بخشی از مقاله
چکیده
تخمین دقیق حالت شارژ یک باتری نه تنها برای مدیریت بهینه انرژی در خودروهای الکتریکی و شبکه های هوشمند قدرت، بلکه برای حفاظت باتری از رفتن به شرایط تخلیه عمیق یا شارژ بیش از اندازه و در نتیجه کاهش عمر باتری ضروری است. این شرایط حتی ممکن است شرایط بالقوه خطرناکی به لحاظ انفجار باتری ایجاد کند . با وجود اهمیت بسیار زیاد پارامتر حالت شارژ، این پارامتر قابل اندازه گیری به طور مستقیم از پایانه های باتری نمی باشد. به همین دلیل است که الگوریتم های لازم برای تخمین حالت شارژ بسته باطری و سلول منفرد براساس داده های اندازه گیری شده برای هر یک به طور مجزا مورد نیاز است. این تحقیق یک روش هوشمند جهت تخمین سطح شارژ در باتری های لیتیوم یون را با استفاده از داده های تجربی ارائه می کند. جهت تخمین از داده های ولتاژ و جریان شرکت سازنده و مدل سازی باتری استفاده شده است. بر خلاف دیگر راهبردهای تخمین، این روش پیشنهادی نیازمند شناخت هیچ پارامتری از باتری و هیچ مدل ریاضی باتری نیست. نتایج پس از مقایسه مقادیر به دست آمده از مدل و داده های بدست آمده از تخلیه یک باتری لیتیوم فرو فسفات بکار رفته در خوروهای برقی استخراج شده اند.
کلیدواژهها: باتری لیتیوم یون، حالت شارژ باتری، سیستم مدیریت باتری، استنتاج عصبی-فازی تطبیقی، شبکه عصبی مصنوعی
مقدمه
باتری با فن آوری پیشرفته یک عنصر کلیدی در بسیاری از کاربردها مانند وسایل الکتریکی، وسایل نقلیه برقی، سیستم های ماهواره و سیستم های قدرت و ربات ها هستند. باتری لیتیوم یون به دلیل چگالی انرژی بالا، میزان تخلیه خود به خودی پایین و طول عمر زیاد نسبت به دیگر انواع باتری ها، یک فناوری جدید و امیدبخش در خودروهای برقی و دو گانه محسوب می شود.[1] با این حال، شارژ و تخلیه بیش از اندازه1 باتری های لیتیوم یون می تواند صدمات بازگشت ناپذیری به سلول های باتری وارد نموده و کارایی و طول عمر آن را کاهش دهد. علاوه بر این، در بسیاری از برنامه های کاربردی، تخمین دقیق انرژی موجود در باتری در زمان کارکرد، برای عملکرد مناسب کل مجموعه برقی مانند سیستم مدیریت باتری لازم و ضروری است. بنابراین، یک الگوریتم تخمین قابل اعتماد و دقیق حالت شارژ باتری های لیتیوم یون در سیستم مدیریت باتری خودرو برقی2، دو گانه شارژ شونده با برق و پیشرانه با سوخت فسیلی3 و دو گانه برقی و سوخت فسیلی4 لازم است تا کاربر بتواند مدت زمان وچگونگی استفاده باتری را قبل از توقف خودرو تشخیص دهد.[2]
الگوریتم تخمین حالت شارژ معمولا در سیستم مدیریت باتری برنامه ریزی می گردد و معمولا وابسته به داده برداری از مشخصه های عملکردی باتری مانند ولتاژ، جریان و دما است.[3] روش شمارش جریان جهت تخمین حالت شارژ باتری متکی بر جمع جریان باتری نسبت به زمان است و این روش در تخمین حالت شارژ باتری توسط اکثر تولید کنندگان سیستم مدیریت باتری و به دلیل سادگی و سهولت اجرای آن ترجیح داده شده است. با این حال، این روش به دلایل متعددی دقیق نیست و فرضیه بکار رفته در روش شمارش جریان این است که تمام سلول ها از نظر سطح شارژ دمایی در حال تعادل هستند. بنابراین در این روش بالانس بودن سلول های باتری از تاثیر بسیار بالایی برخوردار است. در واقع در زمان کارکرد باتری کامل، سلول های باتری معمولا دارای سطوح مختلف ولتاژ و دما در تمام حالت های کارکرد هستند که باعث می شود که حالت شارژ باتری5 هر یک از سلول ها متفاوت باشد.[4]
جان کارلوسهمکاران[5]تخمین حالت شارژ باتری را با استفاده از ترکیب روش توابع چند ضابطه ای-چند جمله ای برگشتی تطبیقی چند متغیره و بهینه سازی توده ذرات انجام دادند. در روش ارائه شده از داده های تجربی استخراج شده از روش آزمون تنش دینامیکی مشخص شده توسط کنسرسیوم باتری پیشرفته استفاده شده است. نتایج دقت قابل توجهی را در مقایسه با دیگر روش ها و هزینه محاسبات کمتری را نشان می دهد. ولتاژ مدار باز باتری را می توان در طول زمان استراحت باتری در حین شارژ و تخلیه اندازه گیری کرد و ارتباط بین ولتاژ مدار باز باتری6 و حالت شارژ باتری را جهت تخمین حالت شارژ بکار برد .[6] اصفهانیان و همکاران [7] حل یک سلول از باتری سرب اسید را به روش کاهش مرتبه ارائه نمودند که نتایج پژوهش آن ها با نتایج دیگر محققین مطابقت خوبی داشت.
فتوحی و همکاران [8] طرحی جهت شناسایی مدل باتری در خودرو های الکتریکی جهت ذخیره انرژی ارائه نموده اند. مزیت طرح این محققین این است که الکتروشیمی باتری را نیز مورد بررسی قرار می دهد. در مطالعه این محققین دو نوع باتری نیکل- متال هیدرات و لیتیوم سولفور مورد بررسی قرار گرفته است. مدار معادل مدل باتری در هر دو مورد از الگوریتم پیش بینی کمترین خطا و داده های تجربی استفاده می کند. با استفاده از پارامترهای مشخص شده باتری، حالت شارژ با تغییر شیمی باتری تغییر می نماید. این محققین نشان دادند ولتاژ مدار باز جهت تخمین حالت شارژ باتری نیکل متال هیدرات مناسب است ولی باتری سولفور با توجه به شیمی منحصر به فرد چالش برانگیز خواهد بود. زیرا شیب صاف منحنی ولتاژ مدار باز و حالت شارژ از اهمیت خاصی برخوردار است و نیز در باتری لیتیوم سولفور تنها با اندازه گیری ولتاژ و جریان حالت شارژ را نمی توان تخمین زد و نیازمند پارامترهای دیگر نیز می باشد.
فخام و همکاران [9] مدل کوپتی باتری را با استفاده از پارامترهای ثابت برای باتری های با اندازه مختلف بکار برداند. مطالعه ارائه شده این محققین بر روی این موضوع متمرکز شده است که به کاربر اطمینان دهد باتری دارای حالت شارژ مناسب بوده و از شارژ اضافی باتری نیز با استفاده از کنترل بر خط جلوگیری شود. مدل دینامیکی پیوسته باتری و طراحی کنترل سیستم قدرت نیز ارائه شده است. نتایج شبیه سازی و تجربی این مدل اعتبار مناسب بودن مدل این محققین را تایید می نماید. هویت[10] مدل امپدانسی را برای اندازه گیری حالت شارژ و سلامت باتری ثانویه به کار برده است. در این مطالعه روش اندازه گیری امپدانس داخلی باتری به کمک اعمال جریان متناوب و اندازه گیری پاسخ ولتاژ باتری معرفی شده است. ون یائو [12-11] مدل باتری لیتیوم یون را با استفاده از شبیه سازی متلب ارائه نمود و سپس این مدل باتری را با در نظر گرفتن مقاومت غیر خطی و متغیر شبیه سازی نمود. در مطالعه اشاره شده سه مدل مرسوم باتری، عمومی باتری و مدل پیشنهادی مورد مقایسه قرار گرفته است. نتایج بدست آمده نشان می دهد که مدل پیشنهادی در مقایسه با دو مدل دیگر دارای نتایج و دقت بالاتری است.
هوش مصنوعی نیز برای تخمین ظرفیت باقیمانده و سطح شارژ باتری های لیتیوم یون مورد استفاده قرار می گیرد. علاحسین[13] با استفاده از دو ساختار متفاوت از شبکه های عصبی مصنوعی بر اساس داده های جمع آوری شده از 480 سیکل شارژ و تخلیه باتری، بررسی میزان افت ظرفیت و حالت شارژ باتری های لیتیوم یونی16/5 آمپر ساعت و ولتاژ 3/6 ولت را ارائه نموده است. در مطالعه اشاره شده پارامترهای ولتاژ، جریان و دما به عنوان ورودی شبکه به شبکه داده شده است و میزان محوشدگی ظرفیت پس از یادگیری شبکه تخمین زده شده است. منطق فازی، شبکه های عصبی و الگوریتم های ژنتیکی نیز جهت تخمین حالت شارژ باتری ترکیب شده اند.
تعدادی از شبکه های عصبی فازی به ساختار یادگیری اضافه می شوند تا بر مشکل تعداد زیاد ورودی ها غلبه کند. بو نینگ و همکاران[14]روش حالت لغزشی را جهت تخمین حالت شارژ باتری لیتیوم یون ارائه نمودند. مطالعه این محققین به صورت تجربی و بر اساس سیکل رانندگی شهری استوار شده است. نتایج تخمین حالت شارژ، خطای دو درصد را نشان می دهد. به دلیل اهمیت حالت شارژ در محیط واقعی از مدل تطبیقی باتری استفاده شده است. در این روش از ولتاژ و جریان باتری تحت بار، توسط مدل تطبیقی نمونه برداری می شود و با ولتاژ و جریان خروجی فیلتر که از مشاهده گر به فیلتر وارد می شود، مطابقت به عمل می آید و در نهایت با مشاهده گر حالت لغزشی تخمین انجام می شود. هیچام چاوئی و همکاران[15]رویکرد شبکه عصبی را برای تخمین برخط 1 وضعیت شارژ باتری های لیتیوم یون خودرو برقی ارائه کردند. روش پیشنهادی این محققین نیازمند شناخت هیچ پارامتری از باتری مانند مقاومت سری، مقاومت ها و خازن گذرای باتری و هیچ مدل ریاضی باتری نیست، بلکه باید تغییرات دمای محیط را نیز علاوه بر جریان و ولتاژ در تخمین حالت شارژ باتری در نظر گرفت.
نتایج تجربی بدست آمده با توجه به اثرات پیری و درجه حرارت باتری، دقت بالای تخمین را نشان می دهد. محمد چرخگرد و همکاران [16]ترکیبی از شبکه عصبی مصنوعی و فیلتر کالمن توسعه یافته را جهت تخمین حالت شارژ باتری های لیتیوم یون که در آن شبکه های مبتنی برپایه شعاعی ارائه نمودند. شبکه عصبی مصنوعی در آزمایش های انجام شده در حالت خارج از خط2 آموزش داده می شود، در حالی که فیلتر کالمن حذف نویز را انجام می دهد. شبکه های عصبی با تابع پایه شعاعی با فیلتر مقاوم 3 ∞ برای انجام تخمین حالت شارژ در باتری های لیتیوم یون ترکیب می شوند.[17] یکی از عامل بسیار مهم در سیستم مدیریت باتری خودروهای برقی و ترکیبی با دو حالت باتری و سوخت فسیلی، نظارت دقیق بر وضعیت شارژ باتری است. حالت شارژ باتری به عنوان ظرفیت آمپر ساعت موجود باتری است که با روش های شمارش جریان و ولتاژ مدار باز صورت می گیرد ولی به دلیل سادگی روش شمارش جریان توسط سازندگان باتری مورد استقبال است و به صورت درصدی از ظرفیت فعلی باتری به شکل معادله 1 تعریف می شود:
در معادله نشان داده شده فوق حالت شارژ فعلی باتری بر حسب آمپر ساعت و 0 حالت شارژ تخمین زده شده اولیه قبل از شارژ یا تخلیه باتری و ظرفیت اسمی باتری و ∫0 - - مجموع جریان شارژ یا تخلیه باتری است. به عنوان مثال اگر جریان 0/1 آمپر به مدت 3 ساعت به باتری وارد شود به شارژ باتری به مقدار 0/3 آمپر ساعت افزوده خواهد شد. اگر ظرفیت اسمی باتری 3 آمپر ساعت باشد به حالت شارژ باتری%10 افزوده خواهد شد. به طور واقعی و کاربردی در خودرو برقی و دوگانه برقی- سوخت فسیلی از تخمین حالت شارژ جهت بکارگیری در سیستم مدیریت باتری استفاده می شود. نوع [18] Maxim DS2726شامل اندازه گیری و داده برداری از ولتاژ و جریان سلول باتری، نوع [19] OZ890 با اندازه گیری ولتاژ و جریان سلول باتری و درجه حرارت بسته کامل باتری و نوع [20] TIBQ78PL114 با اندازه گیری جریان و ولتاژ و امپدانس و درجه حرارت سل باتری استفاده می گردد تا حالت شارژ باتری و حالت سلامت4 سل باتری در سیستم مدیریت تخمین زده شود.
اسفندیاری و همکاران [21] طراحی و پیاده سازی یک شبیه ساز مدل در حلقه برای صحه گذاری نرم افزار کنترل خودرو در یک اتوبوس هیبرید الکتریکی سری را با استفاده از نرم افزار لب ویو ارائه نمودند. در روش این محققین، کاربر می تواند به شکل راننده واقعی عمل کرده و رژیم های مختلف رانندگی را ارزیابی کند. برای مدل سازی باتری از یک مدار معادل منبع تغذیه و مقاومت داخلی سری با آن استفاده شده است. مقادیر ولتاژ مدار باز و مقاومت سری از داده های باتری لیتیوم پلیمر شرکت سازنده، تابعی از حالت شارژ باتری محاسبه شده است. هدف مطالعه ی حاضر تعیین حالت شارژ یک نوع باتری لیتیوم یون خودرو برقی بر اساس دو پارامتر اساسی آزمون باتری یعنی جریان و ولتاژ می باشد که مورد استفاده در سیستم مدیریت باتری خودرو برقی است. در بخش اول نحوه استخراج داده های آزمون از مدل جهت تخمین ارائه می گردد. سپس تخمینگر بر اساس شبکه عصبی پیشخور5 طراحی و عملکرد آن بررسی می شود و سپس نتیجه تخمین عصبی با شبکه عصبی فازی تطبیقی مقایسه می شود.
طراحی شبکه عصبی مصنوعی نحوه انجام آزمایش و جمع آوری داده ها
باتری انتخاب شده در این پژوهش مورد استفاده خودروهای برقی بوده و مشخصات این نوع باتری در جدول 1 آمده است. داده های مورد نیاز در تخمین را می توان از تست تجربی شارژ و تخلیه باتری، مدل سازی باتری و نیز شرکت های سازنده باتری استخراج نمود.
