Prestanda för intelligent kontrollstrategi för litiumbatteriladdare i energieffektivitet och säkerhet

Abstrakt

Litiumjonbatterier är avgörande inom området modern energilagring. Sedan deras kommersialisering på 1990-talet har framsteg inom materialvetenskap och ingenjörskonst förbättrat deras kapacitet, säkerhet och livslängd. Men de dynamiska egenskaperna hos litiumjonbatterier är komplexa och kräver avancerade laddnings- och kontrollstrategier för att optimera prestanda, säkerhet och livslängd. Den här artikeln föreslår en jämförande analys av tre avancerade kontrollmetoder för litiumjonbatteriladdning: förstärkningsinlärning, fuzzy logic control och traditionell proportional integral derivative (PID)-kontroll. Traditionella laddningsmetoder är svåra att klara av batteriets dynamiska komplexitet, vilket resulterar i dålig prestanda. Den här artikeln använder MATLAB Simulink-simulering för att utvärdera dessa intelligenta styrstrategier för att förbättra laddningseffektiviteten, hastigheten och batteritiden. Resultaten visar att förstärkningsinlärning har en stark anpassningsförmåga, fuzzy logik kan effektivt hantera icke-linjära problem, PID-kontrollprestanda är tillförlitlig och krav på beräkningsresurser är låga.

1. Introduktion

Begränsningarna för litiumjonbatterier jämfört med traditionella laddningsmetoder:Litiumjonbatterier har fördelarna med hög energitäthet, lång livslängd och låg självurladdning, vilket helt förändrar hur energi lagras och används och blir en av de grundläggande teknologierna i det moderna samhället. Men traditionella laddningsmetoder med konstant ström och konstant spänning (CC/CV) klarar ofta inte den dynamiska komplexiteten hos litiumjonbatterier, vilket resulterar i dålig laddningsprestanda och möjlig försämring av batteriprestanda över tiden.

Introduktion till Intelligent Control Strategy

För att ta itu med utmaningarna jämför och analyserar denna artikel tre huvudsakliga intelligenta styrmetoder för litiumjonbatteriladdning: förstärkningsinlärning (RL), fuzzy logic control (FL) och traditionell proportionell integralderivata (PID)-kontroll.

RL-styrenheten lär sig den optimala styrstrategin genom att interagera med batterimodellen och kraftelektroniska enheter, med hjälp av en liten signalmodell för att förenkla kraftelektroniska enheter och förbättra träningsprocessen. Träning av ett neuralt nätverk baserat på en belöningsfunktion för att straffa ström- och spänningsspikar för en mer stabil laddningsprocess, med syftet att kontrollera batteriets inspänning. Genom att utvärdera svaret genom flera interaktioner och maximera belöningsvärdet, samtidigt som batteristatusen övervakas, kan belöningar eller straff ges baserat på det aktuella värdet och aggressiva kontrollåtgärder. Det kan konstateras att en laddningsstrategi som minimerar laddningstid, energiförbrukning och batteriförsämring samtidigt som den säkerställer säker drift kan utvecklas.

FL-styrenheten tillhandahåller ett flexibelt och intuitivt sätt att integrera expertkunskap och heuristiska regler i laddningsprocessen genom att definiera språkvariabler som laddningsstatus, temperatur och laddningshastighet, och upprätta inferensregler. Två FL-regulatorer konstruerades, en regleringsspänning för att upprätthålla stabilitet under olika laddningskurvor, och den andra reglerande ström för att undvika alltför höga toppar och bibehålla stabila värden, vilket bättre kan hantera olinjäriteten och den inneboende osäkerheten i dynamiken hos litiumjonbatterier, och därmed förbättrar laddningsprestanda och förlänger batteriets livslängd.

PID-regulatorn kan balansera faktorer som laddningstid, energieffektivitet och batteriskydd genom att justera och optimera laddningskurvan.

2. Forskningsmetoder för laddningskontrollstrategier för litiumjonbatterier

Fördelar och batteriegenskaper hos MATLAB Simulink simuleringsplattform:MATLAB Simulink tillhandahåller en kraftfull plattform för att analysera och optimera litiumjonbatteriladdningssystem. Litiumjonbatterier har blivit det föredragna valet för olika applikationer på grund av deras höga energitäthet (säkerställer ett högt förhållande mellan energi och vikt, lämpliga för bärbara elektroniska enheter och elektriska fordon med begränsat utrymme och vikt), låga självurladdningshastighet (lämplig för lång- term energilagring), avancerad återvinningsteknik och låg miljöpåverkan (mer hållbar och miljövänlig).

Modellering av genomsnittlig liten signalomvandlare:Effektiv design krävs för energiöverföringssystem för litiumjonbatterier. I denna studie används en isolerad DC/DC-omvandlarkrets (framåtriktaren liknar en DC/DC-buck-omvandlartopologi och inkluderar en transformator för att ge elektrisk isolering och förbättra batterisäkerheten). Kretsens beteende karakteriseras som en andra ordningens överföringsfunktion som använder modellen för liten signal, och approximationen av låg signal (lågt Q) används för att förenkla analysen, vilket resulterar i en omvandlarmodellöverföringsfunktion som inkluderar drift och omvandlingsförhållande. Omvandlaren simulerar användningen av idealiska komponenter för att förbättra effektiviteten och analyserar två scenarier: utan belastning och med litiumjonbatteribelastning. Under tomgångsförhållanden är överföringsfunktionen och omvandlarens spänning och strömtrender likartade, men omvandlarens utgång oscillerar. Under belastningsförhållanden ligger den största skillnaden i stabiliseringstiden. Idealiseringen av överföringsfunktionen gör att systemet reagerar snabbare men det slutliga utgångsvärdet är konsekvent, och användning av överföringsfunktionen kan avsevärt förkorta simuleringstiden.

Beskrivning av styrarkitektur:Styrstrategin är baserad på litiumjonbatterimodellen i MATLAB Simulink, som ger detaljerade tekniska parametrar för noggrann simulering och analys av batteriprestanda. CC/CV-laddningsprocessen inkluderar ett strömkontrollsteg (där strömmen ställs in på en säker nivå och batterispänningen ökar med laddningen och når ett tröskelvärde innan det går in i spänningskontrollsteget) och ett spänningskontrollsteg (där spänningen förblir stabil och strömmen minskar gradvis tills batteriet är fulladdat), vilket kan förhindra överladdning, minska batteritrycket, minska risken för överhettning och förlänga batteriets livslängd. De utvärderade kontrollstrategierna sammanfattas i tabell 1 och kommer att presenteras i detalj senare.

Arkitektur för förstärkning av lärande:Styrningen av förstärkningsinlärning lär sig den optimala strategin genom interaktion med systemet för att hantera komplex olinjär dynamik. Genom att anta ett aktörskritikerschema väljer aktörsnätverket åtgärder och kritikernätverket utvärderar åtgärder för att ge feedback. Continuous Gaussian Actor Network (CGAN) används för att bearbeta kontinuerliga handlingsutrymmen, och den optimala strategin utforskas genom att mata ut Gaussiska distributionsparametrar. Dess arkitektur inkluderar flera helt anslutna lager, och aktiveringsfunktionen är oftast en modifierad linjär enhetsfunktion (RELU). Baserat på MATLAB-träning för förstärkningsinlärning, beräknas belöningsfunktionen baserat på spänningsfel, kontrollåtgärder och spänningsobservationer för att stimulera att hålla spänningen inom det förväntade intervallet och straffa avvikelser. Genom att ställa in konstanter säkerställs maximal inlärningseffekt, och den maximala genomsnittliga belöningen uppnås efter 200 träningsomgångar. Långsam batterirespons gör dock parameterinställning svår.

Luddrig arkitektur:Fuzzy proportional derivative (PD)-styrenheter är mer effektiva för att hantera systemolinjäritet och osäkerhet än traditionella PD-styrenheter, och anpassar sig till förändringar i batteriegenskaper för att säkerställa stabil och exakt spänningskontroll. Ett fuzzy inferenssystem är konstruerat med hjälp av Sugeno-schemat, med spänning styrd av fuzzy PD och ström styrd av fuzzy PD+I. Indata bearbetas med hjälp av normaliserade triangulära medlemskapsfunktioner för att hantera fel och deras derivator, och utdata bearbetas med hjälp av tre Sugeno-normaliseringsfunktioner för att hantera tillstånd. Ingångsintervallet är begränsat för att undvika mättnad, och ingångs- och utgångsintervallen modifieras av relevanta konstanter.

Klassisk PID-arkitektur:Den klassiska PID-styrenheten (proportional integral derivative) används ofta vid batteriladdning på grund av dess enkelhet, effektivitet och pålitliga prestanda. Den är lätt att implementera och trimma och kan justera och optimera laddningsförhållandena i realtid. Den kombinerar proportionella, integrala och derivativa åtgärder för att noggrant reglera spänning och ström. Den har stark universalitet och är lämplig för olika batteri- och laddningsscenarier. Den har låg kostnad och låga krav på beräkningsresurser och är lämplig för inbyggda system och lågkostnadsimplementering av hårdvara. Dess arkitektur använder bara två klassiska kontroller för att styra spänning respektive ström (den interna strukturen är inte detaljerad på grund av utrymmesbegränsningar).

3. Prestandautvärdering av kontrollstrategi för litiumjonbatteriladdning

Inställning av styrenhetens parameter:Belöningsfunktionen för förstärkningsinlärning bestäms genom heuristiska metoder, och konstanterna justeras genom upprepade experiment för att erhålla (r1=200), (r2=-25), (p1=-10) och ( p2=180). Fuzzy-styrenheten (PD+I) justerar parametrarna manuellt genom försök och fel, med nuvarande kontrollparametrar på (P=20), (D=0. 00000 1), (I{{8) }}), och (K_D=0.297), och spänningskontrollparametrar för (P=15), (D=0.0001) och (K_D=0.315). PID-regulatorn använder MATLAB PID Tuner-verktyg och neurala nätverk för att hitta de optimala parametrarna, inklusive strömkontroll (P=15), (I {PID}=5), spänningskontroll (P=22 .5), (I=4.9) och (D {PID}=0.03).

Prestandaanalys av controller

Utvärderingsaspekt:Utvärdera styrenhetens prestanda i termer av spännings- och strömregleringsnoggrannhet, svarstid, stabilitet och anti-interferens.

Förstärkning Lärande Controller:En neural nätverksbaserad förstärkningsinlärningskontroller kan uppnå stabil nominell spänning utan översvängning när strömmen är noll (som visas i figur 5b). Men vid tillämpning av CC/CV-styrning uppstår spänningsfluktuationer på grund av bristande förståelse för den befintliga strömmen, vilket resulterar i instabil och minskande ström under batteriladdning. Laddningshastigheten är den snabbaste, men det finns ett ringningsfenomen som kan skada elektroniska komponenter och förkorta batteritiden. I praktiska tillämpningar är det nödvändigt att överväga cirkulerande ström för att förbättra prestandan.

Fuzzy controller:designad för att upprätthålla stabil laddning, med längre laddnings- och stabiliseringstider, men inga toppar i ström- och spänningsstyrningsomvandlingen (som visas i figur 5c). Även om den är säkrare, är den långsammare och kan optimeras genom att justera slutledningsregler.

PID-regulator:Den reagerar snabbt på fel, men har betydande störningar och överströmsfenomen under spänning till strömövergång (som visas i figur 5b). Dess prestanda är måttlig och är inte beroende av förarens erfarenhet.

Analys av prestandaindikatorer:Analysera spänningskontrollåtgärden för ingångs DC/DC-omvandlaren, beräkna rotmedelvärde (RMS) och se att RMS-värdet för förstärkningsinlärningskontrollern är något högre, vilket indikerar att dess kontrollåtgärd ändras mer signifikant och är känslig för små förändringar. Utvärderingen av RMS-värdet för batteriströmmen för alla styrenheter resulterade i ett konstant värde på 0.3A, vilket indikerar att trots skillnader i styrstrategier och åtgärder kunde alla styrenheter hålla utströmmen inom det förväntade området . Detta betyder att även om spänningsstyrningsåtgärderna för förstärkningsinlärningsregulatorn varierar mycket, så påverkar det inte stabiliteten och konsistensen hos utströmmen, vilket är avgörande för en säker och effektiv drift av systemet.

4. Diskussion om resultaten av kontrollstrategi för litiumjonbatteriladdning

Styrningssimuleringskörningstid och utgångsvariation:Resultaten i tabell 2 erhölls från simuleringar där varje styrenhet konfigurerades under 6 sekunder, där styrenheten för förstärkning inlärning (RL) hade den längsta exekveringstiden på 21046 sekunder. Jämfört med andra styrenheter som används för att reglera spänningen och strömmen hos litiumjonbatterier har RL-styrenheten en större utgångsvariation, och även vid små störningar kan ringningsfenomen (högfrekventa oscillationskontrollåtgärder) uppstå. När den appliceras på elektroniska enheter med faktisk kraft kan den orsaka överhettning av batteri- och omvandlarkomponenter, sensorbrus och förkortad batterilivslängd, med en spänningsvariation på 0,02V. För att förbättra styrenheten och minska vibrationer kan ett lågpassfilter läggas till styrenhetens utsignal, den neurala nätverksarkitekturen kan modifieras eller en hybridstyrmetod (som PID eller fuzzy styrenhet för att justera utsignalen från det neurala nätverket) begagnad.

Styrenhetens anpassningsförmåga och prestandaegenskaper:RL-styrenheter har hög anpassningsförmåga till olika situationer, eftersom de är mer känsliga för störningar. Utdataändringar indikerar dock behovet av att införliva fler parametrar i agentutbildningen för att förbättra deras förmåga att anpassa sig till fler scenarier, öka laddningseffektiviteten och undvika eventuell instabilitet. Fuzzy styrenheter syftar till att undvika höga strömtoppar och låga laddningshastigheter på grund av deras slutledningsregler; PID-regulatorn reagerar på fel genom att modifiera utsignalen och kan anpassa sig till dynamiska förändringar.

Utvärdering av styrenhetens prestanda:RMS-värdet (root mean square) användes för att utvärdera uteffekten från tre styrenheter, och resultaten visade att den genomsnittliga spänningen som upprätthölls av alla styrenheter liknade batteriets nominella spänning, vilket är avgörande för att förhindra överladdning och undvika batteri. överhettning. När det gäller strömstyrning kan alla regulatorer nå referensvärdet på en mycket kort svarstid utan att överskrida, och har god tolerans mot externa störningar. När det gäller spänningsstyrning kan regulatorn kontinuerligt nå referensvärdet och gradvis minska strömmen tills den når noll för att slutföra laddningscykeln. Det bör dock noteras att RL-baserade styrenheter kan uppleva små svängningar i strömmen under slutskedet av laddningen, fluktuerande mellan strömvärdet och noll, och kan kräva ytterligare justeringar för att förbättra stabiliteten.

5. Sammanfattning

PID-regulator

Fördelar:Den är känd för sin enkelhet och effektivitet och fungerar bra när det gäller att reglera spänning och ström, och kan ge snabb och stabil respons i många applikationer.

Nackdel:Relativt svag anpassningsförmåga för att hantera komplexa batteridynamiska egenskaper, vilket gör det svårt att uppnå högdynamisk optimering.

Luddrig kontroller

Fördelar:Genom att definiera språkvariabler och inferensregler integreras erfarenheten i styrprocessen, som bättre kan hantera batteriets olinjäritet och osäkerhet, vilket gör att systemet kan anpassa sig till specifika situationer och prestera stabilt under olika driftsförhållanden. Att justera slutledningsreglerna enligt applikationskrav kan optimera laddningsprestandan i viss utsträckning.

Nackdelar:Designen förlitar sig mycket på regler och erfarenhet, utvecklingen är komplex och laddningshastigheten är relativt låg, vilket kanske inte uppfyller de höga kraven på snabbladdning i applikationsscenarier.

Controller baserad på förstärkningsinlärning

Fördelar:Den kan lära sig den optimala strategin genom interaktion med systemet, har stark bearbetningsförmåga för små störningar, kan dynamiskt anpassa sig till förändrade förhållanden, kontinuerligt optimera prestanda och har hög anpassningsförmåga till olika belastningsförhållanden. I komplexa och ständigt föränderliga batteriladdningsscenarier kan den effektivt förbättra laddningsnoggrannheten och effektiviteten, särskilt lämplig för applikationer som kräver hög laddningsflexibilitet och anpassningsförmåga.

Nackdelar:Kräver en stor mängd datorresurser, lång träningstid, som den längsta exekveringstiden i denna studie. Träningsprocessen är komplex och kräver noggrann design av belöningsfunktioner och justering av neurala nätverksarkitektur, annars kan instabila fenomen som ringsignalsproblem uppstå. För att förbättra noggrannheten krävs en mer komplex neural nätverksarkitektur, vilket ytterligare ökar beräkningsbördan och simuleringstiden.