Adaptive model-based state monitoring algorithms for lithium-ion batteries

  • Adaptive modellbasierte Zustandsüberwachungsalgorithmen für Lithium-Ionen-Batterien

Li, Shi; Pischinger, Stefan (Thesis advisor); Andert, Jakob Lukas (Thesis advisor)

Aachen (2020, 2021)
Doktorarbeit

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2020

Kurzfassung

Lithium-Ionen-Batterie ist der Stand der Technik für das Energiespeichersystem in Elektrofahrzeugen (EV). Das Batteriemanagementsystem (BMS) gewährleistet den sicheren und effizienten Betrieb des Batteriesystems. Eine der Kernfunktionen von BMS ist die Überwachung der internen Zustände der Batterie, z. B. des Ladezustands (SOC) und des Gesundheitszustands (SOH). Diese Arbeit untersucht die fortgeschrittenen modellbasierten Algorithmen zur Überwachung des Batteriezustands, wobei jeder Schritt anhand von Literaturstudien, simulativen Implementierungen, Vergleichsstudien und Verifizierungen bewertet und ausgearbeitet wird. Zunächst wird ein Versuchsprotokoll erstellt, mit dem die Autobatteriezelle charakterisiert wird. Zweitens wird ein Modell ausgewählt und basierend auf den gemessenen Daten parametrisiert. Als dritten Schritten wird das aufgebaute Modell mit Techniken aus der Regelungstheorie einschließlich dem erweiterten Kalman-Filters (EKF), dem Partikelfilter (PF) und dem Recursive-Least-Squares-Algorithmus (RLS) für die SOC und SOH Abschätzung genutzt. Daten, die aus verschiedenen Arbeitsbedingungen und dem beschleunigten Alterungstest erhalten wurden, werden in einer Umgebung mit Modell-in-the-Loop (MIL) zur Überprüfung von Algorithmen verwendet. Es wird demonstriert, dass die Parametrisierung der Filter die Schätzergebnisse tiefgreifend beeinflusst. Ein neuartiges Verfahren, das die Lernfähigkeit des adaptiven Neuro-Fuzzy-Inferenzsystems (ANFIS) nutzt, wird vorgeschlagen, um die Rauschkovarianzmatrizen der Filter online zu aktualisieren. Das vorgeschlagene Verfahren zeigt vielversprechende Genauigkeiten mit dem Root-Mean-Square-Error kleiner als 2% und eine verbesserte Robustheit in Batteriezustandsschätzungen unter verschiedenen Betriebsbedingungen. Dies würde den Aufwand für die Filterabstimmung verringern, eine effizientere Überwachung und eine optimale Dimensionierung des Batteriesystems ermöglichen.

Identifikationsnummern

Downloads