[논문 리뷰] Data-Enabled Predictive Control for Fast Charging of Lithium-Ion Batteries with Constraint Handling

Kaixiang Zhang, Kaian Chen외 6명|arXiv (Cornell University)|2022. 09. 26.

Advanced Battery Technologies Research인용 수 13

한 줄 요약

이 논문은 명시적인 매개변수 기반 배터리 모델이 필요 없이 안전하고 최적의 고속 충전을 위한 데이터 기반 예측 제어(DeePC) 프레임워크를 제안한다. 입력-출력 데이터를 활용하고 행동 시스템 이론을 통해 제약 조건을 통합함으로써, CC-CV-1.2C보다 15% 빠른 충전 시간을 달성하면서도 모든 안전 한계를 준수한다. 주성분 분석(PCA) 기반 차원 감소 기법을 통해 성능 손실 없이 계산 효율성을 향상시켰다.

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.

연구 동기 및 목표

• 복잡한 매개변수 기반 배터리 모델에 의존하지 않고도 안전성과 최적성을 보장하는 모델-무관, 데이터 기반 제어 전략을 개발하는 것.
• 고속 충전 중에 열화를 방지하고 안전한 작동을 보장하기 위해 전류 및 배터리 상태에 대한 명시적 제약 조건을 통합하는 것.
• 주성분 분석(PCA)을 이용한 차원 감소를 통해 실시간 적용이 가능한 제어 알고리즘의 계산 효율성을 향상시키는 것.
• 고정밀도 배터리 시뮬레이터를 사용하여 기존의 충전 프로토콜과 비교해 제안된 방법의 성능을 검증하는 것.

제안 방법

• DeePC 프레임워크는 행동 시스템 이론에 기반하여 이전의 입력-출력 데이터만을 사용해 시스템의 궤적을 예측하고, 매개변수 기반 배터리 모델을 식별하지 않아도 최적의 제어 입력을 계산한다.
• 충전 전류 및 배터리 상태(예: 전압, 온도)에 대한 제약 조건을 최적화 문제에 직접 통합하여 안전한 작동을 보장한다.
• 특이값 분해(SVD)를 사용해 스냅샷 행렬을 잘라내어 최적화 변수의 차원을 줄이는 주성분 분석(PCA)-기반 방법을 적용한다.
• 차원 감소된 순서 수축 행렬을 사용해 계산 효율성이 높은 DeePC의 변형을 구성하며, 제어 성능을 유지하면서도 단계당 시간을 크게 감소시킨다.
• 컨트롤러는 히스토리 데이터의 하켄 매트릭스를 사용해 온라인으로 향후 제어 시퀀스를 계산하는 모델 예측 제어(MPC) 프레임워크에 구현된다.
• 성능 평가에는 520단계의 시뮬레이션 환경과 1791차원의 입력-출력 데이터 매트릭스를 사용한 고정밀도 배터리 시뮬레이터를 사용하였으며, PCA를 통해 이 행렬이 700차원으로 감소되었다.

실험 결과

연구 질문

• RQ1 기존의 규칙 기반 방법에 비해 데이터 기반, 모델-무관 제어 전략이 리튬이온 배터리의 더 빠르고 안전한 고속 충전을 달성할 수 있는가?
• RQ2 전류 제한 및 SOC 경계와 같은 시스템 제약 조건을 데이터 기반 제어 프레임워크에 효과적으로 통합할 수 있는가?
• RQ3 PCA를 통한 차원 감소가 계산 비용을 줄이면서도 데이터 기반 예측 제어 알고리즘의 성능을 얼마나 잘 유지할 수 있는가?
• RQ4 제안된 DeePC 방법의 성능을 충전 시간과 제약 조건 준수 측면에서 기준 CC-CV 충전 프로토콜과 정량적으로 비교해 볼 때 어떻게 되는가?

주요 결과

• DeePC 방법은 충전 시간을 2530초로 달성하여 CC-CV-1.5C 프로파일(2531초)과 동일한 성능을 보였지만, 안전 제약 조건 위반 없이 CC-CV-1.2C 기준보다 약 15% 더 빠른 속도를 기록했다.
• DeePC 컨트롤러는 전류 및 배터리 상태에 대한 모든 안전 제약 조건을 성공적으로 준수하여, CC-CV-1.5C 프로파일에서 발생한 제약 위반을 방지했다.
• DeePC의 1단계 및 10단계 출력 예측값이 실제 시스템 측정값과 매우 유사하게 일치하여 강력한 예측 정확도를 입증했다.
• PCA 기반 차원 감소로 인해 단계당 시간이 2.2초에서 0.5초로 감소하여 계산 시간이 77% 감소했으며, 성능 손실은 거의 없었다.
• PCA 기반 DeePC의 비용 함수 값은 감소된 차원 범위(l ∈ [240, 1791]) 전반에서 안정적이고 원본 DeePC와 유사했으며, 데이터 매트릭스를 직접 잘라내는 방식은 성능의 진동을 보였다.
• 제안된 방법은 PCA 기반 버전에서도 원본 DeePC의 비용 261,813.25와 거의 동일한 최적 제어 성능(비용 261,813.26)을 유지했다.