ဒိုင်းနမစ်ဘက်ထရီ SOC ခန့်မှန်းချက်နည်းလမ်း။

Auctor Iflowpower - Dostawca przenośnych stacji zasilania

ဘက်ထရီနည်းပညာ ဖွံ့ဖြိုးတိုးတက်လာကတည်းက SOC ကို ခန့်မှန်းရန် အသုံးပြုသည့် နည်းလမ်းများစွာ ပေါ်ပေါက်နေပြီဖြစ်သည်။ သမားရိုးကျ လက်ရှိပေါင်းစပ်ထားသော နည်းလမ်းများ၊ ဘက်ထရီအတွင်းပိုင်း ခုခံမှု၊ စွန့်ထုတ်စမ်းသပ်မှုနည်းလမ်းများ၊ အဖွင့်ပတ်လမ်းဗို့အား နည်းလမ်းများ၊ ဝန်ဗို့အားများနှင့် ပိုမိုဆန်းသစ်သော Kalman စစ်ထုတ်ခြင်းနည်းလမ်းများသာ ရှိပါသည်။ Fuzzy Logical Theory နှင့် Neural Networking စသည်တို့

၎င်းသည် လက်ရှိတွင် ဘက်ထရီစီမံခန့်ခွဲမှုစနစ်နယ်ပယ်တွင် အသုံးများသော SOC ခန့်မှန်းချက်နည်းလမ်းများထဲမှ တစ်ခုဖြစ်ပြီး အနှစ်သာရမှာ စုဆောင်းခြင်း သို့မဟုတ် အားထုတ်ခြင်းဖြင့် လျှပ်စစ်ဓာတ်အား စုဆောင်းခြင်း သို့မဟုတ် ထုတ်လွှတ်ခြင်းဖြင့် ဘက်ထရီ၏ SOC ကို ခန့်မှန်းရန်ဖြစ်သည်။ တစ်ချိန်တည်းမှာပင် discharge rate နှင့်ဘက်ထရီအပူချိန်အတိုင်း။ ခန့်မှန်းခြေ SOC အတွက် အချို့သော လျော်ကြေးငွေ။

ဘက်ထရီအားသွင်းပြီး ကနဦးအခြေအနေတွင် ဘက်ထရီအား SOCT0 ဟုသတ်မှတ်ပါက၊ T ပြီးနောက်ဘက်ထရီကျန်ရှိနေသောစွမ်းရည် SOC သည် q၊ Q သည် ဘက်ထရီအဆင့်သတ်မှတ်ထားသည့်စွမ်းရည်ဖြစ်ပြီး N သည် အားသွင်းခြင်းနှင့် ထုတ်လွှတ်မှုထိရောက်မှု၊ coulomb ထိရောက်မှုဟုလည်းခေါ်သည်၊ ၎င်း၏တန်ဖိုး၊ ဘက်ထရီအားသွင်းမှုနှင့်အထွက်နှုန်းကိုသတ်မှတ်သည်၊ I သည် T ၏လက်ရှိဖြစ်သည်။ လက်ရှိပေါင်းစပ်ထားသောနည်းလမ်းသည် အခြား SOC ခန့်မှန်းချက်နည်းလမ်းများထက် အတော်လေးရိုးရှင်းပြီး ယုံကြည်စိတ်ချရပြီး ဘက်ထရီ၏ SOC တန်ဖိုးကို ဒိုင်နမစ်ဖြင့် ခန့်မှန်းနိုင်သောကြောင့် ၎င်းကို တွင်ကျယ်စွာ အသုံးပြုပါသည်။ သို့သော်၊ ဤနည်းလမ်းတွင် ကန့်သတ်ချက် နှစ်ခုရှိသည်- တစ်ခု၊ လက်ရှိ ပေါင်းစပ်နည်းလမ်းသည် ဘက်ထရီ၏ ကနဦး SOC တန်ဖိုးကို ကြိုတင်လိုအပ်ပြီး ခန့်မှန်းချက်အမှားကို ဖြစ်နိုင်သမျှ သေးငယ်စေရန်အတွက် ဘက်ထရီထဲသို့ စီးဝင်သော သို့မဟုတ် ထွက်နေသော လျှပ်စီးကြောင်းကို တိကျစွာ စုဆောင်းပါသည်။ ဒုတိယ၊ ဤနည်းလမ်းသည် ဘက်ထရီ၏ ပြင်ပအင်္ဂါရပ်အပေါ်တွင်သာ အခြေခံထားပြီး ဘက်ထရီ ကိုယ်တိုင်ထုတ်လွှတ်မှုနှုန်း၊ အိုမင်းမှု အတိုင်းအတာနှင့် ဘက်ထရီ SOC ၏ အားသွင်းမှုနှင့် ထုတ်လွှတ်မှုအချိုးတို့ကို အတိုင်းအတာတစ်ခုအထိ လျစ်လျူရှုထားသည်။

ရေရှည်အသုံးပြုခြင်းသည် တိုင်းတာမှုအမှားကို ချဲ့ထွင်စေနိုင်သည်၊ ထို့ကြောင့် ဆက်စပ်တည့်မတ်မှုကိန်းဂဏန်းများကို မှန်ကန်စွာစုစည်းမှုအမှားများကို မိတ်ဆက်ရန် လိုအပ်ပါသည်။ (2) Discharge Test Meth စွန့်ထုတ်ခြင်း စမ်းသပ်နည်းမှာ ဘက်ထရီ၏ ဖြတ်တောက်ထားသော ဗို့အားအထိ အဆက်မပြတ် စီးဆင်းနေစေရန်ဖြစ်ပြီး၊ အဆိုပါ discharge process တွင် အသုံးပြုသည့် အချိန်ကို discharge current ၏ အရွယ်အစားတန်ဖိုး၊ ဆိုလိုသည်မှာ ဘက်ထရီ၏ ကျန်ရှိသော ပမာဏနှင့် မြှောက်ပါ။ နည်းလမ်းသည် ယေဘူယျအားဖြင့် ဤနည်းလမ်းကို ဘက်ထရီ SOC ၏ ချိန်ညှိခြင်းနည်းလမ်းအဖြစ် သို့မဟုတ် ဘက်ထရီ၏ နောက်ကျသော ပြုပြင်ထိန်းသိမ်းမှုတွင် အသုံးပြုကြပြီး အတော်လေးရိုးရှင်းပြီး ယုံကြည်စိတ်ချရပြီး ရလဒ်သည် ဘက်ထရီ SOC တန်ဖိုးကို မသိဘဲ အတော်လေးတိကျပါသည်။

အားလုံးထိထိရောက်ရောက်။ သို့သော်၊ discharge test method တွင် ချို့ယွင်းချက်နှစ်ခုရှိသည်- ပထမ၊ ဤနည်းလမ်း၏ စမ်းသပ်မှုလုပ်ငန်းစဉ်သည် အချိန်များစွာလိုအပ်ပါသည်။ ဒုတိယ၊ ဤနည်းလမ်းကိုအသုံးပြုသောအခါ၊ ပစ်မှတ်ဘက်ထရီအား လျှပ်စစ်ကားမှ ဖယ်ရှားရန် လိုအပ်သည်၊ ထို့ကြောင့် ပါဝါဘက်ထရီအား တွက်ချက်ရန် နည်းလမ်းကို အသုံးမပြုနိုင်ပါ။ (၃) အဖွင့်ပတ်လမ်းဗို့အားနည်းလမ်းသည် ဘက်ထရီ၏ အဖွင့်ဗို့အားနှင့် OCVOTAGE၊ OCV) နှင့် ဘက်ထရီ၏အတွင်းပိုင်း လစ်သီယမ်အိုင်းယွန်းတို့၏ အာရုံစူးစိုက်မှုအပေါ် အခြေခံပြီး ၎င်းနှင့် ဘက်ထရီ SOC အကြား ဆက်စပ်သော ဆက်နွယ်မှုကို သွယ်ဝိုက်၍ ကိုက်ညီစေပါသည်။

အမှန်တကယ် လုပ်ဆောင်ချက်ကို လုပ်ဆောင်သည့်အခါ၊ ဘက်ထရီအား ထုတ်လွှတ်မှု ရပ်တန့်သွားသည်အထိ ပုံသေ discharge ratio (ယေဘုယျအားဖြင့် 1c) ဖြင့် အားဖြည့်ပြီးနောက် ဘက်ထရီအား ထုတ်ပစ်ရန် လိုအပ်ပြီး စွန့်ထုတ်သည့် လုပ်ငန်းစဉ်အရ OCV နှင့် SOC အကြား ဆက်စပ်မှုကို ရရှိမည်ဖြစ်သည်။ ဘက်ထရီသည် အမှန်တကယ်လည်ပတ်သည့်အခြေအနေတွင်ရှိသည့်အခါ ဘက်ထရီ၏အဆုံးနှစ်ဖက်ရှိ ဗို့အားတန်ဖိုးအရ OCV-SoC ဆက်စပ်ဇယားကို ရှာဖွေခြင်းဖြင့် လက်ရှိဘက်ထရီ SOC ကို ရရှိနိုင်သည်။ နည်းလမ်းသည် အမျိုးမျိုးသောဘက်ထရီများအတွက် ထိရောက်မှုရှိသော်လည်း၊ ၎င်းတွင် ကိုယ်တိုင်ချို့ယွင်းချက်များလည်း ရှိနေသည်- ပထမဦးစွာ OCV မတိုင်းတာမီ ပစ်မှတ်ဘက်ထရီအား 1 နာရီထက်ပို၍ မတ်တပ်ရပ်နိုင်စေရမည်၊ ထို့ကြောင့် တည်ငြိမ်သော အဆုံးဗို့အားရရှိရန် ဘက်ထရီအတွင်းပိုင်း အီလက်ထရွန်းကို တစ်ပုံစံတည်း ဖြန့်ဝေပေးခြင်း၊ ဒုတိယ၊ ဘက်ထရီသည် မတူညီသောအပူချိန်တွင် သို့မဟုတ် မတူညီသောအသက်တာအတွင်းတွင်၊ အဖွင့်ပတ်လမ်းသည် တူညီသော်လည်း အမှန်တကယ် SOC ကွဲပြားနိုင်ပြီး တိုင်းတာမှုရလဒ်သည် ဤနည်းလမ်းကို ရေရှည်အသုံးပြုမှုအတွက် လုံးဝတိကျသည်ဟု အာမခံချက်မရှိပါ။

ထို့ကြောင့်၊ အဖွင့်ပတ်လမ်းဗို့အားနည်းလမ်းသည် discharge test method နှင့် အတူတူပင်ဖြစ်ပြီး လည်ပတ်နေသော ဘက်ထရီ SOC ခန့်မှန်းချက်နှင့် မသက်ဆိုင်ပါ။ (၄) Kalman filtering method KALMAN filtering method သည် 1960 ခုနှစ်များတွင် "New Achievements of Linear Filtering and Forecasting Theory" တွင် စီစစ်ထားသော အကောင်းဆုံးသော self-regression data အမျိုးအစားအသစ်ဖြစ်ပါသည်။ algorithm

အယ်လဂိုရီသမ်၏ အနှစ်သာရမှာ ရှုပ်ထွေးသော ဒိုင်နမစ်စနစ်၏ အခြေအနေအား အနိမ့်ဆုံး အဓိပ္ပာယ်သက်ရောက်သည့် နိယာမအရ ရှုပ်ထွေးသော ဒိုင်နမစ်စနစ်၏ အခြေအနေအတွက် အကောင်းဆုံးဖြစ်အောင် ပြုလုပ်နိုင်သည်။ Non-linear dynamic စနစ်များသည် Kalman filtering method ရှိ စနစ်၏ state space model တစ်ခုအဖြစ် linear ဖြစ်ပါမည်။ အမှန်တကယ် အသုံးချသည့်အခါ၊ စနစ်အား လက်ရှိအချိန်၏ သတိပြုမိသော တန်ဖိုးဖြင့် အပ်ဒိတ်လုပ်ကာ၊ ၎င်းနောက်တွင် လက်ရှိအချိန်၏ သတိပြုမိသော တန်ဖိုး။

"ခန့်မှန်းချက် - အတိုင်းအတာ - ပြုပြင်ထားသော" မုဒ်၊ စနစ်ကျပန်းသွေဖည်မှုနှင့် အနှောင့်အယှက်များကို ဖယ်ရှားပေးသည်။ Kalman filtering method ကိုအသုံးပြု၍ powertrain ၏ SOC ကို ခန့်မှန်းသောအခါ၊ ဘက်ထရီအား power system ပုံစံဖြင့် state space model အဖြစ်သို့ပြောင်းလဲပြီး SOC သည် model အတွင်း state variable ဖြစ်လာပါသည်။ တည်ထောင်သည့်စနစ်သည် မျဉ်းကြောင်းခွဲစနစ်ဖြစ်သည်။

Kalman filtering method သည် စနစ်၏ကနဦးအမှားကို ပြုပြင်ပေးရုံသာမက၊ ၎င်းသည် စနစ်၏ဆူညံသံကို ထိထိရောက်ရောက် တားဆီးနိုင်သောကြောင့် လည်ပတ်မှုအခြေအနေများတွင် လျှပ်စစ်ကားပါဝါဘက်ထရီများ၏ SOC ခန့်မှန်းချက်တွင် သိသာထင်ရှားသော အသုံးချတန်ဖိုးတစ်ခုရှိပါသည်။ သို့သော်၊ နည်းလမ်းတွင် အချက်နှစ်ချက် ချွတ်ယွင်းချက်များ ရှိနေသည်- တစ်ခုမှာ၊ Kalman filtering method သည် SOC ၏ တိကျမှုကို ခန့်မှန်းသည်မှာ ဘက်ထရီ မော်ဒယ်၏ တိကျမှုအပေါ်တွင် များစွာမူတည်သည်၊ အလုပ်လုပ်သည့် လက္ခဏာများ ကိုယ်တိုင်က အလွန်လိုင်းမဟုတ်သော ပါဝါဘက်ထရီ၊ Kalman filtering method တွင် linearization ပြီးနောက်၊ အမှားအယွင်းမရှိ ရှောင်လွှဲ၍မရဘဲ၊ ရလဒ်သည် ယုံကြည်စိတ်ချရသော မော်ဒယ်မဟုတ်ပါက၊ ခန့်မှန်းခြေ မလိုအပ်ပါ။ ဒုတိယ၊ ပါဝင်သည့်နည်းလမ်းသည် အလွန်ရှုပ်ထွေးသည်၊ တွက်ချက်မှုပမာဏသည် အလွန်ကြီးမားပြီး၊ တွက်ချက်သည့်ကာလသည် ပိုရှည်သည်၊ နှင့် Hardware စွမ်းဆောင်ရည် လိုအပ်ချက်များဖြစ်သည်။ (၅) Neural network method အာရုံကြောကွန်ရက်နည်းလမ်းမှာ analog လူ့ဦးနှောက်နှင့် nonlinear စနစ်များအတွက် algorithm အမျိုးအစားအသစ်ကို ကိုင်တွယ်ဖြေရှင်းရာတွင် အသုံးပြုသော နျူရွန်ဖြစ်သည်။

၎င်းသည် ဘက်ထရီ၏ အတွင်းပိုင်းဖွဲ့စည်းပုံအား နက်ရှိုင်းစွာ သုတေသနပြုရန် မလိုအပ်ဘဲ ပစ်မှတ်ဘက်ထရီမှ အလုပ်သွင်ပြင်လက္ခဏာများစွာကို ကြိုတင်ထုတ်ယူရုံသာဖြစ်သည်။ အထွက်နမူနာမှ လည်ပတ်မှုတွင် SOC တန်ဖိုးကို ထည့်သွင်းပြီး နည်းလမ်းကို အသုံးပြု၍ တည်ဆောက်ထားသော စနစ်သို့ ထည့်သွင်းပါ။ ၎င်းနည်းလမ်းသည် နောက်ပိုင်းတွင်လုပ်ဆောင်ခြင်းတွင်အတော်လေးရိုးရှင်းသည်၊ ဆိုလိုသည်မှာ၊ ၎င်းသည်ဘက်ထရီမော်ဒယ်ကို linearization အဖြစ်ပြုလုပ်ရန် Kalman filtering method ၏အမှားကိုထိရောက်စွာရှောင်ရှားနိုင်ပြီး၊ အချိန်နှင့်တပြေးညီဘက်ထရီ၏ dynamic parameters များကိုရရှိနိုင်သည်။

သို့သော်၊ အာရုံကြောကွန်ရက်နည်းလမ်း၏ အကြိုလုပ်ဆောင်မှုပမာဏသည် အတော်လေးကြီးမားပြီး စနစ်လေ့ကျင့်ရန်အတွက် ပိုမိုပြည့်စုံသော ပစ်မှတ်နမူနာဒေတာ အများအပြား လိုအပ်ပါသည်။ လေ့ကျင့်ရေးဒေတာနှင့် လေ့ကျင့်ရေးနည်းလမ်းသည် SOC ၏ ခန့်မှန်းခြေတိကျမှုကို များစွာထိခိုက်စေပါသည်။ ထို့အပြင်၊ ဘက်ထရီအပူချိန်၊ အလိုအလျောက်ထုတ်လွှတ်မှုအချိုးနှင့်ဘက်ထရီအိုမင်းမှု၏ရှုပ်ထွေးသောလုပ်ဆောင်ချက်အောက်တွင်၊ တူညီသောဘက်ထရီအစုအဝေး၏ SOC တန်ဖိုးကို အချိန်ကြာမြင့်စွာ ခန့်မှန်းရန် နည်းလမ်းကိုအသုံးပြုပြီး ၎င်း၏တိကျမှုသည်လည်း ကြီးမားသောလျှော့စျေးဖြစ်သည်။

ထို့ကြောင့်၊ ဤနည်းလမ်းသည် ပါဝါဘက်ထရီ၏ SOC ခန့်မှန်းချက်တွင် အသုံးများသည်။