Mise en œuvre efficace de la surveillance et de la prévision en temps réel du SOC pour les batteries lithium-ion

Abstrait

Cette étude se penche sur la surveillance de l'état de charge des batteries lithium-ion, qui est cruciale pour la sécurité et l'efficacité de la gestion de l'énergie des batteries dans les applications embarquées. Comprendre avec précision l’état de charge des batteries est d’une importance décisive pour garantir leur utilisation et leurs performances en toute sécurité. L'équipe de recherche a développé et implémenté un algorithme d'observation basé sur le filtre de Kalman, qui a été déployé sur le FPGA Spartan 6. L'algorithme peut estimer avec précision l'état de charge de la batterie, même s'il existe un écart entre la valeur estimée initiale et l'état réel. Cet article souligne particulièrement les avantages du FPGA en matière de calcul rapide, qui permet au FPGA de servir de composant esclave efficace dans les systèmes de gestion de batterie (BMS), surveillant l'état de charge d'un grand nombre de batteries à moindre coût. La mise en œuvre de cet observateur sur des FPGA à faible coût revêt une grande importance pour réduire le coût des systèmes de gestion de batterie dans des applications telles que les véhicules électriques. De plus, l'efficacité du modèle d'observateur a été validée par une simulation rigoureuse et des tests en temps réel. Cette étude propose une méthode efficace pour estimer avec précision l’état de charge des batteries lithium-ion, apportant un soutien solide à la gestion efficace de l’énergie des batteries dans diverses applications.

1. Introduction

L’importance de la gestion de l’énergie et de l’estimation du SOC :La gestion de l'énergie est cruciale dans les applications embarquées, en particulier dans les appareils alimentés par batterie, car elle affecte la durée de vie de la batterie et les performances globales du système. Les batteries lithium-ion sont largement utilisées en raison de leur densité énergétique élevée, de leur faible taux d’autodécharge et de leur longue durée de vie. Pour garantir la sécurité et l’efficacité du système d’alimentation par batterie, une estimation précise du SOC est essentielle. Une estimation inexacte peut entraîner une surcharge, une décharge excessive et une défaillance prématurée de la batterie. Cependant, les caractéristiques non linéaires et variables dans le temps des batteries lithium-ion rendent l'estimation du SOC assez difficile, c'est pourquoi diverses méthodes d'estimation ont été proposées, notamment des approches basées sur des modèles et des données.

Système de gestion de batterie et méthode d’estimation du SOC

Le système de gestion de batterie (BMS) est un composant important d'une batterie, qui surveille l'état de la batterie et contrôle le processus de charge et de décharge. L'estimation précise du SOC est l'une de ses fonctions clés, qui permet d'optimiser l'utilisation de la batterie, d'éviter la surcharge et la décharge excessive. L'algorithme doit répondre à des exigences de haute précision, de robustesse face aux erreurs de capteur de faible précision et aux erreurs d'estimation des paramètres de la batterie, ainsi qu'à de faibles exigences en matière de puissance de calcul. Les techniques de modélisation et d'estimation permettant d'obtenir une estimation précise du SOC comprennent l'électrochimie, les circuits équivalents et les méthodes basées sur les données. Les modèles électrochimiques sont précis mais coûteux en calcul et nécessitent des connaissances spécialisées, tandis que les méthodes basées sur des observateurs sont relativement simples et ont une bonne précision.

Les méthodes d’estimation du SOC sont divisées en deux catégories :estimation en boucle ouverte et en boucle fermée. Les méthodes en boucle ouverte telles que le comptage de Coulomb sont simples mais nécessitent une connaissance initiale du SOC, une dynamique lente et une faible fiabilité, tandis que les méthodes de tension en circuit ouvert sont précises mais nécessitent que la batterie reste inactive pendant une longue période. Les méthodes en boucle fermée incluent principalement le contrôle prédictif de modèle (MPC) et ses méthodes associées (telles que le filtre de Kalman étendu (EKF), le filtre de Kalman étendu double (DEKF), le filtre de Kalman étendu adaptatif (AEKF), l'algorithme hybride adaptatif (AMA), State Observer, Generalized Extended State Observer (GESO), Fuzzy Logic Method et Neural Network), ainsi que des méthodes telles que le filtre H-infini, Sliding Mode Observer (SMO), le filtre à particules (PF) et des variantes du filtre Kalman (telles que le filtre Kalman non parfumé (UKF) et le filtre Sigma Point Kalman (SPKF)).

L'application de l'EKF et du FPGA dans l'estimation du SOC :Il existe différentes méthodes d'estimation du SOC en ligne, et les observateurs d'État (en particulier l'EKF) sont populaires en raison de leur robustesse. Dans la gestion des batteries, l'algorithme récursif EKF peut combiner des modèles de batterie et des données de mesure pour estimer le SOC. Cependant, la mise en œuvre d’algorithmes complexes avec des microcontrôleurs est coûteuse et peut ne pas convenir aux systèmes multi-batteries. Les coûts du BMS (y compris la surveillance et l'équilibrage) peuvent atteindre 30 % du prix des batteries. Par conséquent, cette étude se concentre sur le calcul rapide de l’algorithme d’estimation du SOC pour les batteries de véhicules électriques avec plusieurs batteries en série à l’aide de réseaux prédiffusés programmables par l’utilisateur (FPGA). Les FPGA ont prouvé leur efficacité dans le domaine industriel. Le but de cette étude est d'implémenter un observateur basé sur l'algorithme EKF sur un FPGA Spartan 6 peu coûteux et efficace, qui peut corriger une estimation initiale inexacte du SOC. Le temps d'observation rapide permet d'observer simultanément plusieurs batteries avec le même FPGA, réduisant ainsi le coût du BMS des véhicules électriques ou d'autres systèmes SOC de batterie qui doivent être surveillés. Les chapitres suivants de l'article présenteront en séquence le modèle de batterie lithium-ion, la conception de l'observateur, la mise en œuvre sur FPGA, la simulation dans l'environnement Xilinx, les résultats expérimentaux, les conclusions de la recherche et les travaux futurs.

2. Observateur de l’état de charge

Modèle de batterie

Il existe différentes méthodes de modélisation pour représenter avec précision le comportement dynamique des cellules électrochimiques. Bien que les modèles électrochimiques puissent aider à prédire les performances de la batterie et à comprendre les mécanismes de vieillissement, ils nécessitent des conditions initiales et limites de la batterie, et sont complexes sur le plan informatique et ne conviennent pas aux applications en temps réel. Ainsi, un modèle simplifié basé sur un circuit équivalent (EEC) a été développé, adapté aux professionnels non électrochimiques et facile à appliquer en temps réel. Cependant, les phénomènes électrochimiques doivent être pris en compte au niveau de la batterie pour simplifier la reconnaissance du modèle.

Le modèle EEC utilisé dans cette étude comprend une source de tension en circuit ouvert (OCV), une résistance R Ω représentant les phénomènes haute fréquence tels que la résistance d'électrolyte et de connexion, ainsi que la résistance dynamique de transfert de charge, et un circuit parallèle R1C1 simulant les basses fréquences. phénomènes de diffusion. Pour simplifier les calculs en temps réel, un seul circuit RC est utilisé pour simuler les phénomènes de diffusion avec une période d'échantillonnage de Te=0,1 secondes, qui peut être ignorée par rapport à la période d'échantillonnage due au transfert de charge dynamique (environ 10 ms ). L'équation d'état du modèle de batterie est étendue au SOC, comme le montre la formule 1 :

(Où Qnom est la capacité nominale, V1 est la tension aux bornes du circuit R1C1, SOC est l'état de charge, Ubat est la tension aux bornes de la batterie), le modèle de batterie à état discret est étendu à SOC comme indiqué dans la formule 2 :

Observateur SOC basé sur le filtre de Kalman

Le SOC ne peut pas être mesuré directement et le filtre de Kalman étendu (EKF) est couramment utilisé pour résoudre ce problème. Cela nécessite un modèle de batterie précis et la capacité d’estimer le SOC dans une certaine plage de bruit. EKF initialise et prédit les variables d'état à un moment d'échantillonnage spécifique Te, à l'aide d'une équation d'état de modèle de batterie (Formule 1) qui inclut le SOC pour la prédiction. Les performances de l'observateur dépendent de la confiance dans la mesure et le modèle, en tenant compte de l'incertitude du modèle wk et de l'incertitude de la mesure de la tension vk (Formule 3) :

En supposant qu'il s'agisse de bruit blanc, de bruit gaussien, et qu'ils aient une moyenne nulle, ils sont inclus dans les matrices de covariance Q et R du bruit d'état et de mesure, respectivement.

En raison de la non-linéarité de l'extension du modèle de batterie au SOC (puisque l'OCV est lié au SOC), il est nécessaire de le linéariser en calculant la matrice jacobienne à chaque instant d'échantillonnage (Formule 4) :

Linéariser et calculer le gain de Kalman (Formule 5) :

Mettre à jour la matrice de covariance (Formule 6) :

Enfin, utilisez la correction de gain optimale pour prédire le vecteur d'état (Formule 7) :

Les paramètres EKF sont résumés dans le tableau ci-dessous.

3. Implémentation du FPGA

Conception de l'architecture FPGA :Le FPGA se compose de ressources de traitement (telles que la mémoire, la logique et les registres, regroupées en différents types de blocs logiques) et de ressources d'interconnexion programmables. Lors de la programmation, il est nécessaire de préciser les fonctions des blocs logiques et d'organiser le réseau d'interconnexion. Cette étude se concentre sur l'architecture de circuits programmables matriciels, dont les blocs logiques sont dans une structure rectangulaire régulière et sont connectés à un réseau de routage (constitué de canaux horizontaux et verticaux) via des points d'interconnexion programmables. Le FPGA est composé de batteries de base et d'interconnexions préconçues, et les utilisateurs peuvent programmer et construire des architectures matérielles spécifiques qui répondent aux exigences des applications. Il présente des capacités de traitement à haut débit et à faible latence dans le domaine industriel, et sa flexibilité peut améliorer les performances, réduire les coûts et être évolutive. L'utilisation de FPGA pour le calcul parallèle configurable réduit le temps d'exécution des algorithmes, mais la programmation nécessite une optimisation des propriétés physiques, notamment les performances temps/zone de l'algorithme et la sélection des bits du format de données, tout en conservant la précision de base de l'observateur.

Équipements et logiciels :Cette étude vise à mettre en œuvre un filtre de Kalman étendu (EKF) pour estimer l'état de charge (SOC) d'un bloc de batterie dans un système en temps réel, en utilisant la plate-forme matérielle MicroAutoBox II (MABXII) de dSPACE, fiable et robuste pour la conception de prototypes. et tests dans l'industrie automobile. Son FPGA Xilinx Spartan-6 intégré (XC6SLX150) offre des performances élevées et une faible consommation d'énergie (les principales spécifications sont présentées dans le tableau 2), ce qui le rend adapté à cette application. L'observateur SOC est implémenté sur ce FPGA et teste le SOC des batteries individuelles dans un pack de batteries composé de 5 batteries lithium-ion connectées en série (paramètres du pack de batteries : tension nominale totale de 18 V, tension nominale d'une seule batterie de 3,6 V, capacité globale de 2,5 Ah, utilisant une batterie lithium-ion Samsung 25R 18650, l'électrode positive est un mélange de produits chimiques NCA et NMC, l'électrode négative est en graphite, les paramètres du modèle de batterie sont identifiés par la technologie de titrage intermittent à courant constant GITT, comme le montre la figure 4). En supposant une température de batterie de 25 degrés C et des paramètres constants, l'algorithme EKF est développé à l'aide de blocs Simulink (comme illustré dans la figure 5) et optimisé pour les performances et l'utilisation des ressources via un pipeline, un multiplexage/repliage temporel et une précision personnalisée.

Technologie de multiplexage temporel :La batterie étudiée contient 5 batteries lithium-ion connectées en série, et il existe deux méthodes pour estimer le SOC de chaque batterie. La première consiste à développer une conception avec cinq modèles de batterie, mais en raison des besoins élevés en ressources, elle n'est pas adaptée aux applications en temps réel et nécessite un FPGA plus coûteux et plus riche en ressources. La deuxième méthode est basée sur le multiplexage temporel (voir figure 6), avec chaque temps d'échantillonnage Te '=0,02 secondes. Une fois le courant et la tension de la batterie numérisés par l'ADC de la carte MicroAutoBox DSP, la machine d'état envoie les données au FPGA pour exécuter l'algorithme EKF. Une fois l'algorithme terminé, le SOC estimé et corrigé, la matrice de covariance d'erreur et la tension de diffusion sont renvoyés au DSP. Les efforts ultérieurs se concentreront sur la vérification de l'observateur par simulation, ce qui est crucial pour garantir la précision et l'efficacité de l'observateur avant son déploiement sur FPGA.

4. Vérification des observateurs par Xilinx

Processus de vérification :L'algorithme est validé à l'aide d'une bibliothèque de générateur de système spécialement conçue pour la programmation FPGA. Cette bibliothèque permet la programmation FPGA à l'aide de blocs Simulink, et le traitement des données peut être effectué en mode virgule flottante ou virgule fixe. Plus la précision est élevée, plus les besoins en ressources FPGA sont importants. Pour équilibrer la précision des résultats et l'utilisation des ressources, cette étude a choisi une représentation signée en mode virgule fixe, en particulier le format Fix32_16 (15 bits pour la partie entière, 16 bits pour la partie décimale et 1 bit pour le signe) . Le principal avantage de l'utilisation de cette bibliothèque Xilinx est sa facilité d'implémentation sur FPGA, sans avoir besoin d'une programmation VHDL complexe.

Évaluation des performances et résultats

Les performances de l'observateur basées sur l'EKF sont évaluées à travers la courbe de courant du courant de décharge 1C (2,5A). Le SOC réel est initialisé à 100 % et la valeur SOC estimée initiale SOC-0 est définie sur 0 % (SOC-0 est un paramètre réglable qui peut atteindre une large plage de initialisation estimée du SOC). La valeur de référence SOC est obtenue à partir d'un coulombmètre initialisé avec le SOC initial et la capacité nominale corrects. Placez l'estimateur conçu sous la courbe de courant de décharge de l'étape de courant 1C pour vérification.

Les résultats montrent que bien que la valeur estimée initiale soit différente de la valeur initiale réelle du SOC, le SOC estimé converge toujours vers le SOC réel de la batterie, indiquant que l'observateur EKF peut corriger une mauvaise estimation du SOC et faire converger le SOC estimé vers le SOC réel. valeur. Cependant, la représentation en virgule fixe utilisée dans l'implémentation limite le nombre de bits utilisés, conduisant à des erreurs d'estimation, et des erreurs peuvent s'accumuler au cours du processus d'intégration en cours lors de la prédiction des variables d'état, ce qui entraîne une large plage d'erreurs entre les valeurs estimées et réelles. . Cependant, tant que l’erreur absolue est inférieure à 5 %, le filtre est considéré comme efficace et peut estimer avec précision les variables d’état.

5. Résultats de la mise en œuvre du FPGA en temps réel

Vérification en temps réel (à l'aide de données préenregistrées) :Avant le test réel de la batterie, simulez le test en utilisant les données de courant/tension préenregistrées de la batterie. Les résultats des tests montrent que l'observateur a de bonnes performances en temps réel. La courbe de courant est déchargée avec un pas de courant de 1C (2,5A) et le SOC est initialisé à 0 %. La valeur de référence SOC est obtenue par un coulombmètre correctement initialisé. Par rapport aux résultats de simulation de Xilinx, les performances de l'observateur sont similaires dans les deux cas, et le filtre de Kalman implémenté sur FPGA réduit avec succès l'erreur entre la tension mesurée et la tension estimée, faisant converger le SOC estimé vers une valeur précise qui ne peut pas être détectée. être directement mesuré.

Observateur de vérification expérimentale

Test de batterie unique :Après une vérification en temps réel à l'aide de données préenregistrées, des tests supplémentaires sont effectués pendant la décharge réelle de la batterie. À l’aide de la plateforme de test illustrée sur la figure, exécutez l’observateur tout en déchargeant la batterie pour évaluer l’exactitude de l’estimation du SOC. En générant des cycles d'impulsions de courant comme valeur définie pour les charges actives programmables pour décharger la batterie, les résultats expérimentaux montrent qu'au début du cycle de courant, le filtre peut corriger le SOC initial de 0 %. À mesure que la tension diminue, le SOC diminue également et le système peut le corriger automatiquement. Cependant, il existe des oscillations dans le processus d'estimation, principalement dues au bruit de mesure du capteur, nécessitant un filtre plus lisse.

Test de la batterie :Étant donné que la batterie de recherche est composée de 5 batteries connectées en série, un estimateur doit être développé pour tester l’ensemble de la batterie. En incorporant la technologie de multiplexage temporel dans le modèle de filtre de Kalman, un cycle d'impulsion de courant avec une période de 3200 s et une amplitude de -2,5 A est généré comme valeur de réglage de charge active programmable pour la batterie. décharge. Les résultats montrent que l'observateur peut estimer avec précision la tension et le SOC de chaque batterie dans l'ensemble de la batterie. Sur la base de cinq courbes, le SOC et la tension de chaque batterie peuvent être déterminés, ce qui présente des avantages significatifs par rapport aux études précédentes qui estimaient uniquement la tension et le SOC globaux de la batterie. L'observateur SOC a un temps d'exécution de 2,5 µs et une période d'échantillonnage typique de 0,1 s. La puce Spartan 6 dispose de suffisamment de temps pour effectuer plusieurs estimations SOC et observer d'autres états (tels que la température interne) au cours d'une période d'échantillonnage. La mise en œuvre du FPGA n'a pas consommé une quantité importante de ressources et, malgré la complexité du programme, les ressources FPGA disponibles n'ont pas été pleinement utilisées.

6. Résumé

Dans le domaine des applications embarquées, la gestion de l’énergie est cruciale pour optimiser la consommation énergétique et prolonger la durée de vie des batteries. Cela nécessite que nous soyons capables de surveiller avec précision l’état de charge de la batterie. Cette étude se concentre sur le développement d'un observateur d'état pour estimer la tension et l'état de charge de chaque batterie dans une batterie lithium-ion. L'observateur adopte l'algorithme de filtrage de Kalman adapté aux batteries lithium-ion et a la capacité de corriger l'état de charge lorsque la valeur estimée initiale n'est pas cohérente avec l'état de charge réel. La mise en œuvre de cet algorithme complexe sur un FPGA Spartan 6 à faible coût (moins de 20 euros) s'est avérée très efficace, capable de surveiller plusieurs batteries simultanément, réduisant ainsi le coût des systèmes de gestion de batterie.

Les résultats expérimentaux démontrent que l'observateur peut estimer avec précision la tension et l'état de charge de chaque batterie, démontrant ainsi des avantages significatifs par rapport aux études précédentes qui ne pouvaient estimer que la tension et l'état de charge de l'ensemble de la batterie. Le faible temps d'exécution et la consommation de ressources de l'observateur en font un outil puissant pour la surveillance et le contrôle en temps réel des packs de batteries lithium-ion, adapté à divers scénarios d'application. Bien que des défis tels que le bruit des données aient été rencontrés au cours du processus de mise en œuvre, ces problèmes peuvent être résolus efficacement en adoptant des techniques de filtrage appropriées pour garantir l'exactitude des résultats. Dans l’ensemble, cette étude a apporté une valeur significative au domaine des systèmes de gestion de batterie et a ouvert de nouvelles voies pour de futures recherches.