利用Pegasus算法快速且稳健地估计NEC锂电池的功率状态

电池的功率状况（SOP）是指在必定时刻内安全传递或吸收的最大功率，而不违背电化学极限。尊重这些束缚对于防止热失控至关重要。因而，精确的SOP预算是电池办理体系确保安全的要害功能。SOP能够经过处理优化问题来预算，但在资源有限的嵌入式体系上进行预算具有应战性，首要因为它需求在时刻范围内模仿微分方程。在将SOP估量从头表述为一个电流束缚问题后，本文提出了基于Pegasus算法的高效优化办法。它在核算时刻和精确性之间供给了更好的权衡，优于二分割、模型猜测控制（MPC）或多层感知器（MLP）猜测等办法。猜测性SOP核算结合闭环办法，运用丈量确保束缚不被超越，维护电池免受热失控。硬件在环测试显现，均匀每步核算时刻为456微秒，内存运用量为673字节。该办法优于其他已知处理方案，鲁棒性强，合适嵌入式应用。

图形摘要

化石燃料储藏的逐渐枯竭以及自工业化前以来全球均匀气温约上升1.2°C，推动了能源和出行领域的重大转型。依据IEA[1]的数据，估量到2030年全球电储能需求将超越1200吉瓦时，推动锂离子技能的发展。因而，锂离子电池在这一转型中至关重要，但其大规模部署带来了耐用性、安全性和集成性等方面的应战。
在此背景下，电池办理体系（BMS）对于确保锂离子电池组的安全高效运行至关重要。要害的监丈量包含电荷状况（SOC），代表剩下能量，以及功率状况（SOP），表示瞬时供电才能。虽然SOC估量已有充分研究，但因为电化学行为、热动力学和操作束缚之间的耦合，精确的实时SOP估量仍具应战性。此功能至关重要，因为不精确的SOP估量或许导致电池容量超越，触发热失控，这是一种必须不惜一切代价防止的灾难性事件[2]， [3]。
SOP定义为电池在指定时刻范围内可供给或吸收的最大功率，在不违背物理束缚的情况下，超越这些束缚后，安全体系运行无法确保：
其中是电池接收或接收的电力，是需求束缚的物理变量，且是这些束缚的值。地平线取决于待处理问题的性质，特别需求适应功率需求的动态。在电力需求改变缓慢的场景中，如连接到电网的固定储能，考虑的周期或许较长，约一分钟或更长时刻。在电力需求改变敏捷的场景中，如电动传动体系电源，考虑的视界或许更短，约为几秒到几十秒。有些办法甚至一起考虑多个长度不同的视界[4]。一个重要的点触及触及人类操作员的运用场景，比如电动汽车。因为功率束缚随着猜测视界的增加而逐渐加剧，出于安全考虑，选择足够长的猜测视界十分重要，以防止答应功率过于剧烈改变，这或许会让驾驶员感到意外。
文献介绍了一些解法，每种办法依据建模假定、核算束缚和期望的精度，供给了不同的问题处理办法[5]，[6]。
特征映射（CM）办法[7]旨在构建一个依赖于多个变量（例如SOC、电压、温度）并输出最大答应功率值的查找表。这些办法的优点是概念上十分简单，但查找表巨细随着输入数量的指数增长，防止了考虑过多变量（如健康状况（SOH）、内部电阻、环境温度）的要素。因而，某些变量的遗失必须经过稳健性余裕来弥补，这或许会下降电池功能。这些余裕的典型结果是因为充电功率的过度束缚，充电速度下降。经过运用机器学习类模型压缩离线获取的信息，能够改进CM办法[8]。电流极限或SOP随后由神经网络猜测，其输入与CM办法中构建的查找表相同。将比较本文提出的算法的此类办法。
开环猜测（OLP）办法[9]、[10]、[11]基于线性化电池方程的操作。这种办法的优点是经过线性化简化核算，但容易受到简化和线性化模型固有的差错影响。
模型猜测控制（MPC）办法[12]、[13]、[14]旨在直接处理优化问题（1）-（2），以获得规范操作程序（SOP）。将对此办法与本文提出的算法进行比较。
最后，迭代办法（IA）[15]、[16]、[17]基于非线性电池模型方程的迭代反演。该反演进程依赖于将优化问题转化为根求题，通常经过二分割算法求解 [18]， [19]。
基于迭代办法的SOP估量算法运用二分割算法存在两个首要问题。第一个是核算时刻：求根问题是迭代的，每次函数评估时都需求在时刻范围内重复模仿体系，这在资源有限的嵌入式环境中核算量大。第二个问题是对建模过错的鲁棒性。模型和参数辨认的不精确导致估量的最大可采功率出现差错，或许带来严重的安全隐患。
本文经过两篇文章探讨了这些问题。首要，将二分割算法替换为Pegasus算法，然后完成更快的收敛。其次，根寻进程嵌入于闭环束缚战略中，以提高对建模过错的鲁棒性。
这些贡献一起形成了一种既核算高效又对不确定性具备鲁棒性的SOP估量办法。