리튬이온 배터리 팩의 SOC 실시간 모니터링 및 예측의 효율적인 구현

추상적인

본 연구에서는 임베디드 애플리케이션에서 배터리 에너지 관리의 안전성과 효율성에 중요한 리튬 이온 배터리의 충전 상태 모니터링에 대해 조사합니다. 배터리의 충전 상태를 정확하게 이해하는 것은 배터리의 안전한 사용과 성능을 보장하는 데 결정적인 의미를 갖습니다. 연구팀은 Spartan 6 FPGA에 배포된 Kalman 필터 기반의 관찰자 알고리즘을 개발하고 구현했습니다. 알고리즘은 초기 추정값과 실제 상태 사이에 편차가 있더라도 배터리의 충전 상태를 정확하게 추정할 수 있습니다. 이 기사에서는 특히 FPGA가 배터리 관리 시스템(BMS)에서 효율적인 슬레이브 구성 요소 역할을 하여 저렴한 비용으로 다수의 배터리 충전 상태를 모니터링할 수 있도록 하는 빠른 컴퓨팅 분야에서 FPGA의 장점을 강조합니다. 저가형 FPGA에 이 관찰자를 구현하는 것은 전기 자동차와 같은 애플리케이션에서 배터리 관리 시스템의 비용을 줄이는 데 큰 의미가 있습니다. 또한, 관찰자 ​​모델은 엄격한 시뮬레이션과 실시간 테스트를 통해 그 유효성을 검증했습니다. 본 연구는 리튬이온 배터리의 충전 상태를 정확하게 추정하기 위한 효과적인 방법을 제안하여 다양한 애플리케이션에서 배터리 에너지를 효과적으로 관리할 수 있도록 강력한 지원을 제공합니다.

1. 소개

에너지 관리 및 SOC 추정의 중요성:에너지 관리는 배터리 수명과 전체 시스템 성능에 영향을 미치기 때문에 임베디드 애플리케이션, 특히 배터리 구동 장치에서 매우 중요합니다. 리튬 이온 배터리는 높은 에너지 밀도, 낮은 자체 방전율 및 긴 사이클 수명으로 인해 널리 사용됩니다. 배터리 전원 공급 시스템의 안전성과 효율성을 보장하기 위해서는 정확한 SOC 추정이 필수적이다. 부정확한 추정은 배터리의 과충전, 과방전 및 조기 고장을 초래할 수 있습니다. 그러나 리튬 이온 배터리의 비선형 및 시간에 따른 특성으로 인해 SOC 추정이 매우 어려워 모델 기반 및 데이터 기반 접근 방식을 포함한 다양한 추정 방법이 제안되었습니다.

배터리 관리 시스템 및 SOC 추정 방법

배터리 관리 시스템(BMS)은 배터리 상태를 모니터링하고 충전 및 방전 과정을 제어하는 ​​배터리 팩의 중요한 구성 요소입니다. 정확한 SOC 추정은 배터리 사용을 최적화하고 과충전 및 과방전을 방지하는 데 도움이 되는 핵심 기능 중 하나입니다. 알고리즘은 높은 정밀도, 낮은 정밀도의 센서 오류 및 배터리 매개변수 잘못된 추정에 대한 견고성, 낮은 계산 전력 요구 사항을 충족해야 합니다. 정확한 SOC 추정을 달성하기 위한 모델링 및 추정 기술에는 전기화학, 등가 회로 및 데이터 기반 방법이 포함됩니다. 전기화학 모델은 정확하지만 계산 비용이 많이 들고 전문적인 지식이 필요한 반면, 관찰자 ​​기반 방법은 비교적 간단하고 정확도가 높습니다.

SOC 추정 방법은 두 가지 범주로 나뉩니다.개루프 및 폐루프 추정. 쿨롱 계산과 같은 개방 루프 방법은 간단하지만 초기 SOC 지식, 느린 역학 및 낮은 신뢰성이 필요한 반면, 개방 회로 전압 방법은 정확하지만 배터리를 오랫동안 유휴 상태로 두어야 합니다. 폐쇄 루프 방법에는 주로 모델 예측 제어(MPC) 및 관련 방법(예: EKF(확장 칼만 필터), DEKF(듀얼 확장 칼만 필터), AEKF(적응형 확장 칼만 필터), AMA(적응형 하이브리드 알고리즘), State Observer, GESO(Generalized Extended State Observer), Fuzzy Logic Method, Neural Network)뿐만 아니라 H-infinity 필터, SMO(Sliding Mode Observer), 입자 필터(PF) 기반 방법 및 Kalman 필터의 변형(예: UKF(Unscented Kalman Filter) 및 SPKF(Sigma Point Kalman Filter)).

SOC 추정에 EKF 및 FPGA 적용:온라인 SOC 추정에는 다양한 방법이 있으며 상태 관찰자(특히 EKF)는 견고성으로 인해 널리 사용됩니다. 배터리 관리에서 EKF 재귀 알고리즘은 배터리 모델과 측정 데이터를 결합하여 SOC를 추정할 수 있습니다. 그러나 마이크로 컨트롤러를 사용하여 복잡한 알고리즘을 구현하는 것은 비용이 많이 들고 다중 배터리 시스템에는 적합하지 않을 수 있습니다. BMS 비용(모니터링 및 밸런싱 포함)은 배터리 팩 가격의 30%에 달할 수 있습니다. 따라서 본 연구에서는 FPGA(Field Programmable Gate Array)를 사용하여 여러 개의 배터리를 직렬로 연결한 전기 자동차 배터리의 SOC 추정 알고리즘을 빠르게 계산하는 데 중점을 둡니다. FPGA는 산업 현장에서 효율적인 것으로 입증되었습니다. 본 연구의 목표는 초기 부정확한 SOC 추정을 수정할 수 있는 저비용의 효율적인 Spartan 6 FPGA에 EKF 알고리즘 기반 관찰자를 구현하는 것입니다. 빠른 관찰 시간은 동일한 FPGA로 여러 배터리를 동시에 관찰할 수 있으므로 모니터링해야 하는 전기 자동차 또는 기타 배터리 SOC 시스템의 BMS 비용을 줄일 수 있습니다. 논문의 다음 장에서는 리튬 이온 배터리 모델, 관찰자 ​​설계, FPGA 구현, Xilinx 환경에서의 시뮬레이션, 실험 결과, 연구 결론 및 향후 작업을 순차적으로 소개합니다.

2. 충전 상태 관찰자

배터리 모델

전기화학 전지의 동적 거동을 정확하게 표현하기 위한 다양한 모델링 방법이 있습니다. 전기화학 모델은 배터리 성능을 예측하고 노화 메커니즘을 이해하는 데 도움이 될 수 있지만 배터리의 초기 및 경계 조건이 필요하고 계산이 복잡하며 실시간 애플리케이션에는 적합하지 않습니다. 그래서 전기화학 전문가가 아닌 사람에게도 적합하고 실시간으로 적용하기 쉬운 등가 회로(EEC) 기반의 단순화된 모델이 개발되었습니다. 그러나 모델 인식을 단순화하려면 배터리 수준에서 전기화학적 현상을 고려해야 합니다.

본 연구에서 사용된 EEC 모델은 개방형 전압원(OCV), 전해질 및 연결 저항과 같은 고주파 현상을 나타내는 저항 RΩ과 전하 이동 동적 저항, 저주파를 시뮬레이션하는 병렬 회로 R1C1로 구성됩니다. 확산 현상. 실시간 계산을 단순화하기 위해 단일 RC 회로를 사용하여 Te=0.1초의 샘플링 주기로 확산 현상을 시뮬레이션합니다. 이는 동적 전하 이동으로 인한 샘플링 주기(약 10ms)에 비해 무시할 수 있습니다. ). 배터리 모델 상태 방정식은 공식 1과 같이 SOC로 확장됩니다.

(여기서 Qnom은 공칭 용량, V1은 R1C1 회로의 전압, SOC는 충전 상태, Ubat는 배터리 단자 전압), 이산 상태 배터리 모델은 공식 2에 표시된 것처럼 SOC로 확장됩니다.

칼만 필터 기반 SOC 관찰자

SOC는 직접적으로 측정할 수 없으며, 이 문제를 해결하기 위해 흔히 EKF(Extended Kalman Filter)가 사용됩니다. 이를 위해서는 정확한 배터리 모델과 특정 잡음 범위 내에서 SOC를 추정하는 능력이 필요합니다. EKF는 예측용 SOC가 포함된 배터리 모델 상태 방정식(수식 1)을 사용하여 특정 샘플링 시간 Te에서 상태 변수를 초기화하고 예측합니다. 관찰자 성능은 모델 불확실성 wk 및 전압 측정 불확실성 vk(공식 3)를 고려하여 측정 및 모델의 신뢰도에 따라 달라집니다.

백색 잡음, 가우스 잡음, 평균이 0이라고 가정하면 상태 잡음과 측정 잡음의 공분산 행렬 Q와 R에 각각 포함됩니다.

배터리 모델을 SOC로 확장하는 데 따른 비선형성(OCV는 SOC와 관련됨)으로 인해 각 샘플링 시간마다 야코비 행렬을 계산하여 선형화해야 합니다(수식 4).

칼만 이득을 선형화하고 계산합니다(공식 5).

공분산 행렬 업데이트(공식 6):

마지막으로 최적 이득 보정을 사용하여 상태 벡터를 예측합니다(공식 7).

EKF 매개변수는 아래 표에 요약되어 있습니다.

3. FPGA 구현

FPGA 아키텍처 설계:FPGA는 처리 리소스(예: 다양한 유형의 로직 블록으로 그룹화된 메모리, 로직, 레지스터)와 프로그래밍 가능한 상호 연결 리소스로 구성됩니다. 프로그래밍할 때 논리 블록의 기능을 지정하고 상호 연결 네트워크를 구성해야 합니다. 본 연구는 로직 블록이 정규 직사각형 구조이고 프로그래밍 가능한 상호 연결 지점을 통해 라우팅 네트워크(수평 및 수직 채널로 구성)에 연결되는 매트릭스 프로그래밍 가능 회로 아키텍처에 중점을 둡니다. FPGA는 사전 설계된 기본 배터리와 상호 연결로 구성되며 사용자는 애플리케이션 요구 사항을 충족하는 특정 하드웨어 아키텍처를 프로그래밍하고 구축할 수 있습니다. 산업 현장에서 높은 처리량과 낮은 지연 시간의 처리 능력을 발휘하며, 유연성을 통해 성능 향상, 비용 절감, 확장성을 갖출 수 있습니다. 구성 가능한 병렬 컴퓨팅을 위해 FPGA를 사용하면 알고리즘 실행 시간이 단축되지만 프로그래밍에는 관찰자의 기본 정확도를 유지하면서 알고리즘 시간/영역 성능 및 데이터 형식 비트 선택을 포함한 물리적 특성의 최적화가 필요합니다.

장비 및 소프트웨어:본 연구에서는 시제품 설계에 안정적이고 견고한 dSPACE의 MABXII(MicroAutoBox II) 하드웨어 플랫폼을 사용하여 배터리 팩의 충전 상태(SOC)를 실시간 시스템으로 추정하기 위한 확장 칼만 필터(EKF)를 구현하는 것을 목표로 합니다. 그리고 자동차 산업에서의 테스트. 내장된 Xilinx Spartan{1}} FPGA(XC6SLX150)는 고성능과 낮은 전력 소비를 제공하므로(주요 사양은 표 2에 표시됨) 이 애플리케이션에 적합합니다. SOC 관찰자는 이 FPGA에 구현되어 5개의 직렬 연결된 리튬 이온 배터리로 구성된 배터리 팩에서 개별 배터리의 SOC를 테스트합니다(배터리 팩 매개변수: 총 공칭 전압 18V, 단일 배터리의 공칭 전압 3.6V, 전체 용량 2.5Ah, Samsung 25R 18650 리튬 이온 배터리 사용, 양극은 NCA와 NMC 화학 물질의 혼합물, 음극은 흑연, 배터리 모델 매개 변수는 정전류로 식별됩니다. 간헐 적정 기술 GITT(그림 4 참조). 25°C의 배터리 온도와 일정한 매개변수를 가정할 때 EKF 알고리즘은 Simulink 블록(그림 5 참조)을 사용하여 개발되었으며 파이프라인, 시분할 다중화/폴딩 및 맞춤형 정밀도를 통해 성능 및 리소스 활용에 최적화되었습니다.

시분할 다중화 기술:연구 중인 배터리 팩에는 5개의 직렬 연결된 리튬 이온 배터리가 포함되어 있으며 각 배터리의 SOC를 추정하는 방법에는 두 가지가 있습니다. 하나는 5가지 배터리 모델로 설계를 개발하는 것이지만 높은 리소스 요구 사항으로 인해 실시간 애플리케이션에 적합하지 않으며 더 비싸고 리소스가 풍부한 FPGA가 필요합니다. 두 번째 방법은 시분할 다중화(그림 6 참조)를 기반으로 하며 각 샘플링 시간은 Te '=0.02초입니다. 배터리 팩 전류와 배터리 전압이 MicroAutoBox DSP 보드 ADC에 의해 디지털화되면 상태 머신이 데이터를 FPGA로 보내 EKF 알고리즘을 실행합니다. 알고리즘이 완료된 후 추정 및 수정된 SOC, 오류 공분산 행렬 및 확산 전압이 DSP로 다시 전송됩니다. 후속 노력은 시뮬레이션을 통해 관찰자를 검증하는 데 중점을 둘 것이며, 이는 FPGA에 배포하기 전에 관찰자의 정확성과 효율성을 보장하는 데 중요합니다.

4. Xilinx의 관찰자 검증

확인 프로세스:알고리즘은 FPGA 프로그래밍을 위해 특별히 설계된 시스템 생성기 라이브러리를 사용하여 검증됩니다. 이 라이브러리를 사용하면 Simulink 블록을 사용하여 FPGA 프로그래밍을 할 수 있으며 부동 소수점 또는 고정 소수점 모드에서 데이터 처리를 수행할 수 있습니다. 정확도가 높을수록 FPGA 리소스 요구 사항도 커집니다. 결과의 정확성과 리소스 활용의 균형을 맞추기 위해 이 연구에서는 고정 소수점 모드의 부호 있는 표현, 특히 Fix32_16 형식(정수 부분 15비트, 소수 부분 16비트, 부호 1비트)을 선택했습니다. . 이 Xilinx 라이브러리를 사용하는 주요 이점은 복잡한 VHDL 프로그래밍이 필요 없이 FPGA에서 쉽게 구현할 수 있다는 것입니다.

성과평가 및 결과

EKF 기반 관찰자의 성능은 1C 방전 전류(2.5A)의 전류 곡선을 통해 평가됩니다. 실제 SOC는 100%로 초기화되며, 초기 추정 SOC 값 SOC-0는 0%로 설정됩니다. (SOC-0는 다양한 범위를 달성할 수 있는 조정 가능한 매개변수입니다. 예상 SOC 초기화). SOC 기준 값은 올바른 초기 SOC 및 공칭 용량으로 초기화된 쿨롱 미터에서 얻습니다. 검증을 위해 설계된 추정기를 1C 전류 단계 방전 전류 곡선 아래에 배치합니다.

결과는 초기 추정값이 실제 SOC 초기값과 다르지만 추정 SOC는 여전히 배터리의 실제 SOC에 수렴한다는 것을 보여주며, 이는 EKF 관찰자가 불량한 SOC 추정을 수정하고 추정 SOC가 실제 SOC에 수렴할 수 있음을 나타냅니다. 값. 그러나 구현에 사용되는 고정 소수점 표현은 사용되는 비트 수를 제한하여 추정 오류로 이어지며, 상태 변수를 예측할 때 현재 적분 과정에서 오류가 누적되어 추정 값과 실제 값 사이에 큰 범위의 오류가 발생할 수 있습니다. . 그러나 절대 오차가 5% 미만이면 필터가 효과적인 것으로 간주되며 상태 변수를 정확하게 추정할 수 있습니다.

5. 실시간 FPGA 구현 결과

실시간 검증(사전 기록된 데이터 활용):실제 배터리 테스트에 앞서 사전에 기록된 배터리 전류/전압 데이터를 이용해 테스트를 시뮬레이션합니다. 테스트 결과는 관찰자의 실시간 성능이 좋은 것으로 나타났습니다. 전류 곡선은 1C 전류 스텝(2.5A)으로 방전되고 SOC는 0%로 초기화됩니다. SOC 기준 값은 올바르게 초기화된 쿨롱 미터를 통해 얻습니다. Xilinx의 시뮬레이션 결과와 비교하면 관찰자의 성능은 두 경우 모두 유사하며, FPGA에 구현된 칼만 필터는 측정된 전압과 추정된 전압 사이의 오차를 성공적으로 줄여 추정된 SOC가 수렴할 수 없는 정확한 값으로 수렴합니다. 직접 측정해 보세요.

실험검증 관찰자

단일 배터리 테스트:사전에 기록된 데이터를 활용하여 실시간 검증 후, 실제 배터리 방전 시 추가 테스트를 진행합니다. 그림에 표시된 테스트 플랫폼을 사용하여 배터리를 방전하는 동안 관찰자를 실행하여 SOC 추정의 정확성을 평가합니다. 배터리 방전을 위해 프로그래밍 가능한 능동 부하의 설정값으로 전류 펄스 사이클을 생성함으로써 실험 결과는 전류 사이클이 시작될 때 필터가 초기 SOC 0%를 보정할 수 있음을 보여줍니다. 전압이 감소하면 SOC도 감소하며 시스템은 이를 자동으로 보정할 수 있습니다. 그러나 주로 센서 측정 노이즈로 인해 추정 과정에서 진동이 발생하므로 더 부드러운 필터가 필요합니다.

배터리 팩 테스트:연구용 배터리는 5개의 직렬 연결된 배터리로 구성되므로 전체 배터리 팩을 테스트하기 위한 추정기를 개발해야 합니다. 칼만 필터 모델에 시분할 다중화 기술을 접목하여 주기 3200s, 진폭 -2.5A의 전류 펄스 주기를 프로그래밍 가능한 배터리 유효 부하 설정 값으로 생성합니다. 해고하다. 결과는 관찰자가 전체 배터리 팩에 포함된 각 배터리의 전압과 SOC를 정확하게 추정할 수 있음을 보여줍니다. 5개의 곡선을 기반으로 각 배터리의 SOC와 전압을 판단할 수 있는데, 이는 배터리 팩의 전체 전압과 SOC만을 추정했던 기존 연구에 비해 상당한 장점이 있다. SOC 관찰자의 실행 시간은 2.5μs이고 일반적인 샘플링 기간은 0.1s입니다. Spartan 6 칩은 단일 샘플링 기간 내에 여러 SOC 추정을 수행하고 다른 상태(예: 내부 온도)를 관찰할 수 있는 충분한 시간을 갖습니다. FPGA 구현은 상당한 양의 리소스를 소비하지 않았으며 프로그램의 복잡성에도 불구하고 사용 가능한 FPGA 리소스가 완전히 활용되지 않았습니다.

6. 요약

임베디드 애플리케이션 분야에서 에너지 관리는 에너지 소비를 최적화하고 배터리 수명을 연장하는 데 매우 중요합니다. 이를 위해서는 배터리의 충전 상태를 정확하게 모니터링할 수 있어야 합니다. 본 연구에서는 리튬이온 배터리 팩에 포함된 각 배터리의 전압 및 충전 상태를 추정하기 위한 상태 관찰기 개발에 중점을 두고 있습니다. 관찰자는 리튬이온 배터리에 적합한 칼만 필터링 알고리즘을 채택했으며 초기 추정값이 실제 충전 상태와 일치하지 않을 때 충전 상태를 수정하는 기능을 가지고 있습니다. 저가형 Spartan 6 FPGA(20유로 미만 가격)에 이 복잡한 알고리즘을 구현하면 효율성이 높고 여러 배터리를 동시에 모니터링할 수 있어 배터리 관리 시스템 비용이 절감되는 것으로 입증되었습니다.

실험 결과는 관찰자가 각 배터리의 전압과 충전 상태를 정확하게 추정할 수 있음을 보여주며, 전체 배터리 팩의 전압과 충전 상태만 추정할 수 있었던 이전 연구에 비해 상당한 이점을 보여줍니다. 관찰자의 낮은 실행 시간과 리소스 소비로 인해 관찰자는 다양한 애플리케이션 시나리오에 적합한 리튬 이온 배터리 팩의 실시간 모니터링 및 제어를 위한 강력한 도구입니다. 구현 과정에서 데이터 노이즈와 같은 문제가 발생했지만 결과의 정확성을 보장하기 위해 적절한 필터링 기술을 채택하면 이러한 문제를 효과적으로 해결할 수 있습니다. 전반적으로, 이 연구는 배터리 관리 시스템 분야에 상당한 가치를 제공했으며 향후 연구를 위한 새로운 길을 열었습니다.