Implementação eficiente de monitoramento e previsão em tempo real de SOC para baterias de íons de lítio

Resumo

Este estudo investiga o monitoramento do status de carregamento de baterias de íon-lítio, que é crucial para a segurança e eficiência do gerenciamento de energia da bateria em aplicações embarcadas. Compreender com precisão o estado de carregamento das baterias é de importância decisiva para garantir a sua utilização e desempenho seguros. A equipe de pesquisa desenvolveu e implementou um algoritmo observador baseado no filtro de Kalman, que foi implantado no Spartan 6 FPGA. O algoritmo pode estimar com precisão o estado de carga da bateria, mesmo se houver um desvio entre o valor inicial estimado e o estado real. Este artigo enfatiza particularmente as vantagens do FPGA na computação rápida, que permite ao FPGA servir como um componente escravo eficiente em sistemas de gerenciamento de baterias (BMS), monitorando o status de carregamento de um grande número de baterias a um custo menor. A implementação deste observador em FPGA de baixo custo é de grande importância para reduzir o custo de sistemas de gerenciamento de baterias em aplicações como veículos elétricos. Além disso, a eficácia do modelo do observador foi validada através de simulação rigorosa e testes em tempo real. Este estudo propõe um método eficaz para estimar com precisão o status de carregamento de baterias de íons de lítio, fornecendo forte suporte para o gerenciamento eficaz da energia da bateria em diversas aplicações.

1. Introdução

A importância da gestão de energia e estimativa de SOC:O gerenciamento de energia é crucial em aplicações embarcadas, especialmente em dispositivos alimentados por bateria, pois afeta a vida útil da bateria e o desempenho geral do sistema. As baterias de íon de lítio são amplamente utilizadas devido à sua alta densidade de energia, baixa taxa de autodescarga e longo ciclo de vida. Para garantir a segurança e a eficiência do sistema de alimentação da bateria, é essencial uma estimativa precisa do SOC. A estimativa imprecisa pode levar a sobrecarga, descarga excessiva e falha prematura da bateria. No entanto, as características não lineares e variáveis ​​no tempo das baterias de iões de lítio tornam a estimativa do SOC bastante desafiante, pelo que vários métodos de estimativa foram propostos, incluindo abordagens baseadas em modelos e baseadas em dados.

Sistema de gerenciamento de bateria e método de estimativa SOC

O Sistema de gerenciamento de bateria (BMS) é um componente importante de uma bateria, que monitora o status da bateria e controla o processo de carga e descarga. A estimativa precisa do SOC é uma de suas principais funções, que ajuda a otimizar o uso da bateria e evitar sobrecarga e descarga excessiva. O algoritmo precisa atender alta precisão, robustez para erros de sensor de baixa precisão e estimativa incorreta de parâmetros de bateria e baixos requisitos de energia computacional. As técnicas de modelagem e estimativa para obter estimativas precisas de SOC incluem eletroquímica, circuitos equivalentes e métodos baseados em dados. Os modelos eletroquímicos são precisos, mas computacionalmente caros e requerem conhecimento especializado, enquanto os métodos baseados em observadores são relativamente simples e têm boa precisão.

Os métodos de estimativa SOC são divididos em duas categorias:estimação em malha aberta e em malha fechada. Os métodos de circuito aberto, como a contagem de Coulomb, são simples, mas requerem conhecimento inicial de SOC, dinâmica lenta e baixa confiabilidade, enquanto os métodos de tensão de circuito aberto são precisos, mas exigem que a bateria fique inativa por um longo período. Os métodos de circuito fechado incluem principalmente Controle Preditivo de Modelo (MPC) e seus métodos relacionados (como Filtro de Kalman Estendido (EKF), Filtro de Kalman Estendido Duplo (DEKF), Filtro de Kalman Estendido Adaptativo (AEKF), Algoritmo Híbrido Adaptativo (AMA), State Observer, Generalized Extended State Observer (GESO), Fuzzy Logic Method e Neural Network), bem como métodos como filtro H-infinito, Sliding Mode Observer (SMO), Métodos baseados em filtro de partículas (PF) e variantes do filtro Kalman (como filtro Kalman sem cheiro (UKF) e filtro Sigma Point Kalman (SPKF)).

A aplicação de EKF e FPGA na estimativa de SOC:Existem vários métodos para estimativa de SOC online, e os observadores de estado (especialmente EKF) são populares devido à sua robustez. No gerenciamento de bateria, o algoritmo recursivo EKF pode combinar modelos de bateria e dados de medição para estimar o SOC. No entanto, a implementação de algoritmos complexos com microcontroladores é dispendiosa e pode não ser adequada para sistemas multibaterias. Os custos do BMS (incluindo monitorização e equilíbrio) podem atingir 30% dos preços das baterias. Portanto, este estudo concentra-se no cálculo rápido do algoritmo de estimativa SOC para baterias de veículos elétricos com múltiplas baterias em série usando arranjos de portas programáveis ​​em campo (FPGAs). Os FPGAs provaram ser eficientes no campo industrial. O objetivo deste estudo é implementar um observador baseado no algoritmo EKF em um FPGA Spartan 6 eficiente e de baixo custo, que possa corrigir estimativas iniciais imprecisas de SOC. O tempo de observação rápido pode permitir a observação simultânea de múltiplas baterias com o mesmo FPGA, reduzindo o custo do BMS de veículos elétricos ou outros sistemas SOC de bateria que precisam ser monitorados. Os capítulos subsequentes do artigo apresentarão o modelo da bateria de íons de lítio, projeto do observador, implementação em FPGA, simulação em ambiente Xilinx, resultados experimentais, conclusões de pesquisas e trabalhos futuros em sequência.

2. Observador do estado de carregamento

Modelo de bateria

Existem vários métodos de modelagem para representar com precisão o comportamento dinâmico das células eletroquímicas. Embora os modelos eletroquímicos possam ajudar a prever o desempenho da bateria e a compreender os mecanismos de envelhecimento, eles requerem condições iniciais e de contorno da bateria e são computacionalmente complexos e não adequados para aplicações em tempo real. Assim foi desenvolvido um modelo simplificado baseado em circuito equivalente (EEC), adequado para profissionais não eletroquímicos e de fácil aplicação em tempo real. No entanto, os fenômenos eletroquímicos precisam ser considerados no nível da bateria para simplificar o reconhecimento do modelo.

O modelo EEC usado neste estudo inclui uma fonte de tensão de circuito aberto (OCV), um resistor R Ω representando fenômenos de alta frequência, como eletrólito e resistência de conexão, bem como resistência dinâmica de transferência de carga, e um circuito paralelo R1C1 simulando baixa frequência. fenômenos de difusão. Para simplificar os cálculos em tempo real, um único circuito RC é usado para simular fenômenos de difusão com um período de amostragem de Te=0,1 segundos, que pode ser ignorado em comparação com o período de amostragem devido à transferência dinâmica de carga (cerca de 10ms ). A equação de estado do modelo da bateria é estendida ao SOC conforme mostrado na fórmula 1:

(Onde Qnom é a capacidade nominal, V1 é a tensão no circuito R1C1, SOC é o estado de carga, Ubat é a tensão terminal da bateria), o modelo de bateria de estado discreto é estendido para SOC conforme mostrado na fórmula 2:

Observador SOC baseado no filtro de Kalman

O SOC não pode ser medido diretamente e o Filtro de Kalman Estendido (EKF) é comumente usado para resolver esse problema. Requer um modelo de bateria preciso e a capacidade de estimar o SOC dentro de uma determinada faixa de ruído. O EKF inicializa e prevê variáveis ​​de estado em um tempo de amostragem específico Te, usando uma equação de estado do modelo de bateria (Fórmula 1) que inclui SOC para predição. O desempenho do observador depende da confiança na medição e no modelo, levando em consideração a incerteza do modelo wk e a incerteza da medição de tensão vk (Fórmula 3):

Supondo que sejam ruído branco, ruído gaussiano e tenham média zero, eles são incluídos nas matrizes de covariância Q e R do estado e do ruído de medição, respectivamente.

Devido à não linearidade de estender o modelo da bateria para o SOC (já que o OCV está relacionado ao SOC), é necessário linearizá-lo calculando a matriz Jacobiana a cada tempo de amostragem (Fórmula 4):

Linearize e calcule o ganho de Kalman (Fórmula 5):

Atualizar matriz de covariância (Fórmula 6):

Finalmente, use a correção de ganho ideal para prever o vetor de estado (Fórmula 7):

Os parâmetros EKF estão resumidos na tabela abaixo.

3. Implementação de FPGA

Projeto de arquitetura FPGA:FPGA consiste em recursos de processamento (como memória, lógica e registros, agrupados em diferentes tipos de blocos lógicos) e recursos de interconexão programáveis. Na programação é necessário especificar as funções dos blocos lógicos e organizar a rede de interligação. Este estudo tem como foco a arquitetura de circuitos matriciais programáveis, cujos blocos lógicos possuem uma estrutura retangular regular e são conectados a uma rede de roteamento (composta por canais horizontais e verticais) através de pontos de interconexão programáveis. O FPGA é composto de baterias e interconexões básicas pré-projetadas, e os usuários podem programar e construir arquiteturas de hardware específicas que atendam aos requisitos da aplicação. Ele exibe recursos de processamento de alto rendimento e baixa latência no campo industrial, e sua flexibilidade pode melhorar o desempenho, reduzir custos e ter escalabilidade. O uso de FPGA para computação paralela configurável reduz o tempo de execução do algoritmo, mas a programação requer otimização das propriedades físicas, incluindo tempo/desempenho de área do algoritmo e seleção de bits de formato de dados, enquanto mantém a precisão básica do observador.

Equipamentos e Softwares:Este estudo tem como objetivo implementar um Filtro de Kalman Estendido (EKF) para estimativa do Estado de Carga (SOC) de uma bateria em um sistema em tempo real, utilizando a plataforma de hardware MicroAutoBox II (MABXII) da dSPACE, que é confiável e robusta para projeto de protótipos. e testes na indústria automotiva. Seu Xilinx Spartan-6 FPGA integrado (XC6SLX150) possui alto desempenho e baixo consumo de energia (as principais especificações são mostradas na Tabela 2), tornando-o adequado para esta aplicação. O observador SOC é implementado neste FPGA e testa o SOC de baterias individuais em um conjunto de baterias que consiste em 5 baterias de íon de lítio conectadas em série (parâmetros do conjunto de baterias: tensão nominal total de 18V, tensão nominal de bateria única de 3,6V, capacidade total de 2,5Ah, usando bateria de íon de lítio Samsung 25R 18650, o eletrodo positivo é uma mistura de produtos químicos NCA e NMC, o eletrodo negativo é grafite, os parâmetros do modelo da bateria são identificados por corrente constante tecnologia de titulação intermitente GITT, conforme mostrado na Figura 4). Assumindo uma temperatura da bateria de 25 graus C e parâmetros constantes, o algoritmo EKF é desenvolvido usando blocos Simulink (como mostrado na Figura 5) e otimizado para desempenho e utilização de recursos por meio de pipeline, multiplexação/dobragem por divisão de tempo e precisão personalizada.

Tecnologia de multiplexação por divisão de tempo:A bateria em estudo contém 5 baterias de íon de lítio conectadas em série e existem dois métodos para estimar o SOC de cada bateria. Uma delas é desenvolver um projeto com cinco modelos de bateria, mas devido aos altos requisitos de recursos, não é adequado para aplicações em tempo real e requer FPGA mais caro e rico em recursos. O segundo método é baseado na multiplexação por divisão de tempo (ver Figura 6), com cada tempo de amostragem Te '=0,02 segundos. Depois que a corrente e a tensão da bateria são digitalizadas pelo ADC da placa MicroAutoBox DSP, a máquina de estado envia os dados ao FPGA para executar o algoritmo EKF. Após a conclusão do algoritmo, o SOC estimado e corrigido, a matriz de covariância de erros e a tensão de difusão são enviados de volta ao DSP. Os esforços subsequentes se concentrarão na verificação do observador por meio de simulação, o que é crucial para garantir a precisão e eficácia do observador antes da implantação no FPGA.

4. Verificação dos observadores pela Xilinx

Processo de verificação:O algoritmo é validado usando uma biblioteca geradora de sistema projetada especificamente para programação FPGA. Esta biblioteca permite a programação de FPGA usando blocos Simulink, e o processamento de dados pode ser feito em modo de ponto flutuante ou ponto fixo. Quanto maior a precisão, maiores serão os requisitos de recursos do FPGA. Para equilibrar a precisão dos resultados e a utilização de recursos, este estudo escolheu uma representação assinada no modo de ponto fixo, especificamente o formato Fix32_16 (15 bits para parte inteira, 16 bits para parte decimal e 1 bit para sinal) . A principal vantagem de utilizar esta biblioteca Xilinx é a sua facilidade de implementação em FPGA, sem a necessidade de programação VHDL complexa.

Avaliação de desempenho e resultados

O desempenho do observador baseado em EKF é avaliado através da curva de corrente de descarga 1C (2,5A). O SOC real é inicializado em 100%, e o valor inicial estimado do SOC SOC-0 é definido como 0% (SOC-0 é um parâmetro ajustável que pode atingir uma ampla faixa de inicialização estimada do SOC). O valor de referência SOC é obtido a partir de um medidor de Coulomb inicializado com o SOC inicial e capacidade nominal corretos. Coloque o estimador projetado sob a curva de corrente de descarga de etapa de corrente 1C para verificação.

Os resultados mostram que embora o valor inicial estimado seja diferente do valor inicial real do SOC, o SOC estimado ainda converge para o SOC real da bateria, indicando que o observador EKF pode corrigir a estimativa deficiente do SOC e fazer o SOC estimado convergir para o real valor. No entanto, a representação de ponto fixo usada na implementação limita o número de bits usados, levando a erros de estimativa, e erros podem se acumular durante o processo de integração atual ao prever variáveis ​​de estado, resultando em uma grande variedade de erros entre os valores estimados e reais . Porém, desde que o erro absoluto seja inferior a 5%, o filtro é considerado eficaz e pode estimar com precisão as variáveis ​​de estado.

5. Resultados de implementação de FPGA em tempo real

Verificação em tempo real (usando dados pré-gravados):Antes do teste real da bateria, simule o teste usando dados de corrente/tensão pré-gravados da bateria. Os resultados do teste mostram que o observador tem um bom desempenho em tempo real. A curva de corrente é descarregada com um passo de corrente de 1C (2,5A) e o SOC é inicializado em 0%. O valor de referência SOC é obtido por um medidor de Coulomb inicializado corretamente. Comparado com os resultados da simulação do Xilinx, o desempenho do observador é semelhante em ambos os casos, e o filtro de Kalman implementado no FPGA reduz com sucesso o erro entre a tensão medida e a tensão estimada, fazendo com que o SOC estimado convirja para um valor preciso que não pode ser medido diretamente.

Observador de verificação experimental

Teste de bateria única:Após verificação em tempo real usando dados pré-gravados, testes adicionais são realizados durante a descarga real da bateria. Usando a plataforma de teste mostrada na figura, execute o observador enquanto descarrega a bateria para avaliar a precisão da estimativa do SOC. Ao gerar ciclos de pulso de corrente como valor definido para cargas ativas programáveis ​​para descarregar a bateria, resultados experimentais mostram que no início do ciclo de corrente, o filtro pode corrigir o SOC inicial de 0%. À medida que a tensão diminui, o SOC também diminui e o sistema pode corrigi-lo automaticamente. Porém, há oscilação no processo de estimativa, principalmente devido ao ruído de medição do sensor, necessitando de um filtro mais suave.

Teste de bateria:Como a bateria de pesquisa consiste em 5 baterias conectadas em série, um estimador precisa ser desenvolvido para testar toda a bateria. Ao incorporar a tecnologia de multiplexação por divisão de tempo no modelo do filtro de Kalman, um ciclo de pulso de corrente com um período de 3200s e uma amplitude de -20,5A é gerado como o valor de configuração de carga ativa programável para bateria descarga. Os resultados mostram que o observador pode estimar com precisão a tensão e o SOC de cada bateria em todo o conjunto de baterias. Com base em cinco curvas, o SOC e a tensão de cada bateria podem ser determinados, o que apresenta vantagens significativas em comparação com estudos anteriores que estimam apenas a tensão geral e o SOC da bateria. O observador SOC tem um tempo de execução de 2,5 µs e um período de amostragem típico de 0,1 s. O chip Spartan 6 tem tempo suficiente para realizar múltiplas estimativas de SOC e observar outros estados (como temperatura interna) dentro de um período de amostragem. A implementação do FPGA não consumiu uma quantidade significativa de recursos e, apesar da complexidade do programa, os recursos disponíveis do FPGA não foram totalmente utilizados.

6. Resumo

No campo das aplicações embarcadas, a gestão de energia é crucial para otimizar o consumo de energia e prolongar a vida útil da bateria. Isso exige que sejamos capazes de monitorar com precisão o status de carregamento da bateria. Este estudo se concentra no desenvolvimento de um observador de estado para estimar a tensão e o status de carga de cada bateria em uma bateria de íons de lítio. O observador adota o algoritmo de filtragem Kalman adequado para baterias de íons de lítio e tem a capacidade de corrigir o estado de carregamento quando o valor inicial estimado é inconsistente com o estado real de carregamento. A implementação deste algoritmo complexo num FPGA Spartan 6 de baixo custo (preço inferior a 20 euros) provou ser altamente eficiente, capaz de monitorizar múltiplas baterias em simultâneo, reduzindo assim o custo dos sistemas de gestão de baterias.

Os resultados experimentais demonstram que o observador pode estimar com precisão a tensão e o status de carga de cada bateria, demonstrando vantagens significativas em comparação com estudos anteriores que só podiam estimar a tensão e o status de carga de toda a bateria. O baixo tempo de execução e o consumo de recursos do observador tornam-no uma ferramenta poderosa para monitoramento e controle em tempo real de baterias de íons de lítio, adequada para vários cenários de aplicação. Embora tenham sido encontrados desafios como o ruído de dados durante o processo de implementação, estas questões podem ser eficazmente abordadas através da adopção de técnicas de filtragem adequadas para garantir a precisão dos resultados. No geral, este estudo contribuiu com um valor significativo para o campo dos sistemas de gerenciamento de baterias e abriu novos caminhos para pesquisas futuras.