Enerji depolama pil yönetim sistemi nedir
Enerji depolama BMS akü yönetim sistemi, güvenliklerini, kullanım ömürlerini ve performanslarını garanti altına almak amacıyla bir akü paketindeki aküleri ayrı ayrı yönetmek için kullanılan bir sistemdir. BMS sistemi pil bilgilerini toplar ve pil takımının normal çalışmasını sağlamak için analiz eder. BMS akü yönetim sisteminde maksimum güç noktası izleme algoritması, SOC hesaplama algoritması, SOH değerlendirme algoritması vb. dahil olmak üzere birçok algoritma bulunmaktadır. Bu yazıda BMS akü yönetim sistemlerinde kullanılan algoritmaları detaylı olarak inceleyeceğiz.
1 Maksimum güç noktası izleme algoritması
Enerji depolama sistemlerinde, özellikle güneş panelleri gibi yenilenebilir enerji sistemleriyle birleştirildiğinde MPPT algoritmaları, sistemin genel verimliliğini artırmak için çok önemlidir.
A. Perturb ve Gözlemle (P&O) algoritması:
Çalışma prensibi:P&O algoritması, pilin veya güneş panelinin çalışma voltajını periyodik olarak bozar (artırır veya azaltır) ve çıkış gücündeki değişiklikleri gözlemler. Bozulma çıkış gücünde bir artışa neden oluyorsa, bozmaya o yönde devam edin; Çıkış gücü azalırsa ters bozulma meydana gelir.
Avantajları:Basit uygulama, donanıma uygulanması kolaydır.
Dezavantajı:Maksimum güç noktasında stabilize olmak yerine maksimum güç noktasına yakın bir yerde salınabileceği için optimal olmayabilir.
B. Artımlı İletkenlik (IC) algoritması:
Çalışma prensibi:IC algoritması, akü voltajı ile akım arasındaki türev ilişkisine dayanarak maksimum güç noktasını belirler. Gerilim değişimlerinin akım değişimleri (yani türevler) üzerindeki etkisini hesaplar ve bu türevi temel alarak çalışma noktasını ayarlar.
Avantajları:Maksimum güç noktasına P&O algoritmasından daha yakındır ve genellikle maksimum güç noktasını daha hızlı bulup sabitleyebilir.
Dezavantajları:Daha karmaşık hesaplamalar gerektirir ve daha gelişmiş donanım desteği gerektirebilir.
Her iki algoritma da yinelemelidir, yani sürekli ölçüm ve ayarlama yoluyla çıkış gücünü optimize ederler. Pratik uygulamalarda algoritma seçimi sistemin özel gereksinimlerine, maliyetine ve mevcut donanım kaynaklarına bağlıdır.
BMS sistemlerinde MPPT algoritmasının uygulanması, pilin en uygun durumda çalışmasını sağlayabilir, böylece pilin şarj ve deşarj verimliliğini artırabilir ve hizmet ömrünü uzatabilir. Bu, enerji depolama sistemleri için özellikle önemlidir, çünkü bunlar genellikle farklı çevre ve yük koşulları altında kararlı çalışma gerektirir. MPPT algoritması, pilin şarj ve deşarj sürecini optimize ederek tüm enerji depolama sisteminin performansını ve güvenilirliğini artırmaya yardımcı olur.
2 SOC hesaplama algoritması
SOC (Şarj Durumu) hesaplaması, pilin güvenliği ve ömrüyle doğrudan ilgili olduğundan BMS'de çok önemli bir işlevdir.
A. Açık devre voltajı yöntemi (OCV):
İlke:Açık devre voltajı yöntemi, pilin açık devre voltajı (yani pilin yük yokken voltajı) ile SOC'si arasındaki ilişkiye dayanmaktadır. Her pil kimyası tipinin, pilin SOC'sini tahmin etmek için kullanılabilen kendine özgü OCV-SOC eğrisi vardır.
Avantajları:Prensip basittir ve doğrudan pilin kimyasal durumunu yansıtır.
Dezavantajı:Pratik uygulamalarda elde edilmesi zor olan açık devre voltajını doğru bir şekilde ölçmek için pilin tamamen sabit durumda olması gerekir. Ayrıca pilin yaşlanması OCV-SOC eğrisini etkileyerek ölçüm hatalarına yol açabilir.
B. Kalman filtre yöntemi:
İlke:Kalman filtresi, pilin SOC'sini tahmin etmek için bir dizi gözlem (genellikle voltaj, akım, sıcaklık vb.) ve pil modellerini kullanan yinelemeli bir filtredir. Tahmini SOC değerini iki adımla sürekli olarak optimize eder: tahmin ve güncelleme.
Avantajları:Gürültülü verileri işleyebilir ve doğru gerçek zamanlı SOC tahmini sağlayabilir. Ayrıca birden fazla sensörden gelen verileri birleştirerek tahminin doğruluğunu da artırabilir.
Dezavantajları:Algoritma nispeten karmaşıktır ve yeterli bilgi işlem kaynağı gerektirir. Ayrıca Kalman filtresinin performansı pil modelinin doğruluğuna da bağlıdır.
C. Bu iki yönteme ek olarak başka SOC tahmin yöntemleri de vardır:
Amper saat entegrasyon yöntemi:Pilin akımı ve zamanı ölçülerek pilin birikmiş şarjı, SOC'yi tahmin etmek için hesaplanır. Bu yöntemin uygulanması basit ve kolaydır, ancak biriken hatalar uzun vadeli doğruluğu etkileyebilir.
Sinir ağı yöntemi:SOC'yi tahmin etmek için OCV-SOC ilişkisini veya pillerin diğer özelliklerini öğrenmek için sinir ağlarını kullanmak. Bu yöntem karmaşık doğrusal olmayan ilişkileri ele alabilir ancak büyük miktarda eğitim verisi gerektirir.
Model bazlı tahmin yöntemi:Pilin elektrokimyasal modeline dayalı olarak SOC'nin tahmin edilmesi, pil durumunun daha derinlemesine anlaşılmasını sağlayabilir ancak aynı zamanda doğru modeller ve hesaplama kaynakları gerektirir.
Pratik uygulamalarda, SOC tahmininin doğruluğunu ve sağlamlığını geliştirmek için birden fazla yöntem birleştirilebilir. Örneğin Kalman filtresi amper saat entegrasyon yöntemiyle birleştirilerek her ikisinin de avantajlarından faydalanılabilir. Uygun SOC hesaplama yöntemini seçmek, pil tipinin, sistem gereksinimlerinin, maliyetin ve mevcut donanım kaynaklarının dikkate alınmasını gerektirir.
3 SOH değerlendirme algoritması
Sağlık Durumu (SOH) değerlendirmesi, batarya sistemlerinin güvenilirliğini ve emniyetini sağlamak için gerekli olan Batarya Yönetim Sistemlerinin (BMS) kritik bir bileşenidir.
A. Elektrokimyasal Empedans Spektroskopisi (EIS):
Çalışma prensibi:EIS, pile küçük bir AC sinyali uygulayarak ve empedans tepkisini ölçerek pilin dahili durumunu değerlendirir. Bu yöntem, pilin içindeki şarj aktarımı, difüzyon ve elektrolit direnci gibi elektrokimyasal süreçleri ortaya çıkarabilir.
Avantajları:Pilin yaşlanma mekanizmasını ve sağlık durumunu anlamak için oldukça faydalı olan, pilin iç empedans değişiklikleri hakkında ayrıntılı bilgi sağlayabilir.
Dezavantajları:EIS testinin tamamlanması uzun zaman alabilir ve frekans aralığı ve sinyal genliği gibi test koşullarının seçimine duyarlıdır.
B. Matematiksel modelleme yöntemi:
Çalışma prensibi:Bu yöntem, şarj etme ve boşaltma süreci, sıcaklık etkileri, eskime mekanizması vb. dahil olmak üzere pilin davranışını tanımlamak için matematiksel bir model oluşturulmasını içerir. Modeller, eşdeğer devre modelleri (ECM) gibi deneyime veya fiziğe dayanabilir.
Avantajları:Pillerin farklı koşullar altındaki davranışını simüle edebilir ve pillerin performansını ve ömrünü tahmin etmek için uygundur.
Dezavantajları:Modelin doğruluğu parametrelerin doğruluğuna bağlıdır ve modelin karmaşıklığı yüksek hesaplama maliyetlerine neden olabilir.
4 Şarj ve deşarj kontrol algoritması
BMS'nin (Pil Yönetim Sistemi) temel algoritmalarından biri olan şarj ve deşarj kontrol algoritması, esas olarak pil takımının şarj ve deşarj sürecini kontrol etmek, güvenliğini sağlamak ve servis ömrünü uzatmak için kullanılır. Pratik uygulama senaryolarında, şarj ve deşarj kontrol algoritmaları, kontrolü uygulamak için genellikle PID kontrolörlerini veya bulanık kontrolörleri kullanır.
Bunlar arasında PID denetleyici hata, entegrasyon ve farklılaşmaya dayalı bir denetleyici türüne aittir. Pil takımının şarj ve deşarj akımını ve voltajını ayarlanan değerler civarında stabilize etmek için kontrolör parametrelerini ayarlar. Bulanık denetleyici, bulanık mantık temeline dayanan, bulanık kurallar oluşturan ve pil paketlerinin şarj ve deşarjını kontrol etmek için bulanık çıkarım yapan bir denetleyicidir.
5 Sağlık uyarı algoritması
Sağlık uyarı algoritması BMS'de (Pil Yönetim Sistemi) bir diğer önemli algoritmadır. Bu algoritma esas olarak akü paketlerindeki olası arızaları tahmin etmek ve ilgili bakım önlemlerini önceden almak amacıyla ömrünü değerlendirmek için kullanılır. Pratik uygulamalarda sağlık uyarı algoritmaları tahmin için genellikle sinir ağlarını, genetik algoritmaları veya destek vektör makinelerini kullanır.
Bunlardan sinir ağı, yapay nöronlara dayanan bir modeldir. Sinir ağlarının ağırlıklarını ve eğilimlerini eğiterek pil paketi arızalarının ve ömrünün doğru tahminini sağlar. Genetik algoritma, yüksek uygunluktaki bireyleri seçen ve yinelemeli olarak en uygun çözümü arayan, doğal seçilim ilkesine dayanan bir algoritmadır. Destek vektör makinesi, optimum sınıflandırma hiperdüzlemini oluşturarak pil paketi arızalarının ve ömrünün etkili bir şekilde tahmin edilmesini sağlayan istatistiksel öğrenme teorisine dayalı bir modeldir.
6 Optimizasyon algoritması
Optimizasyon algoritmaları BMS akü yönetim sistemlerinde önemli bir rol oynamaktadır. Bu algoritma, kullanıcıların gerçek ihtiyaçlarını karşılamak için pil paketlerinin performansını ve ömrünü optimize etmeyi amaçlamaktadır. Pratik uygulama senaryolarında optimizasyon algoritmaları, optimizasyon işlemleri için genellikle genetik algoritmaları, parçacık sürüsü optimizasyon algoritmalarını veya simüle edilmiş tavlama algoritmalarını kullanır.
Bunlardan genetik algoritma, doğal seçilim ve genetik mekanizmalara dayalı bir optimizasyon algoritmasıdır. Doğal evrim sürecini simüle ederek sürekli yineleme yoluyla en uygun çözümü araştırır. Parçacık sürüsü optimizasyon algoritması, kuş sürülerinin uçuş sürecini simüle ederek en uygun çözümü bulmak için sürekli yinelenen, sürü zekasına dayalı bir optimizasyon algoritmasıdır. Simüle edilmiş tavlama algoritması, metal tavlama işlemini taklit eden ve sürekli yineleme yoluyla en uygun çözümü bulmaya çalışan, simüle edilmiş tavlama işlemine dayanan bir optimizasyon algoritmasıdır.
7 Veri işleme algoritması
Veri işleme algoritmaları da BMS akü yönetim sistemlerinde son derece önemli bir algoritmadır. Bu algoritma esas olarak yararlı bilgi ve özellikler elde etmek amacıyla pil paketlerinden veri işlemek için kullanılır. Pratik uygulamalarda, veri işleme algoritmaları işleme için genellikle filtreleme algoritmalarını, boyutluluk azaltma algoritmalarını veya özellik çıkarma algoritmalarını kullanır.
Bunlardan filtreleme algoritması dijital sinyal işlemeye dayalı bir algoritmadır. Gürültüyü ve paraziti ortadan kaldırmak için pil takımının sinyalini filtreler, böylece yararlı bilgiler elde edilir. Boyut azaltma algoritması veri madenciliği tabanlı bir algoritmadır. Verilerin boyutsallığını, hacmini ve karmaşıklığını azaltarak veri işlenebilirliğini ve verimliliğini artırır. Özellik çıkarma algoritması örüntü tanıma tabanlı bir algoritmadır. Verilerin özelliklerini çıkararak verilerdeki kalıpları ve kalıpları tanımlayabilir ve sonuçta veri sınıflandırma ve tanıma işlemini gerçekleştirebilir.
8 Sonuç
BMS akü yönetim sistemi, akü paketlerini izleyerek, kontrol ederek ve yöneterek güvenliğini, güvenilirliğini ve ömrünü artıran önemli bir akü yönetim teknolojisidir. Bunlar arasında BMS akü yönetim sisteminde kullanılan durum tahmin algoritması, SOC tahmin algoritması, SOH değerlendirme algoritması, şarj ve deşarj kontrol algoritması, sağlık uyarı algoritması, optimizasyon algoritması ve veri işleme algoritması dahil olmak üzere çeşitli algoritmaların tümü önemli rol oynamaktadır.
