روش تخمین SOC باتری دینامیک؟

ଲେଖକ: ଆଇଫ୍ଲୋପାୱାର - Mpamatsy tobin-jiro portable

از زمان توسعه فناوری باتری، بسیاری از روش های مورد استفاده برای تخمین SOC قبلاً رخ داده است. تنها روش‌های سنتی یکپارچه جریان، مقاومت داخلی باتری، روش‌های تست تخلیه، روش‌های ولتاژ مدار باز، ولتاژ بار، و روش‌های خلاقانه‌تر فیلتر کالمن وجود دارد. نظریه منطق فازی و شبکه های عصبی و غیره

در حال حاضر یکی از متداول‌ترین روش‌های تخمین SOC در زمینه سیستم مدیریت باتری است و ماهیت آن تخمین SOC باتری از طریق انباشته یا تخلیه الکتریسیته از طریق انباشته شدن یا دشارژ با انباشته شدن یا دشارژ کردن است. در عین حال، با توجه به میزان دشارژ و دمای باتری. یک غرامت مشخص برای SOC تخمین زده شده است.

اگر زمانی که باتری در حالت اولیه شارژ و دشارژ اولیه است، باتری به عنوان SOCT0 تعریف شود، پس ظرفیت باقیمانده باتری SOC بعد از T است: q، Q ظرفیت نامی باتری است و N راندمان شارژ و دشارژ است که به آن راندمان کولن نیز می گویند، مقدار آن میزان شارژ و دشارژ باتری تعیین می شود، I جریان T است. روش یکپارچه فعلی نسبتاً ساده و قابل اعتماد نسبت به سایر روش های تخمین SOC است و مقدار SOC باتری را می توان به صورت دینامیکی تخمین زد، بنابراین به طور گسترده استفاده می شود. با این حال، این روش دو محدودیت نیز دارد: یکی، روش انتگرال جریان به یک مقدار SOC اولیه باتری از قبل نیاز دارد و جریان ورودی یا خروجی باتری را به دقت جمع‌آوری می‌کند تا خطای تخمین تا حد امکان کوچک باشد. ثانیاً این روش فقط بر اساس ویژگی خارجی باتری است و میزان خود تخلیه باتری، درجه پیری و نسبت شارژ و دشارژ SOC باتری تا حدی نادیده گرفته می شود.

استفاده طولانی مدت نیز می تواند باعث گسترش خطای اندازه گیری شود، بنابراین لازم است ضرایب تصحیح مرتبط با خطاهای انباشتگی صحیح معرفی شوند. (2) روش آزمایش دشارژ روش آزمایش تخلیه به این صورت است که تخلیه مداوم جریان ثابت تا ولتاژ قطع باتری، ضرب زمان استفاده شده توسط این فرآیند تخلیه در مقدار اندازه جریان تخلیه، یعنی ظرفیت باقی مانده باتری است. این روش به طور کلی از این روش به عنوان روش کالیبراسیون SOC باتری یا در نگهداری دیرهنگام باتری استفاده می کند و نسبتاً ساده، قابل اعتماد است و نتیجه بدون دانستن مقدار SOC باتری نسبتاً دقیق است.

همه به طور موثر. با این حال، دو کاستی در روش آزمایش تخلیه وجود دارد: اول اینکه فرآیند آزمایش این روش به زمان زیادی نیاز دارد. دوم، هنگام استفاده از این روش، لازم است باتری مورد نظر را از وسیله نقلیه الکتریکی خارج کنید، بنابراین نمی توان از روش برای محاسبه قدرت باتری در حالت کار استفاده کرد. (3) روش ولتاژ مدار باز مبتنی بر رابطه تغییر بین ولتاژ باز شدن باتری و OCVOTAGE، OCV) و غلظت یون لیتیوم داخلی باتری است و به طور غیر مستقیم با رابطه متناظر بین آن و SOC باتری مطابقت دارد.

هنگام انجام عملیات واقعی، لازم است پس از پر شدن باتری با نسبت دشارژ ثابت (به طور کلی 1c) تا زمانی که دشارژ متوقف شود، باتری تخلیه شود و رابطه بین OCV و SOC مطابق فرآیند دشارژ به دست آید. هنگامی که باتری در وضعیت واقعی کار قرار دارد، SOC فعلی باتری را می توان با یافتن جدول رابطه OCV-SoC با توجه به مقدار ولتاژ در هر دو انتهای باتری به دست آورد. اگرچه این روش برای باتری‌های مختلف مؤثر است، اما خود نقص‌هایی نیز دارد: اول، باتری هدف باید قبل از اندازه‌گیری OCV بیش از 1 ساعت بماند، بنابراین الکترولیت داخلی در باتری به طور یکنواخت توزیع می‌شود تا ولتاژ پایانی پایدار به دست آید. دوم، باتری در دماهای مختلف یا در طول عمر متفاوت است، اگرچه مدار باز یکسان است، SOC واقعی ممکن است متفاوت باشد و نتیجه اندازه گیری تضمین نمی شود که استفاده طولانی مدت از این روش کاملاً دقیق باشد.

بنابراین، روش ولتاژ مدار باز همان روش آزمایش تخلیه است، برای برآورد SOC باتری در حال اجرا اعمال نمی شود. (4) روش فیلتر کالمن روش فیلتر KALMAN نوع جدیدی از داده های خود رگرسیون بهینه شده است که در "دستاوردهای جدید فیلترینگ خطی و نظریه پیش بینی" در دهه 1960 فیلتر شده است. الگوریتم

ماهیت الگوریتم این است که وضعیت سیستم دینامیکی پیچیده را می توان برای وضعیت سیستم دینامیکی پیچیده با توجه به اصل حداقل میانگین ها بهینه کرد. سیستم‌های دینامیکی غیر خطی به صورت خطی در مدل فضای حالت سیستم در روش فیلتر کالمن خواهند بود. هنگامی که برنامه واقعی است، سیستم با مقدار مشاهده شده زمان جاری و به دنبال آن مقدار مشاهده شده زمان جاری به روز می شود.

حالت "پیش بینی - اندازه گیری - تصحیح"، حذف انحراف و تداخل سیستم تصادفی. هنگامی که SOC سیستم انتقال قدرت با استفاده از روش فیلتر کالمن تخمین زده می شود، باتری در قالب یک سیستم قدرت به یک مدل فضای حالت تبدیل می شود و SOC به یک متغیر حالت در داخل مدل تبدیل می شود. سیستم ایجاد شده یک سیستم گسسته خطی است.

از آنجایی که روش فیلتر کالمن نه تنها خطای اولیه سیستم را تصحیح می کند، بلکه می تواند به طور موثر نویز سیستم را سرکوب کند، بنابراین ارزش کاربردی قابل توجهی در تخمین SOC باتری های برق خودروهای الکتریکی در شرایط کار وجود دارد. با این حال، این روش دارای عیوب دو نقطه‌ای نیز می‌باشد: یکی، روش فیلتر کالمن دقت SOC را تا حد زیادی به دقت مدل باتری تخمین می‌زند، ویژگی‌های کاری خود باتری قدرت بسیار غیرخطی است، در روش فیلتر کالمن پس از خطی‌سازی، اجتناب‌ناپذیر است که هیچ خطایی وجود نداشته باشد، و اگر مدل ایجاد شود، نتیجه برآورد شده ضروری نیست. دوم، روش درگیر بسیار پیچیده است، مقدار محاسبه بسیار زیاد است، و دوره محاسبه محاسبه شده طولانی تر است، و الزامات عملکرد سخت افزار. (5) روش شبکه عصبی روش شبکه عصبی آنالوگ مغز انسان و نورون آن برای مقابله با نوع جدیدی از الگوریتم برای سیستم‌های غیرخطی است.

این نیازی به تحقیق عمیق در مورد ساختار داخلی باتری ندارد، فقط تعداد زیادی از ویژگی های کاری را از باتری مورد نظر از قبل استخراج کنید. مقدار SOC را در اجرا از نمونه خروجی وارد کنید و با استفاده از روش آن را در سیستم ایجاد شده وارد کنید. این روش در پردازش بعدی نسبتاً ساده است، یعنی می‌تواند به طور موثر از خطای روش فیلتر کالمن جلوگیری کند تا مدل باتری را خطی‌سازی کند و می‌تواند پارامترهای دینامیکی باتری را در زمان واقعی بدست آورد.

با این حال، حجم پیش از کار روش شبکه عصبی نسبتاً زیاد است و تعداد زیادی داده نمونه هدف جامع‌تر و بیشتر برای آموزش سیستم مورد نیاز است. روش آموزش داده ها و آموزش تا حد زیادی بر دقت برآورد SOC تأثیر می گذارد. علاوه بر این، تحت عمل پیچیده دمای باتری، نسبت خود تخلیه و پیری باتری، از این روش برای تخمین مقدار SOC همان مجموعه باتری ها برای مدت طولانی استفاده می شود و دقت آن نیز تخفیف بزرگی خواهد بود.

بنابراین، این روش در کار تخمین SOC باتری قدرت چندان رایج نیست.