Simultaneous improvement of control and estimation for battery management systems

Titolo

Miglioramento simultaneo del controllo e della stima per i sistemi di gestione delle batterie (BMS).

1. Il Problema

I sistemi di gestione delle batterie (BMS) convenzionali trattano il controllo e la stima dello stato come obiettivi disaccoppiati. In particolare, fanno affidamento su controllori a equivalenza certa (certainty equivalence), che ottimizzano l'obiettivo di controllo (es. seguire una traiettoria di riferimento) trattando la stima dello stato (Stato di Carica, SOC) come se fosse esatta.

Tuttavia, questo approccio ignora una criticità fondamentale nei sistemi di accumulo energetico:

• Non linearità e Plateau di Tensione: La relazione tra la tensione a circuito aperto (OCV) e il SOC è non lineare. In molte chimiche delle batterie, esistono regioni di "plateau" dove la sensibilità della tensione rispetto al SOC è quasi nulla.
• Osservabilità Variabile: In queste regioni di plateau, l'osservabilità dello stato è scarsa. Qualsiasi osservatore (filtro) riceve misurazioni che contengono poca informazione sul vero SOC, portando a errori di stima elevati.
• Il Dilemma: I controllori a equivalenza certa, ignorando questa dipendenza, possono guidare la batteria verso regioni a bassa osservabilità, peggiorando la stima proprio quando è più necessaria (es. durante strategie di peak shaving e valley filling nella rete elettrica).

2. Metodologia

Gli autori propongono un approccio di controllo duale (dual control) basato sulla teoria del controllo ottimo stocastico. L'obiettivo è ottimizzare simultaneamente le prestazioni di controllo e la qualità della stima.

A. Formulazione del Problema Stocastico

Il problema è formulato come un controllo ottimo stocastico dove il costo include esplicitamente la qualità della stima.

• Dinamica del Sistema: Modellata tramite il metodo del conteggio Coulombiano (con disturbi additivi) e misurata tramite una mappa non lineare OCV-SOC con rumore di misura.
• Funzione di Costo: Il costo atteso include:
  1. Errore di tracciamento della traiettoria di riferimento.
  2. Costo di controllo (corrente).
  3. Un termine di penalità per la disuniformità tra le batterie.
  4. Termine chiave: La varianza (covarianza) dello stato.

B. Parametrizzazione Esatta del Costo

Il contributo teorico principale dimostra che, per una vasta classe di obiettivi, il costo stocastico può essere esattamente parametrizzato in termini di media condizionata ($x_{k|k}$) e covarianza condizionata ($\Sigma_{k|k}$) dello stato.

• Questo rivela un accoppiamento diretto: l'azione di controllo influenza la traiettoria dello stato, che a sua volta determina l'osservabilità e quindi l'evoluzione della covarianza (l'incertezza).
• Il controllore diventa "proattivo": spinge il sistema verso regioni ad alta osservabilità (dove la derivata OCV-SOC è alta) per ridurre l'incertezza futura, senza compromettere l'obiettivo di tracciamento.

C. Surrogato Deterministico e MPC

Poiché il problema stocastico completo è computazionalmente intrattabile, gli autori derivano un surrogato deterministico:

1. Utilizzano un Filtro di Kalman Esteso (EKF) per approssimare l'evoluzione dei momenti (media e covarianza).
2. Sostituiscono le aspettative sulle future misurazioni con una dinamica di predizione "solo predizione" (ommettendo la correzione della misura nel calcolo del costo futuro, assumendo che l'errore di predizione sia bianco).
3. Formulano il problema come un Model Predictive Control (MPC) non lineare (o linearizzato localmente) che ottimizza sia la traiettoria dello stato medio che quella della covarianza.

3. Contributi Chiave

1. Teoria del Controllo Duale per le Batterie: Dimostrazione teorica che la gestione delle batterie può essere posta sotto l'ombrello del controllo ottimo stocastico, sfruttando l'effetto duale (cautela e sonda) per migliorare la stima.
2. Derivazione del Surrogato Deterministico: Sviluppo di un costo approssimato ma computazionalmente trattabile che può essere risolto come un problema di MPC.
3. Indipendenza dal Filtro: Dimostrazione che il miglioramento è intrinseco alla strategia di controllo e non dipende dall'architettura specifica dell'osservatore utilizzato.
4. Validazione Sperimentale: Simulazione su un sistema di 9 batterie con diverse chimiche e curve OCV-SOC.

4. Risultati

Il metodo è stato testato in simulazione su un sistema di 9 batterie che segue una traiettoria di potenza variabile nel tempo (simulando scenari di rete). I risultati sono stati confrontati con un MPC lineare a equivalenza certa.

• Riduzione del Costo di Controllo: Il costo totale di tracciamento è stato ridotto fino al 20% (nel paper specifico: -17.8% al totale, -28.4% al costo di tracciamento).
• Riduzione dell'Errore di Stima: L'errore di stima è stato ridotto fino al 30% (nel paper specifico: -19.3% per EKF, -10.3% per UKF, -8.5% per MHE).
• Robustezza del Filtro: I miglioramenti sono stati confermati utilizzando tre diversi stimatori di stato:
  • Filtro di Kalman Esteso (EKF).
  • Filtro di Kalman Unscented (UKF).
  • Stima a Orizzonte Mobile (MHE).
    Questo conferma che il beneficio non è legato a un osservatore specifico, ma alla strategia di controllo che guida il sistema in regioni più osservabili.
• Efficienza Computazionale: L'algoritmo opera a 77 Hz su un laptop standard, rendendolo fattibile per applicazioni BMS in tempo reale.

5. Significato e Impatto

Questo lavoro rappresenta un cambio di paradigma nella gestione delle batterie:

• Superamento del Disaccoppiamento: Dimostra che trattare controllo e stima come entità separate è un'opportunità persa. Integrare la qualità dell'informazione nella funzione di costo porta a prestazioni superiori.
• Sicurezza e Affidabilità: Migliorando la stima del SOC, specialmente nelle regioni critiche di plateau di tensione, si riduce il rischio di operazioni insicure (sovraccarico o scarica profonda) e si ottimizza l'uso delle risorse di accumulo.
• Scalabilità: L'approccio è scalabile a sistemi multi-batteria e si adatta a diverse chimiche, rendendolo rilevante per la gestione di grandi flotte di batterie nella rete elettrica, nei veicoli elettrici e nelle infrastrutture AI.

In sintesi, l'articolo propone un controllore che "impara" a muovere la batteria in modo da rendere le future misurazioni più informative, ottenendo un doppio vantaggio: una gestione energetica più efficiente e una conoscenza dello stato della batteria più precisa.