باتری در وسایل نقلیه الکتریکی تمرکز اصلی حفظ سلامت باتری است. سیستم مدیریت باتری (BMS) با ارزیابی وضعیت سلامت باتری (SOH) وضعیت بهینه باتری را حفظ می کند. شناسایی دقیق SOH می تواند زمان تعویض باتری را تعیین کند، از خرابی باتری جلوگیری کند و عمر مفید آن را افزایش دهد. هدف این مقاله بهبود عملکرد BMS با شناسایی پارامترهای SOH است. بر اساس مدل باتری Thevenin، پارامترهای کلیدی مانند R{{0}}، Rp و Cp به دست میآیند. دو الگوریتم تطبیقی، شمارش کولن و ولتاژ مدار باز، برای تکمیل شناسایی پارامتر استفاده می شود. نتایج دو الگوریتم از نظر خطا، میانگین خطای مطلق (MAE)، ریشه میانگین مربعات خطا (RMSE) و مقدار نهایی SOH مقایسه شده است. این تحقیق بر به دست آوردن داده های خطای برآورد و اطلاعات عملکرد قابل اعتماد BMS متمرکز است. نتایج نشان میدهد که روش شمارش کولن دارای خطای کمتری در برآورد SOH نسبت به روش ولتاژ مدار باز با خطای 1.770 درصد است. مقدار نهایی SOH 17.33٪ است و مدل باتری Thevenin دارای خطای مدل سازی 0.0451٪ برای باتری است.
1. مقدمه
سیستم مدیریت باتری و باتری خودروهای الکتریکی (BMS):در خودروهای الکتریکی، باتری منبع انرژی اولیه است که نیروی موتور و سایر سیستم ها را تامین می کند. برخلاف خودروهای سنتی، باتری های خودروهای الکتریکی ظرفیت و ولتاژ نسبتا کمی دارند و معمولاً در ماژول های باتری بسته بندی می شوند. سیستم باتری از چندین باتری تشکیل شده است که توسط BMS مدیریت می شود. عملکردهای آن شامل بهینه سازی سیستم کار باتری، شامل دو پارامتر کلیدی است: وضعیت شارژ (SOC) و وضعیت سلامت (SOH). SOC نسبت ظرفیت باقیمانده به ظرفیت کل است، در حالی که SOH مقدار مقایسه بین عملکرد فعلی و عملکرد باتری جدید است که نمیتواند مستقیماً اندازهگیری شود و نیاز به تخمین دارد.
پیشینه تحقیق و روش های مرتبط:وضعیت سلامت (SOH) می تواند عملکرد و طول عمر باتری را کمیت کند. کاهش کیفیت، تغییر در مقاومت داخلی و پارامترهای ظرفیت ممکن است در طول استفاده از باتری رخ دهد. شناسایی پارامترهای SOH به تعیین وضعیت واقعی باتری، توصیه زمان تعویض و افزایش عمر باتری کمک می کند. در حال حاضر روش های متعددی برای تخمین وضعیت سلامت (SOH) یا وضعیت شارژ (SOC) وجود دارد، اما روش های کمی وجود دارد که به طور همزمان هر دو را شناسایی کرده و پارامترهای مناسبی را برای کاهش بار محاسباتی بر روی BMS ایجاد کند. الگوریتم نظارت بر پارامترهای باتری باید با تغییرات پارامتر سازگار شود و وضعیت باتری را تخمین بزند. روش ها را می توان به سه دسته تقسیم کرد که شامل روش امپدانس طیفی، روش معادله مدل مدار و روش مدل امپدانس الکتروشیمیایی می باشد.
بررسی کارهای مرتبط:روش های متعددی معمولاً در تحقیقات قبلی برای شناسایی پارامترهای باتری استفاده شده است. روشهای شمارش کولمبیک (CC) و ولتاژ مدار باز (OCV) به طور گسترده در BMS خودروهای الکتریکی استفاده میشوند که هر کدام مزایا و معایب خاص خود را دارند. روش CC با نظارت بر ظرفیت ورودی و خروجی باتری، با در نظر گرفتن تلفات برق در طول چرخه شارژ، SOH را تخمین میزند و همچنین میتواند اطلاعات مربوطه را از طریق بازیابی ولتاژ ارائه دهد. روش OCV را می توان به عنوان یک ولتاژ متعادل پس از استراحت کامل باتری در نظر گرفت و وضعیت سلامت (SOH) با در نظر گرفتن شرایط پارامتر باتری BMS برآورد می شود.
تمرکز این مطالعه شناسایی پارامترهای دقیق SOH برای افزایش عمر باتری است. یک روش مبتنی بر مدل باتری برای ارزیابی و شناسایی پارامترهای SOH استفاده می شود. مدل باتری Thevenin برای شناسایی پارامترهای R0، Rp و Cp از طریق یک الگوریتم تطبیقی (کمترین مربعات بازگشتی، RLS) استفاده میشود. بر اساس نتایج ارزیابی، برآوردهای دقیق SOH برای کاهش بار محاسباتی به دست میآید.
مشارکت پژوهشی:نتایج آزمایش پارامترهای باتری، برآوردهای معقول و میزان خطای کوچکی را برای ارزیابی عملکرد سیستم BMS ارائه میکند. روش شمارش کولن برای محاسبه ظرفیت باتری راحت است و حداکثر توان باتری با افزایش چرخه شارژ و دشارژ کاهش می یابد. خطای نسبی باتری مدل Thevenin کمتر از 2 درصد است. از نظر دقت تخمین SOH، روش CC برتر از RLS است و روش CC می تواند ولتاژ ترمینال باتری و SOC را تخمین بزند، در حالی که روش OCV فقط می تواند پارامترهای باتری را تخمین بزند.
2. سیستم مدیریت باتری
اجزای باتری (عملکردها و ترکیب BMS):BMS سیستم باتری متشکل از صدها یا هزاران باتری در وسایل نقلیه الکتریکی را تنظیم می کند و عملکردهای مهمی مانند نظارت، تخمین پارامترها، محافظت، ارائه گزارش ها و متعادل کردن باتری ها را دارد. عملکردهای اصلی آن شامل محافظت از باتری در برابر آسیب، کارکرد باتری در محدوده ولتاژ و دمای مناسب و حفظ باتری برای عملکرد در پارامترهایی است که نیازهای سیستم مانند SOC، SOH و SOF را برآورده می کند. BMS شامل سنسورها، محرکها و کنترلکنندهها میشود که ورودیهایی شامل سیگنالهای حسگر مانند جریان، ولتاژ، دما و پدالها و خروجیهایی شامل ماژولهایی برای مدیریت حرارتی، تعادل، مدیریت ایمنی، نشانگر شارژ، هشدار خطا و ارتباطات است. نرم افزار BMS شامل چندین ماژول کاربردی مانند تشخیص پارامتر باتری، تخمین و تشخیص عیب است. اندازه گیری ولتاژ باتری، تخمین پارامتر، تعادل و تشخیص عیب مسائل اصلی BMS هستند که در این میان اندازه گیری ولتاژ باتری با مشکلاتی مانند تفاوت ولتاژ ناشی از اتصال سری باتری و الزامات با دقت بالا مواجه است.
مدل سازی باتری:این مقاله پارامترهای وضعیت سلامت (SOH) را از طریق مدلسازی باتری تعیین میکند و پارامترهای ولتاژ، جریان و دما باتری ورودی را برای بدست آوردن تخمینهای دقیق به SOH تبدیل میکند. با استفاده از مدل باتری Thevenin، پاسخ گذرای ولتاژ فرآیند قطبش باتری با انتخاب پارامترهای مقاومت داخلی و ظرفیت باتری توصیف میشود. معادلات ریاضی مدل باتری و روش های محاسبه پارامترهای مرتبط (Voc، R{0}}، Rp و Cp) ارائه شده است که از طریق الگوریتم RLS به دست آمده و بر روی مدل باتری Thevenin اعمال می شود.
3. تعیین پارامترهای وضعیت سلامت
اهمیت و روش های شناسایی پارامترهای وضعیت سلامت:پارامترهای دقیق SOH برای عملکرد BMS بسیار مهم هستند. این مطالعه از شمارش کولن به عنوان یک الگوریتم تطبیقی برای شناسایی این پارامترها برای به دست آوردن مقادیر اولیه SOH و ارزیابی عملکرد BMS استفاده می کند. مدل باتری Thevenin برای تعیین پارامترهای مدل باتری و عملکرد OCV-SOC استفاده می شود. فرآیند خاص شامل وارد کردن جریان به مدل باتری، تجزیه و تحلیل داده های ولتاژ ترمینال، تبدیل از حوزه زمانی به حوزه SOC و برازش منحنی برای به دست آوردن تابع OCV-SOC است. فرآیند شناسایی پارامتر تا زمانی که تخمین SOH منطقی باشد و میزان خطا کم باشد تکرار می شود.
تابع OCV-SOC:بر اساس مدل باتری Thevenin، OCV (SOC) یک پارامتر ولتاژ منبع است که با آزمایش ولتاژ باتری بدون بار متصل و ولتاژ قبل از اتصال بسته باتری به دست میآید. منحنی SOC OCV با استفاده از داده های آزمایش بار ثابت تخمین زده می شود و با یک چند جمله ای مرتبه دوازدهم برازش می شود. چند جمله ای مرتبه دهم بالاترین دقت را در تخمین Voc و کوچکترین ریشه میانگین مربعات خطا (RMSE) دارد که تاثیر بسزایی در دقت توابع SOC و OCV دارد.
پارامترهای R0، Rp و Cp:مدل باتری Thevenin نیاز به OCV در SOC به عنوان ولتاژ منبع دارد که از طریق آزمایش پالس به دست می آید. R{{0}} یک مقاومت داخلی با مقداری بیشتر از مقاومت های دیگر است. به دلیل مسئله دوره نمونه برداری، گرفتن تغییرات کوچک داده دشوار است. رابطه بین R0 و SOC از طریق برازش منحنی چند جملهای مرتبه دوم، با مقدار متوسط R0 0.027735 Ω به دست آمد. R0، Rp و Cp داده های ورودی را برای آزمایش پالس ولتاژ و جریان ارائه می کنند و مقادیر پارامتر خروجی را بدست می آورند.
نتیجه آزمایشی
با تجزیه و تحلیل پارامترهای وضعیت سلامت (SOH) که توسط باتری نظارت می شود، عملکرد BMS به دست می آید و داده های پارامتر فیزیکی مانند ولتاژ ترمینال و جریان ورودی/خروجی باتری به دست می آید. بر اساس مدل سازی باتری، داده های پارامتر شناسایی شده و برای نظارت بر وضعیت باتری و سیستم های حفاظتی استفاده می شود. روش تخمین SOH شامل اندازه گیری تغییرات مقاومت و ظرفیت باتری به ترتیب با استفاده از قانون اهم و روش شمارش کولن و جایگزینی مقدار OCV در معادله رابطه OCV-SOC برای به دست آوردن مقادیر SOC و SOH می باشد.
آزمایش تخلیه استاتیکی انجام شد و نتایج نشان داد که الگوریتم CC با ضرب مقدار جریان در زمان، تغییر SOH را به دست آورد، در حالی که الگوریتم OCV با استفاده از ولتاژ ترمینال یا مقدار OCV مدل باتری، مقدار SOH را به دست آورد. منحنی تغییر SOH دو الگوریتم مشابه بود. این آزمایش همچنین نتایج شناسایی پارامتر باتری را به دست آورد و ویژگی های شل شدن باتری را می توان برای شناسایی پارامتر استفاده کرد. هرچه چرخه آزمایش سریعتر باشد، تخمین SOH دقیق تر است. الگوریتم CC نسبت به الگوریتم OCV در مقداردهی اولیه SOH برتری دارد که می تواند مقاومت داخلی باتری را بهتر درک کند و همزمان ولتاژ پایانه Vt، SOC و SOH باتری را با خطای تخمینی کمتر از 2 درصد تخمین بزند.
از داده های خطای شناسایی پارامترهای SOH، میانگین مربعات خطا (MSE) الگوریتم CC برابر است با {{0}}.0111، مقدار نهایی SOH 17.33 درصد، درصد خطا 1.770 درصد و ریشه است. میانگین مربعات خطا (RMSE) 0.0132 است
بحث نتیجه تحقیق:تاثیر مقاومت باتری داخلی بر روی الگوریتم های CC و OCV مشابه است و الگوریتم CC می تواند مقاومت داخلی را با خطاهای کوچکتر بهتر درک کند. الگوریتم CC می تواند با موفقیت ولتاژ پایانه Vt، SOC و SOH باتری را به طور همزمان با خطای تخمین کمتر از 2% تخمین بزند. در تست تخلیه، الگوریتم CC در مقداردهی اولیه SOH دقیق تر از الگوریتم OCV است، با میانگین مربع خطای تخمینی (MSE) 1.770٪ برای الگوریتم CC و 3.256٪ برای الگوریتم OCV. این نتایج مرجعی را برای شناسایی پارامتر در ارزیابی BMS فراهم می کند.
4. خلاصه
نتایج ارزیابی عملکرد BMS بر اساس شناسایی پارامتر SOH نشان میدهد که الگوریتم شمارش کولن نتایج تخمین بهتری دارد، با خطای تخمین SOH 1.770% و مقدار نهایی SOH 17.33%. خطای مدل سازی مدل باتری Thevenin برای باتری ها 0.0451 درصد است. از نظر دقت تخمین SOH با استفاده از دو روش (شمار کولن و ولتاژ مدار باز)، شمارش کولن از دقت بالاتری برخوردار است. علاوه بر این، الگوریتمهای تطبیقی مبتنی بر مدلسازی باتری میتوانند ولتاژ پایانه و SOH باتری را تخمین بزنند.