[論文レビュー] Data-Enabled Predictive Control for Fast Charging of Lithium-Ion Batteries with Constraint Handling

Kaixiang Zhang, Kaian Chen+6 more|arXiv (Cornell University)|Sep 26, 2022

Advanced Battery Technologies Research被引用数 13

ひとこと要約

本論文は、明示的なパrametricなバッテリーモデルを必要とせず、安全かつ最適なリチウムイオンバッテリーの高速充電を実現するデータ駆動予測制御（DeePC）フレームワークを提案する。入出力データを活用し、行動システム理論を用いて制約を組み込むことで、CC-CV-1.2Cよりも15%高速な充電時間を達成しながら、すべての安全制限を満たす。主成分分析（PCA）を用いた次元削減により、性能に損なわれることなく計算効率が向上する。

ABSTRACT

Fast charging of lithium-ion batteries has gained extensive research interests, but most of existing methods are either based on simple rule-based charging profiles or require explicit battery models that are non-trivial to identify accurately. In this paper, instead of relying on parametric battery models that are costly to derive and calibrate, we employ a novel data-enabled predictive control (DeePC) paradigm to perform safe and optimal fast charging for lithium-ion batteries. The developed DeePC methodology is based on behavioral system theory and directly utilizes the input-output measurements from the battery system to predict the future trajectory and compute the optimal control policy. Constraints on input current and battery states are incorporated in the DeePC formulation to ensure battery fast charging with safe operations. Furthermore, we propose a principal component analysis based scheme to reduce the dimension of the optimization variables in the DeePC algorithm, which significantly enhances the computation efficiency without compromising the charging performance. Numerical simulations are performed on a high-fidelity battery simulator to validate the efficacy of the proposed fast charging strategy.

研究の動機と目的

• パラメトリックなバッテリーモデルに依存せず、安全で最適なリチウムイオンバッテリーの高速充電を実現するモデルフリーでデータ駆動型の制御戦略の開発。
• 充電電流およびバッテリー状態（例：電圧、温度）に対する明示的な制約を組み込むことで、劣化を防ぎ、高速充電中の安全な運用を確保すること。
• 主成分分析（PCA）を用いた次元削減により、リアルタイム実装に適した計算効率の高い制御アルゴリズムを向上させること。
• 高精度なバッテリーシミュレータを用いて、提案手法の性能を従来の充電プロトコルと比較して検証すること。

提案手法

• DeePCフレームワークは行動システム理論に基づき、パラメトリックなバッテリーモデルの特定を必要とせず、過去の入出力データのみを用いてシステムの軌道を予測し、最適な制御入力を計算する。
• 充電電流およびバッテリーステート（例：電圧、温度）に対する制約を最適化問題に直接組み込み、安全な運用を保証する。
• 特異値分解（SVD）を用いてスナップショット行列を切断することで、主成分分析（PCA）に基づく方法により最適化変数の次元を低減する。
• 低次元化された行列を用いて、計算効率の高いDeePCのバージョンを構築し、制御性能を維持しながらステップあたりの処理時間を顕著に短縮する。
• 制御器は、過去のデータのハンケル行列を用いてオンラインで将来の制御シーケンスを計算するモデル予測制御（MPC）フレームワークに実装される。
• 性能評価は、520ステップの予測ホライズンと1791次元の入出力データ行列を用いた高精度なバッテリーシミュレータを用い、PCAにより700次元に次元削減された。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型でモデルフリーな制御戦略は、従来のルールベース手法と比較して、より高速かつ安全なリチウムイオンバッテリーの高速充電を達成できるか？
• RQ2 電流制限やSOC境界などのシステム制約を、データ駆動型制御フレームワークに効果的に統合する方法は何か？
• RQ3 PCAによる次元削減は、計算コストの低減を図る一方で、データ駆動予測制御アルゴリズムの性能をどの程度維持できるか？
• RQ4 提案手法であるDeePCの性能は、充電時間および制約遵守の観点から、標準的なCC-CV充電プロトコルと定量的に比較してどうなるか？

主な発見

• DeePCは2530秒の充電時間を達成し、CC-CV-1.5Cプロファイル（2531秒）と同等の性能を示したが、安全制限に違反しなかった。一方、CC-CV-1.2Cベンチマークと比較して約15%高速であった。
• DeePCコントローラーは、すべての安全制限（電流およびバッテリーステート）を適切に遵守し、CC-CV-1.5Cプロファイルで発生した制約違反を回避した。
• DeePCによる1ステップおよび10ステップの出力予測は、実際のシステム測定値とよく一致しており、優れた予測精度を示した。
• PCAに基づく次元削減により、ステップあたりの処理時間が2.2秒から0.5秒に短縮され、計算時間は77%削減されたが、性能の損なわれない程度の水準を維持した。
• PCAベースのDeePCのコスト関数値は、低次元化された範囲（l ∈ [240, 1791]）において安定しており、元のDeePCと同等の水準を維持した。一方、データ行列の直接切断による手法では性能の変動が見られた。
• 提案手法は、PCAベースのバージョンにおいてコスト261,813.26を維持し、元のDeePC（261,813.25）とほぼ同一の最適制御性能を達成した。