pays où Xu 1,2, 1,2 Zhou Jin gouvernance, Gao Lei 1,2
(1. École de génie de l'information, du Sud-Ouest Université des sciences et de la technologie, Mianyang 621010, Chine; 2. la province du Sichuan expérience clé de la robotique de circonstances particulières, Mianyang 621010, Chine)
: Estimation conception au lithium-ion système de gestion de la batterie et l'état de charge (SOC) dépend de la mise en place d'une batterie modèle de circuit équivalent, basé sur une analyse de modèle de circuit batterie lithium-ion commun équivalent et la comparaison sont quelques-unes, par le lithium-ion diverses caractéristiques de l'essai de la batterie, d'analyser les caractéristiques dynamiques d'une batterie au lithium-ion, le second ordre proposé RC modèle de circuit équivalent, et de vérifier la précision du modèle. Application du modèle de simulation de l'algorithme de filtre de Kalman étendu construite sur la plate-forme basée sur un modèle de circuit MATLAB / Siumlink, et en comparant les résultats de la simulation pour vérifier que le modèle présente une grande précision de l'estimation, pour l'estimation en temps réel du SOC de la batterie au lithium-ion.
: Batterie au lithium-ion, modèle de circuit équivalent, l'algorithme EKF, l'estimation du SOC
: TM912.9 Code du document: ADOI: 10,19358 / j.issn.1674-7720.2017.02.025
Format de citation: où Xu État recherche, des semaines d'or traitement, Gao Lei Propriétés Modélisation de la batterie lithium-ion algorithme d'estimation SOC [J] SES APPLICATIONS, 2017,36 (2): 83-86.
0 introduction
* Fonds: environnement spécial dans le Sichuan Key Laboratory de la robotique Fondation (13ZXTK07), le Fonds d'études supérieures d'innovation (16ycx100) Sud-Ouest Université des Sciences et Technologie de la batterie Li-ion peut être chargée et déchargée depuis les années 1990, apparaît, en raison de sa petite taille, poids léger, pas d'effet mémoire, pas de pollution, charge rapide et de décharge et d'autres avantages, a été largement utilisé dans les téléphones mobiles, ordinateurs portables, appareils photo numériques et autres appareils électroniques portables [1] Lorsque vous l'utilisez pour estimer l'état de la batterie de charge (SOC) est une partie importante du système de gestion de la batterie (BSM) en estimer avec précision le SOC peut améliorer les performances de sécurité de la batterie, protéger efficacement la batterie, prolonger la durée de vie de la batterie, l'amélioration de la batterie efficacité [2].
précision de l'estimation SOC dépend directement de la précision de l'algorithme utilisé pour décrire le modèle de circuit des caractéristiques de la batterie. Commun Il existe trois grands modèles de batteries [3]: Modèle de mécanisme électrochimique, et un modèle de réseau neuronal modèle de circuit équivalent. En raison de la réaction chimique complexe intérieur de la batterie, il est difficile d'établir précisément dans les applications pratiques du modèle de mécanisme électrochimique, et le modèle de réseau de neurones nécessite beaucoup de données historiques pour prédire la performance des cellules ne peut analyser et facteurs spécifiques du modèle, il est difficile de refléter pleinement les caractéristiques de la batterie ; modèle de circuit équivalent peut envisager une variété de facteurs de tension, le courant, la température, la polarisation, etc., en utilisant les éléments de circuit de base du circuit décrit dans les caractéristiques de fonctionnement de la batterie, signification physique claire, et donc largement utilisé.
Couramment utilisé modèle de circuit équivalent domestique et comprenant: modèle Rint, modèle Thévenin, et le modèle PNGV document [4] Une amélioration des modèles proposés PNGV GNL. [5] en utilisant la méthode d'estimation d'interpolation combinée modèle PNGV SOC a été estimé à résoudre efficacement le problème de l'erreur inexacte ou accumulée et la valeur initiale de la loi d'Ampère, par la suite le contrôle d'erreur de 5%; [6] Le EKF algorithme utilisé dans le premier ordre modèle de circuit RC, a donné des résultats, mais considérer l'impact des facteurs de SOC de la batterie est pas exhaustive, [7] en utilisant les réseaux de neurones et combinaison EKF pour obtenir une SOC estimation en ligne, mais cela dépend de la batterie une grande quantité de données de formation hors ligne; [8] un observateur de mode de coulissement adaptatif basé sur un modèle de circuit équivalent appliqué sur le SOC estimée, la dernière méthode de modèle de simulation est faisable, mais l'efficacité de l'algorithme et de l'erreur ne peut être garantie.
En fonction du type de puissance de la batterie au lithium-ion 18650 essai multiple de décharge, analyser les caractéristiques dynamiques d'une batterie au lithium-ion, le modèle de circuit équivalent du second ordre RC proposé, et d'identifier les paramètres pertinents du modèle, et enfin dans la plate-forme de simulation MATLAB / Siumlink le modèle de simulation, la simulation du modèle, en comparant la simulation et les résultats expérimentaux pour vérifier que le modèle a une grande précision d'estimation.
A caractéristiques de la batterie ion-lithium expérience
1.1 expérience Charging
Une batterie au lithium-ion est souvent utilisé dans un flux constant le mode de charge de tension constante, la capacité nominale de papier 2600 mAh, la tension de charge est de 4,3 V, le courant de charge nominal de 0.25c ~ 1C 18650 batterie de type lithium-ion, la plate-forme expérimentale programmable Miele M9710 et une charge électronique de puissance à commande numérique, la courbe peut être obtenue lors de la tension et du courant de charge à travers l'expérience, comme le montre la Fig.
1.2 expériences de décharge
La batterie au lithium-ion à différents taux de décharge en réponse à différentes tensions plus basses, la variation de tension est obtenue pendant le fonctionnement des extrémités de la batterie, respectivement, 0.3C, 0.5C, constante 1C taux de décharge de courant de l'essai de décharge de la batterie, la batterie pour obtenir divers grossissement la tension par rapport à la courbe de temps comme indiqué sur la Fig.
1,3 expérience d'impulsion composite
objet de test d'impulsion composite (Pulse hybride de puissance Caractérisation, HPPC) les caractéristiques dynamiques de la cellule de test est également utilisé pour identifier les paramètres du modèle. impulsion de décharge est d'abord 10 s, 10 s pendant 40 s après l'impulsion de charge et ensuite laissé au repos, l'ensemble du processus en utilisant 1C (à savoir, 2,6 A) de charge à courant constant et de décharge, et ainsi comme entretoise expériences sur les cellules du point de SOC CPS test de cycle d'impulsion composite , SOC sélectionné comme 0,1, 0,2, ..., 0,9, l'intervalle entre des impulsions adjacentes de l'expérience 1 h (note: pour 2600 mAh capacité de la batterie, le courant de décharge 1C 6 min, à savoir presse 260 mAh, la valeur SOC tombe 0.1), après avoir laissé reposer 1 h batterie CPS dans le cycle suivant. SOC courbe est représentée comme une tension correspondant à 0,5 réponse de test de HPPC représenté sur la figure.
la relation entre 1.4OCV SOC et des expériences d'étalonnage
Tension de circuit ouvert (OCV) de la batterie, caractérisé par un état de charge de la force électromotrice correspondante, l'OCV et le SOC ont une certaine fonction de [9], des expériences ont été 0.3C, 0.5C et décharge à 1C, chaque 0.1SOC de décharge debout 30 min, la valeur de tension enregistrée en tant que la tension en circuit ouvert correspondant au SOC et OCV de la relation fonctionnelle finale du compromis par les trois courbes de la fig. 4 polynôme obtenu.
2 et la validation du modèle de circuit équivalent
Par les caractéristiques de la cellule de test peut savoir si le courant est appliqué, il y a une mutation de tension aux bornes de courant de charge ou de décharge, alors il y a un processus de changement lentement, il est possible d'utiliser une batterie résistance ohmique et la caractérisation de deux effets de polarisation interne l'élément RC pour simuler les caractéristiques de la batterie. Le modèle de circuit équivalent représenté sur la figure 5.
paramètres de fonctionnement de la cellule du modèle est dynamique, de sorte que les paramètres du modèle doivent identifier les cinq paramètres. À savoir la formule dans laquelle la phase de la tension de mutation R0 (1) obtenu, deux paramètres de liaison RC tels que le type de la formule (2) montage d'un second ordre de manière exponentielle en utilisant la boîte à outils MATLAB cftool obtenu,
R0 = U1-U2i (1)
f (x) = a exp * (-1 * x) + c * exp (-2 * x) (2)
Où 1 = Rscs, 2 = RlCl.
Après l'obtention des paramètres du modèle, l'établissement de second ordre RC modèle de circuit équivalent dans la plate-forme MATLAB / Simulink, fourni à partir des paramètres de données expérimentales et de simulation définies conditions d'exploitation font des comparaisons. La figure 6 est une tension de décharge de contraste simulation par lots flux transversal et la tension réelle, peut être vu de la valeur de simulation figure en bon accord avec la valeur réelle, également vérifier l'exactitude du modèle.
3EKF algorithme et le processus de mise en uvre
Etant donné que seul le filtre de Kalman norme pour les systèmes linéaires, et l'algorithme de filtre de Kalman étendu (EKF) est linéarisé par les équations non linéaires de l'espace d'état du système, l'algorithme de filtre de Kalman alors l'état du système de récursion des estimations optimales, de sorte que cette méthode de liaison EKF deuxième modèle RC afin d'estimer SOC.
flux d'algorithme 3.1EKF
les équations de l'espace d'états discrets non linéaires pour l'algorithme EKF [10]:
xk + 1 = f (xk, uk) + sem
yk = g (xk, uk) + vk (3)
Dans lequel, f (xk, uk) est la fonction de transition d'état non linéaire, g (xk, uk) est une fonction non linéaire de la mesure.
Tout d'abord, le circuit représenté dans le domaine temporel par l'équation de tension et de courant théorème de Kirchhoff figure comme suit:
i = CsdUsdt + usrs
i = CldUldt + UlRl
Ubat = Uoc (SOC) -Us (t) -Ul (t) -R0i (4)
Systèmes nécessitent quantité état SOC, (5) tel que défini dans la formule Ah méthode d'intégration:
SOCT = COS0-t0idtQ (5)
Sélectionner deux tension de la capacité sur la quantité de COS et de l'état, de formule (4) et (5) discrétiser le système d'équations est mis à jour comme représenté dans la formule (6), l'équation de mesure de la formule (7).
En second lieu, de sorte que la variable d'état xk = [SOCkUs (k) Ul (k)] T, la formule (6), la formule (7) sous forme de matrice:
Enfin, l'algorithme récursif EKF pour obtenir estimation en temps réel de SOC, les étapes suivantes:
(1) et l'initialisation x0 P0.
(2) la valeur initiale obtenue conformément au vecteur de prédiction à l'instant k et l'estimation d'état d'erreur quadratique moyenne de l'estimation de prédiction:
(3) calculer le gain du filtre de Kalman:
(4) la valeur mesurée et les gains de correction Gk Kalman vecteur d'état du filtre à l'instant k en fonction de la valeur estimée, et pour obtenir une estimation de l'état optimal de vecteur erreur quadratique moyenne:
(5) revient à l'étape (2) estimer le tour suivant, et ainsi de suite peuvent être obtenues valeur SOC de chaque temps d'itération.
3.2 Mise en uvre des algorithmes
Sur la base de la méthode d'analyse ci-dessus est établie comme indiqué sur la figure. 7 sur le schéma de simulation Matlab / Simulink Internet d'estimation SOC. Le courant d'entrée de modèle réel, la valeur SOC courant estimé que le temps d'entrée de formation d'un temps de système en boucle fermée, par l'intermédiaire d'un module d'algorithme de mise à jour itérative peut estimer le temps optimal pour chaque ligne de SOC, en comparant les résultats de la simulation avec la véritable SOC de vérifier la robustesse de l'algorithme.
algorithme de simulation 3.3
L'entrée de données .mat modèle expérience réelle testée, le temps de simulation est réglée, en prenant l'intervalle d'échantillonnage 1 s, après le modèle d'estimation récursive peut être dérivée en temps réel SOC d'estimation en ligne optimale de chaque instant.
Les figures 8 et 9 montrent que le modèle de simulation et le SOC vrai lorsque la décharge 0.5C flux transversal et intermittent décharge SOC courant, les résultats montrent que l'algorithme valeur estimée SOC et la valeur réelle d'un bon accord, et peu importe état de décharge électrique des types d'erreur ne sont pas plus de 5%.
4 Conclusion
Par charge et de décharge, la tension en circuit ouvert des expériences de HPPC et les expériences a établi les caractéristiques de la dynamique de second ordre RC modèle de circuit équivalent pour simuler la batterie, et le modèle a été validé pour une batterie au lithium-ion pendant le fonctionnement du non-linéaire, a proposé sur la base de l'équivalent processus étendu algorithme de filtre de Kalman et un modèle de circuit est analysé, le dernier modèle d'estimation de SOC construit sur MATLAB / Simulink plate-forme, afin de vérifier si le contre-flux de courant ou des conditions d'erreur intermittents peuvent être contrôlés dans l'algorithme 5% ou moins.
références
[1] BESTER JE, EL HA, Mabwe A M. Modélisation de la batterie de lithiumion et l'estimation SOC utilisant simple et discret de Kalman étendu Filtres pour la gestion de l'énergie Aircraft [C] .Industrial Electronics Society, IECON 201541st Conférence annuelle de l'IEEE . IEEE 2015: 2433-2438.
[2]. ALVAREZ A J C, GARCIA N P J, de COS J F J, et al Batterie estimateur de stateofcharge en utilisant la technique MARS [J] IEEE Transactions on Power Electronics, 2013,28 (8) :. 3798-3805.
. [3] Il Hongwen, Xiong Rui, Fan Jinxin Évaluation des modèles de circuit de la batterie de lithiumion équivalent pour l'état d'estimation de charge par une approche expérimentale [J] Energies, 2011,4 (12) :. 582-598.
[4] Lin Chengtao, Qiu Bin batterie de véhicule électrique comparatif Quanshi entrée de courant modèle de circuit équivalent [J] Journal of Mechanical Engineering, 2005,41 (12) :. 7681.
[5] Yang Yang, pêche pic Tang, QIN Da, les batteries au lithium et d'autres véhicules électriques PNGV modèle de circuit équivalent et le procédé d'estimation de SOC [J]. Simulation du système, 2012,24 (3) :. 938-942.
[6] Il Hongwen, Xiong Rui, Zhang Xiaowei, et al. Estimation Stateofcharge de la batterie de lithiumion en utilisant un filtre de Kalman étendu adaptatif basé sur un modèle amélioré Thevenin [J]. IEEE Transactions on Vehicular Technology, 2011 , 60 (4): 1461-1469.
[7] CHARKHGARD M, estimation Farrokhi M. Stateofcharge pour les batteries de lithiumion utilisant des réseaux de neurones et EKF [J] IEEE Transactions on Industrial Electronics, 2010,57 (12) :. 4178-4187.
[8] Yin Chun, Zhong Qishui, Chen Yangquan, et al estimation de l'état de charge des batteries au lithium sur la base de l'observateur fractionalorder slidingmode [C] .Fractional Différenciation et ses applications (ICFDA), IEEE, 2014 :. 1 -6.
[9] WINDARKO N A, estimation CHOI J. SOC OCV basé sur des batteries NiMH en utilisant un modèle amélioré takacs [J] Journal of Power Electronics, 2010,10 (2) :. 181-186.
. [10] Yuan Shifei, Wu Hongjie, Yin Chengliang État d'estimation de charge à l'aide du filtre de Kalman étendu pour les systèmes de gestion de la batterie en fonction du modèle de batterie ARX [J] Energies, 2013,6 (1) :. 444-470.
