Implementation and Comparison of Nonlinear State of Charge Estimators using Equivalent Circuit Models for Two Lithium-Ion Battery Cell Chemistries

Abstract

Litium-ion-batterier blir omfattende brukt som en energilagringsløsning. De gir fordeler som lav vekt, høy energitetthet og holdbarhet, og kan være avgjørende for ̊a oppn ̊a kli- manøytralitet. Kontinuerlig optimalisering av batterienes drift og sikkerhet er viktig, der overv ̊aking av viktige interne tilstander som restkapasitet er en grunnleggende del. Denne tilstanden kan ikke m ̊ales direkte og m ̊a derfor estimeres av et batteristyringssystem basert utelukkende p ̊a strøm- og spenningsm ̊alinger. Nøyaktige litium-ion-batterimodeller er nødvendige for modellbasert estimering. Disse modellene er ikke enkle ̊a produsere p ̊a grunn av batterienes ulineære oppførsel og sensitivitet for støy.

Denne masteroppgaven implementerer og sammenligner tre ulineære tilstandsestimatorer for restkapasiteten med tre forskjellige ekvivalent-krets modeller for to ulike litium-ion- battericeller. Estimatorene er det utvidede Kalman-filteret (EKF), et sigma-punkts Kalman- filteret (SPKF) og en bevegelig horisont estimator (MHE). Modellene er Rint (R) mod- ellen, Thevenin (1RC) modellen og den forbedrede selvjusterende (ESC) modellen, pre- sentert i stigende kompleksitet. Alle kombinasjonene av estimatorer og modeller ble im- plementert og evaluert ved bruk av batteridata for en NMC-celle og en LFP-celle, som begge representerer to vanlig brukte cellekjemier i litium-ion-batterier. Her brukes dy- namiske belastningsstrømprofiler hentet fra en elektrisk bil som inngangssignal for prestas- jonsvurdering. Celletypene viser forskjellige egenskaper, hvor ̊apenkretsspenningen deres er av stor betydning for estimering av restkapasiteten.

Resultatene viste at estimatorene hadde svært lik ytelse for restkapasitetsestimering i tre forskjellige simuleringscenarier. Dette gjaldt for mange av kombinasjonene av modell og celle, der det kan hevdes at 1RC-modellen ga den beste totale ytelsen. Videre var det ty- delig at estimatnøyaktigheten var betydelig d ̊arligere for LFP-cellen sammenlignet med NMC-cellen. Dette skyldtes antakeligvis den flate karakteristikken til ̊apenkretsspenn- ingen for LFP-cellen, som reduserte modellenes observerbarhet. Den kvadratisk gjennom- snittlige feilen i estimert restkapasitet n ̊adde s ̊a lavt som omtrent 0,45 % for NMC-cellen ved bruk av 1RC- eller ESC- modellen, og s ̊a lavt som 2,74 % for LFP-cellen ved bruk av R-modellen. Det siste resultatet var inkonsistent med hvilken type belastningsstrømprofil som ble brukt for LFP-modellene. P ̊a grunn av den tunge beregningskompleksiteten til MHE og den teoretiske kompleksiteten til SPKF, ble det konkludert med at EKF marginalt var den bedre ytende estimatoren.

Lithium-ion batteries are extensively used as an energy storage technology. They provide benefits such as low weight, high energy density, and durability, and can be pivotal in the process of reaching climate neutrality. Continuous optimization of the batteries’ opera- tion and safety is essential, where monitoring important internal states such as the State of Charge is a fundamental part. This state cannot be directly measured and must be estimated by a battery management system purely based on current and voltage measurements. For model-based estimation, accurate lithium-ion battery models are necessary. These models are not easy to produce due to the batteries’ nonlinear behavior and sensitivity to noise.

This thesis implements and compares three nonlinear State of Charge (SOC) estimators with three different equivalent circuit models for two different lithium-ion battery cells. The estimators are the Extended Kalman filter (EKF), the Sigma Point Kalman filter (SPKF), and the Moving Horizon Estimator (MHE). The models are the Rint (R) model, the Thevenin (1RC) model, and the enhanced self-correcting (ESC) model, presented in order of increasing complexity. All combinations of the estimators and models are im- plemented and evaluated using battery data for an NMC cell and an LFP cell, which both represent two commonly used cell chemistries in lithium-ion batteries. Here dynamic load current profiles retrieved from an Electric Vehicle (EV) are used as input for performance evaluation. The cell types demonstrate different characteristics, of which their open-circuit voltage is of great importance for SOC estimation.

The results showed that the estimators demonstrated a very similar SOC estimation per- formance in three different simulation scenarios. This was true for many of the model-cell combinations, where it can be argued that the 1RC model offered the overall best perfor- mance. The estimation accuracy was considerably worse for the LFP cell when compared to the NMC cell. This was likely due to the flat open-circuit voltage characteristics of the LFP cell inflicting observability issues on the models. The SOC root-mean-square esti- mation error reached as low as approximately 0.45 % for the NMC cell using the 1RC or ESC model, and as low as 2.74 % for the LFP cell using the R model. The latter re- sult was inconsistent with what kind of EV load current profile was applied to the LFP models. Due to the heavy computational complexity of the MHE, and the theoretical com- plexity of the SPKF, it was concluded that the EKF marginally was the better-performing estimator.