بخشی از مقاله
چکیده:
در این مقاله یک مدل مناسب برای باتری لیتیم یون تعیین شده و از طریق انجام آزمایشهای عملی مختلف، دادههای کافی از ولتاژ ترمینال، دما و جریان نمونه برداری شده است. سپس، با استفاده از روش ماشینهای بردار پشتیبان و رگرسیون پارامترهای بهینه شناسایی شده است و مدلسازی انجام میشود. در ادامه برای کاهش خطای تخمین و بهینهسازی بهتر از الگوریتم ژنتیک استفاده شده است تا در هر لحظه وضعیت شارژ باتری را بتوان محاسبه نمود و بر اساس میزان توان مصرفی مصرف کنندهها مدت زمان استفاده از باتری را پیشبینی کرد. در این مقاله تأثیر پارامتر دما بر عملکرد باتری به خوبی بررسی شده است. مدل انتخابی در سیمولینک متلب شبیهسازی و با نتایج حاصل از آزمایشهای عملی مقایسه شده است.
.1 مقدمه
سوختهای فسیلی منابع اصلی انرژی در تاریخ اخیر بشر بوده است، اگر چه استفاده مداوم از آنها یک اثر مضر بر محیط زیست میگذارد و ما شاهد این اثرات هستیم. مشکل اصلی برای سوختهای فسیلی این است که آنها نمیتواند در یک دوره کوتاه از زمان تکثیر شوند، پس آنها جز منابع تأمین انرژی محدود و تجدید ناپذیر هستند. اگر نرخ مصرف کنونی ادامه یابد، در زمان بسیار کوتاهی این منابع به پایان میرسند.
همچنین، استفاده از سوختهای فسیلی هرگز بهعنوان یک منبع پاک در نظر گرفته نشده است به دلیل وجود، انتشار گازهای مضر از جمله Co، Co2، Sox، NOx وHc استفاده برای جو بسیار زیان بار اعلام شده است. با وجود تمام این مشکلات مرتبط با سوخت فسیلی و استخراج آن، استفاده از انرژیهای تجدید پذیر در حال تبدیل شدن به موضوع مهمی بهطور فزاینده هستند. منابع تولید انرژیهای تجدید پذیر مانند انرژی باد، خورشید، برق آبی و غیره تداوم ندارند و باید به گونهای این انرژیها را ذخیره نمود. سیستمهای ذخیرهسازی مختلفی وجود دارند اما از سیستم ذخیرهسازی شیمیایی یا باتری استقبال چشمگیری به عمل آمده است.
در میان این باتریهای پر استفاده باتریهای لیتیمی پیشرفت قابل توجهی داشتهاند زیرا از نظر کارایی و هزینهی راه اندازی مناسبترین گزینه میباشند. یکی از روشهای افزایش ذخیرهسازی انرژی در باتری لیتیوم یون، مدیریت و مدلسازی مناسب آن است تا بتوان وضعیت شارژ باتری را به خوبی تخمین زد. امروزه انواع متعددی از مدلهای باتری با درجات مختلف از پیچیدگی برای اهداف گوناگون موجود است.
این مدلها را میتوان به چهار دسته مدلهای ریاضی، مدلهای الکتروشیمیایی، مدلهای مدار معادل الکتریکی و مدلهای انتزاعی - هوشمند - دستهبندی کرد. برای طراحی یک سیستم مدیریت باتری بهتر، نیاز به یک مدل دقیق برای توصیف مشخصههای موردنیاز باتری داریم. بدون در دست داشتن مدار و مدلهای باتری، پیشبینی و بهینهسازی زمان عملکرد باتری و عملکرد مدار ممکن نخواهد بود. تاکنون تلاشهای زیادی برای مدلسازی و پیشبینی عملکرد باتریها شده است و هر بار به نتایج بهتری نسبت به قبل دست یافتهاند. برای این رویکرد، مدلهای ساده و دقیق مورد نیاز است و همچنین تعداد زیادی از مدل باتریهای گوناگون در حال حاضر منتشر شده است .[1]
مدلهای الکتروشیمیایی عمدتاً برای بهینهسازی جنبههای طراحی فیزیکی باتری، مشخص کردن مکانیزم اصلی تولید توان و ارتباط بین پارامترهای طراحی با خواص ماکروسکوپیک - مانند ولتاژ و جریان باتری - و میکروسکوپیک - مانند توزیع غلظت - به کار میروند. این مدلها پیچیده و زمانبر هستند، چون شامل یک سیستم معادلات دیفرانسیل جزئی فضایی متغیر با زمان کوپل شده1 هستند که برای حل آنها نیاز به روزها شبیهسازی، الگوریتمهای پیچیده عددی و اطلاعات خاص از باتری است .[2]
مدلهای ریاضی از معادلاتی تشکیل میشود که رفتار باتری را با پارامترهایی توصیف میکنند که این پارامترها طوری پردازش میشوند که بر دادههای تجربی منطبق شوند. این مدلها از رویکردهای آماری و معادلات تجربی استفاده میکنند که میتواند زمان عملکرد، بازده و ظرفیت را پیشبینی کند، اما قادر به پیشبینی مشخصه I-V که برای شبیهسازی و بهینهسازی مدار مهم است نمیباشد.
این مدلها بسیار مختصر و ساده شده هستند و فقط در موارد خاصی مانند ارزیابی ظرفیتهای غیردقیق کاربرد دارند و نتایج آنها دارای دقت کمی است - خطای حدود . - %20-%5 مدلهای الکتریکی دارای دقتی کمتر از مدلهای الکتروشیمیایی و بیشتر از مدلهای ریاضی هستند - خطای حدود .[3] - %5-%1 این مدلها، مدلهای مدار معادل الکتریکی هستند که برای طراحی و شبیهسازی همراه با سایر مدارها و سیستمهای الکتریکی به کار میروند و از ترکیب منابع ولتاژ، مقاومتها و خازنها برای تقریب فرایندهای الکتروشیمیایی و دینامیکهای یک باتری استفاده میکنند.
علاوه بر این، مدلهای مدار معادل یک دست آورد خوب برای دقت، پیچیدگی و قابلیت استفاده از باتری را ارائه میدهند .[4] در [5] مروری بر مدلهای الکتریکی مختلف باتری صورت گرفته است. مدلهای انتزاعی، رفتار باتری را با استفاده از روشهای مدلسازی هوشمند بدون نیاز به دانستن فرایند الکتروشیمیایی داخل باتری توصیف میکنند .[6] این مدلها میتواند بسیار دقیق باشد اما وابستگی زیادی به داده یادگیری دارد و ممکن است بدون در دست داشتن دادههای یادگیری اضافی قابل توسعه به باتریهای دیگر نباشد. اغلب مدلهای انتزاعی ممکن به صورت عملی بیمعنی باشند و فقط در کاربردهای خاصی کار کنند.
ایده اصلی این مقاله با ساخت یک مدار تست دشارژ و با نمونهبرداری ولتاژ، جریان و دما از یک باتری لیتیم یون و با توجه به معرفی، تحلیل و شناسایی مدلهای باتری لیتیمی و همچنین بررسی پیشینه روشهای تخمینSOC و نتیجهگیری برای شناسایی و انتخاب بهترین و بهروزترین روش و مدل برای تخمین انرژی باقیمانده SOC در باتری لیتیمی یون و معرفی چندین الگوریتم و انتخاب بهترین آنها برای کاهش خطا در تخمین SOC باتری صورت گرفته است.
روش SVMنوعی ماشین یادگیری است که مبتنی بر تئوری یادگیری آماری است که عموماً میتوانند هر تابع چند متغیره را با هر سطحی از دقت تقریب بزنند. روش SVM در ابتدا برای حل مسائله طبقهبندی توسعه داده شده است. سپس این روش برای حل مسائل رگرسیون تعمیم داده شده است که به این روش، رگرسیون بردار پشتیبان 2 - SVR - گویند. هدف SVM یافتن یک فرم تابعی برای تخمین دقیق است که با آموزش مدل SVM روی یک مجموعه نمونه به نام مجموعه آموزش در طی یک مسائله بهینهسازی یک تابع خطا صورت میگیرد.
حل این مسائله بهینهسازی، ترکیبی از یک زیرمجموعه از نقاط نمونه است که بردارهای پشتیبان نامیده میشوند. بسیاری از مسائل رگرسیون نمیتواند بهطور خطی در فضای ورودیها انجام شود و لذا از یک سری توابع کرنل3 مانند RBF یا چندجملهای استفاده میشود. روش SVR میتواند بهعنوان یک الگوریتم رگرسیون برای مسائل غیرخطی استفاده شود و به همین دلیل برای تخمین پارامترهای باتریهای لیتیم-یون مناسب خواهد بود؛ بنابراین در این تحقیق از روش SVR برای تخمین SOC و همچنین برای کاهش درصد خطا از الگوریتم ژنتیک استفاده خواهد شد.
ولتاژ، جریان و دما به عنوان ورودیهای این مدل و SOC به عنوان خروجیهای مدل در نظر گرفته میشوند. برای ارزیابی روش ارائه شده، از امکانات شبیهسازی در نرمافزار MATLAB و نیز از دادههای تست عملی استفاده خواهد شد. هدف این است که الگوریتم ارائه شده، با توجه به شرایط محیطی و بار استفاده شده بتواند تخمین مناسبی از میزان انرژی باقیمانده در باتری به دست دهد.
.2 عملکرد باتریهای لیتیوم یون
یکی از مهمترین مشکلات استفاده از باتریها در مدارهای الکتریکی، عدم شناخت صحیح و مناسب از ساختمان و عملکرد آنها در فرآیند شارژ و دشارژ میباشد. مانند هر باتری دیگری، این باتریها دارای اصول کلی از یک باتری میباشند چنانکه از الکترولیت برای جابجا کردن یونهای لیتیوم بین الکترولیتهای منفی و مثبت استفاده میکنند و در حقیقت این مواد الکترولیتی هستند که عمل شارژ و دشارژ را بر عهده دارند.
