Prestazioni della strategia di controllo intelligente per i caricabatterie per batterie al litio in termini di efficienza energetica e sicurezza

Astratto

Le batterie agli ioni di litio sono cruciali nel campo del moderno stoccaggio dell’energia. Dalla loro commercializzazione negli anni ’90, i progressi nella scienza e nell’ingegneria dei materiali ne hanno migliorato la capacità, la sicurezza e la durata. Tuttavia, le caratteristiche dinamiche delle batterie agli ioni di litio sono complesse e richiedono strategie avanzate di ricarica e controllo per ottimizzare prestazioni, sicurezza e durata. Questo articolo propone un'analisi comparativa di tre metodi di controllo avanzati per la ricarica delle batterie agli ioni di litio: apprendimento per rinforzo, controllo logico fuzzy e controllo tradizionale proporzionale integrale derivato (PID). I metodi di ricarica tradizionali difficilmente riescono a far fronte alla complessità dinamica della batteria, con conseguenti prestazioni scadenti. Questo articolo utilizza la simulazione MATLAB Simulink per valutare queste strategie di controllo intelligenti per migliorare l'efficienza di ricarica, la velocità e la durata della batteria. I risultati mostrano che l’apprendimento per rinforzo ha una forte adattabilità, la logica fuzzy può gestire efficacemente problemi non lineari, le prestazioni del controllo PID sono affidabili e i requisiti di risorse computazionali sono bassi.

1. Introduzione

I limiti delle batterie agli ioni di litio rispetto ai metodi di ricarica tradizionali:Le batterie agli ioni di litio presentano i vantaggi di un'elevata densità di energia, un lungo ciclo di vita e un basso tasso di autoscarica, cambiando completamente il modo in cui l'energia viene immagazzinata e utilizzata e diventando una delle tecnologie fondamentali nella società moderna. Tuttavia, i tradizionali metodi di ricarica a corrente costante e tensione costante (CC/CV) spesso non riescono a far fronte alla complessità dinamica delle batterie agli ioni di litio, con conseguenti scarse prestazioni di carica e possibile degrado delle prestazioni della batteria nel tempo.

Introduzione alla strategia di controllo intelligente

Per affrontare le sfide, questo articolo confronta e analizza tre principali metodi di controllo intelligente per la ricarica delle batterie agli ioni di litio: apprendimento per rinforzo (RL), controllo logico fuzzy (FL) e controllo tradizionale proporzionale integrale derivato (PID).

Il controller RL apprende la strategia di controllo ottimale interagendo con il modello di batteria e i dispositivi elettronici di potenza, utilizzando un modello di piccolo segnale per semplificare i dispositivi elettronici di potenza e migliorare il processo di addestramento. Addestrare una rete neurale basata su una funzione di ricompensa per penalizzare i picchi di corrente e tensione per un processo di ricarica più stabile, con l'obiettivo di controllare la tensione di ingresso della batteria. Valutando la risposta attraverso interazioni multiple e massimizzando il valore della ricompensa, monitorando allo stesso tempo lo stato della batteria, è possibile assegnare ricompense o punizioni in base al valore corrente e ad azioni di controllo aggressive. È possibile sviluppare una strategia di ricarica che riduca al minimo il tempo di ricarica, il consumo di energia e il degrado della batteria, garantendo al tempo stesso un funzionamento sicuro.

Il controller FL fornisce un modo flessibile e intuitivo per integrare conoscenze specialistiche e regole euristiche nel processo di ricarica definendo variabili linguistiche come stato di ricarica, temperatura e velocità di ricarica e stabilendo regole di inferenza. Sono stati progettati due controller FL, uno che regola la tensione per mantenere la stabilità sotto diverse curve di carica e l'altro che regola la corrente per evitare picchi eccessivi e mantenere valori stabili, in grado di gestire meglio la non linearità e l'incertezza intrinseca nella dinamica delle batterie agli ioni di litio, in tal modo migliorare le prestazioni di ricarica e prolungare la durata della batteria.

Il controller PID può bilanciare fattori quali tempo di ricarica, efficienza energetica e protezione della batteria regolando e ottimizzando la curva di ricarica.

2. Metodi di ricerca per strategie di controllo della carica delle batterie agli ioni di litio

Vantaggi e caratteristiche della batteria della piattaforma di simulazione MATLAB Simulink:MATLAB Simulink fornisce una potente piattaforma per l'analisi e l'ottimizzazione dei sistemi di ricarica delle batterie agli ioni di litio. Le batterie agli ioni di litio sono diventate la scelta preferita per varie applicazioni grazie alla loro elevata densità di energia (garantendo un elevato rapporto energia/peso, adatta per dispositivi elettronici portatili e veicoli elettrici con spazio e peso limitati), basso tasso di autoscarica (adatto per batterie a lunga durata) stoccaggio energetico a termine), tecnologia di riciclaggio avanzata e basso impatto ambientale (più sostenibile e rispettoso dell'ambiente).

Modellazione del convertitore medio di piccoli segnali:È necessaria una progettazione efficace per i sistemi di trasferimento di energia delle batterie agli ioni di litio. In questo studio viene utilizzato un circuito convertitore CC/CC isolato (il convertitore diretto è simile alla topologia del convertitore buck CC/CC e include un trasformatore per fornire isolamento elettrico e migliorare la sicurezza della batteria). Il comportamento del circuito è caratterizzato come una funzione di trasferimento del secondo ordine utilizzando il criterio del modello a segnale piccolo e l'approssimazione del segnale basso (Q basso) viene utilizzata per semplificare l'analisi, risultando in una funzione di trasferimento del modello del convertitore che include funzionamento e rapporto di conversione. Il convertitore simula l'utilizzo di componenti ideali per migliorare l'efficienza e analizza due scenari: senza carico e con batteria agli ioni di litio carica. In condizioni di assenza di carico, la funzione di trasferimento e gli andamenti della tensione e della corrente del convertitore sono simili, ma l'uscita del convertitore oscilla. In condizioni di carico la differenza principale risiede nel tempo di stabilizzazione. L'idealizzazione della funzione di trasferimento fa sì che il sistema risponda più velocemente ma il valore di output finale sia coerente e l'utilizzo della funzione di trasferimento può ridurre significativamente il tempo di simulazione.

Descrizione dell'architettura di controllo:La strategia di controllo si basa sul modello di batteria agli ioni di litio in MATLAB Simulink, che fornisce parametri tecnici dettagliati per una simulazione e un'analisi accurate delle prestazioni della batteria. Il processo di carica CC/CV comprende una fase di controllo della corrente (dove la corrente è impostata a un livello sicuro e la tensione della batteria aumenta con la carica, raggiungendo una soglia prima di entrare nella fase di controllo della tensione) e una fase di controllo della tensione (dove la tensione rimane stabile e la corrente diminuisce gradualmente finché la batteria non è completamente carica), il che può prevenire il sovraccarico, ridurre la pressione della batteria, ridurre il rischio di surriscaldamento e prolungare la durata della batteria. Le strategie di controllo valutate sono riassunte nella Tabella 1 e verranno introdotte in dettaglio in seguito.

Architettura dell'apprendimento per rinforzo:Il controller dell'apprendimento per rinforzo apprende la strategia ottimale attraverso l'interazione con il sistema per gestire dinamiche non lineari complesse. Adottando uno schema di attore critico, la rete di attori seleziona le azioni e la rete di critici valuta le azioni per fornire feedback. La rete continua di attori gaussiani (CGAN) viene utilizzata per elaborare spazi di azione continui e la strategia ottimale viene esplorata emettendo parametri di distribuzione gaussiana. La sua architettura include più livelli completamente connessi e la funzione di attivazione è principalmente una funzione di unità lineare modificata (RELU). Basandosi sulla formazione del toolbox di apprendimento per rinforzo MATLAB, la funzione di ricompensa viene calcolata in base all'errore di tensione, alle azioni di controllo e alle osservazioni della tensione per incentivare il mantenimento della tensione entro l'intervallo previsto e penalizzare le deviazioni. Impostando le costanti, viene garantito il massimo effetto di apprendimento e la massima ricompensa media viene raggiunta dopo 200 round di allenamento. Tuttavia, la risposta lenta della batteria rende difficile la regolazione dei parametri.

Architettura sfocata:I controller derivativi proporzionali fuzzy (PD) sono più efficaci nel gestire la non linearità e l'incertezza del sistema rispetto ai controller PD tradizionali, adattandosi ai cambiamenti nelle caratteristiche della batteria per garantire un controllo della tensione stabile e accurato. Un sistema di inferenza fuzzy è costruito utilizzando lo schema Sugeno, con tensione controllata da PD fuzzy e corrente controllata da PD fuzzy+I. L'input viene elaborato utilizzando funzioni di appartenenza triangolari normalizzate per gestire gli errori e le loro derivate, mentre l'output viene elaborato utilizzando tre funzioni di normalizzazione Sugeno per gestire gli stati. L'intervallo di ingresso è limitato per evitare la saturazione e gli intervalli di ingresso e uscita vengono modificati dalle costanti pertinenti.

Architettura PID classica:Il classico controller PID (proporzionale integrale derivato) è ampiamente utilizzato nella ricarica delle batterie grazie alla sua semplicità, efficacia e prestazioni affidabili. È facile da implementare e mettere a punto e può regolare e ottimizzare le condizioni di ricarica in tempo reale. Combina azioni proporzionale, integrale e derivativa per regolare con precisione tensione e corrente. Ha una forte universalità ed è adatto a vari scenari di batteria e ricarica. Ha un costo contenuto e requisiti di risorse computazionali ridotti ed è adatto per sistemi embedded e implementazioni hardware a basso costo. La sua architettura utilizza solo due controller classici per controllare rispettivamente la tensione e la corrente (la struttura interna non è dettagliata a causa di limitazioni di spazio).

3. Valutazione delle prestazioni della strategia di controllo della carica della batteria agli ioni di litio

Regolazione dei parametri del controller:La funzione di ricompensa dell'apprendimento per rinforzo viene determinata tramite metodi euristici e le costanti vengono regolate attraverso esperimenti ripetuti per ottenere (r1=200), (r2=-25), (p1=-10) e ( p2=180). Il controller fuzzy (PD+I) regola manualmente i parametri attraverso tentativi ed errori, con i parametri di controllo attuali di (P=20), (D=0. 00000 1), (I{{8 }}) e (K_D=0.297) e i parametri di controllo della tensione di (P=15), (D=0.0001) e (K_D=0.315). Il controller PID utilizza lo strumento MATLAB PID Tuner e la rete neurale per trovare i parametri ottimali, tra cui il controllo della corrente (P=15), (I {PID}=5), il controllo della tensione (P=22 .5), (I=4.9) e (D {PID}=0.03).

Analisi delle prestazioni del controller

Aspetto valutativo:Valutare le prestazioni del controller in termini di precisione della regolazione di tensione e corrente, tempo di risposta, stabilità e anti-interferenza.

Controller dell'apprendimento per rinforzo:Un controller di apprendimento per rinforzo basato su rete neurale può raggiungere una tensione nominale stabile senza superamento quando la corrente è zero (come mostrato nella Figura 5b). Tuttavia, quando si applica il controllo CC/CV, si verificano fluttuazioni di tensione dovute alla mancata comprensione della corrente esistente, con conseguente corrente instabile e in diminuzione durante la carica della batteria. La velocità di caricamento è la più elevata, ma si verificano fenomeni di squillo che possono danneggiare i componenti elettronici e ridurre la durata della batteria. Nelle applicazioni pratiche è necessario considerare la corrente circolante per migliorare le prestazioni.

Controller sfocato:progettato per mantenere una carica stabile, con tempi di carica e stabilizzazione più lunghi, ma senza picchi nella conversione del controllo di corrente e tensione (come mostrato nella Figura 5c). Sebbene sia più sicuro, è più lento e può essere ottimizzato modificando le regole di inferenza.

Regolatore PID:Risponde rapidamente agli errori, ma presenta interferenze significative e fenomeni di sovracorrente durante la transizione da tensione a corrente (come mostrato nella Figura 5b). Le sue prestazioni sono moderate e non dipendono dall'esperienza dell'operatore.

Analisi degli indicatori di prestazione:Analizzare l'azione di controllo della tensione del convertitore DC/DC in ingresso, calcolare il valore efficace (RMS) e scoprire che il valore RMS del controller con apprendimento per rinforzo è leggermente più alto, indicando che la sua azione di controllo cambia in modo più significativo ed è sensibile a piccoli cambiamenti. La valutazione del valore RMS della corrente della batteria per tutti i controller ha prodotto un valore costante di 0,3 A, indicando che nonostante le differenze nelle strategie e azioni di controllo, tutti i controller sono stati in grado di mantenere la corrente di uscita entro l'intervallo previsto . Ciò significa che, sebbene le azioni di controllo della tensione del controller con apprendimento per rinforzo varino notevolmente, ciò non influisce sulla stabilità e sulla coerenza della corrente di uscita, che è fondamentale per il funzionamento sicuro ed efficiente del sistema.

4. Discussione sui risultati della strategia di controllo della carica della batteria agli ioni di litio

Tempo di esecuzione della simulazione del controller e variazione dell'uscita:I risultati nella Tabella 2 sono stati ottenuti da simulazioni in cui ciascun controller è stato configurato per 6 secondi, con il controller con apprendimento per rinforzo (RL) che ha avuto il tempo di esecuzione più lungo di 21046 secondi. Rispetto ad altri controller utilizzati per regolare la tensione e la corrente delle batterie agli ioni di litio, il controller RL ha una variazione di uscita maggiore e, anche a fronte di piccoli disturbi, possono verificarsi fenomeni di squillo (azioni di controllo delle oscillazioni ad alta frequenza). Se applicato a dispositivi elettronici di potenza reali, può causare il surriscaldamento della batteria e dei componenti del convertitore, rumore del sensore e riduzione della durata della batteria, con una variazione di tensione di 0,02 V. Per migliorare il controller e ridurre le vibrazioni, è possibile aggiungere un filtro passa-basso all'uscita del controller, modificare l'architettura della rete neurale o utilizzare un metodo di controllo ibrido (come PID o controller fuzzy per regolare l'uscita della rete neurale). usato.

Adattabilità del controller e caratteristiche prestazionali:I controller RL hanno un'elevata adattabilità alle diverse situazioni, poiché sono più sensibili alle interferenze. Tuttavia, i cambiamenti nell’output indicano la necessità di incorporare più parametri nella formazione degli agenti per migliorare la loro capacità di adattarsi a più scenari, aumentare l’efficienza della ricarica ed evitare possibili instabilità. I controller fuzzy mirano a evitare picchi di corrente elevati e velocità di ricarica lente a causa delle loro regole di inferenza; Il controller PID risponde agli errori modificando il segnale di uscita e può adattarsi ai cambiamenti dinamici.

Valutazione delle prestazioni di uscita del controller:Il valore efficace (RMS) è stato utilizzato per valutare le prestazioni di uscita di tre controller e i risultati hanno mostrato che la tensione media mantenuta da tutti i controller era simile alla tensione nominale della batteria, che è fondamentale per prevenire il sovraccarico ed evitare che la batteria surriscaldamento. In termini di controllo della corrente, tutti i controller possono raggiungere il valore di riferimento in un tempo di risposta molto breve senza superamento e hanno una buona tolleranza alle interferenze esterne. In termini di controllo della tensione, il controller può raggiungere continuamente il valore di riferimento, riducendo gradualmente la corrente fino a raggiungere lo zero per completare il ciclo di carica. Tuttavia, va notato che i controller basati su RL potrebbero riscontrare lievi oscillazioni nella corrente durante la fase finale della carica, fluttuando tra il valore di corrente e zero, e potrebbero richiedere ulteriori regolazioni per migliorare la stabilità.

5. Riepilogo

Controllore PID

Vantaggi:Noto per la sua semplicità ed efficacia, funziona bene nella regolazione della tensione e della corrente e può fornire una risposta rapida e stabile in molte applicazioni.

Svantaggio:Adattabilità relativamente debole nell'affrontare caratteristiche dinamiche complesse della batteria, rendendo difficile ottenere un'ottimizzazione altamente dinamica.

Controllore confuso

Vantaggi:Definendo le variabili linguistiche e le regole di inferenza, l'esperienza viene integrata nel processo di controllo, che può gestire meglio la non linearità e l'incertezza della batteria, consentendo al sistema di adattarsi a situazioni specifiche e di funzionare stabilmente in diverse condizioni operative. La regolazione delle regole di inferenza in base ai requisiti dell'applicazione può ottimizzare in una certa misura le prestazioni di ricarica.

Svantaggi:La progettazione si basa fortemente su regole ed esperienza, lo sviluppo è complesso e la velocità di ricarica è relativamente lenta, il che potrebbe non soddisfare gli elevati requisiti di ricarica rapida negli scenari applicativi.

Controller basato sull'apprendimento per rinforzo

Vantaggi:Può apprendere la strategia ottimale attraverso l'interazione con il sistema, ha una forte capacità di elaborazione per piccoli disturbi, può adattarsi dinamicamente alle mutevoli condizioni, ottimizzare continuamente le prestazioni e ha un'elevata adattabilità alle diverse condizioni di carico. In scenari di ricarica della batteria complessi e in continua evoluzione, può migliorare efficacemente la precisione e l'efficienza della ricarica, particolarmente adatto per applicazioni che richiedono elevata flessibilità e adattabilità di ricarica.

Svantaggi:Richiede una grande quantità di risorse di elaborazione e tempi di addestramento lunghi, come il tempo di esecuzione più lungo in questo studio. Il processo di addestramento è complesso e richiede un'attenta progettazione delle funzioni di ricompensa e l'adeguamento dell'architettura della rete neurale, altrimenti potrebbero verificarsi fenomeni instabili come problemi di squillo. Per migliorare la precisione, è necessaria un’architettura di rete neurale più complessa, che aumenta ulteriormente il carico computazionale e il tempo di simulazione.