Implementasi Efisien Pemantauan Real-time Dan Prediksi SOC Untuk Paket Baterai Lithium-ion

Abstrak

Studi ini menyelidiki pemantauan status pengisian baterai lithium-ion, yang sangat penting untuk keamanan dan efisiensi manajemen energi baterai dalam aplikasi tertanam. Pemahaman yang akurat tentang status pengisian daya baterai sangat penting untuk memastikan keamanan penggunaan dan kinerjanya. Tim peneliti mengembangkan dan mengimplementasikan algoritma pengamat berdasarkan filter Kalman, yang diterapkan pada Spartan 6 FPGA. Algoritme tersebut dapat memperkirakan secara akurat status pengisian daya baterai, meskipun terdapat penyimpangan antara nilai estimasi awal dan status sebenarnya. Artikel ini secara khusus menekankan keunggulan FPGA dalam komputasi cepat, yang memungkinkan FPGA berfungsi sebagai komponen pendukung yang efisien dalam sistem manajemen baterai (BMS), memantau status pengisian daya baterai dalam jumlah besar dengan biaya lebih rendah. Penerapan pengamat ini pada FPGA berbiaya rendah sangat penting untuk mengurangi biaya sistem manajemen baterai dalam aplikasi seperti kendaraan listrik. Selain itu, model pengamat telah divalidasi efektivitasnya melalui simulasi yang ketat dan pengujian waktu nyata. Studi ini mengusulkan metode efektif untuk memperkirakan secara akurat status pengisian baterai lithium-ion, memberikan dukungan kuat untuk pengelolaan energi baterai yang efektif dalam berbagai aplikasi.

1. Pendahuluan

Pentingnya manajemen energi dan estimasi SOC:Manajemen energi sangat penting dalam aplikasi tertanam, terutama perangkat bertenaga baterai, karena hal ini memengaruhi masa pakai baterai dan kinerja sistem secara keseluruhan. Baterai litium ion banyak digunakan karena kepadatan energinya yang tinggi, laju pengosongan otomatis yang rendah, dan masa pakai yang lama. Untuk memastikan keamanan dan efisiensi sistem catu daya baterai, estimasi SOC yang akurat sangat penting. Estimasi yang tidak akurat dapat menyebabkan pengisian daya yang berlebihan, pengosongan daya yang berlebihan, dan kegagalan dini pada baterai. Namun, karakteristik baterai lithium-ion yang nonlinier dan bervariasi terhadap waktu membuat estimasi SOC cukup menantang, oleh karena itu berbagai metode estimasi telah diusulkan, termasuk pendekatan berbasis model dan berbasis data.

Sistem Manajemen Baterai dan Metode Estimasi SOC

Sistem Manajemen Baterai (BMS) adalah komponen penting dari paket baterai, yang memantau status baterai dan mengontrol proses pengisian dan pengosongan. Estimasi SOC yang akurat adalah salah satu fungsi utamanya, yang membantu mengoptimalkan penggunaan baterai, mencegah pengisian daya berlebih dan pengosongan daya berlebih. Algoritme ini harus memenuhi presisi tinggi, ketahanan terhadap kesalahan sensor presisi rendah dan kesalahan estimasi parameter baterai, serta kebutuhan daya komputasi yang rendah. Teknik pemodelan dan estimasi untuk mencapai estimasi SOC yang akurat meliputi elektrokimia, rangkaian ekivalen, dan metode berbasis data. Model elektrokimia akurat tetapi komputasinya mahal dan memerlukan pengetahuan khusus, sedangkan metode berbasis pengamat relatif sederhana dan memiliki akurasi yang baik.

Metode estimasi SOC dibagi menjadi dua kategori:estimasi loop terbuka dan loop tertutup. Metode loop terbuka seperti penghitungan Coulomb sederhana namun memerlukan pengetahuan SOC awal, dinamika lambat, dan keandalan yang buruk, sedangkan metode tegangan rangkaian terbuka akurat tetapi memerlukan baterai dibiarkan menganggur dalam waktu lama. Metode loop tertutup terutama mencakup Model Predictive Control (MPC) dan metode terkait (seperti 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, dan Neural Network), serta metode seperti H-infinity filter, Sliding Mode Observer (SMO), Metode berbasis Particle Filter (PF), dan varian Kalman Filter (seperti Unscented Kalman Filter (UKF) dan Sigma Point Kalman Filter (SPKF)).

Penerapan EKF dan FPGA dalam estimasi SOC:Ada berbagai metode untuk estimasi SOC online, dan pengamat negara (khususnya EKF) populer karena ketangguhannya. Dalam manajemen baterai, algoritma rekursif EKF dapat menggabungkan model baterai dan data pengukuran untuk memperkirakan SOC. Namun, penerapan algoritme kompleks dengan mikrokontroler memerlukan biaya yang mahal dan mungkin tidak cocok untuk sistem multi-baterai. Biaya BMS (termasuk pemantauan dan penyeimbangan) bisa mencapai 30% dari harga paket baterai. Oleh karena itu, penelitian ini berfokus pada perhitungan cepat algoritma estimasi SOC untuk baterai kendaraan listrik dengan beberapa baterai secara seri menggunakan field programmable gate arrays (FPGAs). FPGA telah terbukti efisien di bidang industri. Tujuan dari penelitian ini adalah untuk mengimplementasikan pengamat berdasarkan algoritma EKF pada Spartan 6 FPGA yang berbiaya rendah dan efisien, yang dapat memperbaiki estimasi SOC awal yang tidak akurat. Waktu observasi yang cepat dapat mencapai observasi simultan beberapa baterai dengan FPGA yang sama, sehingga mengurangi biaya BMS pada kendaraan listrik atau sistem SOC baterai lainnya yang perlu dipantau. Bab selanjutnya dari makalah ini akan memperkenalkan model baterai lithium-ion, desain pengamat, implementasi FPGA, simulasi di lingkungan Xilinx, hasil eksperimen, kesimpulan penelitian, dan pekerjaan masa depan secara berurutan.

2. Mengisi pengamat negara

Model Baterai

Ada berbagai metode pemodelan untuk secara akurat mewakili perilaku dinamis sel elektrokimia. Meskipun model elektrokimia dapat membantu memprediksi kinerja baterai dan memahami mekanisme penuaan, model tersebut memerlukan kondisi awal dan batas baterai, serta rumit secara komputasi dan tidak cocok untuk aplikasi waktu nyata. Maka dikembangkanlah model sederhana berdasarkan rangkaian ekuivalen (EEC), yang cocok untuk profesional non elektrokimia dan mudah diterapkan secara real-time. Namun, fenomena elektrokimia perlu dipertimbangkan pada tingkat baterai untuk menyederhanakan pengenalan model.

Model EEC yang digunakan dalam penelitian ini mencakup sumber tegangan rangkaian terbuka (OCV), resistor R Ω yang mewakili fenomena frekuensi tinggi seperti resistansi elektrolit dan sambungan, serta resistansi dinamis transfer muatan, dan rangkaian paralel R1C1 yang mensimulasikan frekuensi rendah. fenomena difusi. Untuk menyederhanakan penghitungan waktu nyata, rangkaian RC tunggal digunakan untuk mensimulasikan fenomena difusi dengan periode pengambilan sampel Te=0,1 detik, yang dapat diabaikan dibandingkan dengan periode pengambilan sampel karena transfer muatan dinamis (sekitar 10 ms ). Persamaan status model baterai diperluas ke SOC seperti yang ditunjukkan pada rumus 1:

(Dimana Qnom adalah kapasitas nominal, V1 adalah tegangan pada rangkaian R1C1, SOC adalah keadaan pengisian, Ubat adalah tegangan terminal baterai), model baterai keadaan diskrit diperluas ke SOC seperti yang ditunjukkan pada rumus 2:

Pengamat SOC berdasarkan filter Kalman

SOC tidak dapat diukur secara langsung, dan Extended Kalman Filter (EKF) biasanya digunakan untuk mengatasi masalah ini. Hal ini memerlukan model baterai yang akurat dan kemampuan memperkirakan SOC dalam rentang kebisingan tertentu. EKF menginisialisasi dan memprediksi variabel keadaan pada waktu pengambilan sampel tertentu Te, menggunakan persamaan keadaan model baterai (Formula 1) yang menyertakan SOC untuk prediksi. Performa pengamat bergantung pada keyakinan pengukuran dan model, dengan mempertimbangkan ketidakpastian model wk dan ketidakpastian pengukuran tegangan vk (Rumus 3):

Dengan asumsi mereka adalah white noise, Gaussian noise, dan memiliki rata-rata nol, mereka masing-masing dimasukkan dalam matriks kovarians Q dan R dari status dan noise pengukuran.

Karena nonlinier dalam memperluas model baterai ke SOC (karena OCV terkait dengan SOC), maka perlu dilakukan linierisasi dengan menghitung matriks Jacobian pada setiap waktu pengambilan sampel (Rumus 4):

Linierkan dan hitung perolehan Kalman (Rumus 5):

Perbarui matriks kovarians (Rumus 6):

Terakhir, gunakan koreksi penguatan optimal untuk memprediksi vektor keadaan (Rumus 7):

Parameter EKF dirangkum dalam tabel di bawah ini.

3. Implementasi FPGA

Desain arsitektur FPGA:FPGA terdiri dari sumber daya pemrosesan (seperti memori, logika, dan register, yang dikelompokkan ke dalam berbagai jenis blok logika) dan sumber daya interkoneksi yang dapat diprogram. Saat memprogram, perlu untuk menentukan fungsi blok logika dan mengatur jaringan interkoneksi. Penelitian ini berfokus pada arsitektur rangkaian matriks yang dapat diprogram, yang blok logikanya berada dalam struktur persegi panjang beraturan dan terhubung ke jaringan perutean (terdiri dari saluran horizontal dan vertikal) melalui titik interkoneksi yang dapat diprogram. FPGA terdiri dari baterai dasar dan interkoneksi yang telah dirancang sebelumnya, dan pengguna dapat memprogram dan membangun arsitektur perangkat keras tertentu yang memenuhi persyaratan aplikasi. Ini menunjukkan kemampuan pemrosesan throughput tinggi dan latensi rendah di bidang industri, dan fleksibilitasnya dapat meningkatkan kinerja, mengurangi biaya, dan memiliki skalabilitas. Penggunaan FPGA untuk komputasi paralel yang dapat dikonfigurasi mengurangi waktu eksekusi algoritme, namun pemrograman memerlukan optimalisasi properti fisik, termasuk kinerja waktu/area algoritme dan pemilihan bit format data, dengan tetap menjaga keakuratan dasar pengamat.

Peralatan dan Perangkat Lunak:Penelitian ini bertujuan untuk mengimplementasikan Extended Kalman Filter (EKF) untuk memperkirakan State of Charge (SOC) baterai dalam sistem real-time, menggunakan platform perangkat keras MicroAutoBox II (MABXII) dSPACE, yang andal dan tangguh untuk desain prototipe dan pengujian di industri otomotif. Xilinx Spartan-6 FPGA (XC6SLX150) yang tertanam memiliki kinerja tinggi dan konsumsi daya rendah (spesifikasi utama ditunjukkan pada Tabel 2), sehingga cocok untuk aplikasi ini. Pengamat SOC diimplementasikan pada FPGA ini dan menguji SOC masing-masing baterai dalam paket baterai yang terdiri dari 5 baterai lithium-ion yang terhubung seri (parameter paket baterai: tegangan nominal total 18V, tegangan nominal baterai tunggal 3,6V, kapasitas keseluruhan 2,5Ah, menggunakan baterai lithium-ion Samsung 25R 18650, elektroda positif adalah campuran bahan kimia NCA dan NMC, elektroda negatif adalah grafit, parameter model baterai diidentifikasi oleh arus konstan yang terputus-putus teknologi titrasi GITT, seperti ditunjukkan pada Gambar 4). Dengan asumsi suhu baterai 25 derajat C dan parameter konstan, algoritma EKF dikembangkan menggunakan blok Simulink (seperti yang ditunjukkan pada Gambar 5) dan dioptimalkan untuk kinerja dan pemanfaatan sumber daya melalui pipa, multiplexing/lipat pembagian waktu, dan presisi yang disesuaikan.

Teknologi multiplexing pembagian waktu:Paket baterai yang diteliti berisi 5 seri baterai lithium-ion yang terhubung, dan ada dua metode untuk memperkirakan SOC setiap baterai. Salah satunya adalah mengembangkan desain dengan lima model baterai, namun karena kebutuhan sumber daya yang tinggi, desain ini tidak cocok untuk aplikasi waktu nyata dan memerlukan FPGA yang lebih mahal dan kaya sumber daya. Metode kedua didasarkan pada multiplexing pembagian waktu (lihat Gambar 6), dengan setiap waktu pengambilan sampel Te '=0,02 detik. Setelah arus baterai dan tegangan baterai didigitalkan oleh ADC papan DSP MicroAutoBox, mesin negara mengirimkan data ke FPGA untuk menjalankan algoritma EKF. Setelah algoritma selesai, SOC yang diperkirakan dan diperbaiki, matriks kovarians kesalahan, dan tegangan difusi dikirim kembali ke DSP. Upaya selanjutnya akan fokus pada verifikasi pengamat melalui simulasi, yang sangat penting untuk memastikan keakuratan dan efektivitas pengamat sebelum diterapkan pada FPGA.

4. Verifikasi pengamat Xilinx

Proses verifikasi:Algoritme divalidasi menggunakan perpustakaan generator sistem yang dirancang khusus untuk pemrograman FPGA. Pustaka ini memungkinkan pemrograman FPGA menggunakan blok Simulink, dan pemrosesan data dapat dilakukan dalam mode floating-point atau fixed-point. Semakin tinggi akurasinya, semakin besar kebutuhan sumber daya FPGA. Untuk menyeimbangkan keakuratan hasil dan pemanfaatan sumber daya, penelitian ini memilih representasi bertanda dalam mode titik tetap, khususnya format Fix32_16 (15 bit untuk bagian bilangan bulat, 16 bit untuk bagian desimal, dan 1 bit untuk tanda) . Keuntungan utama menggunakan perpustakaan Xilinx ini adalah kemudahan implementasi pada FPGA, tanpa memerlukan pemrograman VHDL yang rumit.

Evaluasi kinerja dan hasil

Kinerja pengamat berdasarkan EKF dievaluasi melalui kurva arus arus pelepasan 1C (2,5A). SOC aktual diinisialisasi ke 100%, dan perkiraan nilai SOC awal SOC-0 disetel ke 0% (SOC-0 adalah parameter yang dapat disesuaikan yang dapat mencapai rentang luas perkiraan inisialisasi SOC). Nilai referensi SOC diperoleh dari coulomb meter yang diinisialisasi dengan SOC awal dan kapasitas nominal yang benar. Tempatkan estimator yang dirancang di bawah kurva arus pelepasan langkah arus 1C untuk verifikasi.

Hasilnya menunjukkan bahwa meskipun nilai estimasi awal berbeda dengan nilai awal SOC sebenarnya, namun estimasi SOC tetap konvergen dengan SOC aktual baterai, yang menunjukkan bahwa pengamat EKF dapat mengoreksi estimasi SOC yang buruk dan membuat estimasi SOC konvergen dengan aktual. nilai. Namun, representasi titik tetap yang digunakan dalam implementasi membatasi jumlah bit yang digunakan, menyebabkan kesalahan estimasi, dan kesalahan dapat terakumulasi selama proses integrasi saat ini ketika memprediksi variabel keadaan, sehingga menghasilkan sejumlah besar kesalahan antara nilai perkiraan dan nilai aktual. . Namun, selama kesalahan absolutnya kurang dari 5%, filter tersebut dianggap efektif dan dapat memperkirakan variabel keadaan secara akurat.

5. Hasil implementasi FPGA waktu nyata

Verifikasi waktu nyata (menggunakan data yang direkam sebelumnya):Sebelum pengujian baterai sebenarnya, simulasikan pengujian menggunakan data arus/voltase baterai yang telah direkam sebelumnya. Hasil pengujian menunjukkan bahwa pengamat memiliki kinerja real-time yang baik. Kurva arus dilepaskan dengan langkah arus 1C (2,5A), dan SOC diinisialisasi ke 0%. Nilai referensi SOC diperoleh dengan meter coulomb yang diinisialisasi dengan benar. Dibandingkan dengan hasil simulasi Xilinx, kinerja pengamat serupa dalam kedua kasus, dan filter Kalman yang diterapkan pada FPGA berhasil mengurangi kesalahan antara tegangan terukur dan tegangan perkiraan, membuat perkiraan SOC menyatu ke nilai akurat yang tidak dapat dicapai. diukur secara langsung.

Pengamat verifikasi eksperimental

Pengujian baterai tunggal:Setelah verifikasi real-time menggunakan data yang direkam sebelumnya, pengujian lebih lanjut dilakukan selama pengosongan baterai sebenarnya. Dengan menggunakan platform pengujian yang ditunjukkan pada gambar, jalankan pengamat sambil mengosongkan baterai untuk mengevaluasi keakuratan estimasi SOC. Dengan menghasilkan siklus pulsa arus sebagai nilai yang ditetapkan untuk beban aktif yang dapat diprogram untuk mengosongkan baterai, hasil eksperimen menunjukkan bahwa pada awal siklus arus, filter dapat mengoreksi SOC awal sebesar 0%. Saat voltase berkurang, SOC juga berkurang, dan sistem dapat memperbaikinya secara otomatis. Namun, terdapat fluktuasi dalam proses estimasi, terutama karena noise pengukuran sensor, sehingga memerlukan filter yang lebih halus.

Pengujian paket baterai:Karena baterai penelitian terdiri dari 5 baterai seri yang terhubung, estimator perlu dikembangkan untuk menguji seluruh paket baterai. Dengan menggabungkan teknologi multiplexing pembagian waktu ke dalam model filter Kalman, siklus pulsa arus dengan periode 3200s dan amplitudo -2.5A dihasilkan sebagai nilai pengaturan beban aktif yang dapat diprogram untuk baterai memulangkan. Hasilnya menunjukkan bahwa pengamat dapat memperkirakan secara akurat tegangan dan SOC setiap baterai di seluruh paket baterai. Berdasarkan lima kurva, SOC dan voltase masing-masing baterai dapat ditentukan, yang memiliki keunggulan signifikan dibandingkan penelitian sebelumnya yang hanya memperkirakan voltase keseluruhan dan SOC paket baterai. Pengamat SOC memiliki waktu eksekusi 2,5 µs dan periode pengambilan sampel tipikal 0,1 detik. Chip Spartan 6 memiliki waktu yang cukup untuk melakukan beberapa estimasi SOC dan mengamati kondisi lain (seperti suhu internal) dalam satu periode pengambilan sampel. Implementasi FPGA tidak menghabiskan banyak sumber daya, dan meskipun programnya rumit, sumber daya FPGA yang tersedia tidak dimanfaatkan sepenuhnya.

6. Ringkasan

Di bidang aplikasi tertanam, manajemen energi sangat penting untuk mengoptimalkan konsumsi energi dan memperpanjang masa pakai baterai. Hal ini mengharuskan kita untuk dapat memantau status pengisian baterai secara akurat. Penelitian ini berfokus pada pengembangan pengamat keadaan untuk memperkirakan tegangan dan status pengisian setiap baterai dalam paket baterai lithium-ion. Pengamat mengadopsi algoritma penyaringan Kalman yang cocok untuk baterai lithium-ion dan memiliki kemampuan untuk memperbaiki keadaan pengisian ketika nilai perkiraan awal tidak sesuai dengan keadaan pengisian sebenarnya. Penerapan algoritma kompleks ini pada Spartan 6 FPGA berbiaya rendah (harga di bawah 20 euro) telah terbukti sangat efisien, mampu memantau beberapa baterai secara bersamaan, sehingga mengurangi biaya sistem manajemen baterai.

Hasil eksperimen menunjukkan bahwa pengamat dapat secara akurat memperkirakan tegangan dan status pengisian setiap baterai, menunjukkan keunggulan yang signifikan dibandingkan penelitian sebelumnya yang hanya dapat memperkirakan tegangan dan status pengisian seluruh baterai. Waktu eksekusi yang rendah dan konsumsi sumber daya pengamat menjadikannya alat yang ampuh untuk memantau dan mengontrol paket baterai lithium-ion secara real-time, cocok untuk berbagai skenario aplikasi. Meskipun tantangan seperti gangguan data ditemui selama proses implementasi, masalah ini dapat diatasi secara efektif dengan menerapkan teknik penyaringan yang tepat untuk memastikan keakuratan hasil. Secara keseluruhan, penelitian ini telah memberikan kontribusi nilai yang signifikan pada bidang sistem manajemen baterai dan membuka jalan baru untuk penelitian masa depan.