[论文解读] 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 13

一句话总结

本文提出了一种数据驱动的预测控制（DeePC）框架，用于实现无需显式参数化电池模型的安全且最优的锂离子电池快速充电。通过利用输入-输出数据并结合行为系统理论中的约束，DeePC在满足所有安全限制的前提下，相比CC-CV-1.2C将充电时间缩短了15%，同时通过主成分分析（PCA）进行降维，显著提升了计算效率，且未造成性能损失。

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.

研究动机与目标

• 开发一种无需依赖复杂参数化电池模型的无模型、数据驱动的快速充电控制策略，以确保锂离子电池充电过程的安全性与最优性。
• 将电流和电池状态（如电压、温度）等显式约束嵌入控制框架，防止电池退化并确保快速充电过程中的安全运行。
• 通过主成分分析（PCA）进行降维，提升控制算法的计算效率，以支持实时实现。
• 利用高保真电池仿真器，对所提方法与传统充电协议的性能进行验证。

提出的方法

• DeePC框架基于行为系统理论构建，仅依赖历史输入-输出数据来预测系统轨迹并计算最优控制输入，无需识别参数化电池模型。
• 将充电电流和电池状态（如电压、温度）等约束直接嵌入优化问题中，以确保安全运行。
• 采用基于主成分分析（PCA）的方法，通过奇异值分解（SVD）截断快照矩阵，降低优化变量的维度。
• 利用降维后的低秩矩阵构建计算高效的DeePC版本，在显著降低每步计算时间的同时保持控制性能。
• 控制器在模型预测控制（MPC）框架下实现，未来控制序列通过过去数据的汉克尔矩阵在线计算。
• 性能评估基于高保真电池仿真器，采用520步的预测时域和1791维的输入-输出数据矩阵，经PCA降维至700维。

实验结果

研究问题

• RQ1 与传统基于规则的方法相比，基于数据驱动的无模型控制策略是否能够实现更快、更安全的锂离子电池快速充电？
• RQ2 在数据驱动控制框架中，如何有效嵌入电流限制和荷电状态边界等系统约束？
• RQ3 通过PCA进行降维在多大程度上能保持数据驱动预测控制算法的性能，同时降低计算成本？
• RQ4 与标准的CC-CV充电协议相比，所提出的DeePC方法在充电时间与约束合规性方面，其性能在定量上如何？

主要发现

• DeePC方法实现了2530秒的充电时间，与CC-CV-1.5C（2531秒）相当，且未违反任何安全约束，同时比CC-CV-1.2C基准快约15%。
• DeePC控制器成功强制执行了所有关于电流和电池状态的安全约束，避免了在CC-CV-1.5C方案中出现的约束违规现象。
• DeePC的1步和10步输出预测结果与真实系统测量值高度吻合，表明其具有出色的预测精度。
• 基于PCA的降维将每步计算时间从2.2秒降低至0.5秒，计算时间减少77%，且性能损失可忽略不计。
• PCA降维后的成本函数值在不同降维维度范围（l ∈ [240, 1791]）内保持稳定且与原始DeePC相当；而直接截断数据矩阵则导致性能波动。
• 所提方法在PCA降维版本下维持了最优控制性能，成本为261,813.26，与原始DeePC的261,813.25几乎完全一致。