Αποτελεσματική εφαρμογή παρακολούθησης σε πραγματικό χρόνο και πρόβλεψη SOC για πακέτα μπαταριών ιόντων λιθίου

Nov 25, 2024 Αφήστε ένα μήνυμα

Περίληψη

 

Αυτή η μελέτη εμβαθύνει στην παρακολούθηση της κατάστασης φόρτισης των μπαταριών ιόντων λιθίου, η οποία είναι ζωτικής σημασίας για την ασφάλεια και την αποτελεσματικότητα της διαχείρισης ενέργειας των μπαταριών σε ενσωματωμένες εφαρμογές. Η ακριβής κατανόηση της κατάστασης φόρτισης των μπαταριών είναι αποφασιστικής σημασίας για τη διασφάλιση της ασφαλούς χρήσης και απόδοσής τους. Η ερευνητική ομάδα ανέπτυξε και εφάρμοσε έναν αλγόριθμο παρατηρητή βασισμένο στο φίλτρο Kalman, το οποίο αναπτύχθηκε στο Spartan 6 FPGA. Ο αλγόριθμος μπορεί να εκτιμήσει με ακρίβεια την κατάσταση φόρτισης της μπαταρίας, ακόμη και αν υπάρχει απόκλιση μεταξύ της αρχικής εκτιμώμενης τιμής και της πραγματικής κατάστασης. Αυτό το άρθρο τονίζει ιδιαίτερα τα πλεονεκτήματα του FPGA στον γρήγορο υπολογισμό, το οποίο επιτρέπει στο FPGA να χρησιμεύει ως αποτελεσματικό βοηθητικό στοιχείο σε συστήματα διαχείρισης μπαταριών (BMS), παρακολουθώντας την κατάσταση φόρτισης μεγάλου αριθμού μπαταριών με χαμηλότερο κόστος. Η εφαρμογή αυτού του παρατηρητή σε FPGA χαμηλού κόστους είναι μεγάλης σημασίας για τη μείωση του κόστους των συστημάτων διαχείρισης μπαταριών σε εφαρμογές όπως τα ηλεκτρικά οχήματα. Επιπλέον, το μοντέλο παρατηρητή έχει επικυρωθεί για την αποτελεσματικότητά του μέσω αυστηρής προσομοίωσης και δοκιμών σε πραγματικό χρόνο. Αυτή η μελέτη προτείνει μια αποτελεσματική μέθοδο για την ακριβή εκτίμηση της κατάστασης φόρτισης των μπαταριών ιόντων λιθίου, παρέχοντας ισχυρή υποστήριξη για την αποτελεσματική διαχείριση της ενέργειας των μπαταριών σε διάφορες εφαρμογές.

 

 

 

 

1. Εισαγωγή


Η σημασία της διαχείρισης ενέργειας και της εκτίμησης SOC:Η διαχείριση ενέργειας είναι ζωτικής σημασίας σε ενσωματωμένες εφαρμογές, ειδικά σε συσκευές με μπαταρία, καθώς επηρεάζει τη διάρκεια ζωής της μπαταρίας και τη συνολική απόδοση του συστήματος. Οι μπαταρίες ιόντων λιθίου χρησιμοποιούνται ευρέως λόγω της υψηλής ενεργειακής τους πυκνότητας, του χαμηλού ρυθμού αυτοεκφόρτισης και της μεγάλης διάρκειας ζωής τους. Για να διασφαλιστεί η ασφάλεια και η αποτελεσματικότητα του συστήματος τροφοδοσίας μπαταρίας, είναι απαραίτητη η ακριβής εκτίμηση του SOC. Η ανακριβής εκτίμηση μπορεί να οδηγήσει σε υπερφόρτιση, υπερφόρτιση και πρόωρη αστοχία της μπαταρίας. Ωστόσο, τα μη γραμμικά και χρονικά μεταβαλλόμενα χαρακτηριστικά των μπαταριών ιόντων λιθίου καθιστούν την εκτίμηση SOC αρκετά προκλητική, επομένως έχουν προταθεί διάφορες μέθοδοι εκτίμησης, συμπεριλαμβανομένων προσεγγίσεων που βασίζονται σε μοντέλα και δεδομένων.

 

 

Σύστημα διαχείρισης μπαταριών και μέθοδος εκτίμησης SOC

 

Το Σύστημα Διαχείρισης Μπαταρίας (BMS) είναι ένα σημαντικό στοιχείο μιας μπαταρίας, το οποίο παρακολουθεί την κατάσταση της μπαταρίας και ελέγχει τη διαδικασία φόρτισης και εκφόρτισης. Η ακριβής εκτίμηση SOC είναι μία από τις βασικές λειτουργίες της, η οποία βοηθά στη βελτιστοποίηση της χρήσης της μπαταρίας, στην πρόληψη της υπερφόρτισης και της υπερφόρτισης. Ο αλγόριθμος πρέπει να ανταποκρίνεται σε σφάλματα αισθητήρων υψηλής ακρίβειας, στιβαρότητας έως χαμηλής ακρίβειας και εσφαλμένης εκτίμησης παραμέτρων μπαταρίας και χαμηλής υπολογιστικής ισχύος. Οι τεχνικές μοντελοποίησης και εκτίμησης για την επίτευξη ακριβούς εκτίμησης SOC περιλαμβάνουν ηλεκτροχημεία, ισοδύναμα κυκλώματα και μεθόδους που βασίζονται σε δεδομένα. Τα ηλεκτροχημικά μοντέλα είναι ακριβή αλλά υπολογιστικά ακριβά και απαιτούν εξειδικευμένες γνώσεις, ενώ οι μέθοδοι που βασίζονται σε παρατηρητές είναι σχετικά απλές και έχουν καλή ακρίβεια.

 

Οι μέθοδοι εκτίμησης SOC χωρίζονται σε δύο κατηγορίες:εκτίμηση ανοιχτού και κλειστού βρόχου. Οι μέθοδοι ανοιχτού βρόχου όπως η καταμέτρηση Coulomb είναι απλές αλλά απαιτούν αρχική γνώση SOC, αργή δυναμική και χαμηλή αξιοπιστία, ενώ οι μέθοδοι τάσης ανοιχτού κυκλώματος είναι ακριβείς αλλά απαιτούν την παραμονή της μπαταρίας σε αδράνεια για μεγάλο χρονικό διάστημα. Οι μέθοδοι κλειστού βρόχου περιλαμβάνουν κυρίως τον Predictive Control Model (MPC) και τις σχετικές μεθόδους (όπως 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 και Neural Network), επίσης όπως μέθοδοι όπως το φίλτρο H-infinity, το Sliding Mode Observer (SMO), το φίλτρο σωματιδίων (PF) και τις παραλλαγές του φίλτρου Kalman (όπως το φίλτρο Kalman χωρίς άρωμα (UKF) και το φίλτρο Sigma Point Kalman (SPKF)).

 

Η εφαρμογή του EKF και του FPGA στην εκτίμηση SOC:Υπάρχουν διάφορες μέθοδοι για την ηλεκτρονική εκτίμηση SOC και οι παρατηρητές κατάστασης (ειδικά το EKF) είναι δημοφιλείς λόγω της στιβαρότητάς τους. Στη διαχείριση μπαταριών, ο αναδρομικός αλγόριθμος EKF μπορεί να συνδυάσει μοντέλα μπαταριών και δεδομένα μέτρησης για την εκτίμηση του SOC. Ωστόσο, η εφαρμογή πολύπλοκων αλγορίθμων με μικροελεγκτές είναι δαπανηρή και μπορεί να μην είναι κατάλληλη για συστήματα πολλαπλών μπαταριών. Το κόστος BMS (συμπεριλαμβανομένης της παρακολούθησης και της εξισορρόπησης) μπορεί να φτάσει το 30% των τιμών της μπαταρίας. Ως εκ τούτου, αυτή η μελέτη εστιάζει στον γρήγορο υπολογισμό του αλγόριθμου εκτίμησης SOC για μπαταρίες ηλεκτρικών οχημάτων με πολλαπλές μπαταρίες σε σειρά χρησιμοποιώντας προγραμματιζόμενες συστοιχίες πύλης πεδίου (FPGAs). Τα FPGA έχουν αποδειχθεί αποτελεσματικά στον βιομηχανικό τομέα. Ο στόχος αυτής της μελέτης είναι να εφαρμόσει έναν παρατηρητή βασισμένο στον αλγόριθμο EKF σε ένα χαμηλού κόστους και αποτελεσματικό Spartan 6 FPGA, το οποίο μπορεί να διορθώσει την αρχική ανακριβή εκτίμηση SOC. Ο γρήγορος χρόνος παρατήρησης μπορεί να επιτύχει ταυτόχρονη παρατήρηση πολλαπλών μπαταριών με το ίδιο FPGA, μειώνοντας το κόστος BMS των ηλεκτρικών οχημάτων ή άλλων συστημάτων SOC μπαταρίας που πρέπει να παρακολουθούνται. Τα επόμενα κεφάλαια της εργασίας θα εισαγάγουν το μοντέλο της μπαταρίας ιόντων λιθίου, τον σχεδιασμό παρατηρητή, την εφαρμογή σε FPGA, την προσομοίωση σε περιβάλλον Xilinx, τα πειραματικά αποτελέσματα, τα ερευνητικά συμπεράσματα και τη διαδοχική εργασία.

 

640

 

 

 

 

2. Παρατηρητής κατάστασης χρέωσης


Μοντέλο μπαταρίας


Υπάρχουν διάφορες μέθοδοι μοντελοποίησης για την ακριβή αναπαράσταση της δυναμικής συμπεριφοράς των ηλεκτροχημικών στοιχείων. Αν και τα ηλεκτροχημικά μοντέλα μπορούν να βοηθήσουν στην πρόβλεψη της απόδοσης της μπαταρίας και στην κατανόηση των μηχανισμών γήρανσης, απαιτούν αρχικές και οριακές συνθήκες της μπαταρίας και είναι υπολογιστικά πολύπλοκα και δεν είναι κατάλληλα για εφαρμογές σε πραγματικό χρόνο. Έτσι αναπτύχθηκε ένα απλοποιημένο μοντέλο βασισμένο σε ισοδύναμο κύκλωμα (EEC), το οποίο είναι κατάλληλο για μη ηλεκτροχημικούς επαγγελματίες και εύκολο στην εφαρμογή του σε πραγματικό χρόνο. Ωστόσο, τα ηλεκτροχημικά φαινόμενα πρέπει να ληφθούν υπόψη σε επίπεδο μπαταρίας για να απλοποιηθεί η αναγνώριση μοντέλου.

 

640 1

 

Το μοντέλο EEC που χρησιμοποιείται σε αυτή τη μελέτη περιλαμβάνει μια πηγή τάσης ανοιχτού κυκλώματος (OCV), μια αντίσταση R Ω που αντιπροσωπεύει φαινόμενα υψηλής συχνότητας όπως ηλεκτρολύτης και αντίσταση σύνδεσης, καθώς και δυναμική αντίσταση μεταφοράς φορτίου και ένα παράλληλο κύκλωμα R1C1 που προσομοιώνει χαμηλή συχνότητα φαινόμενα διάχυσης. Για να απλοποιηθούν οι υπολογισμοί σε πραγματικό χρόνο, χρησιμοποιείται ένα μόνο κύκλωμα RC για την προσομοίωση φαινομένων διάχυσης με περίοδο δειγματοληψίας Te=0.1 δευτερολέπτων, η οποία μπορεί να αγνοηθεί σε σύγκριση με την περίοδο δειγματοληψίας λόγω της δυναμικής μεταφοράς φορτίου (περίπου 10 ms ). Η εξίσωση κατάστασης μοντέλου μπαταρίας επεκτείνεται στο SOC όπως φαίνεται στον τύπο 1:

 

640 2

 

(Όπου Qnom είναι η ονομαστική χωρητικότητα, V1 είναι η τάση στο κύκλωμα R1C1, SOC είναι η κατάσταση φόρτισης, Ubat είναι η τάση τερματικού της μπαταρίας), το μοντέλο μπαταρίας διακριτής κατάστασης επεκτείνεται στο SOC όπως φαίνεται στον τύπο 2:

 

640 3

 

 

Παρατηρητής SOC με βάση το φίλτρο Kalman

 

Το SOC δεν μπορεί να μετρηθεί απευθείας και το εκτεταμένο φίλτρο Kalman (EKF) χρησιμοποιείται συνήθως για την επίλυση αυτού του προβλήματος. Απαιτεί ένα ακριβές μοντέλο μπαταρίας και τη δυνατότητα εκτίμησης του SOC εντός ενός συγκεκριμένου εύρους θορύβου. Το EKF αρχικοποιεί και προβλέπει μεταβλητές κατάστασης σε συγκεκριμένο χρόνο δειγματοληψίας Te, χρησιμοποιώντας μια εξίσωση κατάστασης μοντέλου μπαταρίας (Τύπος 1) που περιλαμβάνει SOC για πρόβλεψη. Η απόδοση του παρατηρητή εξαρτάται από την εμπιστοσύνη στη μέτρηση και το μοντέλο, λαμβάνοντας υπόψη την αβεβαιότητα μοντέλου wk και την αβεβαιότητα μέτρησης τάσης vk (Τύπος 3):

 

640 4

 

Υποθέτοντας ότι είναι λευκός θόρυβος, Gaussian θόρυβος και έχουν μέσο όρο μηδέν, περιλαμβάνονται στους πίνακες συνδιακύμανσης Q και R της κατάστασης και του θορύβου μέτρησης, αντίστοιχα.

 

Λόγω της μη γραμμικότητας της επέκτασης του μοντέλου μπαταρίας σε SOC (καθώς το OCV σχετίζεται με το SOC), είναι απαραίτητο να γραμμικοποιηθεί υπολογίζοντας τον Jacobian matrix σε κάθε χρόνο δειγματοληψίας (Τύπος 4):

 

640 5

 

Γραμμικοποιήστε και υπολογίστε το κέρδος Kalman (Τύπος 5):

 

640 6

 

Ενημέρωση πίνακα συνδιακύμανσης (Τύπος 6):

 

640 7

 

Τέλος, χρησιμοποιήστε τη διόρθωση βέλτιστου κέρδους για να προβλέψετε το διάνυσμα κατάστασης (Τύπος 7):

 

640 8

 

Οι παράμετροι EKF συνοψίζονται στον παρακάτω πίνακα.

 

640 9

 

 

 

 

3. Υλοποίηση FPGA

 

Σχεδιασμός αρχιτεκτονικής FPGA:Το FPGA αποτελείται από πόρους επεξεργασίας (όπως μνήμη, λογική και καταχωρητές, ομαδοποιημένους σε διαφορετικούς τύπους λογικών μπλοκ) και προγραμματιζόμενους πόρους διασύνδεσης. Κατά τον προγραμματισμό, είναι απαραίτητο να καθορίσετε τις λειτουργίες των λογικών μπλοκ και να οργανώσετε το δίκτυο διασύνδεσης. Αυτή η μελέτη εστιάζει στην αρχιτεκτονική προγραμματιζόμενων κυκλωμάτων μήτρας, των οποίων τα λογικά μπλοκ είναι σε κανονική ορθογώνια δομή και συνδέονται με ένα δίκτυο δρομολόγησης (αποτελούμενο από οριζόντια και κάθετα κανάλια) μέσω προγραμματιζόμενων σημείων διασύνδεσης. Το FPGA αποτελείται από προσχεδιασμένες βασικές μπαταρίες και διασυνδέσεις και οι χρήστες μπορούν να προγραμματίσουν και να δημιουργήσουν συγκεκριμένες αρχιτεκτονικές υλικού που πληρούν τις απαιτήσεις της εφαρμογής. Παρουσιάζει δυνατότητες επεξεργασίας υψηλής απόδοσης και χαμηλής καθυστέρησης στον βιομηχανικό τομέα και η ευελιξία του μπορεί να βελτιώσει την απόδοση, να μειώσει το κόστος και να έχει επεκτασιμότητα. Η χρήση του FPGA για παραμετροποιήσιμους παράλληλους υπολογιστές μειώνει τον χρόνο εκτέλεσης του αλγορίθμου, αλλά ο προγραμματισμός απαιτεί βελτιστοποίηση των φυσικών ιδιοτήτων, συμπεριλαμβανομένης της απόδοσης χρόνου/περιοχής αλγορίθμου και επιλογή bit μορφής δεδομένων, διατηρώντας παράλληλα τη βασική ακρίβεια του παρατηρητή.

 

Τεχνολογία διαδικασίας 45 nm
Αριθμός Λογικών Κελιών (LC) 147443

Ρυθμιζόμενα λογικά μπλοκ (CLB)

Φέτες

Σαγιονάρες

Μέγιστη κατανεμημένη μνήμη RAM (Kb)

23038

184304

1355

Φέτες DSP48A1 180
Μέγιστο l/O χρήστη 576
Μνήμη 4824 Kb
Ρολόι 80 MHz

 

640 10

 

Εξοπλισμός και λογισμικό:Αυτή η μελέτη στοχεύει στην εφαρμογή ενός εκτεταμένου φίλτρου Kalman (EKF) για την εκτίμηση της κατάστασης φόρτισης (SOC) μιας μπαταρίας σε ένα σύστημα πραγματικού χρόνου, χρησιμοποιώντας την πλατφόρμα υλικού MicroAutoBox II (MABXII) του dSPACE, η οποία είναι αξιόπιστη και ισχυρή για τη σχεδίαση πρωτοτύπων και δοκιμές στην αυτοκινητοβιομηχανία. Το ενσωματωμένο Xilinx Spartan-6 FPGA (XC6SLX150) έχει υψηλή απόδοση και χαμηλή κατανάλωση ενέργειας (οι βασικές προδιαγραφές φαίνονται στον Πίνακα 2), καθιστώντας το κατάλληλο για αυτήν την εφαρμογή. Ο παρατηρητής SOC εφαρμόζεται σε αυτό το FPGA και δοκιμάζει το SOC μεμονωμένων μπαταριών σε ένα πακέτο μπαταριών που αποτελείται από 5 σειρές συνδεδεμένες μπαταρίες ιόντων λιθίου (παράμετροι πακέτου μπαταριών: συνολική ονομαστική τάση 18 V, ονομαστική τάση μεμονωμένης μπαταρίας 3,6 V, συνολική χωρητικότητα των 2,5Ah, με χρήση μπαταρίας ιόντων λιθίου Samsung 25R 18650, θετική Το ηλεκτρόδιο είναι ένα μείγμα χημικών ουσιών NCA και NMC, το αρνητικό ηλεκτρόδιο είναι γραφίτης, οι παράμετροι του μοντέλου μπαταρίας προσδιορίζονται από την τεχνολογία διαλείπουσας τιτλοδότησης σταθερού ρεύματος GITT, όπως φαίνεται στο Σχήμα 4). Υποθέτοντας θερμοκρασία μπαταρίας 25 βαθμούς C και σταθερές παραμέτρους, ο αλγόριθμος EKF αναπτύσσεται χρησιμοποιώντας μπλοκ Simulink (όπως φαίνεται στο Σχήμα 5) και βελτιστοποιείται για απόδοση και χρήση πόρων μέσω διοχέτευσης, πολυπλεξίας/αναδίπλωσης χρονικής διαίρεσης και προσαρμοσμένης ακρίβειας.

 

640 11

 

640 12

 

Τεχνολογία πολυπλεξίας διαίρεσης χρόνου:Το υπό μελέτη πακέτο μπαταριών περιέχει 5 σειρές συνδεδεμένες μπαταρίες ιόντων λιθίου και υπάρχουν δύο μέθοδοι για την εκτίμηση του SOC κάθε μπαταρίας. Το ένα είναι να αναπτύξετε ένα σχέδιο με πέντε μοντέλα μπαταριών, αλλά λόγω των υψηλών απαιτήσεων πόρων, δεν είναι κατάλληλο για εφαρμογές σε πραγματικό χρόνο και απαιτεί πιο ακριβό και πλούσιο σε πόρους FPGA. Η δεύτερη μέθοδος βασίζεται στην πολυπλεξία διαίρεσης χρόνου (βλ. Εικόνα 6), με κάθε χρόνο δειγματοληψίας Te '=0.02 δευτερόλεπτα. Αφού ψηφιοποιηθεί το ρεύμα της μπαταρίας και η τάση της μπαταρίας από την πλακέτα MicroAutoBox DSP ADC, το μηχάνημα κατάστασης στέλνει τα δεδομένα στο FPGA για να εκτελέσει τον αλγόριθμο EKF. Αφού ολοκληρωθεί ο αλγόριθμος, το εκτιμώμενο και διορθωμένο SOC, ο πίνακας συνδιακύμανσης σφάλματος και η τάση διάχυσης αποστέλλονται πίσω στο DSP. Οι επόμενες προσπάθειες θα επικεντρωθούν στην επαλήθευση του παρατηρητή μέσω προσομοίωσης, η οποία είναι ζωτικής σημασίας για τη διασφάλιση της ακρίβειας και της αποτελεσματικότητας του παρατηρητή πριν από την ανάπτυξη στο FPGA.

 

640 13

 

 

 

 

4. Επαλήθευση παρατηρητών από το Xilinx

 

Διαδικασία επαλήθευσης:Ο αλγόριθμος επικυρώνεται χρησιμοποιώντας μια βιβλιοθήκη γεννήτριας συστήματος ειδικά σχεδιασμένη για προγραμματισμό FPGA. Αυτή η βιβλιοθήκη επιτρέπει τον προγραμματισμό FPGA χρησιμοποιώντας μπλοκ Simulink και η επεξεργασία δεδομένων μπορεί να γίνει σε λειτουργία κινητής υποδιαστολής ή σταθερής υποδιαστολής. Όσο μεγαλύτερη είναι η ακρίβεια, τόσο μεγαλύτερες είναι οι απαιτήσεις πόρων FPGA. Για να εξισορροπηθεί η ακρίβεια των αποτελεσμάτων και η χρήση των πόρων, αυτή η μελέτη επέλεξε μια υπογεγραμμένη αναπαράσταση σε λειτουργία σταθερού σημείου, συγκεκριμένα τη μορφή Fix32_16 (15 bit για ακέραιο μέρος, 16 bit για δεκαδικό μέρος και 1 bit για πρόσημο) . Το κύριο πλεονέκτημα της χρήσης αυτής της βιβλιοθήκης Xilinx είναι η ευκολία εφαρμογής της σε FPGA, χωρίς την ανάγκη σύνθετου προγραμματισμού VHDL.

 

 

Αξιολόγηση απόδοσης και αποτελέσματα

 

Η απόδοση του παρατηρητή με βάση το EKF αξιολογείται μέσω της καμπύλης ρεύματος του ρεύματος εκφόρτισης 1C (2,5Α). Το πραγματικό SOC αρχικοποιείται σε 100%, και η αρχική εκτιμώμενη τιμή SOC SOC-0 ορίζεται σε 0% (το SOC-0 είναι μια ρυθμιζόμενη παράμετρος που μπορεί να επιτύχει ένα ευρύ φάσμα εκτιμώμενη αρχικοποίηση SOC). Η τιμή αναφοράς SOC λαμβάνεται από ένα μετρητή κουλόμπ που έχει αρχικοποιηθεί με το σωστό αρχικό SOC και την ονομαστική χωρητικότητα. Τοποθετήστε τον σχεδιασμένο εκτιμητή κάτω από την καμπύλη ρεύματος εκφόρτισης βήματος ρεύματος 1C για επαλήθευση.

Τα αποτελέσματα δείχνουν ότι αν και η αρχική εκτιμώμενη τιμή είναι διαφορετική από την πραγματική αρχική τιμή SOC, το εκτιμώμενο SOC εξακολουθεί να συγκλίνει στο πραγματικό SOC της μπαταρίας, υποδεικνύοντας ότι ο παρατηρητής EKF μπορεί να διορθώσει την κακή εκτίμηση SOC και να κάνει το εκτιμώμενο SOC να συγκλίνει στο πραγματικό αξία. Ωστόσο, η αναπαράσταση σταθερού σημείου που χρησιμοποιείται στην υλοποίηση περιορίζει τον αριθμό των bit που χρησιμοποιούνται, οδηγώντας σε σφάλματα εκτίμησης και ενδέχεται να συσσωρευτούν σφάλματα κατά την τρέχουσα διαδικασία ολοκλήρωσης κατά την πρόβλεψη μεταβλητών κατάστασης, με αποτέλεσμα ένα μεγάλο εύρος σφαλμάτων μεταξύ της εκτιμώμενης και της πραγματικής τιμής . Ωστόσο, εφόσον το απόλυτο σφάλμα είναι μικρότερο από 5%, το φίλτρο θεωρείται αποτελεσματικό και μπορεί να εκτιμήσει με ακρίβεια τις μεταβλητές κατάστασης.

 

640 14

 

 

 

 

5. Αποτελέσματα υλοποίησης FPGA σε πραγματικό χρόνο

 

Επαλήθευση σε πραγματικό χρόνο (χρησιμοποιώντας προκαταγεγραμμένα δεδομένα):Πριν από την πραγματική δοκιμή της μπαταρίας, προσομοιώστε τη δοκιμή χρησιμοποιώντας προκαταγεγραμμένα δεδομένα ρεύματος/τάσης της μπαταρίας. Τα αποτελέσματα της δοκιμής δείχνουν ότι ο παρατηρητής έχει καλή απόδοση σε πραγματικό χρόνο. Η τρέχουσα καμπύλη αποφορτίζεται με ένα βήμα ρεύματος 1C (2,5A) και το SOC αρχικοποιείται σε 0%. Η τιμή αναφοράς SOC λαμβάνεται από έναν σωστά αρχικοποιημένο μετρητή κουλόμπ. Σε σύγκριση με τα αποτελέσματα προσομοίωσης του Xilinx, η απόδοση του παρατηρητή είναι παρόμοια και στις δύο περιπτώσεις, και το φίλτρο Kalman που εφαρμόζεται στο FPGA μειώνει επιτυχώς το σφάλμα μεταξύ της μετρούμενης τάσης και της εκτιμώμενης τάσης, κάνοντας το εκτιμώμενο SOC να συγκλίνει σε μια ακριβή τιμή που δεν μπορεί να μετρηθεί άμεσα.

 

640 15

 

 

Παρατηρητής πειραματικής επαλήθευσης

 

Δοκιμή μονής μπαταρίας:Μετά από επαλήθευση σε πραγματικό χρόνο με χρήση προκαταγεγραμμένων δεδομένων, διενεργούνται περαιτέρω δοκιμές κατά την πραγματική αποφόρτιση της μπαταρίας. Χρησιμοποιώντας την πλατφόρμα δοκιμών που φαίνεται στο σχήμα, ενεργοποιήστε τον παρατηρητή ενώ αποφορτίζετε την μπαταρία για να αξιολογήσετε την ακρίβεια της εκτίμησης SOC. Με τη δημιουργία κύκλων παλμών ρεύματος ως καθορισμένης τιμής για προγραμματιζόμενα ενεργά φορτία για την εκφόρτιση της μπαταρίας, τα πειραματικά αποτελέσματα δείχνουν ότι στην αρχή του τρέχοντος κύκλου, το φίλτρο μπορεί να διορθώσει το αρχικό SOC του 0%. Καθώς η τάση μειώνεται, το SOC μειώνεται επίσης και το σύστημα μπορεί να το διορθώσει αυτόματα. Ωστόσο, υπάρχει ταλάντωση στη διαδικασία εκτίμησης, κυρίως λόγω του θορύβου μέτρησης του αισθητήρα, που απαιτεί πιο ομαλό φίλτρο.

 

640 16

 

640 17

 

640 18

 

Δοκιμή μπαταρίας:Καθώς η ερευνητική μπαταρία αποτελείται από 5 σειρές συνδεδεμένες μπαταρίες, πρέπει να αναπτυχθεί ένας εκτιμητής για τη δοκιμή ολόκληρου του πακέτου μπαταριών. Με την ενσωμάτωση της τεχνολογίας πολυπλεξίας με διαίρεση χρόνου στο μοντέλο φίλτρου Kalman, δημιουργείται ένας τρέχων κύκλος παλμού με περίοδο 3200 s και πλάτος -2.5A ως προγραμματιζόμενη τιμή ρύθμισης ενεργού φορτίου για την μπαταρία εκπλήρωση. Τα αποτελέσματα δείχνουν ότι ο παρατηρητής μπορεί να εκτιμήσει με ακρίβεια την τάση και το SOC κάθε μπαταρίας σε ολόκληρο το πακέτο μπαταριών. Με βάση πέντε καμπύλες, μπορεί να προσδιοριστεί το SOC και η τάση κάθε μπαταρίας, κάτι που έχει σημαντικά πλεονεκτήματα σε σύγκριση με προηγούμενες μελέτες που εκτιμούν μόνο τη συνολική τάση και το SOC της μπαταρίας. Ο παρατηρητής SOC έχει χρόνο εκτέλεσης 2,5 µs και τυπική περίοδο δειγματοληψίας 0,1 s. Το τσιπ Spartan 6 έχει αρκετό χρόνο για να εκτελέσει πολλαπλές εκτιμήσεις SOC και να παρατηρήσει άλλες καταστάσεις (όπως εσωτερική θερμοκρασία) εντός μιας περιόδου δειγματοληψίας. Η υλοποίηση του FPGA δεν κατανάλωσε σημαντικό όγκο πόρων και παρά την πολυπλοκότητα του προγράμματος, οι διαθέσιμοι πόροι FPGA δεν χρησιμοποιήθηκαν πλήρως.

 

640 19

 

640 20

 

Slice Logic Utilization

Αριθμός καταχωρητών Slice (flip flops)

Αριθμός Slice LUTs

Μεταχειρισμένος
15395

11442

Διαθέσιμος
184304
92152

Χρησιμοποίηση
8%

12%

Slice Logic Distribution

Αριθμός κατειλημμένων Φοτών

Αριθμός MUXCY

4331
9148
23038
46076
18%
19%
I/O Utilization 180 498 36%
Αριθμός DSP48A1 94 180 52%

 

 

 

 

6. Περίληψη

 

Στον τομέα των ενσωματωμένων εφαρμογών, η διαχείριση ενέργειας είναι ζωτικής σημασίας για τη βελτιστοποίηση της κατανάλωσης ενέργειας και την επέκταση της διάρκειας ζωής της μπαταρίας. Αυτό απαιτεί να μπορούμε να παρακολουθούμε με ακρίβεια την κατάσταση φόρτισης της μπαταρίας. Αυτή η μελέτη εστιάζει στην ανάπτυξη ενός παρατηρητή κατάστασης για την εκτίμηση της τάσης και της κατάστασης φόρτισης κάθε μπαταρίας σε μια μπαταρία ιόντων λιθίου. Ο παρατηρητής υιοθετεί τον αλγόριθμο φιλτραρίσματος Kalman που είναι κατάλληλος για μπαταρίες ιόντων λιθίου και έχει τη δυνατότητα να διορθώνει την κατάσταση φόρτισης όταν η αρχική εκτιμώμενη τιμή δεν συνάδει με την πραγματική κατάσταση φόρτισης. Η εφαρμογή αυτού του πολύπλοκου αλγορίθμου σε ένα χαμηλού κόστους Spartan 6 FPGA (τιμή κάτω από 20 ευρώ) έχει αποδειχθεί ότι είναι εξαιρετικά αποδοτική, ικανή να παρακολουθεί πολλές μπαταρίες ταυτόχρονα, μειώνοντας έτσι το κόστος των συστημάτων διαχείρισης μπαταριών.

 

Τα πειραματικά αποτελέσματα δείχνουν ότι ο παρατηρητής μπορεί να εκτιμήσει με ακρίβεια την τάση και την κατάσταση φόρτισης κάθε μπαταρίας, επιδεικνύοντας σημαντικά πλεονεκτήματα σε σύγκριση με προηγούμενες μελέτες που μπορούσαν να εκτιμήσουν μόνο την τάση και την κατάσταση φόρτισης ολόκληρου του πακέτου μπαταριών. Ο χαμηλός χρόνος εκτέλεσης και η κατανάλωση πόρων του παρατηρητή τον καθιστούν ένα ισχυρό εργαλείο για παρακολούθηση και έλεγχο σε πραγματικό χρόνο πακέτων μπαταριών ιόντων λιθίου, κατάλληλο για διάφορα σενάρια εφαρμογών. Παρόλο που προκλήθηκαν προκλήσεις όπως ο θόρυβος δεδομένων κατά τη διαδικασία υλοποίησης, αυτά τα ζητήματα μπορούν να αντιμετωπιστούν αποτελεσματικά με την υιοθέτηση κατάλληλων τεχνικών φιλτραρίσματος για τη διασφάλιση της ακρίβειας των αποτελεσμάτων. Συνολικά, αυτή η μελέτη συνέβαλε σημαντικά στον τομέα των συστημάτων διαχείρισης μπαταριών και άνοιξε νέους δρόμους για μελλοντική έρευνα.

Αποστολή ερώτησής