Implementazione efficiente del monitoraggio e della previsione in tempo reale del SOC per i pacchi batteria agli ioni di litio

Astratto

Questo studio approfondisce il monitoraggio dello stato di carica delle batterie agli ioni di litio, che è fondamentale per la sicurezza e l’efficienza della gestione dell’energia delle batterie nelle applicazioni embedded. Comprendere con precisione lo stato di carica delle batterie è di importanza decisiva per garantirne un utilizzo e prestazioni sicuri. Il gruppo di ricerca ha sviluppato e implementato un algoritmo di osservazione basato sul filtro di Kalman, che è stato implementato su Spartan 6 FPGA. L'algoritmo può stimare con precisione lo stato di carica della batteria, anche se c'è una deviazione tra il valore stimato iniziale e lo stato effettivo. Questo articolo sottolinea in particolare i vantaggi dell'FPGA nell'elaborazione veloce, che consente all'FPGA di fungere da efficiente componente slave nei sistemi di gestione delle batterie (BMS), monitorando lo stato di carica di un gran numero di batterie a un costo inferiore. L'implementazione di questo osservatore su FPGA a basso costo è di grande importanza per ridurre il costo dei sistemi di gestione delle batterie in applicazioni come i veicoli elettrici. Inoltre, l'efficacia del modello dell'osservatore è stata convalidata attraverso simulazioni rigorose e test in tempo reale. Questo studio propone un metodo efficace per stimare accuratamente lo stato di carica delle batterie agli ioni di litio, fornendo un forte supporto per la gestione efficace dell’energia delle batterie in varie applicazioni.

1. Introduzione

L’importanza della gestione energetica e della stima del SOC:La gestione dell'energia è fondamentale nelle applicazioni integrate, in particolare nei dispositivi alimentati a batteria, poiché influisce sulla durata della batteria e sulle prestazioni complessive del sistema. Le batterie agli ioni di litio sono ampiamente utilizzate grazie alla loro elevata densità di energia, al basso tasso di autoscarica e al lungo ciclo di vita. Per garantire la sicurezza e l'efficienza del sistema di alimentazione a batteria, è essenziale una stima accurata del SOC. Una stima imprecisa può portare a sovraccarico, scaricamento eccessivo e guasto prematuro della batteria. Tuttavia, le caratteristiche non lineari e variabili nel tempo delle batterie agli ioni di litio rendono la stima del SOC piuttosto impegnativa, pertanto sono stati proposti vari metodi di stima, inclusi approcci basati su modelli e basati sui dati.

Sistema di gestione della batteria e metodo di stima del SOC

Il sistema di gestione della batteria (BMS) è un componente importante di un pacco batteria, che monitora lo stato della batteria e controlla il processo di carica e scarica. La stima accurata del SOC è una delle sue funzioni chiave, che aiuta a ottimizzare l'uso della batteria, prevenendo il sovraccarico e lo scaricamento eccessivo. L'algoritmo deve soddisfare requisiti di alta precisione, robustezza rispetto agli errori dei sensori a bassa precisione, stima errata dei parametri della batteria e bassi requisiti di potenza computazionale. Le tecniche di modellazione e stima per ottenere una stima accurata del SOC includono elettrochimica, circuiti equivalenti e metodi basati sui dati. I modelli elettrochimici sono accurati ma computazionalmente costosi e richiedono conoscenze specializzate, mentre i metodi basati sull'osservatore sono relativamente semplici e hanno una buona precisione.

I metodi di stima del SOC si dividono in due categorie:stima a ciclo aperto e a ciclo chiuso. I metodi ad anello aperto come il conteggio di Coulomb sono semplici ma richiedono una conoscenza iniziale del SOC, dinamica lenta e scarsa affidabilità, mentre i metodi con tensione a circuito aperto sono accurati ma richiedono che la batteria rimanga inattiva per un lungo periodo. I metodi a circuito chiuso includono principalmente il controllo predittivo del modello (MPC) e i metodi correlati (come il filtro di Kalman esteso (EKF), il filtro di Kalman esteso doppio (DEKF), il filtro di Kalman esteso adattivo (AEKF), l'algoritmo ibrido adattivo (AMA), State Observer, Generalized Extended State Observer (GESO), Metodo Fuzzy Logic e Rete neurale), nonché metodi come il filtro H-infinito, Sliding Mode Observer (SMO), metodi basati sul filtro antiparticolato (PF) e varianti del filtro Kalman (come il filtro Kalman non profumato (UKF) e il filtro Kalman Sigma Point (SPKF)).

L'applicazione di EKF e FPGA nella stima del SOC:Esistono vari metodi per la stima del SOC online e gli osservatori statali (in particolare l’EKF) sono popolari grazie alla loro robustezza. Nella gestione della batteria, l'algoritmo ricorsivo EKF può combinare modelli di batteria e dati di misurazione per stimare il SOC. Tuttavia, l’implementazione di algoritmi complessi con microcontrollori è costosa e potrebbe non essere adatta a sistemi multi-batteria. I costi del BMS (compreso il monitoraggio e il bilanciamento) possono raggiungere il 30% dei prezzi delle batterie. Pertanto, questo studio si concentra sul calcolo rapido dell'algoritmo di stima del SOC per le batterie dei veicoli elettrici con più batterie in serie utilizzando array di gate programmabili sul campo (FPGA). Gli FPGA hanno dimostrato di essere efficienti in campo industriale. L'obiettivo di questo studio è implementare un osservatore basato sull'algoritmo EKF su un FPGA Spartan 6 efficiente e a basso costo, in grado di correggere la stima iniziale imprecisa del SOC. Il rapido tempo di osservazione può consentire l'osservazione simultanea di più batterie con lo stesso FPGA, riducendo il costo BMS dei veicoli elettrici o di altri sistemi SOC delle batterie che devono essere monitorati. I capitoli successivi dell'articolo introdurranno in sequenza il modello della batteria agli ioni di litio, la progettazione dell'osservatore, l'implementazione su FPGA, la simulazione in ambiente Xilinx, i risultati sperimentali, le conclusioni della ricerca e il lavoro futuro.

2. Osservatore dello stato di carica

Modello di batteria

Esistono vari metodi di modellazione per rappresentare accuratamente il comportamento dinamico delle celle elettrochimiche. Sebbene i modelli elettrochimici possano aiutare a prevedere le prestazioni della batteria e a comprendere i meccanismi di invecchiamento, richiedono condizioni iniziali e al contorno della batteria e sono complessi dal punto di vista computazionale e non adatti per applicazioni in tempo reale. È stato quindi sviluppato un modello semplificato basato su un circuito equivalente (EEC), adatto a professionisti non elettrochimici e facile da applicare in tempo reale. Tuttavia, i fenomeni elettrochimici devono essere considerati a livello di batteria per semplificare il riconoscimento del modello.

Il modello EEC utilizzato in questo studio comprende una sorgente di tensione a circuito aperto (OCV), un resistore R Ω che rappresenta fenomeni ad alta frequenza come la resistenza dell'elettrolita e della connessione, nonché la resistenza dinamica del trasferimento di carica e un circuito parallelo R1C1 che simula la bassa frequenza fenomeni di diffusione. Per semplificare i calcoli in tempo reale, viene utilizzato un unico circuito RC per simulare fenomeni di diffusione con un periodo di campionamento di Te=0.1 secondi, che può essere ignorato rispetto al periodo di campionamento a causa del trasferimento dinamico di carica (circa 10ms ). L'equazione dello stato del modello di batteria viene estesa al SOC come mostrato nella formula 1:

(Dove Qnom è la capacità nominale, V1 è la tensione sul circuito R1C1, SOC è lo stato di carica, Ubat è la tensione del terminale della batteria), il modello di batteria a stato discreto viene esteso a SOC come mostrato nella formula 2:

Osservatore SOC basato sul filtro di Kalman

Il SOC non può essere misurato direttamente e per risolvere questo problema viene comunemente utilizzato il filtro di Kalman esteso (EKF). Richiede un modello di batteria accurato e la capacità di stimare il SOC entro un determinato intervallo di rumore. L'EKF inizializza e prevede le variabili di stato in un tempo di campionamento specifico Te, utilizzando un'equazione di stato del modello di batteria (Formula 1) che include il SOC per la previsione. Le prestazioni dell'osservatore dipendono dalla fiducia nella misurazione e nel modello, tenendo conto dell'incertezza del modello wk e dell'incertezza della misurazione della tensione vk (Formula 3):

Supponendo che siano rumore bianco, rumore gaussiano e abbiano una media pari a zero, sono inclusi rispettivamente nelle matrici di covarianza Q e R del rumore di stato e di misura.

A causa della non linearità dell'estensione del modello di batteria al SOC (poiché OCV è correlato a SOC), è necessario linearizzarlo calcolando la matrice Jacobiana ad ogni tempo di campionamento (Formula 4):

Linearizzare e calcolare il guadagno di Kalman (Formula 5):

Aggiorna la matrice di covarianza (Formula 6):

Infine, utilizza la correzione del guadagno ottimale per prevedere il vettore di stato (Formula 7):

I parametri EKF sono riepilogati nella tabella seguente.

3. Implementazione dell'FPGA

Progettazione dell'architettura FPGA:L'FPGA è costituito da risorse di elaborazione (come memoria, logica e registri, raggruppate in diversi tipi di blocchi logici) e risorse di interconnessione programmabili. In fase di programmazione è necessario specificare le funzioni dei blocchi logici e organizzare la rete di interconnessione. Questo studio si concentra sull'architettura circuitale programmabile a matrice, i cui blocchi logici hanno una struttura rettangolare regolare e sono collegati a una rete di instradamento (costituita da canali orizzontali e verticali) attraverso punti di interconnessione programmabili. L'FPGA è composto da batterie di base e interconnessioni predefinite e gli utenti possono programmare e costruire architetture hardware specifiche che soddisfano i requisiti dell'applicazione. Presenta capacità di elaborazione elevate e a bassa latenza nel campo industriale e la sua flessibilità può migliorare le prestazioni, ridurre i costi e avere scalabilità. L'uso di FPGA per il calcolo parallelo configurabile riduce il tempo di esecuzione dell'algoritmo, ma la programmazione richiede l'ottimizzazione delle proprietà fisiche, comprese le prestazioni tempo/area dell'algoritmo e la selezione dei bit del formato dei dati, pur mantenendo la precisione di base dell'osservatore.

Attrezzature e software:Questo studio mira a implementare un filtro Kalman esteso (EKF) per stimare lo stato di carica (SOC) di un pacco batteria in un sistema in tempo reale, utilizzando la piattaforma hardware MicroAutoBox II (MABXII) di dSPACE, che è affidabile e robusta per la progettazione di prototipi e test nel settore automobilistico. Il suo FPGA Xilinx Spartan-6 integrato (XC6SLX150) offre prestazioni elevate e basso consumo energetico (le specifiche principali sono mostrate nella Tabella 2), rendendolo adatto a questa applicazione. L'osservatore SOC è implementato su questo FPGA e testa il SOC delle singole batterie in un pacco batteria composto da 5 batterie agli ioni di litio collegate in serie (parametri del pacco batteria: tensione nominale totale di 18 V, tensione nominale della singola batteria di 3,6 V, capacità complessiva di 2,5 Ah, utilizzando la batteria agli ioni di litio Samsung 25R 18650, l'elettrodo positivo è una miscela di sostanze chimiche NCA e NMC, l'elettrodo negativo è in grafite, i parametri del modello di batteria sono identificati da corrente costante intermittente tecnologia di titolazione GITT, come mostrato nella Figura 4). Supponendo una temperatura della batteria di 25 gradi C e parametri costanti, l'algoritmo EKF viene sviluppato utilizzando i blocchi Simulink (come mostrato nella Figura 5) e ottimizzato per prestazioni e utilizzo delle risorse tramite pipeline, multiplexing/folding a divisione di tempo e precisione personalizzata.

Tecnologia di multiplexing a divisione di tempo:Il pacco batterie in studio contiene 5 batterie agli ioni di litio collegate in serie ed esistono due metodi per stimare il SOC di ciascuna batteria. Il primo consiste nello sviluppare un progetto con cinque modelli di batteria, ma a causa degli elevati requisiti di risorse, non è adatto per applicazioni in tempo reale e richiede FPGA più costosi e ricchi di risorse. Il secondo metodo si basa sul multiplexing a divisione di tempo (vedere Figura 6), con ciascun tempo di campionamento Te '=0.02 secondi. Dopo che la corrente e la tensione della batteria sono state digitalizzate dall'ADC della scheda DSP MicroAutoBox, la macchina a stati invia i dati all'FPGA per eseguire l'algoritmo EKF. Una volta completato l'algoritmo, il SOC stimato e corretto, la matrice di covarianza degli errori e la tensione di diffusione vengono inviati al DSP. Gli sforzi successivi si concentreranno sulla verifica dell'osservatore attraverso la simulazione, che è fondamentale per garantire l'accuratezza e l'efficacia dell'osservatore prima dell'implementazione sull'FPGA.

4. Verifica degli osservatori da parte di Xilinx

Processo di verifica:L'algoritmo viene convalidato utilizzando una libreria di generatori di sistema appositamente progettata per la programmazione FPGA. Questa libreria consente la programmazione FPGA utilizzando i blocchi Simulink e l'elaborazione dei dati può essere eseguita in modalità a virgola mobile o fissa. Maggiore è la precisione, maggiori saranno i requisiti di risorse FPGA. Per bilanciare l'accuratezza dei risultati e l'utilizzo delle risorse, questo studio ha scelto una rappresentazione con segno in modalità a virgola fissa, in particolare il formato Fix32_16 (15 bit per la parte intera, 16 bit per la parte decimale e 1 bit per il segno) . Il vantaggio principale dell'utilizzo di questa libreria Xilinx è la sua facilità di implementazione su FPGA, senza la necessità di una complessa programmazione VHDL.

Valutazione delle prestazioni e risultati

Le prestazioni dell'osservatore basate su EKF vengono valutate attraverso la curva di corrente della corrente di scarica 1C (2,5 A). Il SOC effettivo è inizializzato su 100% e il valore SOC stimato iniziale SOC-0 è impostato su 0% (SOC-0 è un parametro regolabile che può raggiungere un'ampia gamma di inizializzazione SOC stimata). Il valore di riferimento del SOC si ottiene da un misuratore di coulomb inizializzato con il SOC iniziale e la capacità nominale corretti. Posizionare lo stimatore progettato sotto la curva della corrente di scarica a gradino di corrente 1C per la verifica.

I risultati mostrano che, sebbene il valore stimato iniziale sia diverso dal valore iniziale del SOC effettivo, il SOC stimato converge comunque al SOC effettivo della batteria, indicando che l'osservatore EKF può correggere la stima errata del SOC e far convergere il SOC stimato al valore effettivo valore. Tuttavia, la rappresentazione a virgola fissa utilizzata nell'implementazione limita il numero di bit utilizzati, portando a errori di stima, e gli errori possono accumularsi durante l'attuale processo di integrazione durante la previsione delle variabili di stato, risultando in un'ampia gamma di errori tra i valori stimati e quelli effettivi . Tuttavia, finché l'errore assoluto è inferiore al 5%, il filtro è considerato efficace e può stimare con precisione le variabili di stato.

5. Risultati dell'implementazione dell'FPGA in tempo reale

Verifica in tempo reale (utilizzando dati preregistrati):Prima del test vero e proprio della batteria, simulare il test utilizzando i dati di corrente/tensione della batteria preregistrati. I risultati del test mostrano che l'osservatore ha buone prestazioni in tempo reale. La curva di corrente viene scaricata con un passo di corrente di 1C (2,5 A) e il SOC viene inizializzato al 0%. Il valore di riferimento SOC è ottenuto da un misuratore di coulomb correttamente inizializzato. Rispetto ai risultati della simulazione di Xilinx, le prestazioni dell'osservatore sono simili in entrambi i casi, e il filtro di Kalman implementato su FPGA riduce con successo l'errore tra la tensione misurata e la tensione stimata, facendo convergere il SOC stimato ad un valore accurato che non può essere misurato direttamente.

Osservatore di verifica sperimentale

Test della batteria singola:Dopo la verifica in tempo reale utilizzando dati preregistrati, vengono condotti ulteriori test durante l'effettiva scarica della batteria. Utilizzando la piattaforma di test mostrata nella figura, eseguire l'osservatore mentre si scarica la batteria per valutare l'accuratezza della stima del SOC. Generando cicli di impulsi di corrente come valore impostato per i carichi attivi programmabili per scaricare la batteria, i risultati sperimentali mostrano che all'inizio del ciclo di corrente, il filtro può correggere il SOC iniziale del 0%. Quando la tensione diminuisce, diminuisce anche il SOC e il sistema può correggerlo automaticamente. Tuttavia, vi è un'oscillazione nel processo di stima, dovuta principalmente al rumore di misurazione del sensore, che richiede un filtro più uniforme.

Test del pacco batteria:Poiché la batteria di ricerca è composta da 5 batterie collegate in serie, è necessario sviluppare uno stimatore per testare l'intero pacco batterie. Incorporando la tecnologia multiplexing a divisione di tempo nel modello di filtro di Kalman, viene generato un ciclo di impulsi di corrente con un periodo di 3200 s e un'ampiezza di -2,5 A come valore di impostazione del carico attivo programmabile per la batteria scarico. I risultati mostrano che l'osservatore può stimare con precisione la tensione e il SOC di ciascuna batteria nell'intero pacco batterie. Sulla base di cinque curve è possibile determinare il SOC e la tensione di ciascuna batteria, il che presenta vantaggi significativi rispetto agli studi precedenti che stimavano solo la tensione complessiva e il SOC del pacco batteria. L'osservatore SOC ha un tempo di esecuzione di 2,5 µs e un periodo di campionamento tipico di 0,1 s. Il chip Spartan 6 ha tempo sufficiente per eseguire più stime SOC e osservare altri stati (come la temperatura interna) entro un periodo di campionamento. L'implementazione dell'FPGA non ha consumato una quantità significativa di risorse e, nonostante la complessità del programma, le risorse FPGA disponibili non sono state completamente utilizzate.

6. Riepilogo

Nel campo delle applicazioni embedded, la gestione energetica è fondamentale per ottimizzare il consumo energetico e prolungare la durata della batteria. Ciò ci impone di essere in grado di monitorare accuratamente lo stato di carica della batteria. Questo studio si concentra sullo sviluppo di un osservatore di stato per stimare la tensione e lo stato di carica di ciascuna batteria in un pacco batteria agli ioni di litio. L'osservatore adotta l'algoritmo di filtraggio di Kalman adatto alle batterie agli ioni di litio e ha la capacità di correggere lo stato di carica quando il valore stimato iniziale non è coerente con lo stato di carica effettivo. L'implementazione di questo complesso algoritmo su un FPGA Spartan 6 a basso costo (con un prezzo inferiore a 20 euro) si è rivelata altamente efficiente, in grado di monitorare più batterie contemporaneamente, riducendo così il costo dei sistemi di gestione delle batterie.

I risultati sperimentali dimostrano che l’osservatore può stimare con precisione la tensione e lo stato di carica di ciascuna batteria, dimostrando vantaggi significativi rispetto a studi precedenti che potevano solo stimare la tensione e lo stato di carica dell’intero pacco batterie. Il basso tempo di esecuzione e il consumo di risorse dell'osservatore lo rendono un potente strumento per il monitoraggio e il controllo in tempo reale dei pacchi batteria agli ioni di litio, adatto a vari scenari applicativi. Sebbene durante il processo di implementazione siano state incontrate sfide come il rumore dei dati, questi problemi possono essere affrontati in modo efficace adottando tecniche di filtraggio appropriate per garantire l'accuratezza dei risultati. Nel complesso, questo studio ha apportato un valore significativo al campo dei sistemi di gestione delle batterie e ha aperto nuove strade per la ricerca futura.