Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Palabras clave:
Carga de la batería Carga óptima Capacidad de modelado Capacidad de desvanecimiento
Gestión de la vida de la batería
ABSTRACTO
1. Introducción
El mercado cada vez mayor de dispositivos inteligentes y vehículos eléctricos que funcionan con baterías es un catalizador para la
operación eficiente y Vigilancia sanitaria de las baterías. En este sentido, los investigadores abordan este desafío, en términos
generales, de dos maneras: carga óptima de la batería y gestión del ciclo de vida . Este último requiere el seguimiento
de la capacidad de la batería . En este documento, proponemos un marco general para la carga óptima de la batería y la gestión de la
vida. Las contribuciones de este documento son triples:
● El proponer una metodología para resolver el problema de carga
óptima, por considerar un genérico equivalente eléctrica modelo de la batería.
● El proponer dos modelos de capacidad de la batería normalizada como una función del número de ciclos y dos de carga de control
de parámetros, a saber., Tensión máxima de la batería y de carga máximo actual.
* Autor para correspondencia en: Universidad de Connecticut, 371 Fairfield Way, U-4157, Storrs, CT 06269, EE. UU.
Dirección de correo electrónico: abdollahi@engr.uconn.edu (A. Abdollahi).
● Proponer un esquema de gestión de la vida útil de la batería para seleccionar los mejores valores de consigna para las variables
de control .
Primero, observamos el problema de carga utilizando un circuito eléctrico
equivalente, más realista que el modelo utilizado en [1,48] . Existen diferentes enfoques para cargar baterías en la literatura, que
incluyen: métodos tradicionales de carga, como la estrategia de carga de corriente continua constante, la estrategia de corriente
constante y el voltaje de corriente constante constante (CC – CV) [2] , constante de varios pasos de carga
actual [3] , métodos basados en Taguchi [4,5] , carga de impulso [6] , carga de pulso [7–10] , optimización basada
en colonias de la estrategia de corriente constante multietapa [11] , control óptimo basado enfoques [12] , red
neuronal [13] , sistema de carga predicho por Grey [14] . Para una revisión de diferentes métodos de carga, el lector interesado
puede consultar [2,15–17] .
El objetivo es encontrar el perfil actual óptimo que minimice una función de costo específica. La función de costo se considera
como una suma ponderada de tiempo de carga (TTC), pérdida de energía (EL), el cuadrado de la diferencia del estado de carga
(SOC) del SOC deseado final y un aumento de temperatura índice. El modelo, que se muestra en la Fig. 1 , se compone de un SOC
dependiente OCV, una resistencia R , y un paralelo RC circuito con resistencia R y la capacitancia C . De acuerdo
0 1 1
con [18] , llamamos a este modelo como "modelo III". Tenga en cuenta que el método, sin embargo, es
http://dx.doi.org/10.1016/j.est.2016.11.002
2352-152X / © 2016 Elsevier Ltd. Todos los derechos reservados.
48 A. Abdollahi y col. / Journal of Energy Storage 9 (2017) 47–58
Nomenclatura
un parámetro en el cálculo de la corriente a través de R , (1)
1
C (Ah) capacidad de la batería, (4)
batt
C [ n ] capacidad
Norma
simulada, (62)
C u ½ n ] Modelo CVD para capacidad, (55)
Norma ;
EL pérdida de energía
parámetro g en el modelo LAR - abg , (47)
g ; g 1 ; g 2 ; g 3 parámetros en el modelo CVD, (54)
½ k ] , vectores utilizados en la formulación del método de optimización de nivel II , (41), (81)
g u
H [ k ] función hamiltoniana, (75)
i [ k ] (A) corriente de carga, (1)
i corriente máxima permitida durante la carga , (31)
máxima
i max óptimo valor para máximo permitido Cur- alquiler
m
J (J) función de costo como una combinación de funciones de costo de TTC, pérdida de energía, suma de error de SOC al cuadrado, aumento de
tEsT
temperatura, (6)
J (J) función de costo calculado en el paso actual
nueva
n multiplicador de Lagrange, (41)
n índice de ciclo, (46)
Vida útil nominal del ciclo NCL , (70)
Variable v [ k ] utilizada en la formulación del método de optimización de nivel II, (42)
Matrices F , G , C [ k ], P [ k ] utilizadas en la formulación del nivel II
método de optimización, (24), (41)
PC presente ciclo, (68)
r peso en el TTC para el algoritmo OtE
r s ponderación para la suma de la función de costo al cuadrado del error SOC , (6)
r t peso para la función de costo TTC, (6)
r T peso para la función de costo de aumento de temperatura , (6)
R (K / W) resistencia térmica efectiva, (20)
Eff
Resistencias R , R ( V ) en el modelo III como se muestra en la Fig. 1 , (8), (2)
0 1
efectos, (18)
R ( V ) resistencia equivalente de calentamiento debido a R , (19)
0T 0
efectos, (18)
R ( V ) resistencia equivalente al calentamiento debido a R , (21)
1T 1
RLS mínimos cuadrados recursivos
s estado de carga, (3)
s estado de carga cuando la tensión del terminal alcanza el valor máximo permitido, (42)
1
s f fi nal SOC, (5)
k
T ½ k ] (K) aumento de temperatura , (10)
Índice de aumento de temperatura del TRI
TLS totales mínimos cuadrados
TTC tiempo de carga
variables de control v max e i , (55)
u max
(J) función de costo calculado en el paso anterior
l vector de co-estado, (74)
l probabilidad relativa de LS-BE modelo
LS - BE
L [ k ] Función lagrangiana, (74)
LAR- abg mínimos residuos absolutos-alfa beta gamma, (47)
v (V) voltaje correspondiente a un SOC de 1, (32)
c
v max óptimo valor para máximo permitido ter-
m
voltaje minal
V tensión de circuito abierto, (29)
0
Fig. 1. Circuito modelo III para la batería.
t ) - x ( t ),
v ð t Þ ¼ R x ð t Þ , x ð t Þ ¼ lim D x ð t þ D Þ - x ð t Þ . Usando estas relaciones y
c 1
- ! 0 D
donde x [ k ] e i [ k ] son x ( k D ) e i ( k D ), respectivamente; D es el intervalo de muestreo (típicamente de 0.1 a 1 s, y se
supone constante por simplicidad de notación), y a es el siguiente:
D
a exp (2)
R C 1 1
La evolución dinámica del estado de carga de la batería (SOC), s , viene dada por
s ½ k þ 1 ] ¼ s ½ k ] þ c i ½ k ] (3)
h
donde s [ k ] es el SOC en el tiempo k y c (en 1 / Amperios) es el coeficiente de conteo de Coulomb [29] , dado por
h
Estos dos parámetros afectan la vida útil de la batería. Otros factores que
afectar la vida útil de la batería incluye profundidad de descarga, variaciones en las corrientes
de carga y descarga , temperatura y ciclo de trabajo y
re
c h
3600 C batt
(4)
duración del pulso en el caso de la carga del pulso, por nombrar algunos.
El diagrama de bloques de la optimización de nivel I se muestra en la figura 2 . Los datos de capacidad medida de los
experimentos de envejecimiento se introducen en un modelo de desvanecimiento
de capacidad que utiliza el ciclo actual y la capacidad de la batería obtenida del medidor
de combustible de la batería (BFG) para seleccionar el
se supone que el proceso de carga tarda k D segundos ( k desconocido y para ser optimizado), para lograr un SOC final deseado
f f
específico de s f . Es decir k
50 A. Abdollahi y col. / Journal of Energy Storage 9 (2017) 47–58
Consideramos una función de costo compuesta de tiempo de carga (TTC), pérdida de energía (EL) en R y R , y un índice de aumento 0 1
k f - 1
½ k ] x ½ k ] (18)
. Σ
J t ¼ k D (7)
f
k f - 1
k ¼ 0
donde R
. Σ
k f - k
0 T 1 T
k f - 1
J s
de proceso a seguir una deseada secuencia de
z ½ k ] ¼
s ½ k ] - s f x ½ k ]
k
(23)
SOCs f s ð k .
d Þg k ¼ 0
k f
donde T ½ k ] es el aumento de temperatura desde la temperatura ambiente,
1 0
F ¼ Σ Σ (25)
J S ¼
k
X f - 1 X k - 1
ð s ½ l ] - s f Þ k
(12)
k ¼ 0 l ¼ 0
La dinámica de la temperatura es la siguiente (para obtener más detalles sobre los modelos térmicos, consulte [1,34–40] ):
T ½ k þ 1 ] ¼ ð 1 - a Þ T ½ k ] þ b i ½ k ] þ b x ½ k ] (13) 2 2
v ½ k ] ≤ v máx (30)
i ½ k ] ≤ i (31)
max
˜ ˜ 0 1
max
y v
max
se discute en
R D
0
b 0
batt
C h ; batt
(14)
es
R D 1
b
m batt C h ; batt
(15)
Usando las notaciones anteriores, podemos escribir la función de costo de la siguiente manera:
X
T
J ¼ r k D þ . D R f 0 e q ½ k ] i ½ k ] þ
2
z ½ k ] Q ½ k ] ½ k ] Σ (33)
k - 1
--
ˆ
l ¼ 0
prueba t
dónde
z
k ¼ 0
De manera similar a [1,47] , la función de costo debido a la temperatura, es decir, J , se puede escribir de la siguiente manera:
T
r s 0
Σ (34)
El proceso de carga se puede dividir en dos etapas: en la primera
(6) Si J nuevo
> J , la k óptima es el valor anterior y el
viejo
1
prueba prueba
A medida que el voltaje alcanza el valor límite de v c en el tiempo k , y permanece constante a partir de ese momento, la
1
El perfil actual óptimo se obtuvo en el paso anterior; de lo contrario, vaya al siguiente paso.
(7) Resuelva el conjunto de recursiones (44) para un paso con los valores terminales obtenidos en el paso anterior .
(8) Vaya al paso '' (4) ''.
Es importante tener en cuenta que aunque el perfil actual óptimose deriva para el modelo III (ver Fig. 1 ), el método es genérico
y es
k = k ; k
þ 1 ; . . . ; k
(37)
R 0 1 1 f
x ½ k ] ¼ a x ½ k - 1 ] þ ð 1 - a Þ i ½ k - 1 ] k ¼ k ; k þ 1 ; . . . ; k (38) con los siguientes valores iniciales
1 1 f
x ½ k - 1 ] ¼ x
1 k
1 - 1
(40)
donde i y x son las iniciales valores de las corrientes de fase 2, que son iguales a los valores fi nales de las corrientes
k - 1 k - 1
modelos de circuitos eléctricos discutidos en [18] , con un vector de estado ampliado z [ k ].
Se debería ser señalar que la práctica significado de los parámetros de optimización de problema (por
ejemplo, r t , r s , y r T en (6) ) es para utilizar ellos en
un iterativo diseño procedimiento para alcanzar el deseado rendimiento. Por ejemplo, si la pérdida de energía máxima permitida
es E y el tiempo de carga máximo aceptable es TTC , entonces, en el procedimiento de diseño , r t debe seleccionarse
max max
proporcionalmente a max ; eso es E
G T
i ½ k ] ¼ -
2 D R
½ k ]
. P ½ k þ 1 ]
. Σ - 1
. I þ C ½ k ] P ½ k þ 1 ]
n ¼ f
v ½ 0 ]
GG T
(42)
C ½ k ] ¼
2 D R
(43)
½ k ]
.
P ½ k ] ¼ 2 Q ½ k ] þ F T P ½ k þ 1 ] yo
Σ - 1
þ C ½ k ] P ½ k þ 1 ] F
cambiamos r
- 1
½ k ] ¼ F T I þ P ½ k þ 1 ] C ½ k k þ 1 ]
g
. Σ -
v ½ k ] ¼ v ½ k þ 1 ] - T ½ k þ 1 ] I þ C ½ k ] P ½ k þ 1 ] C ½ k ] ½ k þ 1 ]
g 3
v ½ k ] ¼ 0
1
(44)
(45)
4. Modelos de capacidad propuestos
En esta sección, proponemos dos modelos, a saber, LAR- abg y CVD, para estimar la capacidad normalizada (y, de manera
equivalente, el
a un gran valor (por ejemplo, en Matlab, configúrelo como '' Inf '').
(2) Inicialice k con 1.
1
52 A. Abdollahi y col. / Journal of Energy Storage 9 (2017) 47–58
Fig. 3. Efecto de diferentes pesos en los perfiles de corriente, voltaje y
SOC
experimento, las capacidades calculadas C [ n ] se normalizan pordividiéndolos por la capacidad de la batería en el primer ciclo, es
decir, C [1], y las capacidades normalizadas resultantes se denotan por la C [ n ]; es decir norma
una vez que la corriente de carga cae por debajo de (1/20) C o, equivalentemente, 130 mA. Se utilizaron tres perfiles
de descarga diferentes , a saber , Disch1-Disch3. Tabla 3 describe la descarga pro fi le Disch1, que ha sido utilizado en todos
los experimentos excepto 4 y 6. La pro fi le Disch2
es similar a Disch1, excepto que se usa 0.25C para la etapa 1, 0.5C para
Norma C
n = 1 ; 2 ; . . . (46)
etapa 2 y 0.2C para la etapa 3. El per fi l Disch3 consta de una sola etapa: descargue a 0.2C hasta que el voltaje del terminal alcance
2.8 V.
de ciclos
Descripción de
b - x b þ x ¼ 0 (51)
2
1 2
n = 1 ; 2 ; . . . (52)
C F ½ n ] ¼ 1 - C ni m ½ n ] n ¼ 1 ; 2 ; . . . (53)
4.4. Comparación del modelo LAR - abg y el
modelo LS-BE
Fig. 4. Perfiles de corriente y tensión.
4.2. LAR- ABG modelo
Entre los exploradas modelos, el siguiente modelo con el menos absolutos residuales (LAR) como su fi
tting criterio se encontraron para mejor
capturar la tendencia en la capacidad normalizada. Nos referimos a este modelo como '' LAR- abg ''.
El método LAR es robusto porque minimiza la suma de los valores absolutos de los residuos, en
lugar de las diferencias al cuadrado como en los mínimos cuadrados ordinarios. Por lo tanto, los valores extremos tienen una
influencia sustancialmente menor en el ajuste, logrando así la robustez deseada del ajuste. La función de Matlab de '' ajuste '' con el ''
Punto de inicio '' de [1 1 1] se usó para entrenar el modelo.
4.3. Modelo LS-BE
Entre los diversos modelos que habíamos probado , se eligió el siguiente modelo bi- exponencial, que se usa con frecuencia en la
literatura [42,43,19] , para la comparación. Nosotros utilizamos los mínimos cuadrados se acercan como el método de fi tting; por eso
nos referimos a él como '' LS-BE ''.
n n
C nor m ½ n ] ¼ a 1 b þ a 2 b
n = 1 ; 2 ; . . . (48)
La estimación de los parámetros se realiza como sigue. Primero, podemos verificar fácilmente que se cumple la siguiente
relación .
Como tenemos el perfil de capacidad normalizada, las variables desconocidas de x y x en (49) se pueden estimar fácilmente usando
1 2
Fig. 5. (a) Comparación del modelo LAR - abg y el modelo LS-BE . (b) Comparación de LAR-
abg , modelos LS-BE.
54 A. Abdollahi y col. / Journal of Energy Storage 9 (2017) 47–58
Tabla 4
Diferencias AIC de los modelos LAR - abg y LS-BE y probabilidad relativa del modelo LS-BE para todos los experimentos de envejecimiento.
ID del experimento 1 2 3 44 55 66 77 8 99 10
La tendencia en la capacidad se desvanece más que LS-BE. Se descubrió que esta observación era consistentemente válida en todos los
experimentos.
A continuación nos comparamos LAR- ABG y los LS-BE modelos usando la
Criterio de información de Akaike (AIC). El AIC se utiliza para clasificar varios modelos en el sentido de la información de Kullback-
Leibler [44] y valora la bondad del ajuste y la parsimonia, dos objetivos que a menudo contrarrestan. Sin embargo, una vez que un
modelo, con menos parámetros (más parsimonioso), proporciona una mejor bondad de ajuste que un modelo con más parámetros, el
AIC selecciona el
modelo con menos parámetros. El número de parámetros para el LAR- abg es 3 y para el LS-BE es 4, lo que significa que
el modelo LAR - abg es más parsimonioso que el modelo LS-BE. En cuanto a la bondad de ajuste, la Fig. 6 muestra la relación de
MSE (Error Cuadrático Medio ) de LS-BE a la de LAR- abg , donde en todos los experimentos, esta relación es mayor que 1,
siendo tan alta como 3.6 para el primero
experimentar. En la clasificación de los modelos a través de la AIC, lo que es importante es la
Tabla 5
Parámetros del modelo LAR - abg para todos los experimentos.
ID del experimento a b g
1 0.9992 0,9995 - 0,0037
2 1.0015 0.9996 - 0.0027
3 1.0007 0,9996 - 0,0018
44 1.0007 0,9996 - 0,0006
55 1.0013 0.9995 - 0.0042
66 1.0008 0.9996 - 0.0043
77 1.0005 0,9996 - 0,0028
8 1.0016 0.9996 - 0.0032
99 1.0004 0.9996 - 0.0021
10 1.0004 0,9996 - 0,0009
depende de v max , y i . El modelo elegido para este propósito es el siguiente:
max
norte
Norma C ; v ; yo
.
½ n ] ¼ a 1 v a 2 i a 3
Σ b 3
ð b v b 2 i
. Σ
L a T a b l a 4 muestra las diferencias de AIC D AIC ¼ AIC LS BE - AIC
max max
max max
1 max max
(54)
se ve que el valor más alto para la probabilidad relativa del modelo LS-BE es 0.1, lo que demuestra que el modelo LAR - abg es
mejor que el modelo LS-BE en el sentido de la información de Kullback-Leibler.
La Tabla 5 muestra los parámetros del modelo LAR - abg para los diez
experimentos
experimentos, se utilizan para ajustar el modelo CVD utilizando el enfoque LS .
El modelo CVD de (54) se puede escribir de la siguiente manera:
Norma C u ½ n ] ¼ f ð a ; b ; g ; ; n Þ (55)
; u
4.5. Modelo CVD
a ¼ ½ a 1 a 2 a 3 ]
(56)
Con el fin de ser capaz de aplicar la política de control de nivel I (como se describe en la Sección 5 ) para seleccionar los valores
óptimos para el máximo permisible actual y el máximo permisible de voltaje
terminal, que necesitamos una capacidad fade modelo que incorpora estos dos
parámetros Por esta razón, desarrollamos una variable de
controlmodelo dependiente ( modelo CVD ), en el que los parámetros abg son
Σ Σ
b ¼ b 1 b 2 b 3 (57)
u ¼ ½ v máx i ] (59)
máx
donde una , b , y g son fi ja parámetros, una vez que el modelo está entrenado. Por lo tanto, la tendencia en la capacidad (y, en
consecuencia, la capacidad se desvanece) durante los ciclos depende de los valores de las variables de control . Tenga en u
definimos la '' Vida útil
del ciclo '' de UCL como el número
kl
de ciclo en
el que la capacidad normalizada alcanza la '' Ca
pacidad normalizada mínima permisible '' LPN
C (por ejemplo, 80%) . Así,
C nor m ; k l ½ n ] ¼ f ð a ; b ; g ; u k l ; n Þ ≤ LPNC para n ≤ UC L (64)
kl
en el ciclo PC. Si esta batería se va a cargar
utilizando la configuración de control u , kl
su capacidad normalizada debe corresponder a
la curva de la C [ n ]. En correspondencia
norma , kl
normalizada de la batería en el
ciclo C , que definen el ''
PC
virtual Presente Ciclo
'' de la batería VPC como sigue: kl
C ¼ f ð a ; b ; g ;
PC u kl ; VPC kl Þ (66)
la vida útil
del ciclo y el ciclo actual virtual ; eso es
RUCL ¼ UCL - VPC (67)
kl kl kl
EUCL kl
¼ PC þ RUCL kl
(68)
4.6. Comparación de modelos CVD y LS-BE
La figura 7 (a) muestra una comparación de los modelos LAR - abg , CVD y LS-BE para capturar la tendencia en las
capacidades de dos de los experimentos. El modelo CVD y el modelo LAR - abg son indistinguibles. La Fig. 7 (b) muestra el error
relativo de los modelos CVD y LS-BE con respecto al modelo LAR - abg . Como es evidente a partir de estos experimentos, en
comparación con LS-BE, el modelo CVD tiene un error relativo más bajo .
5. Carga rápida con gestión de la duración de la batería a través de la selección óptima de parámetros de carga
En esta sección, que presenta una rápida carga estrategia, junto con la política de gestión de la vida de la batería, mediante la
presentación de una formulación para la óptima selección de control de variables, es decir, v max y i . los max
objetivo es encontrar el voltaje del terminal óptima y máxima de corriente de modo que preservar la '' menos admisible Normalizado
Capacidad '' LPNC (típicamente 80%) en el extremo de la '' nominal Ciclo de vida '' NCL (típicamente 500) ciclos de la batería uso,
mientras minimiza el tiempo de carga. En este papel, para ilustrativos propósitos, que utilizamos LPNC = 80% y NCL = 500 como
las restricciones para la óptima carga de selección de parámetros [47] .
Supongamos que tenemos K diferentes valores candidatos para v max y L
diferentes valores candidatos para i siguiente manera:
max de la
v 2 f v ; v ; . . . ; v g (60)
Insertando (67) en (68) , tenemos
EUCL ¼ ð PC - VPC Þ þ UCL (69)
kl kl kl
la resistencia en serie del modelo de circuito eléctrico equivalente. Tenga en cuenta que para el funcionamiento de modelo-I
que necesito a conocer una estimación de la resistencia de la batería, es decir, R , 0
desea tener el TTC más rápido entre todas las estrategias posibles. El s th
ciclo limitaciones y resultados en el menor
tiempo de carga para alcanzar un SOC del 50%, a continuación, que establece s = 0,50. Observación : Obsérvese que cualquier
º
56 A. Abdollahi y col. / Journal of Energy Storage 9 (2017) 47–58
Fig. 8. Diagrama de bloques detallado de la optimización de nivel I.
Tabla 7
Parámetros del escenario Política óptima
(normalizado)
personal A Þ
1 50 0,96 150 0,50 0,97 1.3 4.22 3.38
. Σ PC 0 th
Tabla 7 muestra los parámetros y el
m
u ¼ ½ v m
i ] ¼ ½ v m i m ] (73)
m
política óptima para cada escenario. Debido a la limitación de espacio, solo para
Fig. 8 muestra la detallada bloque diagrama de la nivel-I problema de optimización. Los puntos de
ajuste de la diagrama son LPNC y NCL, y s , las º
e este papel, que suponemos estas entradas tan conocido. Las salidas de la diagrama son
i m un x un d v m ma x , WHI c h ar e u s e d i n º e le v e l - I I a L gorithms.
m
6. Ilustración numérica de la selección óptima de parámetros de carga
En esta sección, ilustramos el método de selección de parámetros de carga óptima propuesto mediante ejemplos numéricos . La
resolución de los valores candidatos para las variables de control v max e i se seleccionan como max
'' normalizado (real) '' y los valores reales para corrientes y voltajes están en amperios y voltios, respectivamente.
Las siguientes ideas se pueden extraer de las Tablas 7 y 8 :
(1) Para escenarios con un uso moderado de la batería y valores bajos de s (como en '' Escenario 1 '' y '' Escenario 2
th
''), la estrategia óptima es la que se encuentra entre los posibles candidatos (miembros de SFCS) que Tiene la corriente más
alta .
(2) Si la batería se trata con suavidad, la estrategia óptima
produce valores más altos de v m max e i ma x . Por ejemplo, la batería en
m
Tabla 8
EUCL para el escenario 6.
v k yo l
0,7 (1,82) 0,8 (2,08) 0.9 (2.34) 1,0 (2,6) 1,1 (2,86) 1,2 (3,12) 1,3 (3,38)
'' Escenario 2 '' es tratado más suavemente que la batería en '' Escenario 1 '', y consequentl y , la v m max (1.00 normalizado o
4.35 V) en '' Escenario 2 '' es mayor que eso (0.97 normalizado o
4.22 V) del '' Escenario 1 ''.
(3) Para escenarios con valores más altos de s (como en '' Escenario 3
th
''), la estrategia óptima produce valores más bajos de i max y valores más altos de
m
v m ma x .
(4) El aumento de la resistencia de la batería (compare los escenarios 4, 5 y
6) da como resultado valores más bajos de i max y valores más altos de v m ma x .
m
7. Conclusión
En este artículo, presentamos un enfoque de optimización cuadrática lineal y su solución para cargar de manera óptima una
batería de iones de litio de forma general. El perfil óptimo se obtuvo en función de una función
de costo , que es una suma ponderada de tiempo de carga (TTC), pérdida de energía (EL), suma de los cuadrados de las diferencias
del estado de carga (SOC) de el SOC final deseado y el índice de aumento de temperatura (TRI). La estrategia de solución
presentada es genérica y es aplicable a cualquier modelo de circuito eléctrico equivalente de una batería. El efecto de
cambiar Se discutieron los pesos en la función de costo en los perfiles de corriente y voltaje .
Apéndice
En este apéndice, que deriva del algoritmo indicado en la Sección 2 . Asumimos que en el tiempo k , el SOC alcanza el 1
multiplicador n . Además, las dinámicas de la sistema se relajaron por co
vector de estado l . Por lo tanto, la LQ problema es para minimizar la siguiente función de Lagrange:
k - 1
1
þ l ½ k þ 1 ] F z ½ k ] þ G i ½ k ] - ½ k þ 1 ] (74)
z
k ¼ 0
k - 1
1
k ¼ 1
Como un precursor para el desarrollo de una batería de vida de gestión de la política, presentamos dos modelos para estimar el
normalizada de la batería de la capacidad, a saber, la LAR- ABG y la ECV. El primero es un
i ½ k ] ¼ -
2 D R
@ H ½ k ]
½ k ] l
½ k þ 1 ] (76)
T
en función del número de ciclos y el último es una función de la cantidad de ciclos y dos parámetros de control de carga, viz., voltaje
de terminal máximo de la batería ( v max ) y corriente de carga máxima ( i ). Las precisiones de estos max
modelos fueron exploradas por datos experimentales recopilados de experimentos de envejecimiento
De (24), (76) y (77 ) , que podemos escribir las dinámica de ½ k ] y z
z
l ½ k ]
dónde
¼
GG T
z
l ½ k þ 1 ]
(78)
Selección de parámetros de carga. El enfoque propuesto encuentra el mejor v max e i para lograr la vida útil deseada del ciclo (por
max
ejemplo,
C ½ k ] ¼
2 D R
(79)
½ k ]
500 ciclos), manteniendo la capacidad normalizada por encima de un umbral deseado (por ejemplo, 80%) y logrando el tiempo de
carga más rápido posible. El método fue ilustrado a través de resultados numéricos. El punto de ajuste óptimo depende del estado de
carga deseado (denotado por s ) para el cual aspiramos a alcanzar el tiempo de carga más rápido. También depende de la resistencia
th
de la batería, es decir, R . Los resultados de la simulación muestran que el umbral bajo de carga rápida en
0
el estado de carga ( s ) y la batería baja
th
T
s ¼
1 u ½ k ] ½ k ] þ v ½ k ] n þ d ½ k ] (81)
z
entre el conjunto de factibles de control de configuración, mientras que el aumento de s XX
. Σ
l ½ k ] ¼ 2 Q ½ k ] ½ k ] þ F
T
P ½ k þ 1 ] ½ k þ 1 ] þ ½ k þ 1 ] n (82)
g
para valores más bajos de i y valores más altos de v max . Sugerimos estrategias de carga óptimas robustas que son insensibles al
max
orden del modelo y las variaciones de los parámetros del modelo como una vía para el futuro investigación.
Expresiones de gratitud
El trabajo reportado en este documento fue parcialmente apoyado por subvenciones NSF ECCS-0931956 (NSF CPS), ECCS-
1001445 (NSF GOALI), CCF- 1331850 (NSF CyberSEES), subvención ARO W911NF-10-1-0369, subvención ONR N00014- 10-1-
0029, ONR otorga N00014-12-1-0238, N00014-16-1-2036 y QUBE otorga HPCM034125HQU. Nosotros
Gracias NSF, ARO, ONR y QUBE por su apoyo a este trabajo.
Y. Bar-Shalom fue parcialmente respaldado por Grant ARO W991NF-10-1-0369. Las opiniones expresadas en este documento son
únicamente las de los autores y no no representan los de los patrocinadores.
58 A. Abdollahi y col. / Journal of Energy Storage 9 (2017) 47–58
. Σ -
v ½ k ] ¼ v ½ k þ 1 ] - T ½ k þ 1 ] I þ C ½ k ] P ½ k þ 1 ]
g 3 C ½ k ] ½ k þ 1 ] (86)
u ½ k ] ¼ ½ k ] (87)
g
T
s - s -
1 k g ½ k ] ½ k ]
z
[18] B. Balasingam, G. Avvari, B. Pattipati, K. Pattipati, Y. Bar-Shalom, Un enfoque robusto para la medición de combustible de batería, parte I: Identificación del modelo en
[19] W. He, N. Williard, M. Osterman, M. Pecht, pronósticos de baterías de iones de litio basadas en la teoría Dempster-Shafer y el método bayesiano
[20] X. Lin, J. Park, L. Liu, Y. Lee, A. Sastry, W. Lu, Un modelo y análisis de desvanecimiento de capacidad integral para baterías de iones de litio, J. Electrochem. Soc. 160
[21] P. Rong, M. Pedram, un modelo analítico para predecir la capacidad restante de las baterías de iones de litio, IEEE Tran. Escala muy grande Integr. (VLSI) Syst. 14
n f
v½ k ]
(89)
T
s - s -
1 k g ½ 0 ] ½ 0 ]
z
[23] B. Pattipati, C. Sankavaram, K. Pattipati, Marco de identificación y estimación del sistema para las características fundamentales del sistema de gestión de baterías de
automóviles, IEEE Trans. Syst. Man Cybern. C (Appl. Rev.) 41 (6) (2011) 869–884.
[24] B. Saha, K. Goebel, S. Poll, J. Christophersen, Métodos de pronóstico para el monitoreo de la salud de la batería utilizando un marco Bayesiano, IEEE
Trans. Instrum. Medida 58 (2)
norte ¼ f
v ½ 0 ]
(90)
(2009) 291–296.
[25] X. Hu, SE Li, Z. Jia, B. Egardt, manage- salud basado en la entropía muestral mejorada ment de Li-ion batería para fi ed electri vehículos, Energy 64 (2014) 953-960.
[27] GL Plett, Estimación recursiva aproximada de mínimos cuadrados totales ponderados de la capacidad total de la celda de batería, J. Power Sources 196 (4) (2011) 2319–
2331.
celdas de batería de iones de litio que utilizan el estado de carga y la carga transferida, IEEE
Tenga en cuenta que esta es una política de retroalimentación de estado (circuito cerrado).
Referencias
[1] A. Abdollahi, X. Han, G. Avvari, N. Raghunathan, B. Balasingam, K. Pattipati, Y. Bar- Shalom, carga óptima de la batería, parte I: minimización del tiempo de carga, pérdida
de energía , y aumento de temperatura para el modelo de batería de resistencia ocv, J. Power Sources 303 (2016) 388–398.
[2] RC Cope, Y. Podrazhansky, El arte de cargar la batería, en: La Decimocuarta Anual Conferencia de batería sobre aplicaciones y avances, IEEE, (1999), pp. 233–235.
[3] Y.-H. Liu, C.-H. Hsieh, Y.-F. Luo, busque un patrón de carga óptimo de cinco pasos para baterías de iones de litio utilizando matrices ortogonales consecutivas, IEEE
[4] Y.-H. Liu, Y.-F. Luo, busque un patrón óptimo de carga rápida para baterías de iones de litio utilizando el enfoque taguchi, IEEE Trans. Ind. Electron. 57 (12) (2010) 3963–
3971.
[5] TT Vo, X. Chen, W. Shen, A. Kapoor, Nueva estrategia de carga para baterías de iones de litio basada en la integración del método Taguchi y la estimación del estado de
carga ción, J. Fuentes de energía 273 (2015) 413–422.
[6] PH Notten, JO het Veld, J. Van Beek, cargando baterías de iones de litio: un desafío nuevo concepto de carga , J. Power Sources 145 (1) (2005) 89–94.
[7] B. Purushothaman, U. Landau, Carga rápida de baterías de iones de litio utilizando corrientes pulsadas, un análisis teórico, J. Electrochem. Soc. 153 (3) (2006) A533 – A542.
[8] L.-R. Chen, un diseño de un sistema de carga de pulso de batería óptimo por técnica de frecuencia variada, IEEE Trans. Ind. Electron. 54 (1) (2007) 398–405.
[9] L.-R. Chen, Diseño de cargador de pulso de voltaje de servicio variado para mejorar la respuesta de carga de la batería de iones
de litio , IEEE Trans. Ind. Electron. 56 (2) (2009) 480–487.
[10] J. Li, E. Murphy, J. Winnick, PA Kohl, Los efectos de la carga de pulso en las características de ciclismo de las baterías comerciales de iones de litio, J. Power Sources
102 (1) (2001) 302–309.
[11] Y.-H. Liu, J.-H. Teng, Y.-C. Lin, busque un patrón de carga rápida óptimo para baterías de iones de litio utilizando el algoritmo del sistema de colonias
[12] Z. Guo, BY Liaw, X. Qiu, L. Gao, C. Zhang, método de carga óptimo para baterías de iones de litio que utilizan un protocolo de voltaje universal para el envejecimiento,
[14] L.-R. Chen, RC Hsu, C.-S. Liu, un diseño de un sistema de carga de batería de iones de litio con predicción gris , IEEE Trans. Ind. Electron. 55 (10) (2008) 3692–3701.
[15] R. Klein, NA Chaturvedi, J. Christensen, J. Ahmed, R. Findeisen, A. kójico, Optimal estrategias en la batería de iones de litio, en la carga: IEEE Proceedings de la
[16] NA Chaturvedi, R. Klein, J. Christensen, J. Ahmed, A. Kojic, Algoritmos para sistemas avanzados de gestión de baterías , IEEE Control Syst. 30 (3) (2010) 49–68.
enfoque para la medición de combustible de batería, parte II: estimación de capacidad en tiempo real, J. Power Sources 269 (2014) 949–961.
[30] J. Zhang, J. Lee, una revisión sobre pronósticos y monitoreo de salud de la batería de iones de litio, J. Power Sources 196 (15) (2011) 6007–6014.
[31] P. Arora, RE White, M. Doyle, mecanismos de desvanecimiento de capacidad y reacciones secundarias en baterías de iones
de litio, J. Electrochem. Soc. 145 (10) (1998) 3647–3667.
[32] D. Zhang, BS Haran, A. Durairajan, RE White, Y. Podrazhansky, BN Popov, Estudios sobre la capacidad de desvanecimiento de las baterías de iones de litio, J. Power
[33] P. Keil, A. Jossen, Protocolos de carga para baterías de iones de litio y su impacto en la vida útil del ciclo, un estudio experimental con diferentes 18,650 celdas de alta
[34] AA Pesaran, Modelos térmicos de batería para simulaciones de vehículos híbridos, J. Power Sources 110 (2) (2002) 377–382.
[35] J. Yan, G. Xu, H. Qian, Y. Xu, Z. Song, Modelo de carga rápida basada en control predictivo para baterías de vehículos , Energies 4 (8) (2011) 1178–1196.
[36] CE Parfitt, WE Crofts, R. Buckle, un modelo de batería de iones de litio adaptable, ECS Trans. 28 (22) (2010) 21–33.
[37] AA Pesaran, A. Vlahinos, SD Burch, Rendimiento térmico de módulos y paquetes de baterías EV y HEV , Laboratorio Nacional de Energía Renovable , 1997.
[40] F. He, L. Ma, gestión térmica de baterías que emplean control de temperatura activo y flujo de enfriamiento alternativo, int. J. Transferencia de masa de calor. 83
(2015) 164–172 .
[41] http://www.keithley.com/products/dcac/currentvoltage/highpower/
? mn = 2651a .
SA Rogers, RA Sutula, estudios de calendario y ciclo de vida de las baterías de iones de litio de generación 1 del programa de desarrollo de tecnología avanzada , J.
[44] KP Burnham, DR Anderson, KP Huyvaert, selección del modelo AIC e inferencia multimodelo en ecología del comportamiento: algunos antecedentes, observaciones y
comparaciones , Behav. Ecol. Sociobiol 65 (1) (2011) 23–35.
[45] KP Burnham, DR Anderson, Selección e inferencia de modelos: un enfoque teórico de información práctica , Springer-Verlag, Nueva York, 1998.
[46] NJ Higham, Precisión y estabilidad de los algoritmos numéricos, Siam, 2002.
[47] A. Abdollahi, N. Raghunathan, X. Han, GV Avvari, B. Balasingam, KR Pattipati, Y. Bar-Shalom, Optimización de carga de batería para modelo de circuito equivalente a
resistencia OCV , 2015 American Control Conference (ACC), IEEE, 2015, pp. 3467–3472.
AUTOTEST, IEEE, 2014, págs. 260–269.