opladningshastighed og etablere inferensregler. To FL-controllere blev designet, en reguleringsspænding for at opretholde stabilitet under forskellige ladekurver, og den anden regulerer strøm for at undgå for store spidser og opretholde stabile værdier, som bedre kan håndtere ulineariteten og den iboende usikkerhed i dynamikken af ​​lithium-ion-batterier, derved. forbedrer opladningsydelsen og forlænger batteriets levetid.

PID-controlleren kan balancere faktorer som opladningstid, energieffektivitet og batteribeskyttelse ved at justere og optimere ladekurven.

2. Forskningsmetoder til opladningskontrolstrategier for lithium-ion-batterier

Fordele og batterikarakteristika ved MATLAB Simulink simuleringsplatform:MATLAB Simulink giver en kraftfuld platform til analyse og optimering af lithium-ion batteriopladningssystemer. Lithium-ion-batterier er blevet det foretrukne valg til forskellige anvendelser på grund af deres høje energitæthed (som sikrer et højt energi-til-vægt-forhold, velegnet til bærbare elektroniske enheder og elektriske køretøjer med begrænset plads og vægt), lave selvafladningshastighed (velegnet til lang- term energilagring), avanceret genbrugsteknologi og lav miljøpåvirkning (mere bæredygtig og miljøvenlig).

Modellering af gennemsnitlig lille signalkonverter:Effektivt design er påkrævet til lithium-ion batteri energioverførselssystemer. I denne undersøgelse bruges et isoleret DC/DC-konverterkredsløb (forlænskonverteren ligner en DC/DC-buck-konvertertopologi og inkluderer en transformer for at give elektrisk isolation og forbedre batterisikkerheden). Kredsløbsadfærden er karakteriseret som en anden-ordens overførselsfunktion ved hjælp af lille signal model kriteriet, og lav signal (lav Q) tilnærmelse bruges til at forenkle analysen, hvilket resulterer i en konverter model overførsel funktion, der inkluderer drift og konverteringsforhold. Konverteren simulerer brugen af ​​ideelle komponenter til at forbedre effektiviteten og analyserer to scenarier: ubelastet og med lithium-ion batteribelastning. Under ubelastede forhold er overførselsfunktionen og konverterspændingen og strømtendenserne ens, men konverterens output svinger. Under belastningsforhold ligger den største forskel i stabiliseringstiden. Idealiseringen af ​​overførselsfunktionen får systemet til at reagere hurtigere, men den endelige outputværdi er konsistent, og brug af overførselsfunktionen kan forkorte simuleringstiden betydeligt.

Beskrivelse af kontrolarkitektur:Styrestrategien er baseret på lithium-ion batterimodellen i MATLAB Simulink, som giver detaljerede tekniske parametre til nøjagtig simulering og analyse af batteriets ydeevne. CC/CV-opladningsprocessen inkluderer et strømstyringstrin (hvor strømmen indstilles til et sikkert niveau, og batterispændingen stiger med opladning, når en tærskelværdi, før den går ind i spændingsstyringstrinnet) og et spændingsstyringstrin (hvor spændingen forbliver stabil og strømmen falder gradvist, indtil batteriet er fuldt opladet), hvilket kan forhindre overopladning, reducere batteritrykket, mindske risikoen for overophedning og forlænge batteriets levetid. De evaluerede kontrolstrategier er opsummeret i tabel 1 og vil blive introduceret i detaljer senere.

Forstærkende læringsarkitektur:Styringsindlæringscontrolleren lærer den optimale strategi gennem interaktion med systemet for at håndtere kompleks ikke-lineær dynamik. Ved at vedtage en aktørkritikerordning udvælger aktørnetværket handlinger, og kritikernetværket evaluerer handlinger for at give feedback. Continuous Gaussian Actor Network (CGAN) bruges til at behandle kontinuerlige handlingsrum, og den optimale strategi udforskes ved at udlæse Gaussiske distributionsparametre. Dens arkitektur omfatter flere fuldt forbundne lag, og aktiveringsfunktionen er for det meste en modificeret lineær enhedsfunktion (RELU). Baseret på MATLAB forstærkende læringsværktøjstræning beregnes belønningsfunktionen baseret på spændingsfejl, kontrolhandlinger og spændingsobservationer for at tilskynde til at opretholde spændingen inden for det forventede område og straffe afvigelser. Ved at indstille konstanter sikres den maksimale læringseffekt, og den maksimale gennemsnitlige belønning opnås efter 200 træningsrunder. Langsom batterirespons gør imidlertid parameterindstilling vanskelig.

Fuzzy arkitektur:Fuzzy proportional derivative (PD)-controllere er mere effektive til at håndtere systemulinearitet og usikkerhed end traditionelle PD-controllere, idet de tilpasser sig ændringer i batterikarakteristika for at sikre stabil og nøjagtig spændingskontrol. Et fuzzy inferenssystem er konstrueret ved hjælp af Sugeno-skemaet, med spænding styret af fuzzy PD og strøm styret af fuzzy PD+I. Inputtet behandles ved hjælp af normaliserede trekantede medlemsfunktioner til at håndtere fejl og deres afledninger, og outputtet behandles ved hjælp af tre Sugeno-normaliseringsfunktioner til at håndtere tilstande. Inputområdet er begrænset for at undgå mætning, og input- og outputområderne er modificeret af relevante konstanter.

Klassisk PID-arkitektur:Den klassiske proportional integral derivative (PID) controller er meget udbredt til batteriopladning på grund af dens enkelhed, effektivitet og pålidelige ydeevne. Den er nem at implementere og tune, og kan justere og optimere ladeforholdene i realtid. Den kombinerer proportional-, integral- og afledte handlinger for nøjagtigt at regulere spænding og strøm. Den har en stærk universalitet og er velegnet til forskellige batteri- og opladningsscenarier. Det har lave omkostninger og lave krav til beregningsressourcer og er velegnet til indlejrede systemer og billig hardwareimplementering. Dens arkitektur bruger kun to klassiske controllere til at styre henholdsvis spænding og strøm (den interne struktur er ikke detaljeret på grund af pladsbegrænsninger).

3. Evaluering af ydeevne af lithium-ion batteri opladning kontrol strategi

Indstilling af controllerens parameter:Belønningsfunktionen for forstærkning af læring bestemmes gennem heuristiske metoder, og konstanterne justeres gennem gentagne eksperimenter for at opnå (r1=200), (r2=-25), (p1=-10) og ( p2=180). Fuzzy-controlleren (PD+I) justerer parametrene manuelt gennem forsøg og fejl, med aktuelle kontrolparametre på (P=20), (D=0. 00000 1), (I{{8 }}), og (K_D=0.297), og spændingskontrolparametre for (P=15), (D=0.0001) og (K_D=0.315). PID-controlleren bruger MATLAB PID Tuner-værktøj og neurale netværk til at finde de optimale parametre, herunder strømstyring (P=15), (I {PID}=5), spændingsstyring (P=22 .5), (I=4.9) og (D {PID}=0.03).

Performance analyse af controller

Evalueringsaspekt:Evaluer controllerens ydeevne med hensyn til spændings- og strømreguleringsnøjagtighed, responstid, stabilitet og anti-interferens.

Styringsindlæringscontroller:En neural netværksbaseret forstærkningsindlæringscontroller kan opnå stabil nominel spænding uden overskridelse, når strømmen er nul (som vist i figur 5b). Men når der anvendes CC/CV-styring, opstår der spændingsudsving på grund af manglende forståelse af den eksisterende strøm, hvilket resulterer i ustabil og faldende strøm under batteriopladning. Indlæsningshastigheden er den hurtigste, men der er ringe fænomen, som kan beskadige elektroniske komponenter og forkorte batteriets levetid. I praktiske applikationer er det nødvendigt at overveje cirkulationsstrøm for at forbedre ydeevnen.

Fuzzy controller:designet til at opretholde stabil opladning med længere opladnings- og stabiliseringstider, men ingen spidser i strøm- og spændingskontrolkonvertering (som vist i figur 5c). Selvom det er mere sikkert, er det langsommere og kan optimeres ved at justere slutningsregler.

PID controller:Den reagerer hurtigt på fejl, men har betydelig interferens og overstrømsfænomen under spænding til strømovergang (som vist i figur 5b). Dens ydeevne er moderat og er ikke afhængig af operatørens erfaring.

Analyse af præstationsindikatorer:Analyser spændingsstyringshandlingen for input DC/DC-konverteren, beregn RMS-værdien (root mean square) og find ud af, at RMS-værdien af ​​forstærkningsindlæringscontrolleren er lidt højere, hvilket indikerer, at dens styringshandling ændrer sig mere signifikant og er følsom overfor små ændringer. Evalueringen af ​​RMS-værdien af ​​batteristrømmen for alle controllere resulterede i en konstant værdi på 0.3A, hvilket indikerer, at på trods af forskelle i kontrolstrategier og -handlinger var alle controllere i stand til at holde udgangsstrømmen inden for det forventede område . Dette betyder, at selvom spændingsstyringshandlingerne for forstærkningsindlæringscontrolleren varierer meget, påvirker det ikke stabiliteten og konsistensen af ​​udgangsstrømmen, hvilket er afgørende for sikker og effektiv drift af systemet.

4. Diskussion om resultaterne af lithium-ion batteri opladning kontrol strategi

Controllersimuleringsudførelsestid og outputvariation:Resultaterne i tabel 2 blev opnået fra simuleringer, hvor hver controller blev konfigureret i 6 sekunder, hvor RL-controlleren (reinforcement learning) havde den længste udførelsestid på 21046 sekunder. Sammenlignet med andre controllere, der bruges til at regulere spændingen og strømmen af ​​lithium-ion-batterier, har RL-controlleren en større outputvariation, og selv i lyset af små forstyrrelser kan der opstå ringe-fænomener (højfrekvente oscillationskontrolhandlinger). Når det anvendes på faktiske elektriske enheder, kan det forårsage overophedning af batteri- og konverterkomponenter, sensorstøj og forkortet batterilevetid med en spændingsvariation på 0,02V. For at forbedre controlleren og reducere vibrationer kan der tilføjes et lavpasfilter til controllerens output, den neurale netværksarkitektur kan modificeres, eller en hybrid kontrolmetode (såsom PID eller fuzzy controller til at justere det neurale netværks output) kan brugt.

Controllerens tilpasningsevne og ydeevne:RL-controllere har høj tilpasningsevne til forskellige situationer, da de er mere følsomme over for interferens. Udgangsændringer indikerer imidlertid behovet for at inkorporere flere parametre i agenttræning for at forbedre deres evne til at tilpasse sig flere scenarier, øge opladningseffektiviteten og undgå mulig ustabilitet. Fuzzy controllere sigter mod at undgå høje strømspidser og langsomme opladningshastigheder på grund af deres slutningsregler; PID-regulatoren reagerer på fejl ved at ændre udgangssignalet og kan tilpasse sig dynamiske ændringer.

Evaluering af controllerens ydeevne:RMS-værdien (root mean square) blev brugt til at evaluere output-ydelsen af ​​tre controllere, og resultaterne viste, at den gennemsnitlige spænding, der blev opretholdt af alle controllere, svarede til batteriets nominelle spænding, hvilket er afgørende for at forhindre overopladning og undgå batteri. overophedning. Med hensyn til strømstyring kan alle regulatorer nå referenceværdien på meget kort responstid uden overskridelse og har god tolerance over for ekstern interferens. Med hensyn til spændingsstyring kan regulatoren kontinuerligt nå referenceværdien og gradvist reducere strømmen, indtil den når nul for at fuldføre opladningscyklussen. Det skal dog bemærkes, at RL-baserede controllere kan opleve små svingninger i strømmen under det sidste trin af opladningen, svingende mellem den aktuelle værdi og nul, og kan kræve yderligere justeringer for at forbedre stabiliteten.

5. Sammenfatning

PID regulator

Fordele:Kendt for sin enkelhed og effektivitet, klarer den sig godt til at regulere spænding og strøm og kan give hurtig og stabil respons i mange applikationer.

Ulempe:Relativt svag tilpasningsevne til at håndtere komplekse batteridynamiske egenskaber, hvilket gør det vanskeligt at opnå meget dynamisk optimering.

Fuzzy controller

Fordele:Ved at definere sprogvariabler og inferensregler integreres erfaring i kontrolprocessen, som bedre kan håndtere batteriets ulinearitet og usikkerhed, hvilket gør systemet i stand til at tilpasse sig specifikke situationer og yde stabilt under forskellige driftsforhold. Justering af slutningsreglerne i henhold til applikationskrav kan optimere opladningsydelsen til en vis grad.

Ulemper:Designet afhænger i høj grad af regler og erfaring, udviklingen er kompleks, og opladningshastigheden er relativt langsom, hvilket måske ikke opfylder de høje krav til hurtig opladning i applikationsscenarier.

Controller baseret på forstærkningslæring

Fordele:Den kan lære den optimale strategi gennem interaktion med systemet, har stærk behandlingsevne til små forstyrrelser, kan dynamisk tilpasse sig skiftende forhold, løbende optimere ydeevnen og har høj tilpasningsevne til forskellige belastningsforhold. I komplekse og stadigt skiftende batteriopladningsscenarier kan den effektivt forbedre opladningsnøjagtigheden og effektiviteten, især velegnet til applikationer, der kræver høj opladningsfleksibilitet og tilpasningsevne.

Ulemper:Kræver en stor mængde computerressourcer, lang træningstid, såsom den længste eksekveringstid i denne undersøgelse. Træningsprocessen er kompleks og kræver omhyggeligt design af belønningsfunktioner og justering af neurale netværksarkitektur, ellers kan der opstå ustabile fænomener såsom ringetoneproblemer. For at forbedre nøjagtigheden kræves en mere kompleks neural netværksarkitektur, som yderligere øger beregningsbyrden og simuleringstiden.