Design of Cooperative Converter with Optimized Deep Learning based Control Mechanism of Battery Cell Balancing for Automotive Applications

Technische Samenvatting: Ontwerp van een Coöperatieve Converter met een Geoptimaliseerd Deep Learning-gebaseerd Regelmechanisme voor Batterijcelbalancering

Probleemstelling
Het artikel behandelt kritieke uitdagingen in de batterijbeheersystemen (BMS) van elektrische voertuigen (EV), specifiek het probleem van celimbalans binnen lithium-ion batterijpakketten. Door productieverschillen, veroudering en verschillen in operationele belasting ontwikkelen individuele cellen vaak discrepanties in de State-of-Charge (SOC), spanning en interne weerstand. Deze onbalans leidt tot een verminderde effectieve pakketcapaciteit, versnelde capaciteitsafname en potentiële veiligheidsrisico's zoals thermische runaway. Traditionele balanceringmethoden worden gecategoriseerd in passieve en actieve benaderingen. Passieve balancering, die overtollige energie via weerstanden als warmte dissipeert, is energie-inefficiënt en ongeschikt voor hoogwaardige pakketten. Actieve balancering, waarbij vermogenselektronica wordt gebruikt om energie tussen cellen over te dragen, biedt een betere efficiëntie maar vereist vaak complexe, omvangrijke hardware en afzonderlijke regellussen voor spanningsregeling en celbalancering, wat de systeemkosten en complexiteit verhoogt. Bovendien worstelt traditionele modelgebaseerde schatting van SOC en State-of-Health (SOH) met de niet-lineaire, tijdvariërende aard van batterijchemie onder dynamische omgevingscondities.

Methodologie
De auteurs stellen een nieuwe systeemarchitectuur voor die een hoog-vermogensdichtheid Co-operative Dual Active Bridge (CO-DAB) converter integreert met een Deep Balancing Network (DBNet) controller.

1. Coöperatieve Converter Topologie (CO-DAB):

   • Het systeem maakt gebruik van een multi-input, single-output converter topologie waarbij meerdere Dual Active Bridge (DAB) modules verbonden zijn met individuele batterijcellen.
   • Principe van Vermogensdeling: In tegen tegenstelling tot conventionele step-up converters die het volledige uitgangsvermogen verwerken, verwerkt de CO-DAB slechts een fractie van het totale vermogen. Dit "coöperatieve vermogen" is evenredig aan het spanningsverschil tussen de gewenste uitgangsspanning ($V_{out}$) en de werkelijke batterijpakketspanning ($V_{battery}$).
   • Efficiëntiemechanisme: Door alleen het spanningsverschil te verwerken, werkt de converter onder verminderde vermogensbelasting, waardoor een fysiek kleiner en efficiënter apparaat mogelijk is. Het systeem gaat ervan uit dat het batterijpakket het grootste deel van het vermogen verliesvrij levert, terwijl de converter het verschil compenseert.
   • Hardware: Het ontwerp maakt gebruik van een multi-fase transformator-geïsoleerde DAB-topologie werkend op 120 kHz. Er wordt gebruikgemaakt van Zero Voltage Switching (ZVS) en/of Zero Current Switching (ZCS) om schakelverliezen te minimaliseren. De architectuur maakt gebruik van de lekinductantie van de transformator, wat potentieel de noodzaak voor discrete inductoren elimineert om volume en gewicht te reduceren.

2. Regelmechanisme (DBNet):

   • Een enkele Deep Balancing Network (DBNet) controller beheert zowel de step-up conversie als de celbalancering gelijktijdig, waardoor aparte controllers overbodig worden.
   • Deep Learning Architectuur: De DBNet maakt gebruik van een Radial Basis Function (RBF) neuraal netwerkstructuur. Het verwerkt realtime inputs (celspanning, stroom, temperatuur) en historische data om dynamische balanceringsbeslissingen te nemen.
   • Trainingsstrategie: Het netwerk ondergaat een tweefasig trainingsproces: eerst het optimaliseren van de verborgen laagparameters via parallel back-propagation en stochastische benadering, gevolgd door clustering om receptorcentra en spreidingsparameters te bepalen.
   • Balanceringslogica: Het systeem monitort de SOC-verschillen tussen cellen. Wanneer het verschil een drempelwaarde (0,55%) overschrijdt, triggert de DBNet specifieke schakelpulsen om energie over te dragen van cellen met een hogere SOC naar cellen met een lagere SOC. Het ondersteunt actieve balancering tijdens motoren, regeneratief remmen en laden, evenals passieve balancering tijdens stilstand.

3. Toestandschatting:

   • Het systeem gebruikt een Kalman Filter gecombineerd met Coulomb counting om SOC te schatten, waarmee de moeilijkheid van directe meting wordt aangepakt. Deze aanpak houdt rekening met ruis en dynamische veranderingen in het gedrag van de batterij.

Belangrijkste Bijdragen

• Geïntegreerde Topologie: Het artikel introduceert een verenigde CO-DAB topologie die spanningsverhoging en actieve celbalancering combineert in één enkele converterfase, wat hardware-redundantie vermindert.
• Geoptimaliseerde Vermogensverwerking: Door alleen het spanningsverschil te verwerken in plaats van het volledige belastingsvermogen, bereikt het systeem een kleinere fysieke voetafdruk en een hogere systeemefficiëntie vergeleken met traditionele DAB of boost converters.
• Deep Learning Controle: De implementatie van de DBNet maakt adaptieve, datagedreven balanceringsstrategieën mogelijk die beter presteren dan statische algoritmen door te leren van historische en realtime operationele data.
• Verenigde Regeling: Het gebruik van een enkele controller voor zowel spanningsregeling als celbalancering vereenvoudigt de controle-architectuur en verbetert de synchronisatie.

Resultaten
Het voorgestelde systeem werd gevalideerd via MATLAB/Simulink simulaties en laboratoriumexperimenten met een testbank bestaande uit vier serieel verbonden loodzuurcellen (6,2 V, 12 Ah elk) om een 24-48 V, 250 W systeem te simuleren.

• Efficiëntie: De CO-DAB converter bereikte een piekrendement van 96,4%. Het systeem toonde aan dat de converter slechts ongeveer 64% van het uitgangsvermogen nodig had om regulatie en balancering te handhaven, wat de hypothese van vermogensdeling bevestigt.
• Prestaties: Het systeem slaagde erin een stabiele 48 V uitgangsspanning te handhaven terwijl het de celbalancering beheerde over verschillende modus-operaties (motoren, regeneratief remmen, laden en stilstand).
• Balanceringssnelheid: In een specifiek simulatiescenario waarbij celparen SOC-verschillen hadden (54,5% vs. 79,5%), balanceerde de DBNet-controller het gehele pakket naar een SOC van 83,5% binnen 68 seconden.
• Thermisch Beheer: Temperatuurmonitoring toonde aan dat cellen stabiliseerden tussen 26°C en 34°C, waarbij het systeem een thermische evenwichtstoestand bereikte waarin warmtegeneratie en warmteafvoer in balans waren.
• Golfvormkwaliteit: De uitgangsspanning bleef vloeiend en gereguleerd, en de stromen aan de primaire zijde vertoonden een gelijke vermogensdeling tussen de fasen, wat duidt op een effectieve lastverdeling en verminderde stroombelasting.

Betekenis
Het artikel beweert dat deze geïntegreerde aanpak een significante vooruitgang biedt voor toepassingen in de elektromobiliteit door de dubbele uitdagingen van spanningsregeling en celbalancering gelijktijdig aan te pakken. Door de vermogensverwerkingslast op de converter te verminderen, maakt het systeem het gebruik van kleinere, kosteneffectievere componenten met verbeterd thermisch beheer en betrouwbaarheid mogelijk. Het gebruik van deep learning voor de regeling maakt proactieve balancering mogelijk die degradatie tegengaat voordat deze de prestaties beïnvloedt, waardoor de levensduur van de batterij en het bereik van het voertuig worden verlengd. De studie concludeert dat de CO-DAB-DBNet architectuur een efficiëntere, compactere en betrouwbaardere oplossing biedt voor EV-energiebeheer vergeleken met traditionele meerfasige of passieve balanceringssystemen.