Professional Documents
Culture Documents
1
1. Anoda – negativna elektroda, daje elektrone u vanjski baterije, kao kombinirani utjecaj napona praznog hoda baterije
krug i oksidira za vrijeme elektrokemijske reakcije pri (engl. Open-circuit voltage -OCV) i polarizacije koja može
pražnjenju. izazvati značajno povećanje ukupnog napona. Nakon
2. Katoda – pozitivna elektroda, prihvaća elektrone iz određenog naponskog praga, dolazi do povećane stope
vanjskog kruga i reducira za vrijeme elektrokemijske proizvodnje vodika i kisika, što može predstavljati prijetnju u
reakcije pri pražnjenju. sigurnosti. U slučaju da se takvi uvjeti punjenja zadrže dulje
3. Elektrolit – obično je tekućina, kao voda ili druge vrijeme, doći će do preranog gubitka kapaciteta akumulatorske
otopine s otopljenim solima, kiselinama ili lužinama. baterije [2].
Ionski je vodič, te omogućava prijenos naboja između
Osjetljivost na povišenu temperaturu u okolini ima za
anode i katode unutar ćelije. Elektrolit ne smije biti
posljedicu trajno gubljenje kapaciteta ovisno o temperaturi i
elektrovodljiv, što bi izazvalo unutarnji kratki spoj
njezinom trajanju. Štetan utjecaj povišenih temperatura okoline
ćelije [2].
moguće je kod zatvorenih olovnih baterija ublažiti
temperaturnom regulacijom napona ispravljača.
Budući kako realno nije moguće osigurati da ne dođe do
neželjenih režima rada u kojima baterija ispušta vodik,
potrebno je predvidjeti minimalno potrebno ventiliranje
(najčešće je dovoljna prirodna ventilacija). Zbog istog razloga
potrebno je bateriju udaljiti od uređaja koji se pretjerano griju
ili iskre [1], [5], [6].
- Pozitivna elektroda: PbO2 + H2SO4 + 2H+ + 2e -<=> Spajanjem ćelije na vanjski strujni krug, električna energija
PbSO4 + 2H2O (1) izaziva unutar nje lančane reakcije, koje odgovaraju veličini
- Negativna elektroda: Pb+ H2SO4 -<=> PbSO4 + 2H+ + struje. Masovna gibanja iona mijenjaju unutarnju strukturu
2e- (2) elektroda i pretvaraju kemijsku energiju u električnu i obrnuto.
- Ukupna reakcija: Pb+ PbO2 + 2H2SO4-<=> 2PbSO4 + Jedan dio pretvorene kemijske energije se gubi na toplinu
2H2O (3) protokom struje kroz otpore, što stvara trenutni unutarnji pad
Kod ovog tipa baterije ne dolazi do gubitka vode elektrolita, napona ćelije. Navedeni pad napona se može podijeliti na dva
zbog toga se i kaže kako su „bez održavanja”. Punjenje izvan dijela: dinamički pad napona koji je uzrokovan
točno propisanih naponskih okvira može ipak uzrokovati elektrokemijskim reakcijama i odstupanjima u koncentraciji i
pojavu manje količine vodika koji se oslobađa kroz ispušni trenutni pad napona koji je uzrokovan otporima vodljivih
ventil. Učinak je mnogo izraženiji na visokom nadopunjavanju dijelova i elektrolita [7].
2
činjenici da se odziv baterije u strujnom krugu simulira
isključivo pomoću standardnih električnih komponenata, kao
što su naponski i strujni izvori, otpornici, kapacitivni i
induktivni elementi [2], [7], [9]. Točnost električnih modela
nalazi se između elektrokemijskih i matematičkih modela (1%
- 5% pogreške). Postoji veliki broj električnih modela baterija,
a svaki od njih odlikuje se dobrim i lošim svojstvima. Tri su
glavne skupine električnih modela: Theveninovi modeli,
impedancijski modeli i modeli temeljeni na kumulativnom
praćenu SOC-a baterije (engl. Runtime-Based- R-B).
A. Theveninov električni model
Slika 3. OCV u ovisnosti o SOC-u za baterijsku ćeliju Theveninov električni model u svom osnovnom obliku
prikazan na Slici 5. uključuje serijski otpor ( ) i
paralelni RC krug (
i
) kako bi
Ukupni pad napona koji je prisutan na priključcima baterijske
predvidio odziv baterije na prijelazno opterećenje za određeni
ćelije sastoji se od tri osnovne komponente: OCV-a koji je
SOC uz pretpostavku kako je VoC(SOC) konstantan. Ne radi
funkcija SOC-a, trenutnog pada napona uzrokovanog
kumulativni proračun napunjenosti baterije. Theveninov
unutarnjim otporima i dinamičkog pada napona koji proizlazi
električni model uz korištenje varijabilnog kapaciteta umjesto
iz difuzije u ćeliji. Temeljno načelo u modeliranju baterija
VoC(SOC), stvara nelinearni odnos između OCV-a i SOC-a
izvedeno je iz navedene definicije ukupnog pada napona [2],
baterije što zahtjeva veću složenost pri izračunu OCV-a, ali
[7]. Slika 4. prikazuje napon na priključcima baterije kao
omogućava da se dobije vrijeme trajanja baterije uz pogrešku
odziv na trenutni porast struje pri pražnjenju.
5 % (0,4 V pogreška napona) pri konstantnoj struji punjenja i
pražnjenja. Ovaj električni model može se koristiti i s većim
brojem paralelnih RC krugova, što stvara veliku složenost pri
izračunu OCV-a pri određenom stanju SOC-a i temperature
okruženja. Iz navedenog, možemo zaključiti kako nijedan
Theveninov model ne može predvidjeti vrijeme trajanja
baterija točno i jednostavno [7], [9], [11].
Slika 4. Napon baterije UBAT kao odziv na trenutni porast struje pražnjenja Slika 5. Theveninov električni model
3. BATERIJSKI MODELI
B. Impedancijski električni model
Baterijski modeli prema osnovnoj podjeli dijele se na: Impedancijski električni modeli (Slika 6.) koriste
elektrokemijske, matematičke i električne modele. elektrokemijsku impedancijsku spektroskopiju kako bi dobili
Elektrokemijski modeli razvijeni su za detaljne simulacije ekvivalentni model impedancije u frekvencijskoj domeni, te je
unutarnjih reakcija baterijske ćelije, postupak proračuna potrebno prilagođavati rezultate složenim postupcima.
specifičnih parametara je složen zbog primjene kompleksnih Impedancijski modeli rade samo na određenom SOC-u i
numeričkih algoritama što zahtijeva dugo vrijeme simulacije. temperaturi i ne mogu predvidjeti DC odziv i vrijeme trajanja
Matematički modeli izrađeni su na apstraktan način gdje se baterije [12].
preko krivulja punjenja i pražnjenja prikazuju parametri Rserijski Zac
baterijskih ćelija koji se koriste za izračune u matematičkim
funkcijama. Parametri koji se mogu dobiti iz ovog modela su
VoC(SOC)
3
C. R-B električni model 100%. Otpornik samopražnjenja
ž
opisuje
R-B električni modeli (Slika 7.) koriste složeni krug, temeljeni izgubljenu energiju zbog samopražnjenja kad je baterija
su na akumuliranom praćenju SOC-a i točni su samo za skladištena dulje vrijeme i ovisan je o SOC-u, temperaturi i
konstantne struje punjenja i pražnjenja. Za različite struje broju ciklusa punjenja i pražnjenja.
opterećenja ne mogu predvidjeti točno vrijeme trajanja baterije Kada bateriju, koja je u stacionarnom stanju opteretimo sa
i naponski DC odziv [2], [7], [8]. skokovitom strujom i zabilježimo napon na njenim stezaljkama,
dobit će se ovisnost napona o vremenu kao na Slici 4., gdje se
vremenski odziv može podijeliti na dva dijela: trenutni pad
napona, koji ovisi i modelira se serijskim otpornikom ,
te pad napona koji se modelira serijskim spojem više paralelnih
RC krugova (istraživači su pokazali kako dva paralelna RC
kruga čine optimum između preciznosti i složenosti modela)
[2], [7], [8], [13].
5
Kp ostar . (9) Dvopulsna metoda određuje na osnovi izmjerenih vrijednosti
SOH =
Kp nom odnos pada napona ∆8& na kraju drugog moda ispitivanja i
razine kapaciteta . izrazom kako slijedi:
Navedena definicija ne uzima u procjenu primjenu baterije (tj.
gdje je baterija bila u optimalnom radu), dob baterije i povijest . = Y ∙ ∆8& + Z (11)
njene uporabe. Može se vidjeti kako postoji još nejasnoća u
definiranju SOH-a, stoga je razvijeno i nekoliko studija o gdje su vrijednosti parametara Y = 1.868 i Z = -0.2505 za
mikroskopskom i makroskopskom ponašanju baterije, kako bi VRLA baterije [15]. Na kraju izraz (10) uvrstimo u izraz (9) i
se iste razjasnile. Mikroskopska analiza otkriva kako fenomen dobivamo vrijednost parametra SOH.
starenja baterije može biti vezan uz dva uzroka: kalendarski
Slika 10. prikazuje učinak starenja VRLA baterije iz odnosa
vijek baterije i broj ciklusa (broj punjenja/pražnjenja baterije)
između pada napona ∆U2 i SOC-a kod baterija različite starosti,
[15]. Makroskopski prikazi starenja baterije su sljedeći:
odnosno SOH-a.
smanjenje kapaciteta baterije zbog broja ciklusa i povećanje
unutarnjeg otpora duljim skladištenjem baterije. Ove promjene
baterijskih parametara su nepovratne i zbog toga se razlikuju
od onih promjena koje nastaju u radnim uvjetima. Temperatura
se može koristiti kao parametar pri ispitivanju trajanja baterije,
jer svako povećanje temperature za 10° C smanjuje za polovicu
životni vijek trajanja baterijske ćelije. Većina studija u ovom
području prikazuju kako su smanjenje kapaciteta baterije,
povećanje unutarnjeg otpora baterije ili kombinacija oboje,
mjere za utvrđivanje SOH-a. Međutim, promjene u kapacitetu i
u unutarnjem otporu baterije su samo pokazatelji i besmislene
su bez uzimanja u obzir primjene baterije. Neki pristupi u
ovom području uzimaju u obzir kako je baterija neispravna kad
joj se kapacitet smanji na 80% nominalne vrijednosti. U nekim
studijama definirani su praktičniji pokazatelji preostalog života
baterije: RUL (engl. Remaining useful life) i EOL (engl. End of
life) i većim dijelom se koriste u vojne i zrakoplovne svrhe, a Slika 11. Koraci dvopulsne strujne metode
manje u mikromrežama [13], [14], [15].
Postoje razne metode i algoritmi za procjenu SOH-a Na Slici 11. prikazani su svi koraci dvopulsne metode za
pojedinačnih baterija i baterijskih slogova. Metoda ispitivanja utvrđivanje vrijednosti parametara SOC-a i SOH-a baterije.
potpunim pražnjenjem baterije primjenjuje pražnjenje pod Električni model baterije koji se koristi pri ispitivanju
punim opterećenjem i mjeri količinu oslobođenog naboja iz dvopulsnom metodom prikazan je na Slici 12. [ je unutarnji
baterije. Navedena količina oslobođenog naboja se tada omski otpor baterije koji stvara pad napona ∆8& i njegova
uspoređuje s količinom naboja iz istog postupka ispitivanja kad vrijednost raste pri starenju baterije. Kombinacija otpora \] i
\] opisuje prijenos naboja i proces difuzije između elektrode i
je baterija bila nova. Nedostatci ovog pristupa su duljina
vremena koja je potrebna za obavljanje potpunog pražnjenja i
elektrolita u baterijskoj ćeliji. Vrijeme oporavka nakon prvog
pulsa struje je povezano s \] i \] i prethodna povijest
zahtjev da baterija bude izvan pogona za jedan ciklus punjenja
i pražnjenja. Ispitivanje unutarnjeg otpora je metoda za
određuje polaritet i veličinu napona na \] [15], [16].
procjenu i SOH-a, primjenjuje kratka opterećenja na bateriji i
mjeri promjene u naponu i struji kako bi se utvrdio unutarnji
otpor baterije. Unutarnji otpor baterije raste s vremenom zbog
kemijske razgradnje aktivnog materijala, što utječe na
smanjenje SOH-a baterije.
Dvopulsna metoda se primjenjuje i za određivanje SOH-a
baterije. Ranije su navedeni i pokazani koraci za određivanje
SOC baterije ovom metodom. Za određivanje baterijskog
SOH-a koristi se izraz za razinu kapaciteta baterije: Slika 12. Električni model baterije [15]
6
Kalmanovih filtra), kako bi razvili estimatore koji će pratiti prošireni vektor stanja. U nastavku bit će prikazani svi koraci
SOC i SOH baterije. združene procjene stanja i parametara SPKF algoritma [19]:
Jednadžbe stanja i mjerenja modela:
5. NELINEARNI KALMANOV FILTAR ZA ZDRUŽENU
PROCJENU STANJA I PARAMETARA BATERIJE ^ _(^S , `S , aS , ΘS , − 1
fΘ h = i l
ΘjS + rjS
Dinamika elektrokemijske baterije koja se razmatra može se
b = ℎ(^ , ` , d , Θ , ) (14)
modelirati korištenjem općeg modela diskretnog nelinearnog
stohastičkog dinamičkog sustava s jednadžbom stanja i Jednadžbe stanja i mjerenja iz izraza (14) prikazani su u
jednadžbom mjerenja kako slijedi: obliku proširenog vektora stanja. Kako bi se dobio
pojednostavljeni izraz, bit će definirani vektor koji sadrži
^Q = _(^ , ` , a ) (12) trenutno stanje sustava i trenutne parametre m , vektor koji
sadrži trenutni procesni i parametarski šum n i jednadžba
b = ℎ(^ , ` , d ) (13)
koja sadrži dinamiku stanja i dinamike parametara ℱ iz čega
slijedi:
Stabilnost sustava, upravljivost, osjetljivost na smetnje mogu
se utvrditi iz ove jednadžbe. Pored ulaza u sustav ` ∈
m = ℱ(mS , `S , nS , − 1)
postoji i stohastički ulaz u sustav a ∈
koji se zove
procesni šum, nemjerljiv je i utječe na stanje sustava. Izlaz iz b = ℎ(m , ` , d , ) (15)
sustava je b ∈ izračunava se pomoću izlazne jednadžbe
kao funkcija stanja ulaza i mjernog šuma d ∈ koji utječe
Definiranje proširenog vektora stanja:
na mjerenje sustava [17].
m = pmq , nq , dq rq
Nelinearni Kalmanov filtar, odnosno SPKF, je algoritam koji q
koristi rekurzivno optimalno filtriranje što je proces procjene s = t(sm )q , (sn )q , (su )q v
stanja i parametara sustava na temelju mjernih vrijednosti koje
= 2 ∙ dim (m ) (16)
pristižu tijekom vremena. Opći pristup ovog algoritma je da se
koriste izmjerene vrijednosti modela kao ulazi, te da se
Inicijalizacija (k=0):
predvide mjerni izlazi modela uz korištenje trenutnih
vrijednosti stanja i parametara modela. SPKF kao i ostali
zQ
m, = {pm, r
Kalmanovi filtri imaju prednost da automatski osiguravaju
dinamičke granice pogreške svojih procjena stanja i
∑Q zQ
} ,, = {p~m, − m
m
zQ q
, ~m, − m, r
parametara. SPKF procjenjuje srednju vrijednost i kovarijancu
izlaza nelinearne funkcije korištenjem malog fiksnog broja
funkcijskih točaka. Set točaka (sigma točke) odabiru se kao ili
ulaz u funkciju, tako da srednja vrijednost i kovarijanca točaka
točno odgovara srednjoj vrijednosti i kovarijanci a priori z ,Q
m z Q q q
, = {pm, r = p~m, , n, d̅ r
slučajne varijable koja se modelira. Ove točke se tada provode q
kroz nelinearnu funkciju, te nastaje transformirani skup točaka. ∑ ,Q z ,Q z ,Q
} ,, = { f~m, − m, ~m, − m, h
m
= 53(∑Q } ,,, ∑n,
)
Aproksimacijom nastalih točaka dobivamo a posteriori srednju m (17)
vrijednost i kovarijancu.
Dinamika baterije stvara izlaze kao funkciju svojih prošlih i k=1,2,....
trenutnih izlaza, te se može definirati vektor stanja sustava čija Izračunavanje sigma točke:
vrijednost je zbroj svih efekata prošlih ulaza. Trenutni izlaz
sustava funkcija je trenutnog ulaza sustava i trenutnog stanja. ,Q
sS z ,Q
= m z ,Q ,Q
jS , mjS + γ∑m
z ,Q ,Q
} ,jS, mjS − γ∑m
} ,jS, (18)
Vektor parametara sustava obuhvaća sve numeričke veličine
koje opisuju kako se razvija stanje sustava i kako se izlaz
sustava može izračunati. Iznosi vektora stanja mijenjaju se Jednadžbe predikcije (osvježavanje vremena):
relativno brzo kroz vrijeme, dok se iznosi vektora parametara
m,S m,Q n,Q
mijenjaju jako sporo. SOC je jedan element vektora stanja od s, = ℱ(sS, , `S , sS, , − 1)
posebne važnosti, a unutarnji otpor baterije i kapacitet baterije
su elementi vektora parametara i vrlo su bitni za procjenu zS
m
() m,S
= ∑, ? s,
SOH-a [17], [18]. SPKF kao i ostali Kalmanovi filtri mogu se
koristiti za istovremenu procjenu stanja sustava koja se brzo ∑S
() m,S zS
} , = ∑, ? (s, − m
m
m,S zS q
)(s, − m )
mijenjaju i parametara koji se sporo mijenjaju kroz vrijeme. m,S u,Q
Ova metoda se zove združena procjena, vektor stanja sustava , = ℎ(s, , ` , sS, , )
()
b = ∑, ?
kombinira se s vektorom parametara sustava i dobivamo
, (19)
7
Jednadžbe korekcije (osvježavanje mjerenja): ispražnjen, odnosno napunjen. Za prestanak punjenja i
pražnjenja korišteni su podatci proizvođača ovog tipa baterija
∑, = ∑
, ?() (, − b )(, − b )q za donju naponsku granicu pražnjenja (43.20 V) i za gornju
naponsku granicu punjenja (54.48 V).
∑S
}
m
() m,S zS
, = ∑, ? (s, − m )(, − b
)q
Nakon provedenih ispitivanja, korištenjem krivulja pražnjenja i
= ∑S
}
m , ∙ ∑
, ,
S punjenja baterijskog sloga, bit će izračunati baterijski
parametri ( ,
_ ,
_
,
zQ
m zS
= m + (b − b
)
_ i
_
) hibridnog električnog
∑Q } , − ⋅ ∑
} , = ∑m
S baterijskog modela za obje vrste ispitivanja (pražnjenje i
, ⋅
q
m (20)
punjenje).
UKF (engl. Unscented Kalman filter) i CDKF (engl. Central Dobivene vrijednosti baterijskih parametara, tj. njihove srednje
Difference Kalman filter) su dvije metode SPKF algoritma. vrijednosti, koristit će se u hibridnom baterijskom modelu
() ()
Razlikuju se samo u izboru težinskih konstanti Z, ? i ? . implementiranom u Matlab/Simulink okruženju. Kako bi se
UKF je izveden iz procjene kovarijanci s podatcima točnijim provjerila valjanost baterijskog modela, usporedit će se
od Taylorovog reda, dok je CDKF izveden korištenjem simulacije pražnjenja i punjenja sa stvarnim vrijednostima
Stirlingove formule i aproksimira rezultate točnije nego mjerenja pri ispitivanjima. Ukoliko se baterijski model složi sa
korištenjem Taylorovog reda. Unutar CDKF metode postoji stvarnim stanjem mjerenja, koristit će se za provjeru algoritma
parametar ℎ, koji čini provedbu jednostavnijom od UKF-a i za združene estimacije stanja i parametara.
Gaussovu razdiobu njegova vrijednost je √3. Primjena CDKF Pomoću CDKF metode SPKF algoritma, provest će se
metode bit će prikazana u sljedećem poglavlju [19]. združena estimacija stanja i parametara, gdje će se kao ulazne
vrijednosti koristiti vrijednosti simulacija dobivenih pomoću
baterijskog modela. Valjanost ovog algoritma pokazati će se
6. ISPITIVANJE VRLA BATERIJSKOG SLOGA I
ukoliko vrijednosti estimacija budu odgovarale simulacijama
PRIMJENA CDKF METODE SPKF ALGORITMA
baterijskog modela. U tom slučaju, CDKF metoda SPKF
algoritma koristit će se za združenu estimaciju stanja i
parametara predmetnog baterijskog sloga na kojem su
provedena ispitivanja pražnjenjem i punjenjem.
8
25 56
I 54
bat-praznjenje
20
52
15
50
U
bat-punjenje
10 48
46
5
44
0
100 90 80 70 60 50 40 30 20 10 0 42
0 10 20 30 40 50 60 70 80 90 100
SOC (%) SOC (%)
45 35
Ibat-punjenje
40
T 30
bat-praznjenje
Temperatura baterije (° C)
25
30 20
25 15
20 10
15 5
10 0
5 -5
100 90 80 70 60 50 40 30 20 10 0 0 10 20 30 40 50 60 70 80 90 100
SOC (%) SOC (%)
14 45
Tbat-punjenje
U U U U 40
Temperatura baterije (° C)
13
35
30
12
25
11 20
15
10
10
9 5
100 90 80 70 60 50 40 30 20 10 0 0 10 20 30 40 50 60 70 80 90 100
SOC (%) SOC (%)
13
punjenja baterije strujom 14 A (trajanje 1 sat) i mirovanja
baterije (trajanje 20 minuta), dok napon baterije nije porastao
do gornje naponske granice punjenja. Na Slici 15. prikazana su 12
Ubat1 Ubat2 Ubat3 Ubat4
baterijska mjerenja pri ispitivanju punjenjem.
11
10
9
0 10 20 30 40 50 60 70 80 90 100
SOC (%)
d) Napon 12 V baterije (Ubat1-Ubat4)
Slika 15. Baterijska mjerenja pri ispitivanju punjenjem
9
¡¢¥
B. Određivanje napona praznog hoda baterijskog sloga i
_
= (24c)
parametara hibridnog električnog modela D
56
54
Punjenje
Napon baterije (V)
52
50
48
42
0 10 20 30 40 50 60 70 80 90 100
SOC (%) Slika 17. Period mirovanja baterije pri pražnjenju
Ekvivalentni kapaciteti (
_ ,
_
)
Slika 16. Krivulje punjenja i pražnjenja baterijskog sloga u ovisnosti o SOC-u
Napon baterije prema hibridnom električnom modelu u računaju se pomoću izraza (23).
Laplaceovoj domeni definiran je izrazom:
Na Slici 18. nalaze se krivulje izračunatih vrijednosti
8 () = 8 (*+, ) − 9 () ∙ () (21) električnih otpora korištenjem izraza (24) u ovisnosti o SOC-u
pri punjenju i pražnjenju baterijskog sloga.
gdje 8 (*+, ) je napon praznog hoda kao funkcija SOC-a,
9 () je struja baterije i () je impedancija baterije koju
0.16
R R
možemo izraziti kao: 0.14 serijski-praznjenje serijski-punjenje
Otpor Rserijski (Ohm)
0.12
///_ ///_ 0
() = + + (22)
Q Q 0
0.1
0.08
4 =
_ ∙
_ (23a) 0.02
4
=
_
∙
_
0 10 20 30 40 50 60 70 80 90 100
(23b) SOC (%)
0.08
Baterijski parametri ( ,
_ , Rbrzi-praznjenje Rbrzi-punjenje
_
,
_ i
_
) 0.07
Otpor Rbrzi (Ohm)
10
0.03
Rspori-praznjenje Rspori-punjenje
Slika 19. prikazuje izračunate vrijednosti ekvivalentnih
kapaciteta (
_ ,
_
) u ovisnosti o
Otpor Rspori (Ohm)
0.026
0.022 SOC-u.
0
0 10 20 30 40 50 60 70 80 90 100
SOC (%)
¯d = 0.09
42
100 90 80 70 60 50 40 30 20 10 0
SOC (%)
a) Pražnjenje u ovisnosti o SOC-u
Nakon definiranja početnih uvjeta, pokrenuta je združena
estimaciju stanja i parametara simulacije pražnjenja i punjenja
baterijskog modela. Nakon provedene estimacije CDKF
metodom dobivene su estimacije napona baterije 8 , napona
56
Mjerenje
54 Simulink RC kruga brzog odziva > i napona RC kruga sporog odziva
>
, baterijskih otpora i stanja napunjenosti baterije SOC-a
Napon baterije (V)
52
(Slika 22. i Slika 23.). Na dobivenim grafičkim prikazima su i
50
vrijednosti simulacija baterijskog modela iz kojih je vidljivo
48 kako se podudaraju s vrijednostima dobivenih estimacija. Iz
navedenog se može zaključiti kako je provedena združena
46
estimacija SPKF algoritmom na simulacijama baterijskog
44 modela valjana i može se primijeniti na ispitivanja pražnjenjem
42
i punjenjem baterijskog sloga.
0 10 20 30 40 50 60 70 80 90 100
SOC (%)
56
b) Punjenje u ovisnosti o SOC-u Simulacija
54
SPKF
Slika 21. Usporedba izmjerenog napona baterije i simulacije baterijskog
Napon baterije (V)
50
D. Primjena CDKF metode SPKF algoritma na simulacije
baterijskog modela 48
46
Kako bi se pokrenula združenu estimaciju stanja i parametara
predmetnog hibridnog baterijskog modela korištenjem M- 44
^ = ª
_
(26) 90 Simulacija
ª 80 SPKF
ª
_
70
© ¬
SOC (% )
60
50
Otpori (Ohm)
0.06 0.06
0.04 0.04
0.02 0.02
0 0
100 90 80 70 60 50 40 30 20 10 0 0 10 20 30 40 50 60 70 80 90 100
SOC (%) SOC (%)
c) Prikaz estimacije baterijskih otpora c) Prikaz estimacije baterijskih otpora
0.7 1.5
V V V V
brzi spori brzi spori
SPKF SPKF simulacija simulacija V V V V
brzi spori brzi spori
0.6 SPKF SPKF simulacija simulacija
1
Napon RC kruga (V)
0.4 0.5
0.3
0
0.2
-0.5
0.1
0 -1
100 90 80 70 60 50 40 30 20 10 0 0 10 20 30 40 50 60 70 80 90 100
SOC (%) SOC (%)
d) Prikaz estimacije napona paralelnih RC krugova d) Prikaz estimacije napona paralelnih RC krugova
Slika 22. Prikaz estimacija stanja i parametara simulacije pražnjenja Slika 23. Prikaz estimacija stanja i parametara simulacije punjenja
baterijskog modela baterijskog modela
56
54
E. Primjena CDKF metode SPKF algoritma na ispitivanje
VRLA baterijskog sloga
Napon baterije (V)
52
Simulacija
50 SPKF U prethodnom dijelu provedena je združena estimacija SPKF
48 algoritmom na simulacijama baterijskog modela čime se
potvrđuje valjanost ovog algoritma i njegove primjene u
46 programskom paketu Matlab.
44 U narednim koracima bit će prikazana združena estimacija
42 SPKF algoritma na provedenim ispitivanjima pražnjenjem i
0 10 20 30 40 50 60 70 80 90 100
SOC (%) punjenjem VRLA baterijskog sloga nazivnog napona 48 V,
nominalnog kapaciteta 150 Ah. Na isti način kao u prethodnom
a) Prikaz estimacije napona baterijskog modela
dijelu definira se početni vektor stanja i parametara, početna
100 matrica varijance, matrica procesnog i mjernog šuma. Nakon
90 provedene estimacije CDKF metodom dobivene su estimacije
80 napona baterije 8 , napona RC kruga brzog odziva > i
70 Simulacija napona RC kruga sporog odziva >
, baterijskih otpora i
stanja napunjenosti baterije SOC-a (Slika 24. i Slika 25.).
SOC (%)
60 SPKF
50
40
30
20
10
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
Vrijeme (s) x 10
4
50 50 Mjerenje
SPKF
48 48
46 46
44 44
42 42
100 90 80 70 60 50 40 30 20 10 0 0 10 20 30 40 50 60 70 80 90 100
SOC (%) SOC (%)
a) Prikaz estimacije napona baterije a) Prikaz estimacije napona baterije
100 100
90 Coulombovo računanje 90
SPKF
80 80
70 70
SOC (% )
SOC (% )
60 60 Coulombovo računanje
50 SPKF
50
40 40
30 30
20 20
10 10
0 0
0 0.45 0.9 1.35 1.8 2.25 2.7 3.15 3.6 4.05 4.5 0 0.42 0.84 1.26 1.68 2.1 2.52 2.94 3.36 3.78 4.2
Vrijeme (s) x 10
4 Vrijeme (s) x 10
4
0.1 0.1
Rbrzi Rspori Rserijski Rbrzi Rspori Rserijski
SPKF SPKF SPKF SPKF SPKF SPKF
0.08 0.08
Otpori (Ohm)
Otpori (Ohm)
0.06 0.06
0.04 0.04
0.02 0.02
0 0
100 90 80 70 60 50 40 30 20 10 0 0 10 20 30 40 50 60 70 80 90 100
SOC (%) SOC (%)
c) Prikaz estimacije baterijskih otpora c) Prikaz estimacije baterijskih otpora
4 10
Vbrzi Vspori Vbrzi Vspori
SPKF SPKF SPKF SPKF
3
Napon RC kruga (V)
Napon RC kruga(V)
2
0
1
-5
0
-1 -10
100 90 80 70 60 50 40 30 20 10 0 0 10 20 30 40 50 60 70 80 90 100
SOC (%) SOC (%)
d) Prikaz estimacije napona paralelnih RC krugova d) Prikaz estimacije napona paralelnih RC krugova
Slika 24. Prikaz estimacija stanja i parametara ispitivanja pražnjenjem VRLA Slika 25. Prikaz estimacija stanja i parametara ispitivanja punjenjem VRLA
baterijskog sloga baterijskog sloga
14
7. ZAKLJUČAK and Electric Vehicles”, Industrial Electronics Magazine, IEEE, vol. 7,
no. 2, pp. 4–16, June 2013.
[14] A.Mariani, K.Thanapalan, P.Stevenson, J.Williams, „Techniques for
VRLA olovne baterije su još uvijek najbolje rješenje za estimating the VRLA batteries ageing, degradation and failure modes”,
telekomunikacijske bazne postaje s obzirom na cijenu i životni Automation and Computing (ICAC), 2013 19th International
vijek. Pravilnim način uporabe baterija, BMS može utjecati još Conference, Brunel University, Uxbridge, UK, 13-14 September 2013.
[15] M.Coleman, W.G.Hurley, C.K.Lee, „An Improved Battery
više kako bi se njihov životni vijek povećao.
Characterization Method Using a Two-Pulse Load Test”, IEEE Trans.
U ovom radu su prikazane metode određivanja stanja i Energy Convers., vol. 2 3 , no. 2 , pp. 708–713, June 2008.
[16] S.Piller,M.Perrin, and A.Jossen, „Method for state of charge
parametara VRLA baterija. Baterijski parametri SOC i SOH su determination and their applications”, J. Power Sources, vol. 96, pp.
najvažnije informacije o bateriji koje nije moguće izmjeriti na 113–120, Jun. 2001.
vanjskim priključcima baterije, a potrebno ih je poznavati kako [17] G.L.Plett, „Extended Kalman filtering for battery management systems
bi se nadzor i upravljanje u mikromrežama mogli obavljati of LiPB-based HEV battery packs: Part 3. State and parameter
estimation”, J. Power Sources, vol. 134, no. 2, pp. 277–292, August
učinkovito. Pokazalo se kako od svih električnih modela, 2004.
hibridni električni model najbolje prikazuje ponašanje ovog [18] G.L.Plett, „Sigma-point Kalman filtering for battery management
tipa baterije pri ispitivanjima pražnjenjem i punjenjem. systems of LiPB-based HEV battery packs: Part 1: Introduction and
Opisana je CDKF metoda SPKF algoritma tj. združena state estimation”, J. Power Sources, vol. 161, no. 2, pp. 1356–1368,
October 2006.
estimacija stanja i parametara baterija i primijenjena je na [19] G.L.Plett, „Sigma-point Kalman filtering for battery management
simulacije hibridnog električnog modela baterije. Rezultati systems of LiPB-based HEV battery packs: Part 2: Simultaneous state
združene estimacije stanja i parametara odgovaraju and parameter estimation”, J. Power Sources, vol. 161, no. 2, pp.
simulacijama ovog baterijskog modela i pokazalo se kako je 1369–1384, October 2006.
[20] S.Abu-Sharkh and D.Doerffel, „Rapid test and non-linear model
SPKF algoritam dobar za estimacije stanja i parametara modela. characterisation of solid-state lithium-ion batteries,” J. Power Sources,
Nakon provjere valjanosti baterijskog modela i provjere vol. 130, no. 1–2, pp. 266–274, May 2004.
valjanosti SPKF algoritma, provedena je združena estimacija [21] Ž.Ban, J.Matuško, I.Petrović, „Primjena programskog sustava MATLAB
stanja i parametara na ispitivanja pražnjenjem i punjenjem za rješavanje tehničkih problema”, Graphis Zagr eb 2010.
[22] B.R.Hunt, R.L.Lipsman, J.M.Rosenberg, „ A Guide to MATLAB guide”,
VRLA baterijskog sloga. Cambridge University Press
[23] MATLAB, Stateflow User’s guide, version R2012b. 3 Apple Hill Drive,
8. LITERATURA natick, MA 01760-2098: The MathWorks Inc.,2012.