Labo Ing Mecani Sustentacion

Carga óptima para el modelo de batería eléctrica
equivalente general y gestión de la vida útil de la batería.

A. Abdollahi * , X. Han, N. Raghunathan, B. Pattipati, B. Balasingam, KR Pattipati,
Y. Bar-Shalom, B. Tarjeta
Departamento de Ingeniería Eléctrica e Informática, Universidad de Connecticut, EE. UU.
INFORMACIÓN DEL ARTÍCULO

Historia del articulo:

Recibido el 11 de mayo de 2016
Recibido en forma revisada 5 de noviembre de 2016 Aceptado 8 de noviembre de 2016
Disponible en linea

Palabras clave:
Carga de la batería Carga óptima Capacidad de modelado Capacidad de desvanecimiento
Gestión de la vida de la batería
ABSTRACTO
Las contribuciones de este documento son triples. En primer lugar, nos presenta la lineal cuadrática solución para cargar de manera óptima una batería

Li-ion en una forma general. Aunque el modelo de batería considerado aquí es un circuito compuesto por un voltaje
de circuito abierto (OCV), una resistencia en serie y un circuito RC , la metodología es aplicable a cualquier modelo de circuito eléctrico de una
batería. Se considera una combinación de diferentes funciones de costos que incluyen: tiempo de carga, pérdida de energía e índice de aumento
de temperatura . Nosotros discutimos el efecto de distintas ponderaciones de las funciones de coste de la corriente y la tensión de los per fi les. En
segundo lugar, presentamos dos modelos para la capacidad normalizada de la batería en función del número de ciclos y dos parámetros de control de
carga, a saber, el voltaje terminal máximo de la batería y la corriente de carga máxima . Estos modelos se comparan con un modelo de capacidad bi-
exponencial. La efectividad de los modelos propuestos para pronosticar la capacidad de la batería se valida utilizando los datos experimentales . En
tercer lugar, estos modelos se utilizan para la gestión de la vida de la batería mediante el desarrollo de un óptimo método de selección de parámetros
que proporciona la carga de los mejores de consigna valores para los de control de las variables para lograr un fi pre-especificados desear '' útil ciclo
de vida '', mientras que el logro del menor tiempo posible a -cargar. El método de selección de parámetros de carga óptima propuesto se ilustra a
través de resultados numéricos .
© 2016 Elsevier Ltd. Todos los derechos reservados.
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
a 1 , a 2 parámetros en el modelo LS-BE, (48)

una ; a ; un ; a parámetros en el modelo CVD, (54)
1 2 3
a , b , b coeficientes en el modelo de aumento de temperatura , (13)

0 1
AIC de información de Akaike criterio

parámetro b en el modelo LAR - abg , (47)
b 1 , b 2 parámetros en el modelo LS-BE, (48) b ; b 1 ; b 2 ; b 3 parámetros en el modelo CVD, (54) parámetro c en h
recuento de culombios, (4)

C [ n ] capacidad de la batería en el ciclo n , (46)
Tasa de velocidad C a la que se descarga la batería en relación con la capacidad máxima
Condensador C (F) en el modelo III, como se muestra en la Fig. 1 , (2) la capacidad CF se desvanece
1
C (Ah) capacidad de la batería, (4)
batt
C capacidad calorífica de la batería (J / (kg K)) de la batería, [1,47] , (14)

h ,
C [ n ] capacidad
Norma
normalizada, (46) C ma x ; v max ½ n ] Modelo CVD para capacidad, (54) C [ n ] capacidad

norma ; i Norma , kl
simulada, (62)
C u ½ n ] Modelo CVD para capacidad, (55)
Norma ;
C Capacidad de en el ciclo actual, (66)

PC
Control de CVD variable dependiente

D AIC AIC diferencia
D (s) tiempo de muestreo, (2)
h eficiencia de carga
EUCL vida útil esperada del ciclo, (68)
kl
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
I 3 × 3 matriz de identidad, (41)

3
J (J) función de costo de pérdida de energía, (6)

E
J suma de la función de costo al cuadrado del error SOC, (6)

s
J (s) función de costo de tiempo de carga , (6)

t
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
LPNC capacidad normalizada menos permisible, (64) LQ-CV Lineal Cuadrático - Voltaje Constante

LS mínimos cuadrados
LS-BE mínimos cuadrados bi-exponencial
m (kg) de masa de la batería, (14)
batt
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
R ( V ) resistencia equivalente debido a R y calentamiento

0eq 0
efectos, (18)
R ( V ) resistencia equivalente de calentamiento debido a R , (19)
0T 0
R ( V ) resistencia equivalente debido a R y calentamiento

1eq 1
efectos, (18)
R ( V ) resistencia equivalente al calentamiento debido a R , (21)
1T 1
RUCL restante ciclo de vida útil, (67)

kl
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
s umbral de estado de carga

th
SFCS conjunto de configuraciones de control factibles, (71)

SOC estado de carga
T (K) temperatura central de la batería, (11)
T (K) temperatura ambiente, (11)
amb
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
u ajuste de control óptimo, (72)

m
UCL vida útil del ciclo, (64)

kl
antigua Prueba
(J) función de costo calculado en el paso anterior
v ½ k ] (V) voltaje terminal de la batería, (29)

J T (Ks) fu ció
k índice de tiempo, (1)
k vez cuando la tensión del terminal alcanza el valor máximo permitido, (35)
1
k fi nal valor de índice de tiempo, (5)

f
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 valor máximo permitido de la terminal de Voltios edad durante la carga, (30)

max
v max óptimo valor para máximo permitido ter-
m
voltaje minal
V tensión de circuito abierto, (29)
0
VPC ciclo actual virtual, (66)

kl
x [ k ] (A) corriente a través de R , (1)

1
½ k ] vector de estado para el modelo de temperatura , (23)

z
A. Abdollahi y col. / Journal of Energy Storage 9 (2017) 47–58 49

Fig. 1. Circuito modelo III para la batería.

genérico y aplicable a cualquier modelo de circuito eléctrico equivalente , con un espacio de estado ampliado . A medida

que nos vamos a ver, la óptima estrategia se compone de dos etapas: la primera etapa es la solución de un lineal- cuadrática (LQ) de
un problema y la segunda etapa es una constante tensión. Por lo tanto, la estrategia se llama una política lineal cuadrática-voltaje
constante (LQ-CV) .
En segundo lugar, que presentamos dos modelos para normalizado de la batería de la capacidad (o, equivalentemente, la
capacidad de fundido) como una función del número de ciclos y dos parámetros de control de carga , a saber, el voltaje
terminal máximo de la batería y la corriente de carga máxima . Esta etapa es un precursor de la tercera etapa en la que se desarrolla
un control de la política de gestión de la batería de la vida, donde nos necesitamos una capacidad
modelo que incluye los dos parámetros de control de carga . No son una
Los parámetros de carga óptimos v max e i se utilizarán como parámetros de control en el algoritmo de carga.

max
El papel está organizado como sigue. En la Sección 2 , que presenta la formulación de la LQ-CV enfoque (Linear Quadratic-

Constant tensión) y se deriva la óptima correspondiente carga per fi l. En la Sección 3 , presentamos los resultados de la simulación
para la estrategia de carga óptima y discutimos el efecto de diferentes ponderaciones en la función de costo en los perfiles de
corriente y voltaje . En la Sección 4 , que analiza los envejecimiento experimentos y proponemos dos modelos para la decoloración
capacidad de la batería. En la Sección 5 , presentamos una metodología que combina la carga rápida y la gestión de la vida útil de
la batería a través de la selección óptima de parámetros de carga . Las ilustraciones numéricas para la selección óptima de
parámetros de carga se presentan en la Sección 6 . Por último, en la Sección 7 , que concluye el documento.

2. Formulación de estrategia lineal cuadrática- voltaje constante (LQ-CV)

En esta sección, investigamos el problema de carga de la batería utilizando el modelo de circuito eléctrico equivalente que se
muestra en la figura 1 . Este modelo, en comparación con el modelo discutido en [1] , incluye
un circuito RC adicional ( R y C ). Deje que la corriente (en tiempo continuo ) pase
1 1
R y R son i ( t ) yx ( t ),

0 1 respectivamente, y permiten que la corriente y el voltaje
a través del condensador C sean i ( t ) y v c ð t Þ , respectivamente. Entonces, tenemos : i ð t Þ ¼ C v c ð t Þ , i ( t ) = i (
˙
1 c c 1 c
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
Número de modelos de capacidad en la literatura, incluyendo bi- ˙ ˙ ˙
- ! 0 D
exponencial [19] , electroquímica basada en la física [20–22] , y
insertando li m D - ! 0 D

1
para C , se puede derivar el

1
R 1 1 - exp ð— D = ð R 1 C 1 ÞÞ
métodos que se basan en el apoyo vector máquinas [23] , relevancia vector máquinas (RVM) [24] , la muestra basado en la

entropía [25] , extendido de Kalman filtrantes [26] , total ponderado de mínimos cuadrados [27] , y SOC de
búsqueda [28 ] . Un sólido enfoque de estimación de capacidad en tiempo real basado en recursivas menos cuadrados, un total
de menos cuadrados, y OCV de búsqueda ha sido propuesto en [29] . Una buena revisión de varias técnicas de estimación de
capacidad se puede encontrar en [30] . Para obtener más información sobre la capacidad de
fundido, el interesado lector puede referirse a [31,32] .
En tercer lugar, hemos analizar la óptima carga de un problema en una estrategia de dos niveles (nivel I y nivel II) que
proporciona una carga rápida, mientras que teniendo en cuenta la gestión de la vida de la batería mediante la consecución de un pre-
especi fi ca deseada '' útil ciclo de vida ''. En una inferior y más nivel detallado (nivel-II), el objetivo es a fi nd el óptimo actual per fi
l para minimizar el tiempo de carga y la energía pérdida durante la carga. Los algoritmos de carga óptimos requieren dos parámetros:
el voltaje terminal máximo aceptable de la batería y la corriente máxima durante
la carga. Como observado por otros investigadores como así [33] ,
siguiente relación en forma discreta:
x ½ k þ 1 ] ¼ a x ½ k ] þ ð 1 - a Þ i ½ k ] (1)
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
y C (en Ah) es la capacidad de la batería, supuestamente conocida. Es

batt
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
s ½ k ] ¼ s f (5)

f k
Fig. 2. Diagrama de bloques de la optimización de nivel I.

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
de temperatura (TRI). Para tener más flexibilidad en el control de la hora de cargar y la
El cálculo de la suma de (1 - a ) y tomando nota de que b / un = R R y b / un = R R , podemos escribir

l
0 0 EFF 1 1 EFF
k f - 1
trayectoria de SOC durante la carga, que también incluye un término que incluye

la suma de cuadrados de la diferencia de SOC en varios momentos de la intervalo de carga desde el SOC final deseado.
J T ¼ D R 0 eq

k ¼ 0
½ k ] i ½ k ] þ R 1 eq
½ k ] x ½ k ] (18)
La función de costo es, por lo tanto, la siguiente:
J tEsT ¼ r t J t þ J E þ r s J s þ r T J T (6)

R 0 e q ½ k ] ¼ R þ R ½ k ] (19)

0 0 T
. Σ

J t ¼ k D (7)
f
R 1 e q ½ k ] ¼ R þ R ½ k ] (21)

1 1 T
k f - 1
k ¼ 0

donde R
. Σ
k f - k
[ k ] y R [ k ] son las resistencias de calentamiento equivalentes
0 T 1 T
k f - 1
J s
respectivamente debido a R y R . Para simplificar las ecuaciones, que definen el estado siguiente vector:

0 1
k ¼ 0
Observación : Uno puede sustituir s f con s ( k ), el deseado SOC en tiempo de la etapa k , para la carga

k d
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 .
La dinámica de ½ k ] con sus estados inicial y final podría ser

z
d Þg k ¼ 0
k f
J T ¼ D T ½ k ] (10)

k ¼ 0

donde T ½ k ] es el aumento de temperatura desde la temperatura ambiente,
escrito de la siguiente manera:
z ½ k þ 1 ] ¼ F z ½ k ] þ G i ½ k ] (24)
1 0
F ¼ Σ Σ (25)
T ½ k ] ¼ T ½ k ] - T (11)

amb
Como lo que importa es la relación de los pesos, hemos

asignado unpeso de 1 a la función de coste pérdida de energía, es decir, J .

SOC y el método que discutimos sigue siendo aplicable. Una tal candidato es el término siguiente, que corresponde a suma de los
cuadrados de acumulativo SOC diferencia de la final deseada SOC.
G ¼ ½ c ; 1 - a ] T (26)

h
Σ Σ T
½ 0 ] ¼ s 0 - s k ; 0 (27)
z ½ k ] ¼ ½ 0 ; gratis ] (28)

f
El voltaje del terminal de la batería es el siguiente:

J S ¼
k
X f - 1 X k - 1
ð s ½ l ] - s f Þ k
(12)
v ½ k ] ¼ V ð s ½ k ] Þ þ R i ½ k ] þ ½ 0 R ] ½ k ] (29) con las siguientes restricciones:

0 0 1 z
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
Seleccionar los valores óptimos de i
max
y v
max
se discute en
donde a es el coeficiente de enfriamiento (ver [1] , ecuación (42) )
R D
0
Seccion 5 . En esta sección, sin pérdida de generalidad, usamos v c

para v max , donde v c es el voltaje correspondiente al SOC de 1; ese
b 0
batt
C h ; batt
(14)
es
v ¼ V ð 1 Þ (32)

c 0
R D 1
b
m batt C h ; batt
(15)
Usando las notaciones anteriores, podemos escribir la función de costo de la siguiente manera:
y C batería es la capacidad calorífica de la batería (ver [1] , ecuación (42) ). La solución de (13) es la siguiente:

h ,
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
0 D R 1 e q ½ k ]
Σ (34)
00 1 1

k
X f - 1 k f
X - k - 1

El proceso de carga se puede dividir en dos etapas: en la primera

v ½ k ] < v c k ¼ 0 ; 1 ; . . . ; k - 1 (35) 1

y en la segunda etapa que comienza en el tiempo k adelante, el 1 en
(6) Si J nuevo
> J , la k óptima es el valor anterior y el
viejo
1
prueba prueba
el voltaje del terminal de la batería es igual a v c . Es decir
v ½ k ] ¼ v c k ¼ k ; k þ 1 ; . . . ; k (36)

1 1 f
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
corriente en la etapa 2 ya está determinada por la dinámica restringida del sistema, como sigue:
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
v - V - R x ½ k ]

c 0 1
i ½ k ] ¼
k = k ; k
þ 1 ; . . . ; k
(37)
aplicable a cualquier modelo de circuito eléctrico equivalente, incluidos todos
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
i ½ k - 1 ] ¼ i 1 - 1 (39)

1 k
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
de fase 1. El actual per fi l en la etapa 1 se obtiene por resolución

de una lineal cuadrática (LQ) problema. El siguiente algoritmo encuentra el óptimo
perfil actual en la etapa 1.
Algoritmo : para un valor de k dado , el perfil de corriente óptimo en la etapa 1 (la etapa LQ) se obtiene de la siguiente manera:
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
r t / E max y luego iterar sobre el factor de proporcionalidad.
3. Resultados de simulación para la estrategia de carga óptima

En esta sección, nos presentamos simulaciones basadas en los fundamentos teóricos de la anterior sección.

3.1. Efecto de pesas
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 ]
En este apartado, se utilizan diferentes funciones de costos y encontrar la correspondiente óptima per fi les. En primer

lugar, nos propusimos r s = r t = 0, y el cambio
los valores de r t de 0.1 a 0.5. Fig. 3 (a), (b) y (c), respectivamente,
× ð F z ½ k ] - C ½ k ] g ½ k þ 1 ] n Þ Σ þ g ½ k þ 1 ] n Σ (41)
donde n y C [ k ] son dados por:

T
s - s -
1 k g ½ 0 ] ½ 0 ]
z

muestra los perfiles de corriente, estado de carga y voltaje terminal. La

figura 3 (a) muestra que los valores bajos de r t dan como resultado valores bajos de corriente en
la etapa 1 ( etapa LQ ). En otras palabras, una baja r t pone menos énfasis sobre la carga de tiempo y más énfasis en los de
energía pérdidas; por lo tanto
da como resultado un bajo nivel de corriente que proporciona baja pérdida de energía y
n ¼ f
v ½ 0 ]
GG T
(42)
mayor eficiencia de carga. Por otro lado, al aumentar r t ,

Se pone más énfasis en el tiempo de carga.
A continuación, tenemos en cuenta los efectos de r t e r s , y que compara la
C ½ k ] ¼
2 D R
(43)
½ k ]
los resultados para el caso cuando estos pesos son cero. Fig. 3 (d) muestra el óptimo actual pro fi

le para tres diferentes peso sets. El azul
z ½ 0 ] es la inicial estado, y ½ 0 ] y v [0] se calcula por resolver el siguiente conjunto hacia atrás de recursiones:

g
curva representa el óptimo pro fi le cuando r t = 0,5, r s = 0,
r T = 0. Aquí no hay penalización en el aumento de temperatura y el
squared diferencia de la SOC y la nal fi desea SOC ( s ). Cuando
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
T de cero a 0.5, el énfasis en la temperatura
- 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
con los siguientes valores de terminal:

0 0
P ½ k ] ¼ Σ 1 Σ
g ½ k ] ¼ ½ 1 0 ]
1
v ½ k ] ¼ 0
1
(44)

(45)
el aumento da como resultado una disminución en la magnitud de la corriente, como se muestra

por las curvas azul y roja en la Fig. 3 (d). La curva verde muestra el
perfil actual óptimo cuando establecemos r s en 0.1. Aquí, la penalización en la diferencia de cuadrados del SOC y el SOC final
deseado ( s f ) resulta en un aumento en el nivel actual.
k

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
La derivación de este algoritmo se presenta en el Apéndice.

Basado en lo anterior, el cálculo numérico de la corriente óptima se calcula a través de los siguientes pasos:
capacidad de fundido) como una función de la ciclo número. La motivación para el desarrollo de un modelo de desvanecimiento

capacidad es que, para la política de control de nivel I (a ser presentado en la Sección 5 ), que necesitamos una capacidad
de modelo que tiene en cuenta tanto la corriente y el terminal de tensión como el control
(1) Establecer J viejo
a un gran valor (por ejemplo, en Matlab, configúrelo como '' Inf '').
parámetros del modelo. En otras palabras, esta sección es un precursor
(2) Inicialice k con 1.
1
(3) Resuelva el conjunto de ecuaciones (44) con los valores terminales en (45) .

(4) Calcule la corriente en la etapa 2 asumiendo el voltaje terminal como v c hasta que el SOC alcance el valor deseado de s f .
k
(5) Calcule la función de costo con base en los perfiles actuales de

etapa 1 y etapa 2 y asígnelo a J . nuevo
a la Sección 5 . Estos modelos son desarrollados por la exploración de un número de modelos con diferentes métodos fi tting. El

desarrollo de los modelos se basa en los datos obtenidos de los envejecimiento experimentos, que se detallan en la
subsección A . Deje n denotar el número del ciclo . La capacidad en el ciclo n , denotado por C [ n ], se calcula por integración
trapezoidal de la corriente inyectada durante el proceso de carga, la cual está también se
refiere a como el Coulomb recuento. En cada

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
C ½ n ] C ½ 1 ]

n
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.
Estas capacidades normalizadas se utilizan para ajustar los modelos de capacidad.

A continuación, después de una breve presentación de los experimentos de envejecimiento realizados, proponemos
el modelo LAR- abg, estudiamos el modelo LS-BE , comparamos los modelos LAR - abg y LS-BE , proponemos
el modelo CVD y lo comparamos con LS-BE. El modelo CVD, que es una función de las variables de control v max e i , se utiliza en la max
Sección 5 , en desarrollando la política de control de nivel I.

4.1. Experimentos de envejecimiento

Para estudiar los efectos del envejecimiento en la capacidad, diez diferentesSe realizaron experimentos. Las baterías utilizadas
en estos experimentos fueron Samsung GS4 con una capacidad de 2600 mAh y un voltaje terminal nominal de 4.35 voltios. Las
baterías fueron expuestas a varios (de 25 a 200) ciclos de carga y descarga con un descanso de 10 minutos después de cualquier proceso
de carga o descarga. Los experimentos se realizaron a temperatura ambiente (25 ° C) usando Keithley 2651A [41] ; Las descripciones
de los experimentos se proporcionan en la Tabla 1 . Se utilizaron siete perfiles de carga diferentes (Ch1-Ch7) y se describen en la Tabla
2 . Tenga en cuenta que 1.0C para GS4 batería corresponde a 2,6 A. Toda la carga per fi les están terminados

tabla 1
Lista de experimentos de envejecimiento.

Experimento ID Charge pro fi le Discharge per fi l Número
de ciclos
La Fig. 4 (a) muestra una muestra de carga-descarga pro fi le para uno de los experimentos y la Fig. 4 (b) muestra toda su tensión

125 pro fi les. Se puede ver que, a medida que la batería envejece, el tiempo de carga y el tiempo de descarga disminuyen y, por lo
tanto, el tiempo total de un ciclo de carga-descanso-descarga-descanso disminuye. Esta disminución en el tiempo de carga y tiempo
de descarga se debe al desvanecimiento de la capacidad .

Tabla 2
Descripción de
los perfiles de carga. Descripción del perfil de carga

Ch1 Corriente multinivel a 1.25C por 1200 s, 0.833C por 1100 s
luego 0.5C hasta que el voltaje del terminal de la batería llegue a 4.35, luego la etapa CV se activa con 4.35 V
Ch2 CC – CV con corriente en la etapa CC igual a 1.0C y voltaje en la etapa CV igual a 4.35 V
Ch4 CV multinivel a 4,45, 4,40, 4,35, 4,30, 4,25 V cada uno durante 0,5 s con disminución gradual de la tensión a 4,35 V después de SOC del 70%
1 Ch1 Disch1 200

2 Ch2 Disch1 125
3 Ch3 Disch1 75 Tabla 3
44 Ch3 Disch3 75 Descripción del perfil de descarga de Disch1.
55 Ch4 Disch1 50
Descripción de la etapa
66 Ch4 Disch2 50
77 Ch5 Disch1 50 1 descarga a 0.5C por 1 h
8 Ch2 Disch1 50 2 descargas a 1C por 15 min
99 Ch6 Disch1 25 3 descargas a 0.5C por unos segundos (6 s)
10 Ch7 Disch1 25 4 de descarga a 0.2C hasta que la batería del terminal de
voltaje impacta 2,8 V

siguiente ecuación cuadrática, una vez que

estimamos x y x . 1 2

b - x b þ x ¼ 0 (51)
2
1 2
Teniendo las estimaciones de b 1 y b 2 , la

ecuación. (48) se reduce a una ecuación lineal
con variables desconocidas a 1 y a 2 . Por lo
tanto, aplicando el método de LS, podemos
estimar tanto un 1 y un 2 .
Tenga en cuenta que dado que el modelo de
la capacidad está en el
normalizada forma, la capacidad de
fundido (CF), el
cual es definido en (52) , puede también ser esc
rito como en (53) .
C ½ 1 ] - C ½ n ] C ½ 1 ]

CF n
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 ''.
C nor m ½ n ] ¼ ab n n g n ¼ 1 ; 2 ; . . . (47)
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 ''.
La figura 5 (a) muestra los datos para capacidades normalizadas en uno de los experimentos, junto con las estimaciones de los

modelos LAR - abg y LS-BE . En este experimento, como muestra la Fig. 5 (a), el LAR- abg es mejor para capturar la
tendencia en las capacidades normalizadas que el LS-
SER. Mientras que los valores atípicos afectan la LS-BE modelo
significativamente, que tienen menor efecto en la LAR- ABG y por lo tanto LAR- ABG filtros fuera de los valores atípicos. La
figura 5 (b) muestra el resultado de LAR- abg y LS-BE con diferentes tamaños de datos de ajuste (40, 100 y 160). Se ve que las
predicciones de LAR- abg son consistentes con los datos experimentales incluso cuando solo se usan 40 muestras en el proceso
de ajuste .
A continuación, en uno de los experimentos, hemos utilizado los datos de los ciclos de 1-
175 para entrenar los dos modelos, y luego predijimos la capacidad normalizada para los ciclos 176–200. Encontramos mientras el
el promedio del error relativo de la predicción de LS-
BE es 0.99%, el de LAR- abg es solo 0.35%; en Además, los máximos valores de error relativo para estos modelos son 1,50%
and.87%, respectivamente. Esto sugiere que LAR- abg proporciona un mejor rendimiento en la captura
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 .

C ½ n þ 1 ] ¼ x C ½ n ] - x C ½ n - 1 ] (49) donde,

ni m 1 ni m 2 ni m
x ¼ ð b 1 þ b 2 Þ x ¼ b 1 b 2 (50)

1 2
Como tenemos el perfil de capacidad normalizada, las variables desconocidas de x y x en (49) se pueden estimar fácilmente usando
1 2
el método LS . Dado que x y x son, respectivamente, la suma y el producto

1 2
de B 1 y B 2 , que podemos hallar las estimaciones de B 1 y B 2 de la resolución de la

Fig. 5. (a) Comparación del modelo LAR - abg y el modelo LS-BE . (b) Comparación de LAR-
abg , modelos LS-BE.

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
D AIC = 257 128 32 dieciséis 7.5 dieciséis 4.5 11 25 11

AIC - AIC abg
LS- SER LAR - 0.00 0.00 0.00 0.00 0,02 0.00 4.5 0.00 0.00 0.00
l (probabilidad relativa)
LS - BE 0,10
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
Diferencias de AIC en lugar de los valores de AIC en sí mismos [44] .

Norma C ; v ; yo
.
½ n ] ¼ a 1 v a 2 i a 3
Σ b 3
ð b v b 2 i
Þ n ð g 1 þ g 2 v max þ g 3 i max Þ
. 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)
para los 10 experimentos de envejecimiento . Para ocho de los experimentos, el AIC

la diferencia es mayor que 10 y para los dos restantes
experimentos, es mayor que 4. Como regla general, el nivel de soporte empírico para un modelo con AIC más alto es
considerablemente menor cuando la diferencia de AIC está entre 4 y 7 y es esencialmente ninguno cuando la diferencia de AIC es
mayor que 10
[45] . La probabilidad relativa del modelo LS-BE (con respecto a LAR- abg ) puede calcularse utilizando las diferencias AIC
como l ¼ exp ð— D AIC Þ [44] . Estos valores se muestran en la Tabla 4 y
LS - BE
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
La adaptación del modelo (54) se realiza en tres etapas:

(1) Los datos para cada experimento se utilizan para encontrar el modelo LAR- abg correspondiente .
(2) Para cada experimento, se utiliza el LAR - abg correspondiente para generar los datos de capacidad normalizados para
500 ciclos.
(3) Los datos de capacidad normalizados generados en la etapa 2 para todos los experimentos, así como los valores v max e i de los
max
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

Fig. 6. Relación MSE de LS-BE a LAR.
Σ Σ
b ¼ b 1 b 2 b 3 (57)
g ¼ ½ g 1 g 2 g 3 ] (58)
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
cuenta que v max e i se expresan en forma normalizada con valores nominales de 4.35 V y 2.6 A, respectivamente.

max
La Tabla 6 muestra los parámetros del modelo CVD.

Tabla 6
Parámetros del modelo CVD.

un 1 un 2 un 3

1.0007 0,0539 - 0.0051
b 1 b 2 b 3

0.9996 - 0.0012 - 1.0407 × 10 - 4
g 1 g 2 g 3

0,0749 - 0.0767 - 4.9293 × 10 - 4

En correspondencia con la curva C [ n ], norma de la , kl
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
C nor m ; k l ½ n ] ¼ f ð a ; b ; g ; u k l ; n Þ < LPNC para n > UC L kl (65)
Suponga que tenemos estimaciones del

número de ciclos a los que la batería ha estado
expuesta y la capacidad normalizada
de la batería. batería en cualquier momento
(por ejemplo, a través de BFG [29,48] ). Deje
que la PC indique el '' Ciclo Presente '' de la
batería y deje
que C sea la capacidad normalizada estimada
PC
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
con el ajuste de control de y la capacidad ukl
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)
Luego, para un perfil de carga con ajuste de

control u , el '' Vida útil restante del ciclo ''
kl
RUCL se define como la diferencia entre

kl
la vida útil
del ciclo y el ciclo actual virtual ; eso es
RUCL ¼ UCL - VPC (67)
kl kl kl
Dado que la batería ya ha experimentado

ciclos de uso de PC, la '' Vida útil esperada
del ciclo '' de la batería EUCL correspondient
kl
e a la configuración de control u es: kl
Fig. 7. (a) Comparación de LAR- ABG modelo y LS-BE modelo con diferentes fi tting de datos longitudes. (b) Error relativo de los modelos LS-

BE y CVD con respecto a LAR- abg .
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)
i 2 f i ; yo ; . . . ; i g (61)

max
Insertando (67) en (68) , tenemos

EUCL ¼ ð PC - VPC Þ þ UCL (69)
kl kl kl
El control de ajuste u es factible si su correspondiente esperada útil ciclo de vida es mayor que o igual a '' nominal del ciclo

kl
de vida '' NCL (por ejemplo, 500 ciclos); eso es

EUCL ≤ NCL (70)
kl
Por lo tanto, el '' Conjunto de configuraciones de control factibles '' (SFCS) es

SFCS ¼ f j k 2 f 1 ; 2 ; . . . ; K g; l 2 f 1 ; 2 ; . . . ; L g; EUCL ≤ NCL g (71)
ukl kl
Entre todas las configuraciones de control factibles, seleccionamos

la que minimiza el tiempo de carga. Esto puede ser hecho como sigue mediante el uso de TTC . Para este propósito, el modelo-kl
I [1] de la batería se simula para diferentes valores de parámetros de control factibles, y entre ellos la política de que los

resultados en el más bajo TTC se seleccionan. En el
simulaciones, la carga CC-CV se utiliza con la corriente en CC etapa se seleccionan como i y el terminal l
de voltaje en CV etapa como v k . Esto equivale a ejecutar el algoritmo de carga con

óptima el objetivo de ponderada suma de tiempo a carga (TTC) y la
energía pérdida (EL) (denominado a como OtE algoritmo en [1] ) con peso en TTC, es decir, r t , siendo igual a R i , donde R es 0
2
0
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
que se puede obtener a través de BFG [18,48] . En los resultados numéricos de este artículo, sin embargo, suponemos

que R es conocido.
0

desea tener el TTC más rápido entre todas las estrategias posibles. El s th
Esto da como resultado K × L diferentes curvas de la siguiente manera:
Norma C ; k l ½ n ] ¼ f ð a ; b ; g ; u k l ; n Þ (62)
ukl ¼ ½ v k i ] k 2 f 1 ; 2 ; . . . ; K g l 2 f 1 ; 2 ; . . . ; L g (63)

l
carga, es decir, s f . Por ejemplo, si nos queremos a hallar la mejor política, el cual mantiene las vida de

k
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
modelo de capacidad se puede utilizar en lugar de la CVD modelo, como de largo como el modelo incorpora el control de

Fig. 8. Diagrama de bloques detallado de la optimización de nivel I.

Tabla 7
Escenarios: parámetros y política óptima.

Parámetros del escenario Política óptima
(normalizado)
Política óptima (actual)
R (m V ) s th v m max i m max v i ma x ð

ordenador C PC ma x ð V Þ
m estoy
0
personal A Þ
1 50 0,96 150 0,50 0,97 1.3 4.22 3.38
2 50 0,99 150 0,50 1.00 1.3 4.35 3.38
3 50 0,96 150 0,80 0,98 1.1 4.26 2,86
44 50 0,96 200 0,50 0,98 1.1 4.26 2,86
55 50 0,96 250 0,50 0,99 0.9 4.31 2,34
66 50 0,96 300 0,50 1.00 0.8 4.35 2,08

variables (la tensión máxima del terminal y la corriente de carga máxima).

La estrategia óptima es entonces
forma normalizada con el valor nominal de 4,35 V y 2,6 A para

voltaje y corriente, respectivamente. En otras palabras, la resolución de las variables de
control es 0.0435 V y 0.26 A. Seis escenarios diferentes ,
cada uno especificado por cuatro parámetros

( PC , C , R y s ), son
. Σ PC 0 th
La configuración de control óptima es
resistencia R y umbral SOC s , que han utilizado el mismo PC (que es PC = 50) para todos los escenarios. La

0 º
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
entradas a la optimización algoritmo son PC, C , y R . Estas entradas pueden ser estimadas por BFG [48] . En los numéricos resultados d

PC 0
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
0.01 y 0.1, respectivamente. Tenga en cuenta que estas variables de control están en
( Tabla 8 ), en la que las EUCL de SFCS se muestran en negrita, y la configuración de control óptima y los valores de EUCL

correspondientes están subrayados. Para detalles de otros escenarios, el lector interesado puede
referirse a [47] . Tenga en cuenta que los valores para i y v k están en la forma
l
'' 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)
0,97 (4,22) 590 568 550 536 523 512 502

0,98 (4,26) 56 7 547 531 517 505 494 485
0,99 (4,31) 546 527 512 498 488 478 469
1,00 (4,35) 526 508 495 482 472 462 454
1.01 (4.39) 507 491 477 466 456 448 440
1,02 (4,44) 489 474 461 450 442 433 426

'' 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
valor v c . Por lo tanto, nos podemos relajar la restricción s [ k ] = s con Lagrangian

1 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:
L ½ k ] ¼ J tEsT þ n ð s ½ k ] - s Þ

1 1
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
Mediante la inserción (33) en (74) , y el uso de la función hamiltoniano H [ k ] y tomando nota

de que ½ n 0 ] ½ k ] ¼ n ð s ½ k ] - s f Þ , nos podemos escribir L [ k ] como en (75)
z 1 1 k
L ½ k ] ¼ n ð s - s Þ þ ½ n 0 ] - l T ½ k ] ½ k ] þ H ½ 0 ]

k 1 1 1
k - 1
1
þ H ½ k ] - l ½ k ] ½ k ] (75)

z
k ¼ 1
La aplicación de las condiciones necesarias para obtener resultados óptimos en:

G T
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
l ½ k ] ¼ ¼ 2 Q ½ k ] ½ k ] þ F l ½ k þ 1 ] (77)

@ ½ k ]
z
De (24), (76) y (77 ) , que podemos escribir las dinámica de ½ k ] y z
l ½ k ] en la siguiente hacia adelante backwa / r d formulario:

Σ Σ Σ Σ Σ Σ
½ k þ 1 ] F - C ½ k ] ½ k ]
realizado en la batería Samsung GS4 , y su dominio sobre el modelo de capacidad bi-exponencial se demostró

utilizando los datos experimentales .
A continuación, nos presenta una rápida carga estrategia, junto con una
política de gestión de la duración de la batería, desarrollando un óptimo
z
l ½ k ]
dónde
¼

GG T
2 Q ½ k ] F 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
Para obtener el perfil actual óptimo, primero consideramos

Las siguientes evoluciones:
l ½ k ] ¼ P ½ k ] z ½ k ] þ g ½ k ] n (80)
T
s ¼
1 u ½ k ] ½ k ] þ v ½ k ] n þ d ½ k ] (81)
z
Con el fin de que las ecuaciones anteriores se mantienen en el tiempo k , 1
necesitamos para tener: P [ k ] = 0 , ½ k ] ¼ ½ k ] ¼ ½ 1 0 ] , v [ k ] = 0 y

1 2 × 2 g 1 u 1 1
resultado de resistencia en un punto de ajuste óptimo con el i más alto max

entre el conjunto de factibles de control de configuración, mientras que el aumento de s XX
d ½ k ] ¼ s f . Utilizando (78) y (80) , que podemos escribir:

1 k
. 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.
El uso de (78) y (80 ) , que puede derivar ½ k þ 1 ] en términos de ½ k ] y n , que una

z z
vez insertado en (82) produce l ½ k ] como una función de ½ k ] y z
n . Comparación de la así obtenida función para l ½ k ] a (80) y usando
La identidad de la matriz de Woodbury [46] da como resultado las siguientes

relaciones para la evolución de P [ k ] y ½ k ] : g
P ½ k ] ¼ 2 Q ½ k ] þ F P ½ k þ 1 ] I þ C ½ k ] P ½ k þ 1 ] F (83)
g ½ k ] ¼ F I þ P ½ k þ 1 ] C ½ k k þ 1 ] (84)
Luego, desde (81) para los tiempos k y k + 1, podemos escribir

dos relaciones equivalentes . Inserción en ½ k þ 1 ] , la función que obtuvimos anteriormente en términos de ½ k ] y n , y luego
z z
igualando los correspondientes coeficientes en ambos lados de las ecuaciones, se derivan:

. Σ - 1
½ k ] ¼ F T I þ P ½ k þ 1 ] C ½ k k þ 1 ] (85)
. 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
d ½ k ] ¼ s f 8 k (88)

k
De (81), (87) y (88) podemos escribir
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
tiempo real, J. Fuentes de energía 272 (2014) 1142 –1153.
[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
de Monte Carlo , J. Power Sources 196 (23) (2011) 10314 –10321.
[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
(10) (2013) A1701– A1710.
[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)
(5) (2006) 441–451.

[22] GK Prasad, CD Rahn, identificación basada en modelos de parámetros de envejecimiento en litio
Sabiendo k , nos podemos resolver los dinámicos ecuaciones para P [ k ], ½ k ] , y v [ k ] en una hacia

1 g atrás de la
manera para calcular ½ 0 ] y v [0]. Insertar estos valores en (89) produce:
g
T
s - s -
1 k g ½ 0 ] ½ 0 ]
z

baterías de iones, J. Power Sources 232 (2013) 79–85.
[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.
Finalmente, podemos escribir la corriente óptima de la siguiente manera:

. Σ
i ½ k ] ¼ - . P ½ k þ 1 ] . I þ C ½ k ] P ½ k þ 1 ]
[26] GL Plett, filtro Kalman extendido para sistemas de gestión de baterías de paquetes de baterías HEV basadas en LiPB : Parte 3. estimación de estado y parámetros, J.
Power Sources 134 (2) (2004) 277–292.
[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.
×. F ½ k ] - C ½ k ] ½ k þ 1 ] n ΣΣ þ ½ k þ 1 ] n Σ (91)

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
Trans. Energía Convers. 26 (2) (2011) 654–661.
[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
de hormigas , IEEE Trans. Ind. Electron. 52 (5) (2005) 1328-1336.
[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,
J. Power Sources 274 (2015) 957–964.
[13] P. Petchjatuporn, N. Khaehintung, K. Sunat, P. Sirisuk, W. Kiranon, ¡Ejecución ción del entrenado GA GRNN para inteligente rápido cargador de Ni-
Cd baterías, en: Potencia Electrónica y Motion Control de Conferencia, IEEE CES / IEEE 5th International, vol. 1, (2006), pp. 1-5.
[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
2011 Amé- ICAN control de conferencia, 2011, pp. 382–387.
[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.
[17] B. Suthar, V. Ramadesigan, Sumitava De, RD Braatz, VR Subramanian, Perfiles de carga óptimos para baterías de iones de litio con limitaciones mecánicas,
Phys. Chem Chem Phys. 16 (1) (2014) 277–287.
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
Sources 91 (2) (2000) 122–129.
[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
potencia, J. Energy Storage 6 (2016) 125–141.
[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.
[38] M. Yildiz, H. Karakoc, I. Dincer, Modelado y validación de los cambios de temperatura en una batería de iones de litio de bolsa a diferentes velocidades de descarga,
Int. Commun. El calor de masas Transf. 75 (2016) 311–314.
[39] H. Zou, W. Wang, G. Zhang, F. Qin, C. Tian, Y. Yan, Investigación experimental sobre un sistema integrado de gestión térmica con intercambiador de calor de tubos de
calor para vehículos eléctricos, Energy Convers. Manag. 118 (2016) 88-95.
[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 .
[42] K. Goebel, B. Saha, A. Saxena, JR Celaya, JP Christophersen, Pronósticos en el manejo de la salud de la batería , IEEE Instrum. Medida revista 11 (4) (2008) 33–40.

[43] R. Wright, CG Motloch, JR Belt, JP Christophersen, CD Ho, RA Richardson, I. Bloom, SA Jones, VS Battaglia, GL Henriksen, T. Unkelhaeuser, D. Ingersoll, HL Case,
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.
Power Sources 110 (2) (2002) 445–470.
[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.
[48] B. Pattipati, B. Balasingam, A. Abdollahi, GV Avvari, KR Pattipati, Y. Bar-Shalom, indicador de combustible de batería integrado y cargador óptimo, 2014 IEEE
AUTOTEST, IEEE, 2014, págs. 260–269.

Labo Ing Mecani Sustentacion

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Labo Ing Mecani Sustentacion

Cargado por

Copyright:

Formatos disponibles

Carga óptima para el modelo de batería eléctrica

equivalente general y gestión de la vida útil de la batería.

INFORMACIÓN DEL ARTÍCULO

Historia del articulo:

Las contribuciones de este documento son triples. En primer lugar, nos presenta la lineal cuadrática solución para cargar de manera óptima una batería

© 2016 Elsevier Ltd. Todos los derechos reservados.

a 1 , a 2 parámetros en el modelo LS-BE, (48)

a , b , b coeficientes en el modelo de aumento de temperatura , (13)

AIC de información de Akaike criterio

recuento de culombios, (4)

C capacidad calorífica de la batería (J / (kg K)) de la batería, [1,47] , (14)

normalizada, (46) C ma x ; v max ½ n ] Modelo CVD para capacidad, (54) C [ n ] capacidad

C Capacidad de en el ciclo actual, (66)

Control de CVD variable dependiente

I 3 × 3 matriz de identidad, (41)

J (J) función de costo de pérdida de energía, (6)

J suma de la función de costo al cuadrado del error SOC, (6)

J (s) función de costo de tiempo de carga , (6)

LPNC capacidad normalizada menos permisible, (64) LQ-CV Lineal Cuadrático - Voltaje Constante

R ( V ) resistencia equivalente debido a R y calentamiento

R ( V ) resistencia equivalente debido a R y calentamiento

RUCL restante ciclo de vida útil, (67)

s umbral de estado de carga

SFCS conjunto de configuraciones de control factibles, (71)

u ajuste de control óptimo, (72)

UCL vida útil del ciclo, (64)

v ½ k ] (V) voltaje terminal de la batería, (29)

k fi nal valor de índice de tiempo, (5)

v valor máximo permitido de la terminal de Voltios edad durante la carga, (30)

VPC ciclo actual virtual, (66)

x [ k ] (A) corriente a través de R , (1)

½ k ] vector de estado para el modelo de temperatura , (23)

A. Abdollahi y col. / Journal of Energy Storage 9 (2017) 47–58 49

genérico y aplicable a cualquier modelo de circuito eléctrico equivalente , con un espacio de estado ampliado . A medida

Los parámetros de carga óptimos v max e i se utilizarán como parámetros de control en el algoritmo de carga.

El papel está organizado como sigue. En la Sección 2 , que presenta la formulación de la LQ-CV enfoque (Linear Quadratic-

R y R son i ( t ) yx ( t ),

Número de modelos de capacidad en la literatura, incluyendo bi- ˙ ˙ ˙

exponencial [19] , electroquímica basada en la física [20–22] , y

insertando li m D - ! 0 D

para C , se puede derivar el

R 1 1 - exp ð— D = ð R 1 C 1 ÞÞ

métodos que se basan en el apoyo vector máquinas [23] , relevancia vector máquinas (RVM) [24] , la muestra basado en la

siguiente relación en forma discreta:

x ½ k þ 1 ] ¼ a x ½ k ] þ ð 1 - a Þ i ½ k ] (1)

y C (en Ah) es la capacidad de la batería, supuestamente conocida. Es

s ½ k ] ¼ s f (5)

Fig. 2. Diagrama de bloques de la optimización de nivel I.

de temperatura (TRI). Para tener más flexibilidad en el control de la hora de cargar y la

El cálculo de la suma de (1 - a ) y tomando nota de que b / un = R R y b / un = R R , podemos escribir

trayectoria de SOC durante la carga, que también incluye un término que incluye

J T ¼ D R 0 eq

La función de costo es, por lo tanto, la siguiente:

J tEsT ¼ r t J t þ J E þ r s J s þ r T J T (6)

R 0 e q ½ k ] ¼ R þ R ½ k ] (19)

R 1 e q ½ k ] ¼ R þ R ½ k ] (21)

[ k ] y R [ k ] son las resistencias de calentamiento equivalentes

respectivamente debido a R y R . Para simplificar las ecuaciones, que definen el estado siguiente vector:

Observación : Uno puede sustituir s f con s ( k ), el deseado SOC en tiempo de la etapa k , para la carga

La dinámica de ½ k ] con sus estados inicial y final podría ser

J T ¼ D T ½ k ] (10)

escrito de la siguiente manera:

z ½ k þ 1 ] ¼ F z ½ k ] þ G i ½ k ] (24)