Универсальная имитационная модель деградации аккумуляторных батарей с оптимизацией параметров по генетическому алгоритму

Моделирование аккумуляторных батарей необходимо для управления режимом их работы и диагностики состояния. Важное значение имеет моделирование жизненного цикла – деградации базовых параметров в течение длительного срока эксплуатации.  Это обусловлено тем, что стоимость буферизации электроэнергии аккумуляторными батареями связана с их ресурсом циклирования, который можно увеличить, оптимизировав режим работы накопителя в энергетической системе. Для существующих моделей деградации аккумуляторов характерны специфичность, ограниченность работы по стандартизированным циклам зарядки-разрядки, математическая громоздкость. В статье предложен универсальный подход, лишенный вышеуказанных недостатков. Используется концепция непрерывного износа батареи в течение срока эксплуатации. Представлена простая эмпирическая модель, не рассматривающая детально характеристики состояния аккумуляторных батарей на протяжении отдельного цикла зарядки-разрядки, не включающая вольтаические переменные. Модель рассматривает интенсивность текущего износа аккумуляторной батареи как функцию состояния заряда батареи, температуры, силы тока внешней цепи и тока саморазряда, полного заряда, протекшего через батарею с начала ее эксплуатации. При этом величина износа (деградации) определяется интегралом функции интенсивности текущего износа по времени эксплуатации батареи. Для оптимизации параметров модели используется метод случайного поиска в сочетании с генетическим алгоритмом отбора. Построена соответствующая модель деградации параметров для свинцово-кислотной аккумуляторной батареи Delta GEL-12-55, где использованы данные о деградации емкости, приведенные в техническом описании от производителя. Показаны работоспособность алгоритма оптимизации параметров и адекватность полученной модели. Разработанная модель может использоваться для технико-экономических расчетов систем генератор – накопитель – потребитель, гибридных систем накопления электроэнергии, компактного представления больших объемов экспериментальных данных о деградации конкретных аккумуляторов.

1. Мировой рынок накопителей энергии [Электронный ресурс]. Режим доступа: https://nangs.org/news/renewables/eksperty-mirovoy-rynok-nakopiteley-energii-do-2030-goda-budet-rasti-na-23-v-god. Дата доступа: 20.05.2022.

2. Manwell, J. F. Lead Acid Battery Storage Model for Hybrid Energy Systems / J. F. Manwell, J. G. McGowan // Solar Energy. 1993. Vol. 50, Iss. 5. P. 399–405. https://doi.org/10.1016/0038-092X(93)90060-2.

3. Борисевич, А. В. Моделирование литий-ионных аккумуляторов для систем управления батареями: обзор текущего состояния [Электронный ресурс] / А. В. Борисевич // Современная техника и технологии. 2014. № 5. Режим доступа: https://technology.snauka.ru/2014/05/3542.

4. Ceraolo, M. Experimentally Determined Models for High-Power Lithium Batteries / M. Ceraolo, G. Lutzemberger, T. Huria // SAE International. 2011. https://doi.org/10.4271/2011-01-1365.

5. Huria, T. Simplified Extended Kalman Filter Observer for SOC Estimation of Commercial Power-Oriented LFP Lithium Battery Cells / T. Huria [et al.] // SAE 2013 World Congress & Exhibition. https://doi.org/10.4271/2013-01-1544.

6. Barsali, T. Dynamic Models of Lead Acid Batteries: Implementation Issues / T. Barsali, M. Ceraolo // IEEE Transactions on Energy Conversion. 2002. Vol. 17, Iss. 1. P. 16–23. https://doi.org/10.1109/60.986432.

7. Bindner, H. Lifetime Modelling of Lead Acid Batteries / H. Bindner [et al.]. Denmark. Forskningscenter Risoe. Risoe-R No. 1515 (EN), 2005.

8. Mkahl, R. Modeling Charging Stations Batteries for Electric Vehicles / R. Mkahl, A. Nait Sidi Moh // Journal of Aisan Electric Vehicles. 2013. Vol. 11, No 2. P. 1667–1675. https://doi.org/10.4130/jaev.11.1667.

9. Добрего, К. В. Моделирование аккумуляторных батарей и их сборок с учетом деградации параметров / К. В. Добрего, Ю. В. Бладыко // Энергетика. Изв. высш. учеб. заведений и энерг. объединений СНГ. 2021. Т. 64, № 1. С. 27–39. https://doi.org/10.21122/1029-7448-2021-64-1-27-39.

10. Добрего, К. В. Моделирование сборок аккумуляторных батарей в электронной лаборатории / К. В. Добрего, Ю. В. Бладыко // Энергетика. Изв. высш. учеб. заведений и энерг. объединений СНГ. 2021. Т. 64, № 5. С. 381–392. https://doi.org/10.21122/1029-7448-2021-64-5-381-392.

11. Klein, R. State Estimation of a Reduced Electrochemical Model of a Lithium-Ion Battery / R. Klein [et al.] // Proceedings of the 2010 American Control Conference, 2010. P. 6618–6623. https://doi.org/10.1109/ACC.2010.5531378.

12. Chen, M. Accurate Electrical Battery Model Capable of Predicting Runtime and IV Performance / M. Chen, G. A. Rincon-Mora // IEEE Transactions on Energy Conversion. 2006. Vol. 21, Iss. 2. P. 504–511. https://doi.org/10.1109/TEC.2006.874229.

13. Nonlinear State Estimation of a Degrading Battery System [Electronic Resource]. Mode of access: https://www.mathworks.com/help/control/ug/nonlinear-state-estimation-of-a-degrading-battery-system.html. Date of access: 10.03.2022.

14. Huria, T. High Fidelity Electrical Model with Thermal Dependence for Characterization and Simulation of High Power Lithium Battery Cells / T. Huria [et al.] // 2012 IEEE International Electric Vehicle Conference. 4–8 March 2012, Greenville. https://doi.org/10.1109/IEVC. 2012.6183271.

15. Cordoba-Arenas, A. Capacity and Power Fade Cycle-Life Model for Plug-in Hybrid Electric Vehicle Lithium-Ion Battery Cells Containing Blended Spinel and Layered-Oxide Positive Electrodes / A. Cordoba-Arenas [et al.] // Journal of Power Sources. 2015. Vol. 278. P. 473–483. https://doi.org/10.1016/j.jpowsour.2014.12.047.

16. Li, L. Battery Remaining Useful Life Prediction with Inheritance Particle Filtering / L. Li [et al.] // Energies. 2019. Vol. 12, Iss. 14. 2784. https://doi.org/10.3390/en12142784.

17. Unagar, A. Learning to Calibrate Battery Models in Real-Time with Deep Reinforcement Learning / A. Unagar [et al.] // Energies. 2021. Vol. 14, Iss. 5. 1361. https://doi.org/10.3390/en14051361.

18. Simulink [Electronic Resource]. Mode of access: https://www.mathworks.com/products/simulink.html. Date of access: 10.06.2022.

19. Wan, E. A. The Unscented Kalman Filter for Nonlinear Estimation / E. A. Wan, R. Van Der Merwe // Proceedings of the IEEE 2000 Adaptive Systems for Signal Processing, Communications, and Control Symposium (Cat. No 00EX373). 4 October 2000, Lake Louise. https://doi.org/10.1109/ASSPCC.2000.882463.

20. Lithium-Ion Battery Aging Model [Electronic Resource]. Mode of access: https://www.mathworks.com/help/physmod/sps/ug/12-8-v-40-ah-lithium-ion-lifepo4-battery-aging-model-1000h-simulation.html. Date of access: 10.06.2022.

21. Xu, B. Modeling of Lithium-Ion Battery Degradation for Cell Life Assessment / B. Xu [et al.] // IEEE Transactions on Smart Grid. 2016. Vol. 9, Iss. 2. P. 1131–1140. https://doi.org/10.1109/TSG.2016.2578950.

22. Thingvad, M. Characterization of NMC Lithium-Ion Battery Degradation for Improved Online State Estimation / M. Thingvad [et al.] // Proceedings of 55th International Universities Power Engineering Conference. 1–4 September 2020, Turin. https://doi.org/10.1109/UPEC49904.2020.9209879.

23. Guo, J. Lithium-Ion Battery Operation, Degradation, and Aging Mechanism in Electric Vehicles: An Overview / J. Guo [et al.] // Energies. 2021, Vol. 14, Iss. 17. 5220. https://doi.org/10.3390/en14175220.

24. Аккумуляторная батарея Delta GEL 12-55 (12V / 55Ah) [Электронный ресурс]. Режим доступа: https://www.delta-battery.ru/catalog/delta-gel/delta-gel-12-55/. Дата доступа: 10.06.2022.

25. Гладков, Л. А. Генетические алгоритмы / Л. А. Гладков, В. В. Курейчик, В. М. Курейчик. М.: Физматлит, 2010. 368 с.

26. Добрего, К. В. Определение параметров кинетики термического разложения твердых топлив из данных термогравиметрического анализа / К. В. Добрего, А. А. Шевель, И. А. Козначеев // Тепло- и массоперенос – 2012. Минск: ИТМО им. А. В. Лыкова НАН Беларуси, 2013. С. 296–299.

27. Oxford Battery Degradation Dataset [Electronic Resource]. Mode of access: https://ora.ox. ac.uk/objects/uuid:03ba4b01-cfed-46d3-9b1a-7d4a7bdf6fac. Date of access: 15.03.2022.

28. Battery Research Group [Electronic Resource] // University of Maryland. A. James Clark School of Engineering. Center for Advanced Life Cycle Engineering. Mode of access: https://calce.umd.edu/battery-research-group. Date of access: 15.03.2022.

29. Yu, H. Life-Cycle Parameter Identification Method of an Electrochemical Model for LithiumIon Battery Pack / H. Yu [et al.] // Journal of Energy Storage. 2022. Vol. 47. P. 103591. https://doi.org/10.1016/j.est.2021.103591.

30. Saha, B. Battery Data Set / B. Saha, K. Goebel // NASA Ames Prognostics Data Repository, NASA Ames Research Centre, Moffett Field, CA, USA. 2007. Mode of access: https://www.nasa.gov/content/prognostics-center-of-excellence-data-set-repository. Date of access: 10.06.2022.

31. Prognostics for Batteries Aging Experiments and Modeling / A. Saxena [et al.] // NASA Ames Research Center, NASA Battery Workshop. 2012. Mode of access: https://www.nasa.gov/sites/default/files/atoms/files/prog_batt_aging_exp_model_asaxena.pdf. Date of access: 10.06.2022.

32. BatteryArchive.org [Electronic Resource]. Mode of access: https://www.batteryarchive.org/study_summaries.html. Date of access: 11.05.2022.

33. Birkl, C. R. Diagnosis and Prognosis of Degradation in Lithium-Ion Batteries / C. R. Birkl, University of Oxford. 2017.