Pil Gücü Tahmin Etmek için Karmaşık Yöntemlere Genel Bakış SOC
Şarj durumu (SOC), kalan kapasitenin pil kapasitesine oranı olarak tanımlanır.Güç pilinin kalan enerjisini karakterize etmek için kullanılır ve pilin durumunu yansıtan önemli bir parametredir. Bunu çevrimiçi olarak doğru bir şekilde tahmin etmek, elektrikli araçların menzilini iyileştirmek için önemli bir bağlantıdır.
SOC, elektrot üzerindeki sıcaklık, kendi kendine deşarj ve aktif malzeme gibi faktörlerden etkilendiğinden, belirli parametreleri ölçerek SOC değerini doğrudan elde etmek zordur. Geleneksel yöntemlerden farklı olan karmaşık yöntemlerin sürekli araştırılması ve iyileştirilmesi, güç pillerinin SOC'sini doğru bir şekilde tahmin etmek için büyük önem taşımaktadır.
1 SOC Tahminini Etkileyen Faktörlerin Analizi
Güç bataryası SOC tahminini etkileyen, başlıca aşağıdakiler dahil birçok faktör vardır:
(1) Güç pilinin çalışma durumu karmaşıktır ve güç pilini açma veya kapatma süresi rastgele olup, bu da tahmin çalışmasında bazı zorluklara neden olur.
(2) Güç bataryası SOC tahmin süreci, elektrikli araçların fiili çalışmasında olmalıdır. Bu nedenle, bataryanın çevrimdışı ölçümü yerine gerçek zamanlı çevrimiçi tahminin gerekli olması, aynı zamanda tahmin sonucunun iyi bir yakınsama ve sağlamlığa sahip olması gerekir.Belirli bir hata olsa bile, tahmin yöntemi ile işlendikten ve ayarlandıktan sonra yine de beklenen değere yakınsayabilir. .
Mevcut etki, çevre sıcaklığı, akünün kendi kendine boşalması ve elektrikli araçlarda yaşlanma gibi karmaşık faktörlerin tümü, tahmin çalışmasına çok fazla zorluk katar.
2 SOC tahmin karmaşık yöntemi
Bu alandaki araştırmanın erken safhalarında, daha yaygın olarak kullanılan yöntemler arasında açık devre voltaj yöntemi, amper-saat entegrasyon yöntemi, deşarj deney yöntemi vb. Bulunmaktadır, ancak bu yöntemlerin gerçek çevrimiçi tahmine uygulanması zordur ve belirli sınırlamaları vardır. Son yıllarda, yerli ve yabancı araştırmacılar tahmin yöntemlerini sürekli olarak geliştirdiler ve yenilediler ve güç bataryası SOC'sini daha doğru tahmin etmek için birçok karmaşık yöntem önerdiler.
2.1 Kalman filtre yöntemi
Kalman filtresi, Gauss dağılımına uyan doğrusal dinamik sistemlerle ilgilenen optimal bir otoregresif veri işleme algoritmasıdır. Güç pili SOC tahmin modeli doğrusal olmadığından, genişletilmiş Kalman filtre yöntemi ile işlenmesi gerekir. Yöntem, güç bataryasını dinamik bir sistem olarak ele alarak batarya SOC tahminine güç sağlamak için uygulanır, şarj durumu sistemin dahili bir durumudur ve temel fikir, minimum varyans anlamında sistem durumunun optimal bir tahminini yapmaktır.
Genişletilmiş Kalman filtreleme yöntemi, pil modelinin doğruluğu için yüksek gereksinimlere sahiptir.Şu anda, daha yaygın olarak kullanılan klasik pil modelleri esas olarak üç türü içerir: Şekil 1'de gösterildiği gibi Rint, Thevenin ve PNGV devre modelleri.
Bunlar arasında, Rint modeli çok idealdir ve gerçek tahmin için uygulanamaz; Thevenin modeli, pil özelliklerini daha iyi karakterize edebilir ve hesaplanması kolaydır ve mühendislikte uygulanması kolaydır; PNGV model devresinin parametreleri daha karmaşıktır ve hesaplama zahmetlidir.
Genişletilmiş Kalman süzgeç yönteminin bir özelliği, matematiksel modelini durum uzayı kavramı ile tanımlamaktır. Matematiksel modelleme, Şekil 1'deki Thevenin pil eşdeğer modeline dayanmaktadır. Kirchhoff'un gerilim ve akım yasasından ve SOC'nin tanımından aşağıdaki denklem elde edilebilir:
Bunların arasında, (k) sistemin beyaz gürültüsü ve v (k) tasarımda Gauss beyaz gürültüsü olduğu varsayılan gözlem gürültüsüdür. Yerleşik durum denklemini ve gözlem denklemini, genişletilmiş Kalman filtre algoritmasının beş temel formülüne getirin, zaman güncellemesi ve gözlem güncelleme denklemleri oluşturun ve son olarak, güç bataryası SOC'sini tahmin etmek için bir simülasyon sistemi oluşturmak için MATLAB kullanın.
Genişletilmiş Kalman filtre yöntemi, şiddetli akım dalgalanmaları koşullarında SOC tahmini için uygundur.Eski araştırma yöntemlerinin eksikliklerinin üstesinden gelir ve SOC tahmin hatasını belirli bir aralıkta kontrol edebilir, ancak pil modelinin doğruluğunu ve hesaplama kabiliyetini gerektirir. Daha yüksek.
2.2 Sinir ağı yöntemi
BP sinir ağı, hata geri yayılım algoritması ile eğitilmiş çok katmanlı ileri beslemeli bir ağ türüdür.Günümüzde en yaygın kullanılan sinir ağı modellerinden biridir.Güçlü, yüksek doğrusal olmama ve hata toleransı özelliklerine sahiptir.
BP sinir ağı iki bölümden oluşur: ileri yayılma ve geri yayılma: ileri yayılma, giriş sinyalinin gizli katmandan çıktı katmanına giriş katmanından geçmesidir. Çıktı katmanı istenen çıktıyı alırsa, öğrenme algoritması sona erer, aksi takdirde geri yayılmaya gider; geri yayılım, hatayı (örnek çıktı ile ağ çıktısı arasındaki fark) orijinal bağlantı yoluna göre hesaplamak ve her katmanı degrade iniş yöntemiyle ayarlamaktır. Düğümlerin ağırlıkları ve eşikleri hatayı azaltır.
BP sinir ağının özelliklerine göre, güç pilinin birden çok parametresi ile birlikte, Şekil 2'de gösterildiği gibi BP sinir ağına dayalı bir SOC tahmin modeli oluşturulur. Literatür, benzer bir model oluşturmak ve güç bataryası SOC'sini tahmin etmek için BP sinir ağına dayalı akıllı bir şema kullanır. Aynı zamanda, tahminin doğruluğunu artırmak için sinir ağı parametrelerini optimize etmek için genetik algoritma kullanılır ve bu yöntemin uygulanabilirliği deneylerle doğrulanır.
Modelin örneklenmesi, SOC'yi tahmin etmek için sinir ağı yöntemini kullanmanın bir ön koşuludur. Tamamen şarj edilmiş durumdan sıfıra tamamen boşaltmak için belirli bir spesifikasyona sahip bir güç pilini seçin, SOC için n sayıda veri setini eğitim örnekleri olarak sabit bir süre içinde alın ve sinir ağı eğitiminden sonra test örnekleri olarak m veri setini seçin.
Güç pili SOC tahmini karmaşık bir süreç olduğundan, bunun için doğru bir model oluşturmak zordur. Yeni bir akıllı algoritma türü olarak, BP sinir ağı yönteminin doğru bir matematiksel model oluşturmasına gerek yoktur. Bu yöntem, insan beyni öğrenme mekanizmasını simüle edebilir ve eğitim ve öğrenme yoluyla verilerin içerdiği ilişkiyi analiz edebilir. Bununla birlikte, bu yöntem eğitim için büyük miktarda deneysel veri gerektirir ve daha fazla eğitim verisi, tahminin doğruluğu o kadar yüksek ve daha uzun sürer.
2.3 Destek Vektör Regresyonu
Destek vektör makinesi (SVM), yapısal risk minimizasyonu fikrini daha iyi gerçekleştirebilen bir yöntemdir. Bu yöntem, en iyi terfi kabiliyetini elde etmek için, verilen veri bilgilerine göre sistem modelinin karmaşıklığı ile yaklaşıklığın doğruluğu arasında en iyi uzlaşmayı arar.
Farklı uygulamalara göre, destek vektörü sınıflandırmasına (SVC) bölünebilir ve vektör regresyonunu (SVR) destekler. SVR, temel olarak küçük numunelerin doğrusal olmayan problemini çözmek için kullanılır ve iyi bir uygulanabilirlik ve sağlamlığa sahiptir.
Güç pilinin şarj ve deşarj işlemi sırasında, pil akımı, voltaj, sıcaklık vb. Gibi güç pilinin ilgili parametreleri doğrudan ölçümle elde edilebilir. Bu parametreler giriş katmanı verisi olarak ve güç pili SOC'si çıktı katmanı sonucu olarak alınarak Şekil 3'te gösterilen SVR modeli elde edilir.
Bunlar arasında, giriş katmanının işlevi, herhangi bir işleme işlemi olmaksızın voltaj ve akım gibi verileri depolamaktır; orta katman, veri eğitiminin başlangıcında uygun çekirdek işlevi K (x, xi) 'yi seçmektir.Yaygın olarak kullanılan çekirdek işlevleri, polinom işlevlerini, Radyal temel (RBF) işlevi ve Sigmoid işlevi. Son olarak, regresyon tahmin fonksiyonu oluşturulur:
SVR yönteminin tasarım fikri, belirli bir doğrusal olmayan fonksiyon aracılığıyla bir regresyon tahmin fonksiyonu oluşturmak için eğitim verisini x1, x2, ..., xn, vb. Yüksek boyutlu bir özellik uzayına eşlemektir. Bu yöntem daha iyi bir genelleme ve sağlamlığa sahiptir. Sinir ağları ile karşılaştırıldığında, yinelemeli hesaplama hızı daha hızlıdır, ancak tahmin doğruluğu, SVR parametrelerinin (ceza katsayısı ve genişlik katsayısı) seçimine bağlıdır. Parametre kombinasyonu optimal değilse, tahmin doğruluğu azalacaktır. .
2.4 Bileşik algoritma
Yukarıdaki tahmin yöntemi, SOC tahmin sonucunu belirli bir hata aralığında kontrol edebilir, ancak yine de bazı eksiklikler vardır. Hatanın nedenini analiz edin ve hatayı düzeltin Yukarıdaki yönteme dayanarak, bulanık Kalman filtre algoritması, uyarlanabilir bulanık sinir ağı yöntemi ve benzeri gibi bazı geliştirilmiş bileşik algoritmalar önerilmiştir.
2.4.1 Bulanık Kalman filtre yöntemi
Genişletilmiş Kalman filtre yönteminin analizi ile Thevenin modelinin oluşturduğu ayrık durum uzay denklemine göre sistem beyaz gürültüsü ve gözlem gürültüsünün Gauss beyaz gürültüsü olduğu varsayılır ve ölçüm gürültüsü çalışma koşullarına göre sürekli olarak değişir. Tahmin sonucu belli bir hata getirir. Bu nedenle, bulanık denetleyici, gerçek varyans ile gürültünün teorik varyansı arasındaki farkı gerçek zamanlı olarak izlemek için genişletilmiş Kalman filtresi yöntemiyle birleştirilir. Bulanık çıkarım süreci aracılığıyla, gürültünün varyans değeri, algoritmanın doğruluğunu ve sağlamlığını geliştirmek için sürekli olarak ayarlanır.
Bulanık denetleyicinin temel yapısı dört bölümden oluşur: bulanıklaştırma, bilgi tabanı, bulanık çıkarım ve bulanıklaştırma önleme ve yapısı Şekil 4'te gösterilmektedir. Bunların arasında, bulanıklaştırma, girdi kesin niceliğini bulanık miktara dönüştürme işlemidir; bilgi tabanı, veritabanı (niceleme faktörü, ölçek faktörü, bulanık değer ve üyelik işlevi, vb.) Ve kural kitaplığını (bulanık dilde ifade edilen kontrol kuralları) içerir; Çıkarsama, kural tabanına ve sistemin mevcut durumuna dayalı olarak çıktı bulanık değerini çıkarma sürecidir; bulanıklaştırma, bulanık değeri kesin bir miktara dönüştürme işlemidir.
Literatür, iki bitişik momentin ölçülen varyansı arasındaki ilişkiyi R (k) = a (k) R (k-1) olarak tanımlayan basit bir bulanık Kalman filtre yöntemi önermektedir; gerçek varyans ve teorik varyansı Fark C, bulanık denetleyicinin girdisi olarak kullanılır; bulanık denetleyicinin çıktısı olarak ayarlama faktörü a (k) kullanılır ve ardından bulanık Kalman filtreleme işlemini gerçekleştirmek için girdi ve çıktı değişkenlerinin evreni ve uygun üyelik işlevi belirlenir.
Literatür, güç bataryası SOC'sini tahmin etmek için gelişmiş bir bulanık uyarlamalı Kalman filtre yöntemi tasarladı. Bulanık denetleyicinin girdisi olarak artıkların ortalamasını ve varyansını kullanarak, artıkların değişimini çevrimiçi olarak izleyerek, gürültü gerçek zamanlı olarak gözlemlenebilir ve ayarlanabilir, böylece tahmin doğruluğu iyileştirilebilir. Simülasyon sonuçları, algoritmanın pil SOC'sini etkili bir şekilde tahmin edebildiğini ve doğruluğun geleneksel Kalman filtre algoritmasından daha yüksek olduğunu göstermektedir.
Bulanık Kalman filtresi yönteminin temel tasarım fikri, hesaplama için genişletilmiş Kalman filtresini kullanmak ve ardından genişletilmiş Kalman filtresi yönteminde gürültünün etkisini azaltmak için bulanık denetleyiciyi gerçek zamanlı olarak izlemek ve ayarlamaktır. Bir dereceye kadar, geleneksel Kalman filtre yönteminin tahmin hatası azaltılır ve SOC tahmin doğruluğu iyileştirilir. Ancak bu yöntem yine de pil modelinin doğruluğuna bağlıdır.
2.4.2 Uyarlanabilir bulanık sinir ağı yöntemi
Bölüm 2.2'deki sinir ağı yönteminin analizi sayesinde, sinir ağı yönteminin doğru bir güç pil modeli oluşturması gerekmez ve doğrusal olmayan herhangi bir işlevi yaklaşık olarak tahmin edebilir, ancak eğitim ve öğrenme için büyük miktarda veri gerektirir ve sezgisel özetleme yeteneklerinden yoksundur. Bu nedenle, sinir ağının eksiklikleri göz önüne alındığında, bulanık çıkarım ve sinir ağı organik olarak birleştirilir, yani uyarlamalı bulanık sinir ağı (ANFIS) yöntemi.
ANFIS, Takagi-Sugeno çıkarım hesaplama yöntemini benimseyen, kapsamlı sinir ağı uyarlanabilirliğine sahip bulanık bir çıkarım sistemidir ve sistem yapısı Şekil 5'te gösterilmiştir.
İlk katman, bulanıklaştırıcı katmandır. Güç pilinin farklı parametreleri (voltaj, akım, sıcaklık, direnç, vb.) Belirsizdir ve her düğümün çıktısı, karşılık gelen üyelik işlevinin değeridir; ikinci katman, ürün katmanıdır ve her kuralın uyarma yoğunluğu çarpma ile hesaplanır; üçüncü katman Kural yoğunluğu normalleştirilir; dördüncü katman kural çıktı katmanıdır ve bulanık kurallar eğitim sırasında gerçek değere daha yakın hale getirmek için sürekli olarak ayarlanır; beşinci katman, bulanık çıktı sonucunu nihai elde etmek için belirli bir değere dönüştüren bulanıklaştırma işlemidir. sonuç.
Literatür, güç pilinin SOC'sini tahmin etmek için iki girişli ve üç girişli değişken ANFIS yönteminin doğruluğunu karşılaştırır ve analiz eder. Sonuçlar, her iki modelin de SOC'yi izin verilen hata aralığı içinde doğru bir şekilde tahmin edebildiğini ve etkinin geleneksel tahmin yöntemlerinden daha iyi olduğunu göstermektedir. Üç giriş değişkenine sahip ANFIS sistemi daha yüksek doğruluğa sahiptir ve maksimum mutlak tahmin hatası% 1'dir.
Uyarlanabilir bulanık sinir ağı sistemi, sinir ağının öğrenme algoritmasını ve bulanık çıkarımın özlü biçimini bütünleştirir.Eğitim ve öğrenme yeteneğinin avantajlarının yanı sıra bulanık sistemin özet muhakeme yeteneğine sahiptir ve SOC tahmininin doğruluğunu bir dereceye kadar geliştirir. Ancak bu yöntem, öğrenme ve eğitim için hala daha fazla örnek veri gerektirir.
3 Özet ve görünüm
Güç bataryası SOC'nin doğru tahmini, elektrikli araçların menzilini genişletmek ve sürücüye doğru bir sinyal kararı vermek için önemli bir teknik bağlantıdır. Bu makale, SOC'nin doğru tahminini etkileyen ana nedenleri analiz etmekte ve son yıllarda ortaya çıkan karmaşık SOC tahmin yöntemlerini tartışmaktadır.Çeşitli yöntemlerin avantajları ve dezavantajları Tablo 1'de gösterilmiştir.
Şu anda, SOC tahmin teknolojisi hala bu alandaki araştırmanın zor noktalarından biridir. Güç bataryası SOC tahmininin karmaşık yöntemlerine genel bir bakışla, yukarıdaki yöntemlerin temel çalışma prensipleri analiz edilir, avantaj ve dezavantajları karşılaştırılır ve sınırlamalar ve geliştirme yönleri belirtilir.
Karmaşık yöntemlerin incelenmesi, tahmin hatasını azaltan erken tahmin yönteminde bir gelişmedir, ancak yine de bazı kusurlar vardır. SOC tahmininin doğruluğunu iyileştirmek için, güç pilinin dinamik ve statik özelliklerini daha iyi yansıtmak için daha doğru bir pil modelinin kurulması gerekir. Aynı zamanda, tahmin yöntemleri için istikrarlı ve güvenilir bir örnek veri kaynağı sağlamak üzere ilgili veri tabanlarını oluşturmak için çok sayıda deney yapılmalıdır. Kısacası, çeşitli algoritmaları sentezlemek, birbirlerinin güçlü yönlerinden öğrenmek, daha doğru ve etkili tahmin yöntemleri önermek, SOC tahmin teknolojisini geliştirmek ve elektrikli araç endüstrisinin gelişimini teşvik etmek gerekiyor.
