Desempenho da estratégia de controle inteligente para carregadores de baterias de lítio em eficiência energética e segurança

Resumo

As baterias de íon de lítio são cruciais no campo do armazenamento de energia moderno. Desde a sua comercialização na década de 1990, os avanços na ciência e engenharia de materiais aumentaram a sua capacidade, segurança e vida útil. No entanto, as características dinâmicas das baterias de íons de lítio são complexas e exigem estratégias avançadas de carregamento e controle para otimizar o desempenho, a segurança e a vida útil. Este artigo propõe uma análise comparativa de três métodos avançados de controle para carregamento de baterias de íons de lítio: aprendizado por reforço, controle lógico fuzzy e controle tradicional proporcional integral derivado (PID). Os métodos tradicionais de carregamento são difíceis de lidar com a complexidade dinâmica da bateria, resultando em baixo desempenho. Este artigo usa simulação MATLAB Simulink para avaliar essas estratégias de controle inteligentes para melhorar a eficiência de carregamento, velocidade e vida útil da bateria. Os resultados mostram que o aprendizado por reforço tem forte adaptabilidade, a lógica fuzzy pode lidar com problemas não lineares com eficácia, o desempenho do controle PID é confiável e os requisitos de recursos computacionais são baixos.

1. Introdução

As limitações das baterias de íon de lítio em comparação com os métodos tradicionais de carregamento:As baterias de íon de lítio têm as vantagens de alta densidade de energia, ciclo de vida longo e baixa taxa de autodescarga, mudando completamente a forma como a energia é armazenada e utilizada e tornando-se uma das tecnologias fundamentais na sociedade moderna. No entanto, os métodos tradicionais de carregamento de corrente constante e tensão constante (CC/CV) muitas vezes não conseguem lidar com a complexidade dinâmica das baterias de íons de lítio, resultando em baixo desempenho de carregamento e possível degradação do desempenho da bateria ao longo do tempo.

Introdução à Estratégia de Controle Inteligente

Para enfrentar os desafios, este artigo compara e analisa três métodos principais de controle inteligente para carregamento de baterias de íons de lítio: aprendizagem por reforço (RL), controle lógico difuso (FL) e controle tradicional proporcional integral derivado (PID).

O controlador RL aprende a estratégia de controle ideal interagindo com o modelo da bateria e os dispositivos eletrônicos de potência, usando um modelo de pequeno sinal para simplificar os dispositivos eletrônicos de potência e aprimorar o processo de treinamento. Treinar uma rede neural baseada em uma função de recompensa para penalizar picos de corrente e tensão para um processo de carregamento mais estável, com o objetivo de controlar a tensão de entrada da bateria. Ao avaliar a resposta através de múltiplas interações e maximizar o valor da recompensa, enquanto monitora o status da bateria, recompensas ou punições podem ser dadas com base no valor atual e em ações de controle agressivas. Pode-se descobrir que pode ser desenvolvida uma estratégia de carregamento que minimize o tempo de carregamento, o consumo de energia e a degradação da bateria, garantindo ao mesmo tempo uma operação segura.

O controlador FL fornece uma maneira flexível e intuitiva de integrar conhecimento especializado e regras heurísticas no processo de cobrança, definindo variáveis ​​de linguagem, como status de cobrança, temperatura e taxa de cobrança, e estabelecendo regras de inferência. Dois controladores FL foram projetados, um regulando a tensão para manter a estabilidade sob diferentes curvas de carga, e o outro regulando a corrente para evitar picos excessivos e manter valores estáveis, o que pode lidar melhor com a não linearidade e a incerteza inerente na dinâmica das baterias de íon-lítio, assim melhorando o desempenho de carregamento e prolongando a vida útil da bateria.

O controlador PID pode equilibrar fatores como tempo de carregamento, eficiência energética e proteção da saúde da bateria, ajustando e otimizando a curva de carregamento.

2. Métodos de pesquisa para estratégias de controle de carregamento de baterias de íons de lítio

Vantagens e características da bateria da plataforma de simulação MATLAB Simulink:MATLAB Simulink fornece uma plataforma poderosa para analisar e otimizar sistemas de carregamento de baterias de íons de lítio. As baterias de íon de lítio tornaram-se a escolha preferida para diversas aplicações devido à sua alta densidade de energia (garantindo uma alta relação energia/peso, adequada para dispositivos eletrônicos portáteis e veículos elétricos com espaço e peso limitados), baixa taxa de autodescarga (adequada para longos períodos de tempo). armazenamento de energia a longo prazo), tecnologia avançada de reciclagem e baixo impacto ambiental (mais sustentável e amigo do ambiente).

Modelagem do conversor médio de pequenos sinais:É necessário um projeto eficaz para sistemas de transferência de energia de baterias de íons de lítio. Neste estudo, um circuito conversor CC/CC isolado é usado (o conversor direto é semelhante a uma topologia de conversor buck CC/CC e inclui um transformador para fornecer isolamento elétrico e aumentar a segurança da bateria). O comportamento do circuito é caracterizado como uma função de transferência de segunda ordem usando o critério do modelo de sinal pequeno, e a aproximação do sinal baixo (Q baixo) é usada para simplificar a análise, resultando em uma função de transferência do modelo do conversor que inclui operação e taxa de conversão. O conversor simula o uso de componentes ideais para melhorar a eficiência e analisa dois cenários: sem carga e com carga de bateria de íons de lítio. Sob condições sem carga, a função de transferência e as tendências de tensão e corrente do conversor são semelhantes, mas a saída do conversor oscila. Sob condições de carga, a principal diferença está no tempo de estabilização. A idealização da função de transferência faz com que o sistema responda mais rapidamente, mas o valor final da saída é consistente, e o uso da função de transferência pode reduzir significativamente o tempo de simulação.

Descrição da arquitetura de controle:A estratégia de controle é baseada no modelo de bateria de íons de lítio do MATLAB Simulink, que fornece parâmetros técnicos detalhados para simulação e análise precisas do desempenho da bateria. O processo de carregamento CC/CV inclui um estágio de controle de corrente (onde a corrente é definida para um nível seguro e a tensão da bateria aumenta com o carregamento, atingindo um limite antes de entrar no estágio de controle de tensão) e um estágio de controle de tensão (onde a tensão permanece estável e a corrente diminui gradualmente até que a bateria esteja totalmente carregada), o que pode evitar sobrecarga, reduzir a pressão da bateria, diminuir o risco de superaquecimento e prolongar a vida útil da bateria. As estratégias de controle avaliadas estão resumidas na Tabela 1 e serão apresentadas em detalhes posteriormente.

Arquitetura de aprendizagem por reforço:O controlador de aprendizagem por reforço aprende a estratégia ideal por meio da interação com o sistema para lidar com dinâmicas não lineares complexas. Adotando um esquema de ator crítico, a rede de atores seleciona ações e a rede crítica avalia as ações para fornecer feedback. A Rede de Atores Gaussianos Contínuos (CGAN) é usada para processar espaços de ação contínua, e a estratégia ideal é explorada pela saída de parâmetros de distribuição gaussiana. Sua arquitetura inclui múltiplas camadas totalmente conectadas, e a função de ativação é principalmente uma Função de Unidade Linear Modificada (RELU). Com base no treinamento da caixa de ferramentas de aprendizagem por reforço MATLAB, a função de recompensa é calculada com base no erro de tensão, ações de controle e observações de tensão para incentivar a manutenção da tensão dentro da faixa esperada e penalizar os desvios. Ao definir constantes, o efeito máximo de aprendizagem é garantido e a recompensa média máxima é alcançada após 200 rodadas de treinamento. No entanto, a resposta lenta da bateria dificulta o ajuste dos parâmetros.

Arquitetura difusa:Os controladores derivados proporcionais difusos (PD) são mais eficazes no tratamento da não linearidade e da incerteza do sistema do que os controladores PD tradicionais, adaptando-se às mudanças nas características da bateria para garantir um controle de tensão estável e preciso. Um sistema de inferência fuzzy é construído usando o esquema Sugeno, com tensão controlada por PD fuzzy e corrente controlada por PD+I fuzzy. A entrada é processada usando funções de associação triangulares normalizadas para lidar com erros e suas derivadas, e a saída é processada usando três funções de normalização Sugeno para lidar com estados. A faixa de entrada é restrita para evitar a saturação, e as faixas de entrada e saída são modificadas por constantes relevantes.

Arquitetura PID clássica:O clássico controlador proporcional integral derivado (PID) é amplamente utilizado no carregamento de baterias devido à sua simplicidade, eficácia e desempenho confiável. É fácil de implementar e ajustar e pode ajustar e otimizar as condições de carregamento em tempo real. Ele combina ações proporcionais, integrais e derivativas para regular com precisão a tensão e a corrente. Possui forte universalidade e é adequado para vários cenários de bateria e carregamento. Possui baixo custo e baixos requisitos de recursos computacionais, sendo adequado para sistemas embarcados e implementação de hardware de baixo custo. Sua arquitetura utiliza apenas dois controladores clássicos para controlar tensão e corrente respectivamente (a estrutura interna não é detalhada devido a limitações de espaço).

3. Avaliação de desempenho da estratégia de controle de carregamento de bateria de íon de lítio

Ajuste de parâmetros do controlador:A função de recompensa do aprendizado por reforço é determinada por meio de métodos heurísticos, e as constantes são ajustadas por meio de experimentos repetidos para obter (r1=200), (r2=-25), (p1=-10) e ( p2=180). O controlador fuzzy (PD+I) ajusta os parâmetros manualmente por tentativa e erro, com parâmetros de controle atuais de (P=20), (D=0. 00000 1), (I{{8 }}) e (K_D=0.297) e parâmetros de controle de tensão de (P=15), (D=0.0001) e (K_D=0.315). O controlador PID usa a ferramenta MATLAB PID Tuner e rede neural para encontrar os parâmetros ideais, incluindo controle de corrente (P=15), (I {PID}=5), controle de tensão (P=22 .5), (I=4.9) e (D {PID}=0.03).

Análise de desempenho do controlador

Aspecto de avaliação:Avalie o desempenho do controlador em termos de precisão de regulação de tensão e corrente, tempo de resposta, estabilidade e anti-interferência.

Controlador de aprendizagem por reforço:Um controlador de aprendizagem por reforço baseado em rede neural pode atingir uma tensão nominal estável sem overshoot quando a corrente é zero (conforme mostrado na Figura 5b). No entanto, ao aplicar o controle CC/CV, ocorrem flutuações de tensão devido à falta de compreensão da corrente existente, resultando em corrente instável e decrescente durante o carregamento da bateria. A velocidade de carregamento é a mais rápida, mas há um fenômeno de toque, que pode danificar componentes eletrônicos e diminuir a vida útil da bateria. Em aplicações práticas, é necessário considerar a corrente circulante para melhorar o desempenho.

Controlador difuso:projetado para manter o carregamento estável, com tempos de carregamento e estabilização mais longos, mas sem picos na conversão de controle de corrente e tensão (como mostrado na Figura 5c). Embora mais seguro, é mais lento e pode ser otimizado ajustando as regras de inferência.

Controlador PID:Ele responde rapidamente a erros, mas apresenta interferência significativa e fenômeno de sobrecorrente durante a transição de tensão para corrente (conforme mostrado na Figura 5b). Seu desempenho é moderado e não depende da experiência do operador.

Análise de indicadores de desempenho:Analise a ação de controle de tensão do conversor DC / DC de entrada, calcule o valor da raiz quadrada média (RMS) e descubra que o valor RMS do controlador de aprendizagem por reforço é ligeiramente maior, indicando que sua ação de controle muda mais significativamente e é sensível a pequenas mudanças. A avaliação do valor RMS da corrente da bateria para todos os controladores resultou em um valor constante de 0,3A, indicando que apesar das diferenças nas estratégias e ações de controle, todos os controladores foram capazes de manter a corrente de saída dentro da faixa esperada . Isto significa que embora as ações de controle de tensão do controlador de aprendizagem por reforço variem muito, isso não afeta a estabilidade e consistência da corrente de saída, o que é crucial para a operação segura e eficiente do sistema.

4. Discussão sobre os resultados da estratégia de controle de carregamento de baterias de íons de lítio

Tempo de execução da simulação do controlador e variação de saída:Os resultados da Tabela 2 foram obtidos a partir de simulações onde cada controlador foi configurado para 6 segundos, sendo que o controlador de aprendizagem por reforço (RL) teve o maior tempo de execução de 21046 segundos. Comparado com outros controladores utilizados para regular a tensão e corrente de baterias de íons de lítio, o controlador RL possui uma variação de saída maior e, mesmo diante de pequenas perturbações, podem ocorrer fenômenos de toque (ações de controle de oscilação de alta frequência). Quando aplicado em dispositivos eletrônicos de potência real, pode causar superaquecimento da bateria e dos componentes do conversor, ruído do sensor e redução da vida útil da bateria, com variação de tensão de 0,02V. Para melhorar o controlador e reduzir a vibração, um filtro passa-baixa pode ser adicionado à saída do controlador, a arquitetura da rede neural pode ser modificada ou um método de controle híbrido (como PID ou controlador fuzzy para ajustar a saída da rede neural) pode ser usado.

Adaptabilidade do controlador e características de desempenho:Os controladores RL possuem alta adaptabilidade a diversas situações, pois são mais sensíveis a interferências. No entanto, as alterações nos resultados indicam a necessidade de incorporar mais parâmetros no treinamento dos agentes para melhorar sua capacidade de adaptação a mais cenários, aumentar a eficiência de cobrança e evitar possível instabilidade. Os controladores fuzzy visam evitar picos de corrente elevados e velocidades de carregamento lentas devido às suas regras de inferência; O controlador PID responde a erros modificando o sinal de saída e pode se adaptar a mudanças dinâmicas.

Avaliação de desempenho de saída do controlador:O valor da raiz quadrada média (RMS) foi utilizado para avaliar o desempenho de saída de três controladores, e os resultados mostraram que a tensão média mantida por todos os controladores era semelhante à tensão nominal da bateria, o que é crucial para evitar sobrecarga e evitar a bateria. superaquecimento. Em termos de controle de corrente, todos os controladores podem atingir o valor de referência em um tempo de resposta muito curto, sem overshoot, e possuem boa tolerância a interferências externas. Em termos de controle de tensão, o controlador pode atingir continuamente o valor de referência, reduzindo gradativamente a corrente até chegar a zero para completar o ciclo de carga. No entanto, deve-se notar que os controladores baseados em RL podem sofrer ligeiras oscilações na corrente durante a fase final de carregamento, flutuando entre o valor da corrente e zero, e podem necessitar de ajustes adicionais para melhorar a estabilidade.

5. Resumo

Controlador PID

Vantagens:Conhecido pela sua simplicidade e eficácia, tem um bom desempenho na regulação de tensão e corrente e pode fornecer uma resposta rápida e estável em muitas aplicações.

Desvantagem:Adaptabilidade relativamente fraca para lidar com características dinâmicas complexas da bateria, dificultando a obtenção de otimização altamente dinâmica.

Controlador difuso

Vantagens:Ao definir variáveis ​​de linguagem e regras de inferência, a experiência é integrada ao processo de controle, que pode lidar melhor com a não linearidade e a incerteza da bateria, permitindo que o sistema se adapte a situações específicas e funcione de forma estável sob diferentes condições operacionais. Ajustar as regras de inferência de acordo com os requisitos da aplicação pode otimizar o desempenho de cobrança até certo ponto.

Desvantagens:O design depende muito de regras e experiência, o desenvolvimento é complexo e a velocidade de carregamento é relativamente lenta, o que pode não atender aos altos requisitos de carregamento rápido em cenários de aplicação.

Controlador baseado em aprendizagem por reforço

Vantagens:Ele pode aprender a estratégia ideal por meio da interação com o sistema, possui forte capacidade de processamento para pequenos distúrbios, pode se adaptar dinamicamente às mudanças de condições, otimizar continuamente o desempenho e possui alta adaptabilidade a diferentes condições de carga. Em cenários de carregamento de bateria complexos e em constante mudança, ele pode efetivamente melhorar a precisão e a eficiência do carregamento, especialmente adequado para aplicações que exigem alta flexibilidade e adaptabilidade de carregamento.

Desvantagens:Requer uma grande quantidade de recursos computacionais, longo tempo de treinamento, como o maior tempo de execução neste estudo. O processo de treinamento é complexo e requer um design cuidadoso das funções de recompensa e ajuste da arquitetura da rede neural, caso contrário, podem ocorrer fenômenos instáveis, como problemas de toque. Para melhorar a precisão, é necessária uma arquitetura de rede neural mais complexa, o que aumenta ainda mais a carga computacional e o tempo de simulação.