تخمين داده محور پارامترهاي نشان دهنده وضعيت شارژ و سلامت بسته باتري

اصفهان : دانشگاه صنعتي اصفهان

مهندسي برق

دكتري

در سال‌هاي اخير، استفاده گسترده از سامانه‌هاي ذخيره‌سازي انرژي مبتني بر باتري در كاربردهايي نظير خودروهاي الكتريكي، ريزشبكه‌ها و سامانه‌هاي ذخيره‌سازي انرژي تجديدپذير اهميت روزافزوني يافته است. عملكرد ايمن، پايدار و قابل اعتماد اين سامانه‌ها به توانايي پايش و مديريت دقيق وضعيت باتري وابسته است. در اين ميان، تخمين دقيق وضعيت شارژ و وضعيت سلامت به عنوان دو پارامتر كليدي در سيستم‌هاي مديريت باتري، نقش مهمي در افزايش بازده، بهبود ايمني، جلوگيري از شارژ و دشارژ بيش از حد، و افزايش طول عمر بسته‌هاي باتري ايفا مي‌كند. با اين حال، تخمين اين پارامترها در سطح بسته باتري، به دليل وجود ناسازگاري ميان سل‌ها، تفاوت‌هاي حرارتي، تغييرات ناشي از پيرشدگي و ساختارهاي پيچيده سري–موازي، همچنان يكي از چالش‌هاي اصلي اين حوزه محسوب مي‌شود. در اين پژوهش، رويكردي داده‌محور و مبتني بر يادگيري ماشين براي تخمين وضعيت شارژ و وضعيت سلامت بسته‌هاي باتري ليتيوم‌يون با آرايش سري–موازي ارائه شده است. به منظور فراهم‌سازي داده‌هاي موردنياز پژوهش، ابتدا يك سامانه آزمايش و جمع‌آوري داده براي بسته باتري طراحي و پياده‌سازي شد. اين بستر آزمايشگاهي امكان ثبت داده‌هايي نظير ولتاژ ترمينال سل‌ها، جريان بسته و دماي سطح سل‌ها را در طول چرخه‌هاي متعدد شارژ و دشارژ فراهم مي‌كند. همچنين به منظور تحليل رفتار حرارتي سل‌ها، تغييرات دماي هسته و سطح برخي سل‌ها در شرايط عملياتي مورد بررسي قرار گرفت. در ادامه، مدلي مبتني بر روش رگرسيون بردار پشتيبان براي تخمين دماي هسته سل‌ها بر اساس دماي سطح توسعه داده شد. دماي هسته تخمين‌زده‌شده به عنوان يكي از ورودي‌هاي كليدي در الگوريتم‌هاي تخمين وضعيت شارژ و وضعيت سلامت مورد استفاده قرار گرفت. نتايج نشان داد كه اضافه شدن اطلاعات مرتبط با دماي هسته، موجب بهبود دقت تخمين وضعيت شارژ نسبت به استفاده صرف از داده‌هاي سطحي مي‌شود. براي تخمين وضعيت شارژ در سطح بسته باتري، روشي مبتني بر انتخاب سل‌هاي نماينده پيشنهاد شده است. در اين روش، با تعريف معياري براي ارزيابي شباهت عملكرد سل‌ها، از هر شاخه موازي تنها يك سل به عنوان سل نماينده انتخاب مي‌شود و فرآيند تخمين صرفاً بر اساس داده‌هاي اين سل‌هاي منتخب انجام مي‌گيرد. بدين ترتيب، ضمن كاهش تعداد حسگرهاي موردنياز و پيچيدگي محاسباتي، دقت مناسبي در تخمين وضعيت شارژ بسته حاصل مي‌شود. سپس يك الگوريتم مبتني بر شبكه‌هاي عصبي عميق براي تخمين وضعيت شارژ توسعه داده شد و عملكرد معماري‌هاي مختلف از نظر دقت و پيچيدگي مورد مقايسه قرار گرفت. نتايج ارزيابي نشان داد كه استفاده از ويژگي‌هاي مشتق‌شده از اندازه‌گيري‌ها و همچنين انتخاب هوشمند سل‌هاي نماينده، موجب بهبود عملكرد الگوريتم در شرايط مختلف كاري و حتي در حضور نويز اندازه‌گيري مي‌شود. در بخش پاياني پژوهش، روشي مبتني بر يادگيري انتقالي براي تخمين وضعيت سلامت بسته باتري ارائه شده است. در اين چارچوب، ابتدا يك مدل مبتني بر شبكه‌هاي بازگشتي با استفاده از داده‌هاي گسترده حاصل از ديتاست‌هاي معتبر تك‌سل پيش‌آموزش داده شد تا ويژگي‌هاي عمومي رفتار تخريب باتري را فراگيرد. سپس، با استفاده از داده‌هاي محدود مربوط به سل‌هاي نماينده در بسته هدف، بخشي از پارامترهاي مدل ريزتنظيم شد تا تخمين دقيقي از وضعيت سلامت بسته فراهم گردد. نتايج نشان داد كه رويكرد پيشنهادي، بدون نياز به داده‌هاي بلندمدت و حجيم در سطح بسته، قادر به ارائه تخمين دقيق و پايدار از وضعيت سلامت باتري است. چارچوب ارائه‌شده در اين پژوهش مي‌تواند مبنايي مؤثر براي توسعه سامانه‌هاي هوشمند مديريت باتري در كاربردهاي صنعتي و ذخيره‌سازي انرژي باشد.

237683

كنترل

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان