Optimierung der Ladesteuerung von Lithium-Ionen-Batterien durch Bayessche Optimierung

Core Concepts

Durch die Kombination von modellprädiktiver Regelung (MPC) und Bayesscher Optimierung kann die Leistung des Ladevorgangs von Lithium-Ionen-Batterien unter Berücksichtigung von Sicherheitsanforderungen optimiert werden.

Abstract

In dieser Arbeit wird ein hierarchisches Regelungskonzept vorgestellt, bei dem eine Bayessche Optimierung die langfristige Leistung des Gesamtsystems optimiert, während eine modellprädiktive Regelung die kurzfristigen Steuerungsaufgaben übernimmt.
Im ersten Fallbeispiel wird ein parametrierter Rückstellterm für die Spannungsbegrenzung optimiert, um Verletzungen der Spannungsgrenze zu vermeiden. Dabei zeigt sich, dass der optimierte Regler zwar etwas konservativer ist als der initiale Regler, dafür aber die Spannungsgrenze sicher einhält.
Im zweiten Fallbeispiel werden stattdessen die Parameter des Vorhersagemodells der MPC optimiert. Hier kann eine ähnliche Leistung wie beim initialen, unsicheren Regler erreicht werden, ohne die Spannungsgrenze zu verletzen. Die Bayessche Optimierung tastet dabei den Parameterraum stärker ab, was zu mehr unsicheren Zwischenergebnissen führt, aber letztlich zu einem besseren Ergebnis.
Insgesamt zeigt sich, dass die Kombination von MPC und Bayesscher Optimierung eine effiziente Möglichkeit darstellt, die Leistung von Ladevorgängen von Lithium-Ionen-Batterien unter Berücksichtigung von Sicherheitsanforderungen zu optimieren.

Stats

Maximaler Ladestrom: Imax = 6 A
Minimale Zellspannung: VT,min = 2,5 V
Maximale Zellspannung: VT,max = 4,2 V

Quotes

"Durch die Kombination von MPC und Bayesscher Optimierung kann die Leistung des Ladevorgangs von Lithium-Ionen-Batterien unter Berücksichtigung von Sicherheitsanforderungen optimiert werden."
"Im ersten Fallbeispiel wird ein parametrierter Rückstellterm für die Spannungsbegrenzung optimiert, um Verletzungen der Spannungsgrenze zu vermeiden."
"Im zweiten Fallbeispiel werden stattdessen die Parameter des Vorhersagemodells der MPC optimiert. Hier kann eine ähnliche Leistung wie beim initialen, unsicheren Regler erreicht werden, ohne die Spannungsgrenze zu verletzen."

Key Insights Distilled From

Learning Model Predictive Control Parameters via Bayesian Optimization for Battery Fast Charging

by Seba... at arxiv.org 04-10-2024

https://arxiv.org/pdf/2404.06125.pdf

Deeper Inquiries

Wie könnte man die Bayessche Optimierung erweitern, um auch die Temperaturgrenze während des Ladevorgangs zu berücksichtigen

Um die Temperaturgrenze während des Ladevorgangs in die Bayessche Optimierung einzubeziehen, könnte man zusätzliche Parameter einführen, die die Temperaturabhängigkeit des Batteriemodells berücksichtigen. Diese Parameter könnten dann in die Optimierung einfließen, um sicherzustellen, dass die Temperatur während des Ladevorgangs innerhalb sicherer Grenzen bleibt. Durch die Integration von Temperaturparametern in das Modell könnte die Bayessche Optimierung die Ladesteuerung so anpassen, dass sowohl die Spannungs- als auch die Temperaturgrenzen eingehalten werden.

Welche Auswirkungen hätte eine Berücksichtigung der Alterung der Batterie auf die Optimierung der Ladesteuerung

Die Berücksichtigung der Alterung der Batterie hätte signifikante Auswirkungen auf die Optimierung der Ladesteuerung. Da sich die Leistungsfähigkeit und Kapazität der Batterie im Laufe der Zeit verringern, müsste die Optimierung dies berücksichtigen, um eine langfristig effiziente Ladesteuerung zu gewährleisten. Dies könnte bedeuten, dass die Bayessche Optimierung nicht nur die aktuellen Leistungsparameter der Batterie optimiert, sondern auch zukünftige Degradationsraten und Kapazitätsverluste antizipiert. Eine adaptive Ladesteuerung, die die Alterung der Batterie berücksichtigt, könnte die Lebensdauer der Batterie verlängern und die Effizienz des Ladevorgangs verbessern.

Inwiefern lässt sich das vorgestellte Konzept auf andere Anwendungen im Bereich der Energiespeicherung übertragen

Das vorgestellte Konzept der Bayesschen Optimierung für die Ladesteuerung von Batterien kann auf verschiedene Anwendungen im Bereich der Energiespeicherung übertragen werden. Zum Beispiel könnte es für die Optimierung von Ladeprozessen in stationären Energiespeichersystemen wie Solar- oder Windkraftanlagen eingesetzt werden. Darüber hinaus könnte die Methode auf andere Arten von Batterietechnologien angewendet werden, wie z.B. Redox-Flow-Batterien oder Supercaps. Die Anpassung der Bayesschen Optimierung an spezifische Batteriemodelle und Betriebsbedingungen ermöglicht eine effiziente und sichere Steuerung des Ladevorgangs, unabhängig von der Art des Energiespeichersystems.