에너지 효율성과 안전성 측면에서 리튬 배터리 충전기의 지능형 제어 전략 성과

Nov 26, 2024 메시지를 남겨주세요

추상적인

 

 

리튬 이온 배터리는 현대 에너지 저장 분야에서 매우 중요합니다. 1990년대 상용화 이후 재료과학과 공학의 발전으로 용량, 안전성, 수명이 향상되었습니다. 그러나 리튬 이온 배터리의 동적 특성은 복잡하며 성능, 안전 및 수명을 최적화하기 위한 고급 충전 및 제어 전략이 필요합니다. 이 기사에서는 리튬 이온 배터리 충전을 위한 세 가지 고급 제어 방법인 강화 학습, 퍼지 논리 제어 및 기존 PID(비례 적분 미분) 제어에 대한 비교 분석을 제안합니다. 기존 충전 방식은 배터리의 동적 복잡성에 대처하기 어려워 성능이 저하되었습니다. 이 기사에서는 MATLAB Simulink 시뮬레이션을 사용하여 이러한 지능형 제어 전략을 평가하여 충전 효율성, 속도 및 배터리 수명을 개선합니다. 결과는 강화 학습이 강력한 적응성을 갖고 있고 퍼지 논리가 비선형 문제를 효과적으로 처리할 수 있으며 PID 제어 성능이 안정적이며 계산 리소스 요구 사항이 낮다는 것을 보여줍니다.

 

 

 

 

1. 소개

 

 

기존 충전 방식과 비교한 리튬 이온 배터리의 한계:리튬 이온 배터리는 높은 에너지 밀도, 긴 사이클 수명, 낮은 자체 방전율이라는 장점을 갖고 있어 에너지 저장 및 사용 방식을 완전히 바꿔 현대 사회의 기본 기술 중 하나가 되었습니다. 그러나 기존의 정전류 및 정전압(CC/CV) 충전 방식은 리튬 이온 배터리의 동적 복잡성을 처리하지 못하는 경우가 많아 충전 성능이 저하되고 시간이 지남에 따라 배터리 성능이 저하될 수 있습니다.

 

 

지능형 제어 전략 소개

 

문제를 해결하기 위해 이 기사에서는 리튬 이온 배터리 충전을 위한 세 가지 주요 지능형 제어 방법인 강화 학습(RL), 퍼지 논리 제어(FL) 및 기존 비례 적분 미분(PID) 제어를 비교하고 분석합니다.

 

RL 컨트롤러는 전력 전자 장치를 단순화하고 훈련 프로세스를 향상시키기 위해 소신호 모델을 사용하여 배터리 모델 및 전력 전자 장치와 상호 작용함으로써 최적의 제어 전략을 학습합니다. 배터리 입력 전압 제어를 목표로 보다 안정적인 충전 프로세스를 위해 전류 및 전압 스파이크에 페널티를 주는 보상 기능을 기반으로 신경망을 훈련합니다. 다중 상호작용을 통해 반응을 평가하고 보상 값을 최대화함으로써 배터리 상태를 모니터링하면서 현재 값과 공격적인 제어 조치에 따라 보상 또는 처벌을 제공할 수 있습니다. 충전 시간, 에너지 소모, 배터리 성능 저하를 최소화하면서 안전한 작동을 보장하는 충전 전략을 개발할 수 있음을 알 수 있다.

 

FL 컨트롤러는 충전 상태, 온도, 충전 속도 등의 언어 변수를 정의하고 추론 규칙을 설정하여 전문 지식과 경험적 규칙을 충전 프로세스에 통합하는 유연하고 직관적인 방법을 제공합니다. 두 개의 FL 컨트롤러가 설계되었습니다. 하나는 서로 다른 충전 곡선에서 안정성을 유지하기 위한 조정 전압이고, 다른 하나는 과도한 스파이크를 방지하고 안정적인 값을 유지하기 위한 조정 전류입니다. 이를 통해 리튬 이온 배터리의 역학에 내재된 불확실성과 비선형성을 더 잘 처리할 수 있습니다. 충전 성능을 향상하고 배터리 수명을 연장합니다.

 

PID 컨트롤러는 충전 곡선을 조정하고 최적화하여 충전 시간, 에너지 효율성, 배터리 상태 보호와 같은 요소의 균형을 맞출 수 있습니다.

 

 

 

 

2. 리튬이온 배터리의 충전 제어 전략에 대한 연구 방법

 

 

MATLAB Simulink 시뮬레이션 플랫폼의 장점 및 배터리 특성:MATLAB Simulink는 리튬 이온 배터리 충전 시스템을 분석하고 최적화하기 위한 강력한 플랫폼을 제공합니다. 리튬 이온 배터리는 높은 에너지 밀도(높은 에너지 대 중량 비율 보장, 휴대용 전자 장치 및 공간과 무게가 제한된 전기 자동차에 적합), 낮은 자체 방전율(장시간 배터리에 적합)로 인해 다양한 응용 분야에서 선호되는 선택이 되었습니다. 에너지 저장이라는 용어), 첨단 재활용 기술, 낮은 환경 영향(보다 지속 가능하고 환경 친화적)입니다.

 

평균 소신호 변환기 모델링:리튬이온 배터리 에너지 전달 시스템에는 효과적인 설계가 필요합니다. 본 연구에서는 절연된 DC/DC 컨버터 회로가 사용됩니다(순방향 컨버터는 DC/DC 벅 컨버터 토폴로지와 유사하며 전기 절연을 제공하고 배터리 안전성을 향상시키는 변압기를 포함합니다). 회로 동작은 소신호 모델 기준을 사용한 2차 전달 함수로 특성화되며, 분석을 단순화하기 위해 낮은 신호(낮은 Q) 근사를 사용하여 연산 및 변환 비율을 포함하는 변환기 모델 전달 함수를 생성합니다. 변환기는 효율성을 향상시키기 위해 이상적인 구성 요소의 사용을 시뮬레이션하고 무부하 및 리튬 이온 배터리 부하의 두 가지 시나리오를 분석합니다. 무부하 조건에서 전달 함수와 컨버터 전압 및 전류 추세는 유사하지만 컨버터 출력은 진동합니다. 부하 조건에서 주요 차이점은 안정화 시간에 있습니다. 전달함수를 이상화하면 시스템의 응답이 빨라지지만 최종 출력값은 일관되며, 전달함수를 사용하면 시뮬레이션 시간을 대폭 단축할 수 있습니다.

 

640

 

제어 아키텍처 설명:제어 전략은 배터리 성능의 정확한 시뮬레이션과 분석을 위한 상세한 기술 매개변수를 제공하는 MATLAB Simulink의 리튬 이온 배터리 모델을 기반으로 합니다. CC/CV 충전 프로세스에는 전류 제어 단계(전류가 안전한 수준으로 설정되고 충전 시 배터리 전압이 증가하여 전압 제어 단계에 들어가기 전에 임계값에 도달함)와 전압 제어 단계(전압이 안정적으로 유지되는 단계)가 포함됩니다. 배터리가 완전히 충전될 때까지 전류가 점차 감소합니다. 이를 통해 과충전을 방지하고 배터리 압력을 낮추며 과열 위험을 낮추고 배터리 수명을 연장할 수 있습니다. 평가된 제어 전략은 표 1에 요약되어 있으며 나중에 자세히 소개됩니다.

 

제어 장치 시나리오 1 시나리오 2 시나리오 3
전압 강화 학습(RL) 스게노 퍼지 PD PID
현재의 PI 스게노 퍼지 PD + I PID

 

강화 학습 아키텍처:강화 학습 컨트롤러는 복잡한 비선형 역학을 처리하기 위해 시스템과의 상호 작용을 통해 최적의 전략을 학습합니다. 행위자 비평 계획을 채택하면 행위자 네트워크는 행동을 선택하고 비평가 네트워크는 피드백을 제공하기 위해 행동을 평가합니다. 연속적인 행동 공간을 처리하기 위해 CGAN(Continuous Gaussian Actor Network)을 사용하고, 가우스 분포 매개변수를 출력하여 최적의 전략을 탐색합니다. 그 아키텍처에는 여러 개의 완전히 연결된 레이어가 포함되어 있으며 활성화 함수는 대부분 RELU(Modified Linear Unit Function)입니다. MATLAB 강화 학습 툴박스 훈련을 기반으로 보상 함수는 전압 오류, 제어 동작 및 전압 관찰을 기반으로 계산되어 예상 범위 내에서 전압을 유지하도록 장려하고 편차에 불이익을 줍니다. 상수를 설정함으로써 최대의 학습 효과가 보장되며, 200회 학습 후 최대 평균 보상을 달성합니다. 그러나 배터리 반응이 느리면 매개변수 조정이 어렵습니다.

 

640 1

 

640 2

 

퍼지 아키텍처:퍼지 비례 미분(PD) 컨트롤러는 기존 PD 컨트롤러보다 시스템 비선형성 및 불확실성을 처리하는 데 더 효과적이며 안정적이고 정확한 전압 제어를 보장하기 위해 배터리 특성의 변화에 ​​적응합니다. 퍼지 추론 시스템은 퍼지 PD에 의해 전압이 제어되고 퍼지 PD+I에 의해 전류가 제어되는 Sugeno 방식을 사용하여 구성됩니다. 입력은 정규화된 삼각형 소속 함수를 사용하여 처리되어 오류와 그 도함수를 처리하고, 출력은 세 가지 Sugeno 정규화 함수를 사용하여 상태를 처리합니다. 포화를 피하기 위해 입력 범위가 제한되며, 입력 및 출력 범위는 관련 상수에 의해 수정됩니다.

 

640 3

 

클래식 PID 아키텍처:기존 PID(비례 적분 미분) 컨트롤러는 단순성, 효율성 및 안정적인 성능으로 인해 배터리 충전에 널리 사용됩니다. 구현 및 조정이 쉽고 충전 조건을 실시간으로 조정 및 최적화할 수 있습니다. 비례, 적분, 미분 동작을 결합하여 전압과 전류를 정확하게 조절합니다. 보편성이 뛰어나 다양한 배터리 및 충전 시나리오에 적합합니다. 비용이 저렴하고 계산 리소스 요구 사항이 낮으며 임베디드 시스템 및 저비용 하드웨어 구현에 적합합니다. 그 아키텍처는 전압과 전류를 각각 제어하기 위해 두 개의 클래식 컨트롤러만 사용합니다(내부 구조는 공간 제한으로 인해 자세히 설명되지 않음).

 

 

 

 

3. 리튬이온 배터리 충전 제어 전략의 성능 평가

 

 

컨트롤러 매개변수 조정:강화학습 보상 함수는 휴리스틱 방법을 통해 결정되며, 반복 실험을 통해 상수를 조정하여 (r1=200), (r2=-25), (p1=-10) 및 ( p2=180). 퍼지 컨트롤러(PD+I)는 (P=20), (D=0. 00000 1), (I{{8)의 현재 제어 매개변수를 사용하여 시행착오를 통해 수동으로 매개변수를 조정합니다. }}) 및 (K_D=0.297) 및 (P=15), (D=0.0001)의 전압 제어 매개변수 및 (K_D=0.315). PID 컨트롤러는 MATLAB PID Tuner 도구와 신경망을 사용하여 전류 제어(P=15), (I{PID}=5), 전압 제어(P=22)를 포함한 최적의 매개변수를 찾습니다. .5), (I=4.9) 및 (D {PID}=0.03).

 

640 4

 

 

컨트롤러 성능 분석

 

평가 측면:전압 및 전류 조정 정확도, 응답 시간, 안정성 및 간섭 방지 측면에서 컨트롤러의 성능을 평가합니다.

 

제어 장치 RMS 전압 [V] RMS 전류 [A] 충전 시간 시뮬레이션 시간 6초 단계 시뮬레이션 시간
RL 3.9347 0.3 10,017.57 s 21,046.5 s 3.5ms
퍼지 PI+ D 3.8601 0.3 18,401.40 s 1961.4 s 0.33ms
PID 3.8601 0.3 12,933.57 s 87.90 s 0.015ms

 

강화 학습 컨트롤러:신경망 기반 강화 학습 컨트롤러는 전류가 0일 때 오버슈트 없이 안정적인 공칭 전압을 달성할 수 있습니다(그림 5b 참조). 그러나 CC/CV 제어를 적용할 경우 기존 전류에 대한 이해 부족으로 인해 전압 변동이 발생하여 배터리 충전 시 전류가 불안정해지고 감소하게 된다. 로딩 속도는 가장 빠르지만 링잉(Ringing) 현상이 있어 전자 부품이 손상되고 배터리 수명이 단축될 수 있습니다. 실제 응용에서는 성능 향상을 위해 순환 전류를 고려해야 합니다.

 

퍼지 컨트롤러:더 긴 충전 및 안정화 시간을 통해 안정적인 충전을 유지하도록 설계되었지만 전류 및 전압 제어 변환에 스파이크가 발생하지 않습니다(그림 5c 참조). 더 안전하지만 속도가 느리며 추론 규칙을 조정하여 최적화할 수 있습니다.

 

PID 컨트롤러:오류에 신속하게 반응하지만 전압에서 전류로 전환하는 동안 상당한 간섭과 과전류 현상이 발생합니다(그림 5b 참조). 성능은 보통 수준이며 운영자 경험에 의존하지 않습니다.

 

성과 지표 분석:입력 DC/DC 변환기의 전압 제어 동작을 분석하고, RMS(평균 제곱근) 값을 계산하고, 강화 학습 컨트롤러의 RMS 값이 약간 더 높다는 것을 확인합니다. 이는 제어 동작이 더 크게 변경되고 민감하다는 것을 나타냅니다. 작은 변화. 모든 컨트롤러에 대한 배터리 전류의 RMS 값을 평가한 결과 0.3A의 일정한 값이 나타났습니다. 이는 제어 전략 및 동작의 차이에도 불구하고 모든 컨트롤러가 예상 범위 내에서 출력 전류를 유지할 수 있음을 나타냅니다. . 이는 강화학습 컨트롤러의 전압 제어 동작이 크게 다르지만 시스템의 안전하고 효율적인 작동에 중요한 출력 전류의 안정성과 일관성에 영향을 미치지 않는다는 것을 의미합니다.

 

 

 

 

4. 리튬이온 배터리 충전 제어 전략 결과에 대한 논의

 

 

컨트롤러 시뮬레이션 실행 시간 및 출력 변화:표 2의 결과는 각 컨트롤러를 6초로 구성한 시뮬레이션에서 얻은 것이며, 강화 학습(RL) 컨트롤러의 실행 시간이 21046초로 가장 길었습니다. RL 컨트롤러는 리튬 이온 배터리의 전압 및 전류를 조절하는 데 사용되는 다른 컨트롤러에 비해 출력 변동이 크고 작은 외란에도 링잉 현상(고주파 발진 제어 동작)이 발생할 수 있습니다. 실제 전력전자기기에 적용할 경우 0.02V의 전압 변동으로 배터리 및 컨버터 부품의 과열, 센서 노이즈, 배터리 수명 단축 등의 원인이 될 수 있다. 컨트롤러를 개선하고 진동을 줄이기 위해 컨트롤러 출력에 저역 통과 필터를 추가하거나 신경망 아키텍처를 수정하거나 하이브리드 제어 방법(예: 신경망 출력을 조정하는 PID 또는 퍼지 컨트롤러)을 사용할 수 있습니다. 사용된.

 

컨트롤러 적응성 및 성능 특성:RL 컨트롤러는 간섭에 더 민감하기 때문에 다양한 상황에 대한 적응성이 높습니다. 그러나 출력 변경은 더 많은 시나리오에 적응하고 충전 효율성을 높이며 가능한 불안정성을 방지하는 능력을 향상시키기 위해 더 많은 매개변수를 에이전트 교육에 통합해야 함을 나타냅니다. 퍼지 컨트롤러는 추론 규칙으로 인해 높은 전류 피크와 느린 충전 속도를 피하는 것을 목표로 합니다. PID 컨트롤러는 출력 신호를 수정하여 오류에 응답하고 동적 변화에 적응할 수 있습니다.

 

컨트롤러 출력 성능 평가:RMS(Root Mean Square) 값을 사용하여 3개 컨트롤러의 출력 성능을 평가했으며, 그 결과 모든 컨트롤러가 유지하는 평균 전압이 배터리의 공칭 전압과 유사한 것으로 나타났습니다. 이는 과충전 방지 및 배터리 방전을 방지하는 데 중요합니다. 과열. 전류 제어 측면에서 모든 컨트롤러는 오버슈트 없이 매우 짧은 응답 시간 내에 기준 값에 도달할 수 있으며 외부 간섭에 대한 내성이 뛰어납니다. 전압 제어 측면에서 컨트롤러는 기준 값에 지속적으로 도달하여 0에 도달할 때까지 전류를 점진적으로 줄여 충전 주기를 완료할 수 있습니다. 그러나 RL 기반 컨트롤러는 충전 마지막 단계에서 전류가 약간 진동하여 전류 값과 0 사이에서 변동할 수 있으며 안정성을 개선하기 위해 추가 조정이 필요할 수 있다는 점에 유의해야 합니다.

 

 

 

 

5. 요약

 

 

PID 컨트롤러

 

장점:단순성과 효율성으로 잘 알려진 이 장치는 전압과 전류 조절에 탁월한 성능을 발휘하며 다양한 응용 분야에서 빠르고 안정적인 응답을 제공할 수 있습니다.

 

불리:복잡한 배터리 동적 특성을 처리하는 데 상대적으로 적응성이 약하여 고도로 동적 최적화를 달성하기 어렵습니다.

 

 

퍼지 컨트롤러

 

장점:언어 변수와 추론 규칙을 정의함으로써 경험이 제어 프로세스에 통합되어 배터리 비선형성과 불확실성을 더 잘 처리할 수 있으며 시스템이 특정 상황에 적응하고 다양한 작동 조건에서 안정적으로 작동할 수 있습니다. 애플리케이션 요구 사항에 따라 추론 규칙을 조정하면 충전 성능을 어느 정도 최적화할 수 있습니다.

 

단점:디자인은 규칙과 경험에 크게 의존하고 개발이 복잡하며 충전 속도가 상대적으로 느리기 때문에 애플리케이션 시나리오에서 빠른 충전에 대한 높은 요구 사항을 충족하지 못할 수 있습니다.

 

 

강화학습 기반 컨트롤러

 

장점:시스템과의 상호 작용을 통해 최적의 전략을 학습할 수 있고 작은 외란에 대한 강력한 처리 능력을 갖추고 있으며 변화하는 조건에 동적으로 적응할 수 있고 지속적으로 성능을 최적화할 수 있으며 다양한 부하 조건에 대한 높은 적응성을 갖습니다. 복잡하고 끊임없이 변화하는 배터리 충전 시나리오에서 충전 정확도와 효율성을 효과적으로 향상시킬 수 있으며, 특히 높은 충전 유연성과 적응성이 필요한 애플리케이션에 적합합니다.

 

단점:본 연구에서 가장 긴 실행 시간과 같이 많은 양의 컴퓨팅 리소스, 긴 훈련 시간이 필요합니다. 훈련 과정은 복잡하며 보상 기능의 신중한 설계와 신경망 아키텍처 조정이 필요합니다. 그렇지 않으면 링잉 문제와 같은 불안정한 현상이 발생할 수 있습니다. 정확도를 높이려면 더 복잡한 신경망 아키텍처가 필요하며, 이로 인해 계산 부담과 시뮬레이션 시간이 더욱 늘어납니다.

문의 보내기