Effektiv implementering av realtidsövervakning och förutsägelse av SOC för litiumjonbatterier

Abstrakt

Denna studie fördjupar sig i övervakningen av laddningsstatus för litiumjonbatterier, vilket är avgörande för säkerheten och effektiviteten av batterienergihantering i inbyggda applikationer. Att noggrant förstå batteriernas laddningsstatus är av avgörande betydelse för att säkerställa säker användning och prestanda. Forskargruppen utvecklade och implementerade en observatörsalgoritm baserad på Kalman-filter, som användes på Spartan 6 FPGA. Algoritmen kan noggrant uppskatta batteriets laddningstillstånd, även om det finns en avvikelse mellan det initiala uppskattade värdet och det faktiska tillståndet. Den här artikeln betonar särskilt fördelarna med FPGA i snabb beräkning, vilket gör att FPGA kan fungera som en effektiv slavkomponent i batterihanteringssystem (BMS), som övervakar laddningsstatusen för ett stort antal batterier till en lägre kostnad. Att implementera denna observatör på lågkostnads-FPGA är av stor betydelse för att minska kostnaderna för batterihanteringssystem i applikationer som elfordon. Dessutom har observatörsmodellen validerats för dess effektivitet genom rigorös simulering och realtidstestning. Denna studie föreslår en effektiv metod för att noggrant uppskatta laddningsstatusen för litiumjonbatterier, vilket ger starkt stöd för effektiv hantering av batterienergi i olika applikationer.

1. Introduktion

Vikten av energihushållning och SOC-uppskattning:Energihantering är avgörande i inbyggda applikationer, särskilt batteridrivna enheter, eftersom det påverkar batteritiden och systemets övergripande prestanda. Litiumjonbatterier används ofta på grund av deras höga energitäthet, låga självurladdningshastighet och långa livslängd. För att säkerställa säkerheten och effektiviteten hos batteriströmförsörjningssystemet är noggrann uppskattning av SOC viktigt. Felaktig uppskattning kan leda till överladdning, överurladdning och för tidigt fel på batteriet. Men de olinjära och tidsvarierande egenskaperna hos litiumjonbatterier gör SOC-uppskattning ganska utmanande, därför har olika uppskattningsmetoder föreslagits, inklusive modellbaserade och datadrivna tillvägagångssätt.

Batterihanteringssystem och SOC-uppskattningsmetod

Batterihanteringssystemet (BMS) är en viktig komponent i ett batteripaket, som övervakar batteriets status och styr laddnings- och urladdningsprocessen. Noggrann SOC-uppskattning är en av dess nyckelfunktioner, som hjälper till att optimera batterianvändningen, förhindra över- och överladdning. Algoritmen måste uppfylla hög precision, robusthet mot sensorfel med låg precision och feluppskattning av batteriparametrar och låga krav på beräkningseffekt. Modellerings- och uppskattningsteknikerna för att uppnå korrekt SOC-uppskattning inkluderar elektrokemi, ekvivalenta kretsar och datadrivna metoder. Elektrokemiska modeller är noggranna men beräkningsmässigt dyra och kräver specialiserad kunskap, medan observatörsbaserade metoder är relativt enkla och har god noggrannhet.

SOC-uppskattningsmetoder är indelade i två kategorier:öppen- och sluten-loop-uppskattning. Open loop-metoder som Coulomb-räkning är enkla men kräver initial SOC-kunskap, långsam dynamik och dålig tillförlitlighet, medan öppen kretsspänningsmetoder är korrekta men kräver att batteriet lämnas inaktivt under lång tid. Metoderna med sluten slinga inkluderar främst Model Predictive Control (MPC) och dess relaterade 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 och Neural Network), samt metoder som t.ex. H-oändlighetsfilter, Sliding Mode Observer (SMO), partikelfilter (PF) baserade metoder och varianter av Kalman Filter (som Oparfymerat Kalman Filter (UKF) och Sigma Point Kalman Filter (SPKF)).

Tillämpningen av EKF och FPGA i SOC-uppskattning:Det finns olika metoder för online-SOC-uppskattning, och statliga observatörer (särskilt EKF) är populära på grund av sin robusthet. Inom batterihantering kan EKFs rekursiva algoritm kombinera batterimodeller och mätdata för att uppskatta SOC. Att implementera komplexa algoritmer med mikrokontroller är dock kostsamt och kanske inte lämpar sig för system med flera batterier. BMS-kostnader (inklusive övervakning och balansering) kan nå 30 % av batteripaketets priser. Därför fokuserar den här studien på den snabba beräkningen av SOC-uppskattningsalgoritm för elfordonsbatterier med flera batterier i serie med hjälp av fältprogrammerbara grindmatriser (FPGA). FPGA:er har visat sig vara effektiva inom industriområdet. Målet med denna studie är att implementera en observatör baserad på EKF-algoritmen på en billig och effektiv Spartan 6 FPGA, som kan korrigera initiala felaktiga SOC-uppskattningar. Den snabba observationstiden kan uppnå samtidig observation av flera batterier med samma FPGA, vilket minskar BMS-kostnaden för elfordon eller andra batteri SOC-system som behöver övervakas. De efterföljande kapitlen i artikeln kommer att introducera litiumjonbatterimodellen, observatörsdesign, implementering på FPGA, simulering i Xilinx-miljö, experimentella resultat, forskningsslutsatser och framtida arbete i sekvens.

2. Laddningsstatsobservatör

Batterimodell

Det finns olika modelleringsmetoder för att korrekt representera det dynamiska beteendet hos elektrokemiska celler. Även om elektrokemiska modeller kan hjälpa till att förutsäga batteriprestanda och förstå åldringsmekanismer, kräver de initiala och gränsvillkor för batteriet, och är beräkningsmässigt komplexa och inte lämpliga för realtidsapplikationer. Så en förenklad modell baserad på ekvivalent krets (EEC) utvecklades, som är lämplig för icke elektrokemiska proffs och lätt att applicera i realtid. Elektrokemiska fenomen måste dock beaktas på batterinivå för att förenkla modelligenkänning.

EEC-modellen som används i denna studie inkluderar en öppen kretsspänningskälla (OCV), ett motstånd R Ω som representerar högfrekventa fenomen som elektrolyt- och anslutningsresistans, såväl som laddningsöverförings dynamiskt motstånd, och en parallellkrets R1C1 som simulerar lågfrekventa diffusionsfenomen. För att förenkla realtidsberäkningar används en enda RC-krets för att simulera diffusionsfenomen med en samplingsperiod på Te=0.1 sekunder, vilket kan ignoreras jämfört med samplingsperioden på grund av den dynamiska laddningsöverföringen (ca 10ms) ). Batterimodellens tillståndsekvation utökas till SOC som visas i formel 1:

(Där Qnom är den nominella kapaciteten, V1 är spänningen över R1C1-kretsen, SOC är laddningstillståndet, Ubat är batteripolspänningen), den diskreta batterimodellen utökas till SOC som visas i formel 2:

SOC observatör baserad på Kalman filter

SOC kan inte mätas direkt, och Extended Kalman Filter (EKF) används ofta för att lösa detta problem. Det kräver en noggrann batterimodell och förmågan att uppskatta SOC inom ett visst brusintervall. EKF initierar och förutsäger tillståndsvariabler vid en specifik samplingstid Te, med hjälp av en batterimodelltillståndsekvation (formel 1) som inkluderar SOC för förutsägelse. Observatörens prestanda beror på förtroendet för mätningen och modellen, med hänsyn tagen till modellosäkerhet wk och spänningsmätosäkerhet vk (Formel 3):

Om vi ​​antar att de är vitt brus, gaussiskt brus och har ett medelvärde på noll, ingår de i kovariansmatriserna Q och R för tillstånds- respektive mätbrus.

På grund av olinjäriteten i att utöka batterimodellen till SOC (eftersom OCV är relaterad till SOC), är det nödvändigt att linjärisera den genom att beräkna den jakobiska matrisen vid varje provtagningstidpunkt (Formel 4):

Linjärisera och beräkna Kalman-förstärkningen (Formel 5):

Uppdatera kovariansmatris (Formel 6):

Använd slutligen den optimala förstärkningskorrigeringen för att förutsäga tillståndsvektorn (formel 7):

EKF-parametrarna är sammanfattade i tabellen nedan.

3. FPGA-implementering

FPGA-arkitekturdesign:FPGA består av bearbetningsresurser (som minne, logik och register, grupperade i olika typer av logikblock) och programmerbara sammankopplingsresurser. Vid programmering är det nödvändigt att specificera logikblockens funktioner och organisera sammankopplingsnätverket. Denna studie fokuserar på matrisprogrammerbar kretsarkitektur, vars logiska block är i en vanlig rektangulär struktur och är anslutna till ett routingnätverk (bestående av horisontella och vertikala kanaler) genom programmerbara sammankopplingspunkter. FPGA består av fördesignade basbatterier och sammankopplingar, och användare kan programmera och bygga specifika hårdvaruarkitekturer som uppfyller applikationskraven. Den uppvisar hög genomströmning och bearbetningskapacitet med låg latens inom industriområdet, och dess flexibilitet kan förbättra prestandan, minska kostnaderna och ha skalbarhet. Användningen av FPGA för konfigurerbar parallell beräkning minskar algoritmexekveringstiden, men programmering kräver optimering av fysiska egenskaper, inklusive algoritmtid/areaprestanda och val av dataformatbitar, samtidigt som observatörens grundläggande noggrannhet bibehålls.

Utrustning och programvara:Denna studie syftar till att implementera ett utökat Kalman-filter (EKF) för att uppskatta laddningstillståndet (SOC) för ett batteripaket i ett realtidssystem, med hjälp av dSPACEs MicroAutoBox II (MABXII) hårdvaruplattform, som är pålitlig och robust för prototypdesign och tester inom bilindustrin. Dess inbäddade Xilinx Spartan-6 FPGA (XC6SLX150) har hög prestanda och låg strömförbrukning (nyckelspecifikationer visas i tabell 2), vilket gör den lämplig för denna applikation. SOC-observatören är implementerad på denna FPGA och testar SOC för individuella batterier i ett batteripaket bestående av 5 serieanslutna litiumjonbatterier (batteripaketets parametrar: total nominell spänning på 18V, nominell spänning för enstaka batteri på 3,6V, total kapacitet på 2,5Ah, med Samsung 25R 18650 litiumjonbatteri, är positiv elektrod en blandning av NCA och NMC-kemikalier, negativ elektrod är grafit, batterimodellparametrar identifieras av konstantström intermittent titreringsteknik GITT, som visas i figur 4). Med en batteritemperatur på 25 grader C och konstanta parametrar är EKF-algoritmen utvecklad med Simulink-block (som visas i figur 5) och optimerad för prestanda och resursutnyttjande genom pipeline, tidsdelningsmultiplexering/vikning och anpassad precision.

Teknik för tidsdelningsmultiplex:Batteripaketet som studeras innehåller 5 serieanslutna litiumjonbatterier, och det finns två metoder för att uppskatta SOC för varje batteri. En är att utveckla en design med fem batterimodeller, men på grund av höga resurskrav är den inte lämplig för realtidsapplikationer och kräver dyrare och resursrikare FPGA. Den andra metoden är baserad på tidsmultiplexering (se figur 6), med varje samplingstid Te '=0.02 sekunder. Efter att batteripaketets ström och batterispänning har digitaliserats av MicroAutoBox DSP-kort ADC, skickar tillståndsmaskinen data till FPGA:n för att exekvera EKF-algoritmen. Efter att algoritmen är avslutad skickas den uppskattade och korrigerade SOC, felkovariansmatrisen och diffusionsspänningen tillbaka till DSP. Efterföljande ansträngningar kommer att fokusera på att verifiera observatören genom simulering, vilket är avgörande för att säkerställa observatörens noggrannhet och effektivitet innan utplacering på FPGA.

4. Xilinx verifiering av observatörer

Verifieringsprocess:Algoritmen valideras med hjälp av ett systemgeneratorbibliotek speciellt utformat för FPGA-programmering. Detta bibliotek tillåter FPGA-programmering med Simulink-block, och databehandling kan göras i flyttal- eller fixpunktsläge. Ju högre noggrannhet, desto större krav på FPGA-resurser. För att balansera resultatens noggrannhet och resursutnyttjande valde den här studien en signerad representation i fixpunktsläge, specifikt Fix32_16-formatet (15 bitar för heltalsdel, 16 bitar för decimaldel och 1 bit för tecken) . Den största fördelen med att använda detta Xilinx-bibliotek är dess enkla implementering på FPGA, utan behov av komplex VHDL-programmering.

Prestationsutvärdering och resultat

Observatörens prestanda baserat på EKF utvärderas genom strömkurvan för 1C urladdningsström (2,5A). Den faktiska SOC initieras till 100%, och det initiala uppskattade SOC-värdet SOC-0 är satt till 0% (SOC-0 är en justerbar parameter som kan uppnå ett brett intervall av beräknad SOC-initiering). SOC-referensvärdet erhålls från en coulomb-mätare som initierats med korrekt initial SOC och nominell kapacitet. Placera den designade estimatorn under 1C strömstegsurladdningsströmkurvan för verifiering.

Resultaten visar att även om det initiala uppskattade värdet skiljer sig från det faktiska SOC-startvärdet, konvergerar den uppskattade SOC fortfarande till batteriets faktiska SOC, vilket indikerar att EKF-observatören kan korrigera dålig SOC-uppskattning och få den uppskattade SOC att konvergera till den faktiska värde. Fastpunktsrepresentationen som används i implementeringen begränsar dock antalet använda bitar, vilket leder till uppskattningsfel, och fel kan ackumuleras under den aktuella integrationsprocessen vid förutsägelse av tillståndsvariabler, vilket resulterar i ett stort antal fel mellan de uppskattade och faktiska värdena . Men så länge som det absoluta felet är mindre än 5 % anses filtret vara effektivt och kan noggrant uppskatta tillståndsvariablerna.

5. Realtids FPGA-implementeringsresultat

Realtidsverifiering (med förinspelad data):Före faktisk batteritestning, simulera testning med förinspelade ström-/spänningsdata för batteriet. Testresultaten visar att observatören har bra realtidsprestanda. Strömkurvan laddas ur med ett 1C strömsteg (2,5A), och SOC initieras till 0%. SOC-referensvärdet erhålls av en korrekt initierad coulomb-mätare. Jämfört med simuleringsresultaten från Xilinx är observatörens prestanda likartad i båda fallen, och Kalman-filtret implementerat på FPGA reducerar framgångsrikt felet mellan den uppmätta spänningen och den uppskattade spänningen, vilket gör att den uppskattade SOC konvergerar till ett exakt värde som inte kan mätas direkt.

Experimentell verifieringsobservatör

Enstaka batteritestning:Efter realtidsverifiering med förinspelade data utförs ytterligare tester under faktisk batteriurladdning. Använd testplattformen som visas i figuren, kör observatören medan du laddar ur batteriet för att utvärdera noggrannheten i SOC-uppskattningen. Genom att generera aktuella pulscykler som inställt värde för programmerbara aktiva belastningar för att ladda ur batteriet visar experimentella resultat att filtret i början av den aktuella cykeln kan korrigera den initiala SOC på 0%. När spänningen minskar, minskar också SOC, och systemet kan automatiskt korrigera det. Det finns dock oscillationer i uppskattningsprocessen, främst på grund av sensormätningsbrus, vilket kräver ett jämnare filter.

Batteritestning:Eftersom forskningsbatteriet består av 5 seriekopplade batterier behöver en estimator utvecklas för att testa hela batteripaketet. Genom att integrera tidsdelningsmultiplexeringsteknik i Kalman-filtermodellen genereras en aktuell pulscykel med en period på 3200s och en amplitud på -2.5A som det programmerbara aktiva belastningsinställningsvärdet för batteriet ansvarsfrihet. Resultaten visar att observatören exakt kan uppskatta spänningen och SOC för varje batteri i hela batteripaketet. Baserat på fem kurvor kan SOC och spänning för varje batteri bestämmas, vilket har betydande fördelar jämfört med tidigare studier som bara uppskattar den totala spänningen och SOC för batteripaketet. SOC-observatören har en exekveringstid på 2,5 µs och en typisk samplingsperiod på 0,1 s. Spartan 6-chippet har tillräckligt med tid för att utföra flera SOC-uppskattningar och observera andra tillstånd (som inre temperatur) inom en samplingsperiod. FPGA-implementeringen förbrukade inte en betydande mängd resurser, och trots programmets komplexitet utnyttjades inte de tillgängliga FPGA-resurserna fullt ut.

6. Sammanfattning

Inom området inbyggda applikationer är energihantering avgörande för att optimera energiförbrukningen och förlänga batteritiden. Detta kräver att vi noggrant kan övervaka batteriets laddningsstatus. Denna studie fokuserar på att utveckla en tillståndsobservatör för att uppskatta spänningen och laddningsstatusen för varje batteri i ett litiumjonbatteri. Observatören använder Kalman-filtreringsalgoritmen som är lämplig för litiumjonbatterier och har förmågan att korrigera laddningstillståndet när det initiala uppskattade värdet inte överensstämmer med det faktiska laddningstillståndet. Implementeringen av denna komplexa algoritm på en lågpris Spartan 6 FPGA (priset under 20 euro) har visat sig vara mycket effektiv, kapabel att övervaka flera batterier samtidigt, och därigenom minska kostnaderna för batterihanteringssystem.

De experimentella resultaten visar att observatören exakt kan uppskatta spänningen och laddningsstatusen för varje batteri, vilket visar betydande fördelar jämfört med tidigare studier som bara kunde uppskatta spänningen och laddningsstatusen för hela batteripaketet. Observatörens låga utförandetid och resursförbrukning gör den till ett kraftfullt verktyg för realtidsövervakning och kontroll av litiumjonbatterier, lämpligt för olika applikationsscenarier. Även om utmaningar som databrus uppstod under implementeringsprocessen, kan dessa problem effektivt lösas genom att använda lämpliga filtreringstekniker för att säkerställa att resultaten är korrekta. Sammantaget har denna studie bidragit med betydande värde till området för batterihanteringssystem och öppnat nya vägar för framtida forskning.