Učinkovitost strategije inteligentnega nadzora za polnilnike litijevih baterij pri energetski učinkovitosti in varnosti

Povzetek

Litij-ionske baterije so ključne na področju sodobnega shranjevanja energije. Od njihove komercializacije v devetdesetih letih je napredek v znanosti o materialih in inženirstvu povečal njihovo zmogljivost, varnost in življenjsko dobo. Vendar pa so dinamične lastnosti litij-ionskih baterij zapletene in zahtevajo napredne strategije polnjenja in nadzora za optimizacijo delovanja, varnosti in življenjske dobe. Ta članek predlaga primerjalno analizo treh naprednih krmilnih metod za polnjenje litij-ionske baterije: okrepljeno učenje, krmiljenje mehke logike in tradicionalno krmiljenje s proporcionalnimi integralnimi izpeljankami (PID). Tradicionalne metode polnjenja se težko spopadejo z dinamično kompleksnostjo baterije, kar ima za posledico slabo delovanje. Ta članek uporablja simulacijo MATLAB Simulink za oceno teh inteligentnih nadzornih strategij za izboljšanje učinkovitosti polnjenja, hitrosti in življenjske dobe baterije. Rezultati kažejo, da ima okrepljeno učenje močno prilagodljivost, mehka logika lahko učinkovito obravnava nelinearne težave, delovanje krmiljenja PID je zanesljivo, zahteve po računalniških virih pa nizke.

1. Uvod

Omejitve litij-ionskih baterij v primerjavi s tradicionalnimi načini polnjenja:Prednosti litij-ionskih baterij so visoka energijska gostota, dolga življenjska doba in nizka stopnja samopraznjenja, kar popolnoma spremeni način shranjevanja in uporabe energije ter postane ena temeljnih tehnologij v sodobni družbi. Vendar tradicionalne metode polnjenja s konstantnim tokom in konstantno napetostjo (CC/CV) pogosto ne obvladajo dinamične zapletenosti litij-ionskih baterij, kar ima za posledico slabo zmogljivost polnjenja in morebitno poslabšanje zmogljivosti baterije skozi čas.

Uvod v strategijo inteligentnega nadzora

Za reševanje izzivov ta članek primerja in analizira tri glavne metode inteligentnega krmiljenja za polnjenje litij-ionske baterije: okrepljeno učenje (RL), krmiljenje z mehko logiko (FL) in tradicionalno krmiljenje s proporcionalnim integralnim derivatom (PID).

Krmilnik RL se nauči optimalne strategije krmiljenja z interakcijo z modelom baterije in močnostnimi elektronskimi napravami, z uporabo modela majhnega signala za poenostavitev močnostnih elektronskih naprav in izboljšanje procesa usposabljanja. Usposabljanje nevronske mreže, ki temelji na funkciji nagrajevanja za kaznovanje tokovnih in napetostnih konic za bolj stabilen proces polnjenja, s ciljem nadzora vhodne napetosti baterije. Z ocenjevanjem odziva z več interakcijami in maksimiranjem vrednosti nagrade, medtem ko spremljate stanje baterije, lahko dobite nagrade ali kazni na podlagi trenutne vrednosti in agresivnih nadzornih dejanj. Ugotovimo lahko, da je mogoče razviti strategijo polnjenja, ki zmanjša čas polnjenja, porabo energije in razgradnjo baterije, hkrati pa zagotavlja varno delovanje.

Krmilnik FL zagotavlja prilagodljiv in intuitiven način za integracijo strokovnega znanja in hevrističnih pravil v postopek polnjenja z definiranjem jezikovnih spremenljivk, kot so status polnjenja, temperatura in stopnja polnjenja, ter vzpostavitvijo pravil sklepanja. Oblikovana sta bila dva krmilnika FL, eden za uravnavanje napetosti za ohranjanje stabilnosti pod različnimi krivuljami polnjenja, drugi pa za uravnavanje toka, da bi se izognili čezmernim konicam in ohranili stabilne vrednosti, kar lahko bolje obvladuje nelinearnost in inherentno negotovost v dinamiki litij-ionskih baterij, s čimer izboljšanje učinkovitosti polnjenja in podaljšanje življenjske dobe baterije.

PID krmilnik lahko uravnoteži dejavnike, kot so čas polnjenja, energetska učinkovitost in zdravstvena zaščita baterije, tako da prilagodi in optimizira krivuljo polnjenja.

2. Raziskovalne metode za strategije nadzora polnjenja litij-ionskih baterij

Prednosti in karakteristike baterije simulacijske platforme MATLAB Simulink:MATLAB Simulink zagotavlja zmogljivo platformo za analizo in optimizacijo sistemov za polnjenje litij-ionskih baterij. Litij-ionske baterije so zaradi svoje visoke energijske gostote (zagotavljajo visoko razmerje med energijo in težo, primerne za prenosne elektronske naprave in električna vozila z omejenim prostorom in težo), nizke stopnje samopraznjenja (primerne za dolgotrajno uporabo) postale prednostna izbira za različne aplikacije. trajno shranjevanje energije), napredno tehnologijo recikliranja in majhen vpliv na okolje (bolj trajnostno in okolju prijazno).

Modeliranje povprečnega pretvornika malih signalov:Za sisteme za prenos energije litij-ionske baterije je potrebna učinkovita zasnova. V tej študiji je uporabljeno izolirano vezje pretvornika DC/DC (pretvornik naprej je podoben topologiji pretvornika DC/DC in vključuje transformator za zagotavljanje električne izolacije in izboljšanje varnosti baterije). Obnašanje vezja je označeno kot prenosna funkcija drugega reda z uporabo kriterija modela majhnega signala, za poenostavitev analize pa je uporabljen približek nizkega signala (nizek Q), kar ima za posledico prenosno funkcijo modela pretvornika, ki vključuje delovanje in pretvorbeno razmerje. Pretvornik simulira uporabo idealnih komponent za izboljšanje učinkovitosti in analizira dva scenarija: brez obremenitve in z obremenitvijo litij-ionske baterije. V pogojih brez obremenitve so prenosna funkcija ter trendi napetosti in toka pretvornika podobni, vendar izhod pretvornika niha. Pri pogojih obremenitve je glavna razlika v stabilizacijskem času. Zaradi idealizacije prenosne funkcije se sistem hitreje odzove, vendar je končna izhodna vrednost dosledna, uporaba prenosne funkcije pa lahko bistveno skrajša čas simulacije.

Opis nadzorne arhitekture:Strategija nadzora temelji na modelu litij-ionske baterije v MATLAB Simulink, ki zagotavlja podrobne tehnične parametre za natančno simulacijo in analizo zmogljivosti baterije. Postopek polnjenja CC/CV vključuje stopnjo nadzora toka (kjer je tok nastavljen na varno raven in napetost akumulatorja narašča s polnjenjem ter doseže prag pred vstopom v stopnjo nadzora napetosti) in stopnjo nadzora napetosti (kjer napetost ostane stabilna in tok se postopoma zmanjšuje, dokler ni baterija povsem napolnjena), kar lahko prepreči prekomerno polnjenje, zmanjša pritisk baterije, zmanjša tveganje pregrevanja in podaljša življenjsko dobo baterije. Ocenjene strategije nadzora so povzete v tabeli 1 in bodo podrobneje predstavljene pozneje.

Arhitektura za krepitev učenja:Krmilnik za okrepljeno učenje se prek interakcije s sistemom nauči optimalne strategije za obvladovanje kompleksne nelinearne dinamike. S sprejetjem sheme kritike igralcev mreža akterjev izbere dejanja, mreža kritikov pa oceni dejanja, da zagotovi povratne informacije. Neprekinjeno Gaussovo omrežje akterjev (CGAN) se uporablja za obdelavo neprekinjenih akcijskih prostorov, optimalna strategija pa se raziskuje z izhodnimi parametri Gaussove porazdelitve. Njegova arhitektura vključuje več popolnoma povezanih plasti, aktivacijska funkcija pa je večinoma spremenjena funkcija linearne enote (RELU). Na podlagi usposabljanja orodjarne za učenje okrepitve MATLAB se funkcija nagrajevanja izračuna na podlagi napetostne napake, nadzornih dejanj in opazovanj napetosti, da se spodbudi vzdrževanje napetosti v pričakovanem obsegu in kaznujejo odstopanja. Z nastavitvijo konstant je zagotovljen maksimalen učni učinek, največja povprečna nagrada pa je dosežena po 200 krogih treninga. Vendar pa počasen odziv baterije oteži prilagajanje parametrov.

Mehka arhitektura:Krmilniki mehkega proporcionalnega derivata (PD) so bolj učinkoviti pri obvladovanju nelinearnosti in negotovosti sistema kot tradicionalni krmilniki PD, saj se prilagajajo spremembam karakteristik baterije, da zagotovijo stabilno in natančno krmiljenje napetosti. Sistem mehkega sklepanja je zgrajen z uporabo sheme Sugeno, pri čemer napetost krmili mehki PD, tok pa krmili mehki PD+I. Vhod je obdelan z uporabo normaliziranih trikotnih funkcij članstva za obravnavanje napak in njihovih izpeljank, izhod pa je obdelan z uporabo treh normalizacijskih funkcij Sugeno za obravnavanje stanj. Vhodni obseg je omejen, da se prepreči nasičenost, vhodni in izhodni obseg pa sta spremenjena z ustreznimi konstantami.

Klasična PID arhitektura:Klasični proporcionalni integralni derivat (PID) krmilnik se pogosto uporablja pri polnjenju baterij zaradi svoje preprostosti, učinkovitosti in zanesljivega delovanja. Je enostaven za implementacijo in nastavitev ter lahko prilagaja in optimizira pogoje polnjenja v realnem času. Združuje proporcionalna, integralna in izvedena dejanja za natančno regulacijo napetosti in toka. Ima močno univerzalnost in je primeren za različne baterije in scenarije polnjenja. Ima nizke stroške in nizke zahteve po računalniških virih ter je primeren za vgrajene sisteme in nizkocenovno izvedbo strojne opreme. Njegova arhitektura uporablja samo dva klasična krmilnika za krmiljenje napetosti oziroma toka (notranja struktura ni podrobno opisana zaradi prostorskih omejitev).

3. Ocena učinkovitosti strategije nadzora polnjenja litij-ionske baterije

Nastavitev parametrov krmilnika:Funkcija nagrajevanja za krepitev učenja je določena s hevrističnimi metodami, konstante pa so prilagojene s ponavljajočimi se poskusi, da dobimo (r1=200), (r2=-25), (p1=-10) in ( p2=180). Mehki krmilnik (PD+I) prilagodi parametre ročno s poskusi in napakami, s trenutnimi kontrolnimi parametri (P=20), (D=0. 00000 1), (I{{8 }}) in (K_D=0.297) ter parametri nadzora napetosti (P=15), (D=0.0001) in (K_D=0.315). PID krmilnik uporablja orodje MATLAB PID Tuner in nevronsko mrežo za iskanje optimalnih parametrov, vključno s krmiljenjem toka (P=15), (I {PID}=5), nadzorom napetosti (P=22 .5), (I=4.9) in (D {PID}=0.03).

Analiza delovanja krmilnika

Vidik ocenjevanja:Ocenite delovanje krmilnika v smislu natančnosti regulacije napetosti in toka, odzivnega časa, stabilnosti in zaščite pred motnjami.

Krmilnik za krepitev učenja:Krmilnik za ojačitveno učenje, ki temelji na nevronski mreži, lahko doseže stabilno nazivno napetost brez prekoračitve, ko je tok enak nič (kot je prikazano na sliki 5b). Vendar pa pri uporabi CC/CV krmiljenja prihaja do nihanj napetosti zaradi nerazumevanja obstoječega toka, kar povzroči nestabilen in padajoč tok med polnjenjem baterije. Hitrost nalaganja je najvišja, vendar obstaja pojav zvonjenja, ki lahko poškoduje elektronske komponente in skrajša življenjsko dobo baterije. V praktičnih aplikacijah je treba za izboljšanje delovanja upoštevati kroženje toka.

Fuzzy krmilnik:zasnovan za vzdrževanje stabilnega polnjenja z daljšimi časi polnjenja in stabilizacije, vendar brez skokov v pretvorbi nadzora toka in napetosti (kot je prikazano na sliki 5c). Čeprav je varnejši, je počasnejši in ga je mogoče optimizirati s prilagajanjem pravil sklepanja.

PID regulator:Hitro se odzove na napake, vendar ima med prehodom napetosti v tok znatne motnje in pojav prevelikega toka (kot je prikazano na sliki 5b). Njegova zmogljivost je zmerna in ni odvisna od izkušenj operaterja.

Analiza kazalnika uspešnosti:Analizirajte delovanje krmiljenja napetosti vhodnega pretvornika DC/DC, izračunajte povprečno kvadratno vrednost (RMS) in ugotovite, da je vrednost RMS krmilnika za učenje okrepitve nekoliko višja, kar kaže, da se njegovo krmiljenje bistveno spreminja in je občutljivo na majhne spremembe. Vrednotenje efektivne vrednosti toka akumulatorja za vse krmilnike je dalo konstantno vrednost 0.3A, kar kaže, da so kljub razlikam v strategijah in dejanjih nadzora vsi krmilniki lahko ohranili izhodni tok v pričakovanem območju . To pomeni, da čeprav se krmiljenje napetosti krmilnika za učenje ojačitve zelo razlikuje, to ne vpliva na stabilnost in doslednost izhodnega toka, ki je ključnega pomena za varno in učinkovito delovanje sistema.

4. Razprava o rezultatih strategije nadzora polnjenja litij-ionske baterije

Čas izvajanja simulacije krmilnika in variacija izhoda:Rezultati v tabeli 2 so bili pridobljeni iz simulacij, kjer je bil vsak krmilnik konfiguriran za 6 sekund, pri čemer je imel krmilnik za okrepljeno učenje (RL) najdaljši čas izvajanja 21046 sekund. V primerjavi z drugimi krmilniki, ki se uporabljajo za uravnavanje napetosti in toka litij-ionskih baterij, ima krmilnik RL večjo variacijo izhoda in tudi ob majhnih motnjah lahko pride do pojava zvonjenja (visokofrekvenčna krmilna dejanja nihanja). Ko se uporablja za dejanske napajalne elektronske naprave, lahko povzroči pregrevanje komponent baterije in pretvornika, hrup senzorja in skrajša življenjsko dobo baterije z nihanjem napetosti 0,02 V. Za izboljšanje krmilnika in zmanjšanje vibracij je mogoče izhodu krmilnika dodati nizkopasovni filter, spremeniti arhitekturo nevronske mreže ali uporabiti hibridno krmilno metodo (kot je PID ali mehki krmilnik za prilagajanje izhoda nevronske mreže). rabljeno.

Prilagodljivost krmilnika in karakteristike delovanja:Krmilniki RL imajo visoko prilagodljivost različnim situacijam, saj so bolj občutljivi na motnje. Vendar pa izhodne spremembe kažejo na potrebo po vključitvi več parametrov v usposabljanje agentov, da bi izboljšali njihovo sposobnost prilagajanja na več scenarijev, povečali učinkovitost polnjenja in se izognili morebitni nestabilnosti. Namen mehkih krmilnikov je preprečiti visoke tokovne konice in počasne hitrosti polnjenja zaradi svojih pravil sklepanja; PID krmilnik se na napake odzove s spreminjanjem izhodnega signala in se lahko prilagaja dinamičnim spremembam.

Ocena izhodne zmogljivosti krmilnika:Srednja kvadratna vrednost (RMS) je bila uporabljena za oceno izhodne zmogljivosti treh krmilnikov, rezultati pa so pokazali, da je bila povprečna napetost, ki jo vzdržujejo vsi krmilniki, podobna nazivni napetosti akumulatorja, kar je ključnega pomena za preprečevanje prekomernega polnjenja in izogibanje akumulatorju pregrevanje. Kar zadeva krmiljenje toka, lahko vsi regulatorji dosežejo referenčno vrednost v zelo kratkem odzivnem času brez prekoračitve in imajo dobro toleranco na zunanje motnje. Kar zadeva nadzor napetosti, lahko krmilnik nenehno dosega referenčno vrednost in postopoma zmanjšuje tok, dokler ne doseže nič, da zaključi cikel polnjenja. Vendar je treba opozoriti, da lahko krmilniki, ki temeljijo na RL, občutijo rahla nihanja toka med končno fazo polnjenja, ki nihajo med trenutno vrednostjo in ničlo, in lahko zahtevajo dodatne prilagoditve za izboljšanje stabilnosti.

5. Povzetek

PID regulator

Prednosti:Znan po svoji preprostosti in učinkovitosti, se dobro obnese pri uravnavanju napetosti in toka ter lahko zagotovi hiter in stabilen odziv v številnih aplikacijah.

Slabost:Relativno šibka prilagodljivost pri obravnavanju zapletenih dinamičnih karakteristik baterije, zaradi česar je težko doseči visoko dinamično optimizacijo.

Mehki krmilnik

Prednosti:Z definiranjem jezikovnih spremenljivk in pravil sklepanja se izkušnje integrirajo v nadzorni proces, ki lahko bolje obvladuje nelinearnost in negotovost baterije, kar sistemu omogoča prilagajanje specifičnim situacijam in stabilno delovanje v različnih pogojih delovanja. Prilagoditev pravil sklepanja glede na zahteve aplikacije lahko do določene mere optimizira zmogljivost polnjenja.

Slabosti:Zasnova se v veliki meri opira na pravila in izkušnje, razvoj je zapleten, hitrost polnjenja pa razmeroma počasna, kar morda ne izpolnjuje visokih zahtev za hitro polnjenje v aplikacijskih scenarijih.

Krmilnik, ki temelji na učenju z okrepitvijo

Prednosti:Z interakcijo s sistemom se lahko nauči optimalne strategije, ima močno sposobnost obdelave za majhne motnje, lahko se dinamično prilagaja spreminjajočim se pogojem, nenehno optimizira delovanje in ima visoko prilagodljivost različnim pogojem obremenitve. V zapletenih in nenehno spreminjajočih se scenarijih polnjenja baterije lahko učinkovito izboljša natančnost in učinkovitost polnjenja, še posebej primerno za aplikacije, ki zahtevajo visoko fleksibilnost in prilagodljivost polnjenja.

Slabosti:Zahteva veliko količino računalniških virov, dolg čas usposabljanja, kot je najdaljši čas izvajanja v tej študiji. Proces usposabljanja je zapleten in zahteva skrbno načrtovanje funkcij nagrajevanja in prilagajanje arhitekture nevronske mreže, sicer lahko pride do nestabilnih pojavov, kot so težave z zvonjenjem. Za izboljšanje natančnosti je potrebna bolj zapletena arhitektura nevronske mreže, kar dodatno poveča računsko obremenitev in čas simulacije.