Ličio baterijų įkroviklių pažangios valdymo strategijos efektyvumas energijos vartojimo efektyvumo ir saugos srityje

Abstraktus

Ličio jonų baterijos yra labai svarbios šiuolaikinėje energijos kaupimo srityje. Nuo pat jų komercializavimo 1990-aisiais, medžiagų mokslo ir inžinerijos pažanga padidino jų pajėgumus, saugumą ir tarnavimo laiką. Tačiau dinaminės ličio jonų baterijų charakteristikos yra sudėtingos ir reikalauja pažangių įkrovimo ir valdymo strategijų, kad būtų optimizuotas veikimas, saugumas ir eksploatavimo trukmė. Šiame straipsnyje siūloma lyginamoji trijų pažangių ličio jonų akumuliatoriaus įkrovimo valdymo metodų analizė: sustiprinimo mokymasis, neaiškios logikos valdymas ir tradicinis proporcingas integralinis išvestinis (PID) valdymas. Tradiciniais įkrovimo metodais sunku susidoroti su dinamišku akumuliatoriaus sudėtingumu, todėl blogai veikia. Šiame straipsnyje naudojamas MATLAB Simulink modeliavimas, siekiant įvertinti šias pažangias valdymo strategijas, siekiant pagerinti įkrovimo efektyvumą, greitį ir akumuliatoriaus veikimo laiką. Rezultatai rodo, kad sustiprinimo mokymasis pasižymi dideliu pritaikomumu, neaiškia logika gali veiksmingai spręsti netiesines problemas, PID valdymo našumas yra patikimas, o skaičiavimo išteklių reikalavimai yra maži.

1. Įvadas

Ličio jonų baterijų apribojimai, palyginti su tradiciniais įkrovimo būdais:Ličio jonų baterijos turi didelį energijos tankį, ilgą tarnavimo laiką ir mažą savaiminio išsikrovimo greitį, visiškai pakeičiančius energijos kaupimo ir naudojimo būdą ir tampa viena iš pagrindinių šiuolaikinės visuomenės technologijų. Tačiau tradiciniai nuolatinės srovės ir pastovios įtampos (CC/CV) įkrovimo metodai dažnai nesugeba susidoroti su dinamišku ličio jonų akumuliatorių sudėtingumu, todėl laikui bėgant blogėja įkrovimo našumas ir gali pablogėti akumuliatoriaus veikimas.

Pažangios valdymo strategijos įvadas

Siekiant išspręsti problemas, šiame straipsnyje lyginami ir analizuojami trys pagrindiniai išmanieji ličio jonų akumuliatoriaus įkrovimo valdymo metodai: sustiprinimo mokymasis (RL), neaiškios logikos valdymas (FL) ir tradicinis proporcingas integralinis išvestinis (PID) valdymas.

RL valdiklis išmoksta optimalią valdymo strategiją sąveikaudamas su baterijos modeliu ir galios elektroniniais prietaisais, naudodamas mažą signalo modelį, kad supaprastintų galios elektroninius prietaisus ir pagerintų mokymo procesą. Neuroninio tinklo, pagrįsto atlygio funkcija, mokymas, siekiant nubausti srovės ir įtampos šuolius, kad būtų užtikrintas stabilesnis įkrovimo procesas, siekiant kontroliuoti akumuliatoriaus įvesties įtampą. Įvertinus atsaką per kelias sąveikas ir maksimaliai padidinus atlygio vertę, kartu stebint akumuliatoriaus būseną, gali būti skiriami apdovanojimai arba bausmės, atsižvelgiant į esamą vertę ir agresyvius valdymo veiksmus. Galima pastebėti, kad galima sukurti įkrovimo strategiją, kuri sumažina įkrovimo laiką, energijos sąnaudas ir akumuliatoriaus degradaciją, kartu užtikrinant saugų veikimą.

FL valdiklis yra lankstus ir intuityvus būdas integruoti ekspertų žinias ir euristines taisykles į apmokestinimo procesą, apibrėžiant kalbos kintamuosius, tokius kaip įkrovimo būsena, temperatūra ir įkrovimo greitis, ir nustatant išvadų taisykles. Suprojektuoti du FL valdikliai: vienas reguliuoja įtampą, kad išlaikytų stabilumą esant skirtingoms įkrovimo kreivėms, o kitas reguliuoja srovę, kad būtų išvengta pernelyg didelių šuolių ir būtų palaikomos stabilios vertės, kurios gali geriau susidoroti su netiesiškumu ir būdingu ličio jonų akumuliatorių dinamikos neapibrėžtumu. pagerina įkrovimo našumą ir prailgina akumuliatoriaus veikimo laiką.

PID valdiklis gali subalansuoti tokius veiksnius kaip įkrovimo laikas, energijos vartojimo efektyvumas ir akumuliatoriaus sveikatos apsauga, reguliuodamas ir optimizuodamas įkrovimo kreivę.

2. Ličio jonų akumuliatorių įkrovimo valdymo strategijų tyrimo metodai

MATLAB Simulink modeliavimo platformos privalumai ir akumuliatoriaus charakteristikos:MATLAB Simulink suteikia galingą platformą ličio jonų akumuliatorių įkrovimo sistemoms analizuoti ir optimizuoti. Ličio jonų baterijos tapo pageidaujamu pasirinkimu įvairioms reikmėms dėl didelio energijos tankio (užtikrina didelį energijos ir svorio santykį, tinka nešiojamiems elektroniniams prietaisams ir elektra varomoms transporto priemonėms, turinčioms ribotą erdvę ir svorį), mažo savaiminio išsikrovimo greičio (tinka ilgam ilgalaikis energijos saugojimas), pažangi perdirbimo technologija ir mažas poveikis aplinkai (tvaresnis ir draugiškesnis aplinkai).

Vidutinio mažo signalo keitiklio modeliavimas:Ličio jonų akumuliatoriaus energijos perdavimo sistemoms reikalingas efektyvus dizainas. Šiame tyrime naudojama izoliuota nuolatinės srovės / nuolatinės srovės keitiklio grandinė (priekinis keitiklis yra panašus į nuolatinės srovės / nuolatinės srovės keitiklio topologiją ir apima transformatorių, užtikrinantį elektros izoliaciją ir padidinantį akumuliatoriaus saugumą). Grandinės elgsena apibūdinama kaip antros eilės perdavimo funkcija, naudojant mažo signalo modelio kriterijų, o žemo signalo (žemo Q) aproksimacija naudojama analizei supaprastinti, todėl gaunama keitiklio modelio perdavimo funkcija, apimanti veikimą ir konversijos koeficientą. Keitiklis imituoja idealių komponentų naudojimą efektyvumui pagerinti ir analizuoja du scenarijus: be apkrovos ir su ličio jonų akumuliatoriaus apkrova. Tuščiosios eigos sąlygomis perdavimo funkcija ir keitiklio įtampos bei srovės tendencijos yra panašios, tačiau keitiklio išėjimas svyruoja. Apkrovos sąlygomis pagrindinis skirtumas yra stabilizavimo laikas. Perdavimo funkcijos idealizavimas leidžia sistemai reaguoti greičiau, tačiau galutinė išvesties vertė yra nuosekli, o naudojant perdavimo funkciją galima žymiai sutrumpinti modeliavimo laiką.

Valdymo architektūros aprašymas:Valdymo strategija pagrįsta ličio jonų baterijos modeliu MATLAB Simulink, kuris pateikia išsamius techninius parametrus, leidžiančius tiksliai modeliuoti ir analizuoti akumuliatoriaus veikimą. CC/CV įkrovimo procesas apima srovės valdymo etapą (kai srovė nustatoma iki saugaus lygio, o akumuliatoriaus įtampa įkraunant didėja ir pasiekia slenkstį prieš pereinant į įtampos valdymo etapą) ir įtampos valdymo etapą (kai įtampa išlieka stabili ir srovė palaipsniui mažėja, kol baterija visiškai įkraunama), o tai gali užkirsti kelią perkrovimui, sumažinti akumuliatoriaus slėgį, sumažinti perkaitimo riziką ir pailginti akumuliatoriaus veikimo laiką. Įvertintos kontrolės strategijos apibendrintos 1 lentelėje ir bus išsamiai pristatytos vėliau.

Mokymosi architektūros sustiprinimas:Sustiprinimo mokymosi valdiklis išmoksta optimalią strategiją sąveikaudamas su sistema, kad galėtų valdyti sudėtingą netiesinę dinamiką. Priimdamas aktorių kritikos schemą, aktorių tinklas parenka veiksmus, o kritikų tinklas įvertina veiksmus, kad pateiktų grįžtamąjį ryšį. Nepertraukiamas Gauso veikėjų tinklas (CGAN) naudojamas nuolatinių veiksmų erdvėms apdoroti, o optimali strategija tiriama išvedant Gauso paskirstymo parametrus. Jo architektūra apima kelis visiškai sujungtus sluoksnius, o aktyvinimo funkcija dažniausiai yra modifikuota linijinio vieneto funkcija (RELU). Remiantis MATLAB sustiprinimo mokymosi priemonių rinkinio mokymu, atlygio funkcija apskaičiuojama remiantis įtampos paklaida, valdymo veiksmais ir įtampos stebėjimais, siekiant paskatinti išlaikyti įtampą laukiamame diapazone ir bausti už nukrypimus. Nustačius konstantas, užtikrinamas maksimalus mokymosi efektas, o maksimalus vidutinis atlygis pasiekiamas po 200 treniruočių raundų. Tačiau lėta akumuliatoriaus reakcija apsunkina parametrų derinimą.

Neryški architektūra:Neaiškios proporcinės išvestinės (PD) valdikliai efektyviau valdo sistemos netiesiškumą ir neapibrėžtumą nei tradiciniai PD valdikliai, prisitaikydami prie baterijos charakteristikų pokyčių, kad užtikrintų stabilų ir tikslų įtampos valdymą. Neaiškios išvados sistema sukonstruota naudojant Sugeno schemą, kai įtampa valdoma neaiškiu PD, o srovė - neaiškia PD+I. Įvestis apdorojama naudojant normalizuotas trikampio narystės funkcijas, kad būtų galima apdoroti klaidas ir jų išvestinius duomenis, o išvestis apdorojama naudojant tris Sugeno normalizavimo funkcijas būsenoms tvarkyti. Įvesties diapazonas yra apribotas, kad būtų išvengta prisotinimo, o įvesties ir išvesties diapazonai keičiami atitinkamomis konstantomis.

Klasikinė PID architektūra:Klasikinis proporcingas integralinis išvestinis (PID) valdiklis dėl savo paprastumo, efektyvumo ir patikimo veikimo yra plačiai naudojamas baterijų įkrovimui. Jį lengva įdiegti ir derinti, jis gali reguliuoti ir optimizuoti įkrovimo sąlygas realiuoju laiku. Jis sujungia proporcingus, integralinius ir išvestinius veiksmus, kad tiksliai reguliuotų įtampą ir srovę. Jis pasižymi dideliu universalumu ir tinka įvairiems akumuliatoriaus ir įkrovimo scenarijams. Jis turi mažą kainą ir nedidelius skaičiavimo resursų reikalavimus, tinka įterptoms sistemoms ir pigiai aparatinei įrangai įdiegti. Jo architektūroje naudojami tik du klasikiniai valdikliai atitinkamai įtampai ir srovei valdyti (vidinė struktūra nėra išsami dėl erdvės apribojimų).

3. Ličio jonų akumuliatoriaus įkrovimo valdymo strategijos veikimo įvertinimas

Valdiklio parametrų derinimas:Atlygio už mokymąsi sustiprinimo funkcija nustatoma euristiniais metodais, o konstantos koreguojamos atliekant pakartotinius eksperimentus, kad būtų gauta (r1=200), (r2=-25), (p1=-10) ir ( p2=180). Neryškus valdiklis (PD+I) koreguoja parametrus rankiniu būdu per bandymus ir klaidas, o dabartiniai valdymo parametrai yra (P=20), (D=0. 00000 1), (I{{8) }}), ir (K_D=0.297), ir įtampos valdymo parametrus (P=15), (D=0.0001) ir (K_D=0.315). PID valdiklis naudoja MATLAB PID Tuner įrankį ir neuroninį tinklą, kad surastų optimalius parametrus, įskaitant srovės valdymą (P=15), (I {PID}=5), įtampos valdymą (P=22). .5), (I=4.9) ir (D {PID}=0.03).

Valdiklio veikimo analizė

Vertinimo aspektas:Įvertinkite valdiklio veikimą pagal įtampos ir srovės reguliavimo tikslumą, atsako trukmę, stabilumą ir apsaugą nuo trukdžių.

Sustiprinimo mokymosi valdiklis:Neuroniniu tinklu pagrįstas sustiprinimo mokymosi valdiklis gali pasiekti stabilią vardinę įtampą be viršijimo, kai srovė lygi nuliui (kaip parodyta 5b paveiksle). Tačiau taikant CC/CV valdymą, dėl esamos srovės nesuvokimo atsiranda įtampos svyravimai, todėl akumuliatoriaus įkrovimo metu srovė tampa nestabili ir mažėja. Įkrovimo greitis yra didžiausias, tačiau yra skambėjimo reiškinio, kuris gali sugadinti elektroninius komponentus ir sutrumpinti baterijos veikimo laiką. Praktikoje būtina atsižvelgti į cirkuliuojančią srovę, kad būtų pagerintas našumas.

Neryškus valdiklis:Sukurtas išlaikyti stabilų įkrovimą, ilgesnis įkrovimo ir stabilizavimo laikas, bet be srovės ir įtampos valdymo konversijos šuolių (kaip parodyta 5c paveiksle). Nors ir saugesnis, jis yra lėtesnis ir gali būti optimizuotas koreguojant išvadų taisykles.

PID valdiklis:Jis greitai reaguoja į klaidas, tačiau turi didelių trukdžių ir per didelės srovės reiškinį pereinant įtampą į srovę (kaip parodyta 5b paveiksle). Jo veikimas yra vidutiniškas ir nepriklauso nuo operatoriaus patirties.

Veiklos rodiklių analizė:Išanalizuokite įvesties DC/DC keitiklio įtampos valdymo veiksmą, apskaičiuokite vidutinę kvadratinę (RMS) reikšmę ir nustatykite, kad sustiprinimo mokymosi valdiklio RMS reikšmė yra šiek tiek didesnė, o tai rodo, kad jo valdymo veiksmas pasikeičia reikšmingiau ir yra jautrus nedideli pokyčiai. Įvertinus visų valdiklių akumuliatoriaus srovės RMS vertę, nustatyta pastovi 0.3A vertė, o tai rodo, kad nepaisant valdymo strategijų ir veiksmų skirtumų, visi valdikliai sugebėjo išlaikyti išėjimo srovę tikėtame diapazone. . Tai reiškia, kad nors sutvirtinimo mokymosi valdiklio įtampos valdymo veiksmai labai skiriasi, tai neturi įtakos išėjimo srovės stabilumui ir pastovumui, o tai labai svarbu saugiam ir efektyviam sistemos veikimui.

4. Ličio jonų akumuliatorių įkrovimo valdymo strategijos rezultatų aptarimas

Valdiklio modeliavimo vykdymo laikas ir išvesties kitimas:2 lentelės rezultatai buvo gauti iš modeliavimo, kai kiekvienas valdiklis buvo sukonfigūruotas 6 sekundėms, o sustiprinimo mokymosi (RL) valdiklis turėjo ilgiausią 21046 sekundžių vykdymo laiką. Palyginti su kitais valdikliais, naudojamais ličio jonų akumuliatorių įtampai ir srovei reguliuoti, RL valdiklis turi didesnį išėjimo pokytį ir net esant nedideliems trikdžiams gali atsirasti skambėjimo reiškinių (aukšto dažnio virpesių valdymo veiksmai). Pritaikius tikrosios galios elektroniniams prietaisams, jis gali perkaisti akumuliatoriaus ir keitiklio komponentus, sukelti jutiklio triukšmą ir sutrumpinti baterijos veikimo laiką, kai įtampa svyruoja 0,02 V. Norint patobulinti valdiklį ir sumažinti vibraciją, prie valdiklio išvesties galima pridėti žemųjų dažnių filtrą, modifikuoti neuroninio tinklo architektūrą arba pritaikyti hibridinį valdymo metodą (pvz., PID arba neryškų valdiklį, skirtą neuroninio tinklo išėjimui reguliuoti). naudojamas.

Valdiklio pritaikymo ir veikimo charakteristikos:RL valdikliai puikiai prisitaiko prie įvairių situacijų, nes yra jautresni trukdžiams. Tačiau išvesties pokyčiai rodo, kad į agento mokymą reikia įtraukti daugiau parametrų, siekiant pagerinti jų gebėjimą prisitaikyti prie daugiau scenarijų, padidinti įkrovimo efektyvumą ir išvengti galimo nestabilumo. Neaiškių valdiklių tikslas yra išvengti didelių srovės smailių ir lėto įkrovimo greičio dėl jų išvadų taisyklių; PID valdiklis reaguoja į klaidas modifikuodamas išėjimo signalą ir gali prisitaikyti prie dinaminių pokyčių.

Valdiklio išvesties našumo įvertinimas:Vidutinė kvadratinė vertė (RMS) buvo naudojama trijų valdiklių išėjimo našumui įvertinti, o rezultatai parodė, kad vidutinė visų valdiklių palaikoma įtampa buvo panaši į nominalią akumuliatoriaus įtampą, kuri yra labai svarbi norint išvengti perkrovimo ir išvengti akumuliatoriaus. perkaitimas. Kalbant apie srovės valdymą, visi valdikliai gali pasiekti pamatinę vertę per labai trumpą atsako laiką be viršijimo ir gerai toleruoja išorinius trukdžius. Kalbant apie įtampos valdymą, valdiklis gali nuolat pasiekti pamatinę vertę, palaipsniui mažindamas srovę, kol ji pasieks nulį, kad užbaigtų įkrovimo ciklą. Tačiau reikia pažymėti, kad RL pagrįsti valdikliai paskutiniame įkrovimo etape gali patirti nedidelius srovės svyravimus, svyruojančius tarp srovės vertės ir nulio, todėl gali prireikti papildomų koregavimų, siekiant pagerinti stabilumą.

5. Santrauka

PID valdiklis

Privalumai:Žinomas dėl savo paprastumo ir veiksmingumo, jis gerai reguliuoja įtampą ir srovę ir gali užtikrinti greitą ir stabilų atsaką daugelyje programų.

Trūkumas:Santykinai silpnas prisitaikymas sprendžiant sudėtingas akumuliatoriaus dinamines charakteristikas, todėl sunku pasiekti labai dinamišką optimizavimą.

Neryškus valdiklis

Privalumai:Apibrėžiant kalbos kintamuosius ir išvadų taisykles, patirtis integruojama į valdymo procesą, kuris gali geriau valdyti akumuliatoriaus netiesiškumą ir neapibrėžtumą, todėl sistema gali prisitaikyti prie konkrečių situacijų ir stabiliai veikti skirtingomis darbo sąlygomis. Išvadų taisyklių koregavimas pagal programos reikalavimus gali tam tikru mastu optimizuoti įkrovimo našumą.

Trūkumai:Dizainas labai priklauso nuo taisyklių ir patirties, kūrimas yra sudėtingas, o įkrovimo greitis yra gana lėtas, o tai gali neatitikti aukštų greito įkrovimo reikalavimų taikymo scenarijuose.

Valdiklis, pagrįstas sustiprinimo mokymusi

Privalumai:Jis gali išmokti optimalią strategiją sąveikaudamas su sistema, turi didelį mažų trikdžių apdorojimo gebėjimą, gali dinamiškai prisitaikyti prie kintančių sąlygų, nuolat optimizuoti veikimą ir puikiai prisitaikyti prie skirtingų apkrovos sąlygų. Esant sudėtingiems ir nuolat besikeičiantiems akumuliatoriaus įkrovimo scenarijams, jis gali efektyviai pagerinti įkrovimo tikslumą ir efektyvumą, ypač tinka programoms, kurioms reikalingas didelis įkrovimo lankstumas ir pritaikymas.

Trūkumai:Reikia daug skaičiavimo resursų, ilgo mokymo laiko, pvz., ilgiausio šio tyrimo vykdymo laiko. Mokymo procesas yra sudėtingas ir reikalauja kruopštaus atlygio funkcijų projektavimo ir neuroninio tinklo architektūros koregavimo, kitaip gali atsirasti nestabilių reiškinių, tokių kaip skambėjimo problemos. Siekiant pagerinti tikslumą, reikalinga sudėtingesnė neuroninio tinklo architektūra, kuri dar labiau padidina skaičiavimo naštą ir modeliavimo laiką.