Mi az az energiatároló akkumulátor-kezelő rendszer
Az energiatároló BMS akkumulátor-kezelő rendszer egy akkumulátorcsomagban lévő egyes akkumulátorok kezelésére szolgáló rendszer, biztosítva azok biztonságát, élettartamát és teljesítményét. A BMS rendszer összegyűjti és elemzi az akkumulátorra vonatkozó információkat, hogy biztosítsa az akkumulátorcsomag normál működését. A BMS akkumulátor-kezelő rendszerben számos algoritmus szerepel, köztük a maximális teljesítménypont-követő algoritmus, az SOC számítási algoritmus, az SOH-kiértékelő algoritmus stb. Ebben a cikkben részletesen megvizsgáljuk a BMS akkumulátor-kezelő rendszerekben használt algoritmusokat.
1 Maximális teljesítménypont követési algoritmus
Az energiatároló rendszerekben, különösen, ha megújuló energiarendszerekkel, például napelemekkel kombinálják, az MPPT algoritmusok kulcsfontosságúak a rendszer általános hatékonyságának javításához.
a. Perturb and Observe (P&O) algoritmus:
Működési elv:A P&O algoritmus időszakonként megzavarja (növeli vagy csökkenti) az akkumulátor vagy a napelem üzemi feszültségét, és figyeli a kimeneti teljesítmény változásait. Ha a zavar a kimeneti teljesítmény növekedését okozza, folytassa a zavarást abban az irányban; Ha a kimeneti teljesítmény csökken, fordított zavar lép fel.
Előnyök:Egyszerű megvalósítás, könnyen megvalósítható hardveren.
Hátrány:Lehet, hogy nem optimális, mivel a maximális teljesítménypont közelében oszcillálhat, ahelyett, hogy a maximális teljesítményponton stabilizálódna.
b. Növekményes vezetőképesség (IC) algoritmus:
Működési elv:Az IC algoritmus az akkumulátor feszültsége és árama közötti derivált kapcsolat alapján határozza meg a maximális teljesítménypontot. Kiszámolja a feszültségváltozások hatását az áramváltozásokra (azaz derivált), és ennek alapján állítja be a működési pontot.
Előnyök:Közelebb van a maximális teljesítményponthoz, mint a P&O algoritmus, és általában gyorsabban találja meg és stabilizálja a maximális teljesítménypontot.
Hátrányok:Bonyolultabb számításokat igényel, és fejlettebb hardvertámogatást igényelhet.
Mindkét algoritmus iteratív, vagyis folyamatos méréssel és beállítással optimalizálja a kimeneti teljesítményt. A gyakorlati alkalmazásokban az algoritmus megválasztása a rendszer konkrét követelményeitől, költségétől és a rendelkezésre álló hardvererőforrásoktól függ.
A BMS rendszerekben az MPPT algoritmus alkalmazásával biztosítható az akkumulátor optimális állapotú működése, ezáltal javítva az akkumulátor töltési és kisütési hatékonyságát, meghosszabbítva az élettartamát. Ez különösen fontos az energiatároló rendszerek esetében, mivel ezek jellemzően stabil működést igényelnek különböző környezeti és terhelési feltételek mellett. Az MPPT algoritmus az akkumulátor töltési és kisütési folyamatának optimalizálásával hozzájárul a teljes energiatároló rendszer teljesítményének és megbízhatóságának javításához.
2 SOC számítási algoritmus
A SOC (State of Charge) számítás kulcsfontosságú funkció a BMS-ben, mivel közvetlenül kapcsolódik az akkumulátor biztonságához és élettartamához.
a. Nyitott áramköri feszültség módszer (OCV):
Alapelv:A nyitott áramköri feszültség módszer az akkumulátor nyitott áramköri feszültsége (azaz az akkumulátor feszültsége, amikor nincs terhelés) és az SOC közötti kapcsolaton alapul. Minden akkumulátor-kémiai típusnak megvan a saját OCV-SOC görbéje, amely felhasználható az akkumulátor SOC-értékének becslésére.
Előnyök:Az elv egyszerű, és közvetlenül tükrözi az akkumulátor kémiai állapotát.
Hátrány:A nyitott áramköri feszültség pontos méréséhez az akkumulátornak teljesen álló állapotban kell lennie, ami a gyakorlati alkalmazásokban nehezen érhető el. Ezenkívül az akkumulátor elöregedése befolyásolhatja az OCV-SOC görbét, ami mérési hibákhoz vezethet.
b. Kalman szűrő módszer:
Alapelv:A Kalman-szűrő egy rekurzív szűrő, amely megfigyelések sorozatát (általában feszültség, áram, hőmérséklet stb.) és akkumulátormodelleket használ az akkumulátor SOC-értékének becslésére. Folyamatosan optimalizálja a becsült SOC értéket két lépésben: előrejelzés és frissítés.
Előnyök:Képes kezelni a zajos adatokat és pontos valós idejű SOC becslést adni. A becslés pontosságát is javíthatja több érzékelő adatainak egyesítésével.
Hátrányok:Az algoritmus viszonylag összetett, és elegendő számítási erőforrást igényel. Ezenkívül a Kalman szűrő teljesítménye az akkumulátormodell pontosságától függ.
c. A két módszeren kívül más SOC becslési módszerek is léteznek, mint például:
Amperóra integrációs módszer:Az akkumulátor áramának és idejének mérésével kiszámítják az akkumulátor felhalmozott töltöttségét az SOC becsléséhez. Ez a módszer egyszerű és könnyen megvalósítható, de a halmozott hibák befolyásolhatják a hosszú távú pontosságot.
Neurális hálózati módszer:Neurális hálózatok használata az OCV-SOC kapcsolat vagy az akkumulátorok egyéb jellemzőinek megismerésére az SOC becsléséhez. Ez a módszer bonyolult nemlineáris összefüggéseket is képes kezelni, de nagy mennyiségű betanítási adatot igényel.
Modell alapú becslési módszer:Az SOC becslése az akkumulátor elektrokémiai modellje alapján, amely mélyebb megértést biztosíthat az akkumulátor állapotáról, de pontos modelleket és számítási erőforrásokat is igényel.
A gyakorlati alkalmazásokban több módszer kombinálható az SOC becslés pontosságának és robusztusságának javítása érdekében. Például a Kalman szűrő kombinálható az amperórás integrációs módszerrel, hogy mindkettő előnyeit kihasználjuk. A megfelelő SOC számítási módszer kiválasztásához figyelembe kell venni az akkumulátor típusát, a rendszerkövetelményeket, a költségeket és a rendelkezésre álló hardvererőforrásokat.
3 SOH kiértékelő algoritmus
Az állapotfelmérés (SOH) az akkumulátorkezelő rendszerek (BMS) kritikus összetevője, amely elengedhetetlen az akkumulátorrendszerek megbízhatóságának és biztonságának biztosításában.
a. Elektrokémiai impedancia spektroszkópia (EIS):
Működési elv:Az EIS úgy értékeli az akkumulátor belső állapotát, hogy kis váltóáramú jelet ad az akkumulátorra, és megméri annak impedanciaválaszát. Ezzel a módszerrel feltárhatóak az akkumulátoron belüli elektrokémiai folyamatok, mint például a töltésátvitel, diffúzió és elektrolitellenállás.
Előnyök:Részletes információkat tud adni az akkumulátor belső impedancia változásairól, ami nagyon hasznos az akkumulátor öregedési mechanizmusának és egészségi állapotának megértéséhez.
Hátrányok:Az EIS-tesztelés hosszú ideig tarthat, és érzékeny a tesztelési feltételek, például a frekvenciatartomány és a jelamplitúdó kiválasztására.
b. Matematikai modellezési módszer:
Működési elv:Ez a módszer magában foglalja egy matematikai modell létrehozását az akkumulátor viselkedésének leírására, beleértve a töltési és kisütési folyamatot, a hőmérsékleti hatásokat, az öregedési mechanizmust stb. A modellek alapulhatnak tapasztalatokon vagy fizikán, például egyenértékű áramköri modelleken (ECM).
Előnyök:Képes szimulálni az akkumulátorok viselkedését különböző körülmények között, és alkalmas az akkumulátorok teljesítményének és élettartamának előrejelzésére.
Hátrányok:A modell pontossága a paraméterek pontosságától függ, és a modell összetettsége magas számítási költségeket eredményezhet.
4 Töltés és kisütés vezérlő algoritmus
A BMS (Battery Management System) egyik alapalgoritmusaként a töltés-kisütés-vezérlő algoritmust elsősorban az akkumulátorcsomag töltési és kisütési folyamatának vezérlésére használják, biztosítva annak biztonságát és meghosszabbítva élettartamát. A gyakorlati alkalmazási forgatókönyvekben a töltési és kisütési vezérlési algoritmusok általában PID-szabályozókat vagy fuzzy vezérlőket használnak a szabályozás megvalósítására.
Ezek közül a PID-szabályozó a hiba, az integráció és a differenciálás alapján vezérlő típushoz tartozik. A vezérlő paramétereit úgy állítja be, hogy a beállított értékek közelében stabilizálja az akkumulátorcsomag töltő- és kisütési áramát és feszültségét. A Fuzzy vezérlő egy fuzzy logikán alapuló vezérlő, amely fuzzy szabályokat konstruál, és fuzzy következtetéseket hajt végre az akkumulátorok töltésének és kisütésének vezérléséhez.
5 Egészségügyi figyelmeztető algoritmus
Az állapotjelző algoritmus egy másik fontos algoritmus a BMS-ben (Battery Management System). Ezt az algoritmust elsősorban az akkumulátorcsomagok lehetséges hibáinak előrejelzésére és élettartamuk értékelésére használják, hogy előzetesen meg lehessen tenni a megfelelő karbantartási intézkedéseket. A gyakorlati alkalmazásokban az egészségre figyelmeztető algoritmusok általában neurális hálózatokat, genetikai algoritmusokat vagy támogató vektorgépeket használnak az előrejelzéshez.
Közülük a neurális hálózat egy mesterséges neuronokon alapuló modell. Az akkumulátorcsomag hibáinak és élettartamának pontos előrejelzését a neurális hálózatok súlyának és torzításainak betanításával éri el. A genetikai algoritmus a természetes szelekció elvén alapuló algoritmus, amely a magas kondíciójú egyedeket választja ki, és iteratív módon keresi az optimális megoldást. A támogatási vektorgép egy statisztikai tanulási elméleten alapuló modell, amely az optimális osztályozási hipersík megalkotásával hatékonyan előrejelzi az akkumulátorcsomag hibáit és élettartamát.
6 Optimalizálási algoritmus
Az optimalizáló algoritmusok fontos szerepet játszanak a BMS akkumulátor-menedzsment rendszerekben. Ennek az algoritmusnak az a célja, hogy optimalizálja az akkumulátorcsomagok teljesítményét és élettartamát, hogy megfeleljen a felhasználók tényleges igényeinek. Gyakorlati alkalmazási forgatókönyvekben az optimalizáló algoritmusok általában genetikai algoritmusokat, részecskeraj-optimalizáló algoritmusokat vagy szimulált lágyító algoritmusokat használnak az optimalizálási műveletekhez.
Közülük a genetikai algoritmus egy természetes szelekción és genetikai mechanizmusokon alapuló optimalizáló algoritmus. Folyamatos iterációval keresi az optimális megoldást a természetes evolúciós folyamat szimulálásával. A részecskeraj-optimalizáló algoritmus egy rajintelligencián alapuló optimalizáló algoritmus, amely folyamatosan iterál, hogy a madárrajok repülési folyamatát szimulálva megtalálja az optimális megoldást. A szimulált lágyítási algoritmus egy szimulált lágyítási folyamaton alapuló optimalizáló algoritmus, amely a fém lágyítási folyamatát imitálja, és folyamatos iterációval igyekszik megtalálni az optimális megoldást.
7 Adatfeldolgozási algoritmus
Az adatfeldolgozó algoritmusok a BMS akkumulátor-kezelő rendszerekben is rendkívül fontos algoritmusok. Ezt az algoritmust főként akkumulátorcsomagokból származó adatok feldolgozására használják hasznos információk és szolgáltatások kinyerése érdekében. A gyakorlati alkalmazásokban az adatfeldolgozó algoritmusok általában szűrő algoritmusokat, dimenziócsökkentő algoritmusokat vagy jellemző kivonási algoritmusokat használnak a feldolgozáshoz.
Ezek közül a szűrési algoritmus egy digitális jelfeldolgozáson alapuló algoritmus. Szűri az akkumulátor jelét, hogy eltávolítsa a zajt és az interferenciát, ezáltal hasznos információkat nyer ki. A dimenziócsökkentési algoritmus egy adatbányászat alapú algoritmus. Javítja az adatok feldolgozhatóságát és hatékonyságát az adatok méretének, mennyiségének és összetettségének csökkentésével. A jellemző kivonási algoritmus egy mintafelismerés alapú algoritmus. Jellemzőik kinyerésével képes azonosítani az adatok mintáit és mintáit, végül elérve az adatok osztályozását és felismerését.
8 Következtetés
A BMS akkumulátor-felügyeleti rendszer egy fontos akkumulátor-felügyeleti technológia, amely felügyeletük, vezérlésük és kezelésük révén javítja az akkumulátorcsomagok biztonságát, megbízhatóságát és élettartamát. Közülük a BMS akkumulátor-kezelő rendszerben használt különféle algoritmusok, köztük az állapotbecslési algoritmus, az SOC becslési algoritmus, az SOH kiértékelő algoritmus, a töltés- és kisütésvezérlő algoritmus, az egészségre figyelmeztető algoritmus, az optimalizáló algoritmus és az adatfeldolgozási algoritmus egyaránt fontos szerepet játszanak.
