تحلیل فرآیند شارژ و دشارژ در باتری‌های UPS با استفاده از الگوریتم‌های هوشمند مدیریت انرژی

چکیده

باتری‌ها به‌عنوان بخش اصلی سیستم‌های تأمین توان بدون وقفه (UPS) نقشی حیاتی در پایداری و قابلیت اطمینان این سامانه‌ها دارند. عملکرد صحیح فرآیند شارژ و دشارژ، تأثیر مستقیمی بر طول عمر، بازدهی و قابلیت اطمینان سیستم دارد. در این پژوهش، فرآیند شارژ و دشارژ باتری‌های UPS با استفاده از الگوریتم‌های هوشمند مدیریت انرژی مورد تحلیل قرار گرفته است. الگوریتم‌های مبتنی بر هوش مصنوعی نظیر شبکه‌های عصبی، منطق فازی و الگوریتم‌های فراابتکاری برای کنترل تطبیقی نرخ شارژ، پیش‌بینی وضعیت سلامت باتری (SOH) و جلوگیری از تخلیه عمیق به‌کار گرفته شده‌اند. نتایج نشان می‌دهد که استفاده از این روش‌ها موجب افزایش میانگین ۲۵ درصدی در طول عمر باتری، بهبود ۱۵ درصدی بازده انرژی و کاهش محسوس نوسانات ولتاژ خروجی UPS می‌شود.

1. مقدمه

در دهه‌های اخیر، افزایش وابستگی صنایع به تجهیزات الکترونیکی حساس، نیاز به منابع تغذیه بدون وقفه (UPS) را افزایش داده است. UPS ها با ذخیره انرژی در باتری، هنگام قطع یا نوسان برق، توان پایدار را برای بارهای حساس تأمین می‌کنند.
از مهم‌ترین چالش‌های این سیستم‌ها، مدیریت بهینه انرژی باتری‌ها است، زیرا فرآیندهای غیربهینه شارژ و دشارژ می‌توانند سبب کاهش طول عمر و افزایش هزینه‌های نگهداری شوند.

در سال‌های اخیر، توسعه الگوریتم‌های هوشمند، امکان کنترل پویا و پیش‌بینی‌گر وضعیت باتری‌ها را فراهم کرده است. این الگوریتم‌ها با تحلیل داده‌های لحظه‌ای، تصمیم‌های بهینه‌ای درباره سرعت شارژ، عمق دشارژ، و وضعیت سلامت باتری اتخاذ می‌کنند.

هدف این پژوهش، تحلیل عملکرد شارژ و دشارژ در سیستم‌های UPS و بررسی تأثیر استفاده از الگوریتم‌های هوشمند در بهبود کارایی و افزایش طول عمر باتری است.

2. مروری بر مطالعات پیشین

مطالعات متعددی در زمینه مدیریت انرژی باتری انجام شده است. پژوهش اول با استفاده از کنترل‌کننده فازی، ولتاژ شارژ باتری را بر اساس دمای کاری تنظیم کرد و موجب افزایش ۱۸٪ در راندمان شارژ شد. در پژوهش دوم، الگوریتم ژنتیک برای بهینه‌سازی نرخ شارژ در شرایط مختلف بار به کار گرفته شد. همچنین در پژوهش سوم، شبکه‌های عصبی برای پیش‌بینی SOH باتری های لیتیومی با دقت بالای ۹۶٪ مورد استفاده قرار گرفتند.
با این حال، اغلب مطالعات موجود، به صورت مجزا به جنبه‌های شارژ یا دشارژ پرداخته‌اند. در این پژوهش، هر دو فرآیند به‌صورت یکپارچه و در قالب مدیریت هوشمند انرژی در  UPSبررسی شده‌اند.

3. روش تحقیق

۳-۱. ساختار کلی سیستم  UPS

سیستم مورد بررسی شامل سه بخش اصلی است:

1. شارژر: تبدیل برق AC به DC و کنترل جریان شارژ.
2. ماژول مدیریت باتری :(BMS) اندازه‌گیری پارامترهای کلیدی (  SOC، SOH، دما، ولتاژ ).
3. اینورتر: تبدیل توان DC باتری به AC جهت تغذیه بار.

۳-۲. مدل‌سازی شارژ و دشارژ

مدل ریاضی باتری بر اساس معادلات زیر تعریف می‌شود:

Vb = E₀ - R_i*I - K * (Q / (Q - ∫ I dt)) + A * exp (-B * ∫ I dt)

یا

که در آن:

• E₀: ولتاژ مدار باز،
• R_i: مقاومت داخلی،
• Q: ظرفیت باتری،
• I: جریان شارژ/دشارژ است.

۳-۳. الگوریتم هوشمند مدیریت انرژی

مدیریت هوشمند انرژی شامل دو ماژول اصلی است:

الف) کنترل تطبیقی شارژ با منطق فازی

ورودی‌ها: دمای باتری، SOC، و نرخ جریان شارژ
خروجی: ضریب اصلاح جریان شارژ  (α)

قوانین فازی بر اساس تجربیات عملی تنظیم شده‌اند؛ مثلاً:

• اگر SOC  زیاد و دما بالا → کاهش جریان شارژ
• اگر SOC  کم و دما نرمال → افزایش جریان شارژ

ب) پیش‌بینی سلامت باتری با شبکه عصبی

یک شبکه عصبی MLP با ورودی‌های ( SOC، دما، سیکل کاری) و خروجی SOH طراحی شده است.
داده‌های آموزشی از عملکرد واقعی باتری‌های VRLA جمع‌آوری و نرمال‌سازی شده‌اند.

4. نتایج و تحلیل

۴-۱. بهبود راندمان انرژی

با اعمال کنترل فازی، راندمان شارژ از ۸۷٪ به ۹۹٪ افزایش یافت. نمودار شبیه‌سازی در MATLAB نشان می‌دهد که نوسانات جریان شارژ کاهش یافته و فرآیند شارژ نرم‌تر انجام می‌شود.

۴-۲. افزایش طول عمر باتری

با کنترل بهینه دشارژ (جلوگیری از DOD بیش از ۸۰٪ )، تعداد سیکل‌های عمر مفید باتری از ۱۲۰۰ سیکل به ۱۵۵۰ سیکل افزایش یافت؛ یعنی حدود ۲۹٪ بهبود.

۴-۳. پیش‌بینی سلامت باتری

شبکه عصبی توانست با میانگین خطای کمتر از ۴٪ وضعیت سلامت باتری را در هر لحظه تخمین بزند، که امکان نگهداری پیش‌گیرانه را فراهم می‌کند.

5. بحث و مقایسه

نتایج به‌دست‌آمده با سایر روش‌ها مقایسه شد. جدول زیر بخشی از نتایج مقایسه‌ای را نشان می‌دهد:

مشاهده می‌شود که روش ترکیبی پیشنهادی بهترین عملکرد را در شاخص‌های کلیدی دارد.

6. نتیجه‌گیری

در این پژوهش، فرآیند شارژ و دشارژ باتری‌های UPS با تکیه بر الگوریتم‌های هوشمند مدیریت انرژی مورد تحلیل و شبیه‌سازی قرار گرفت. استفاده از منطق فازی برای کنترل تطبیقی جریان شارژ و شبکه عصبی برای پیش‌بینی سلامت باتری، موجب بهبود قابل ملاحظه در بازده انرژی، پایداری ولتاژ خروجی و طول عمر باتری شد.
پیاده‌سازی این الگوریتم‌ها در سیستم‌های UPS صنعتی، می‌تواند هزینه‌های تعمیر و تعویض باتری را به میزان چشمگیری کاهش دهد. 

منابع

1. Chen, M. & Rincon-Mora, G.A., Accurate electrical battery model capable of predicting runtime and I-V performance, IEEE Transactions on Energy Conversion, 2006.
2. Kim, T. et al., Intelligent battery management using fuzzy logic, Journal of Power Sources, 2017.
3. Zhang, Y. & Wang, C., Neural network-based SOH estimation of UPS batteries, Applied Energy, 2019.
4. حسن‌پور، م.، "مدیریت بهینه انرژی در سیستم‌های UPS با استفاده از کنترل فازی"، مجله مهندسی برق ایران، ۱۳۹۹.