State of Charge Estimation of Lithium-ion Batteries by Neural Networks

Abstract

Formålet med denne avhandlingen er å estimere ladetilstanden til litium-ionbatterier i elektriske biler. Ved bruk av nevrale nettverk undersøkes maskinlæringsteknikker og inputvariabler for å øke nøyaktigheten på estimert ladetilstand. Dette målet grunner i et underliggende krav for å administrere energisystemet til elektriske kjøretøy i sanntid. Fagområdets hovedutfordring er at ladetilstanden ikke kan måles direkte. Videre er estimering av ladetilstanden et ulineært problem som avhenger av flere variabler som omgivelsestemperatur, spenning, trukket strøm, aldring og cellekjemi. Maskinlæring kan være et kraftig verktøy for å transformere inputvariabler til outputvariabler ved komplekse problemstillinger og kan brukes til å forbedre estimeringen av ladetilstanden til litiumionbatterier.

Denne rapporten er en kritisk analyse av tidligere arbeid hvor maskinlæring har blitt brukt til å transformere fysiske batterivariabler til batteriets ladetilstand. I tillegg er forovermatede nevrale nettverk konstruert for å undersøke forskjellige teknikker og inngangsfunksjoner for å forbedre estimeringsnøyaktigheten. Resultatene indikerer at nevrale nettverkstilnærminger kan være tilstrekkelig for å estimere ladetilstand med en kvadratisk gjennomsnittlig feil på rundt en prosent. Et viktig funn er at estimeringsfeilen for ladetilstand ble lavere ved å bruke akkumulert varme fra batteriet som en ekstra inputvariabel i tillegg til de klassiske inputvariablene spenning, strøm og batteritemperatur. Med den nye variabelen ble den største feilen redusert med 27% fra referansemodellen. Den maksimale feilen var imidlertid 6% ladetilstand, som er for høyt for en elbil. Feilen må reduseres for at det forovermatede nevrale netverket skal kunne brukes i praksis. Den overordnede konklusjonen er at nevrale nettverk har potensiale til å bli brukt til å estimere ladetilstanden til elektriske kjøretøy. Imidlertid kreves det videre arbeid for å koble sammen elektriske, termiske og mekaniske egenskaper for å sikre et robust estimat for ladetilstanden under ulike fohold.

By using neural networks, this thesis examines machine learning techniques and input features to increase the accuracy of State of Charge (SoC) estimation of lithium-ion batteries of electric vehicles. The aim to estimate the SoC with high accuracy is an underlying requirement to manage the energy system of electrical vehicles in real-time. The main challenge in this field is that the SoC cannot be measured directly. Furthermore, estimating the SoC is a nonlinear problem dependent on numerous variables including ambient temperature, heat generation, voltage, current drawn, aging, and cell chemistry. Machine learning can be a powerful tool to map input variables onto output variable(s) for complex problems and can be used to improve the SoC estimation in lithium-ion batteries.

This thesis contains a critical survey of previous work that utilizes machine learning to map physical battery variables into the SoC. In addition, neural networks have been constructed to research different techniques and input features to improve estimation accuracy. The results indicate that neural network approaches can be adequate when estimating the SoC, where the root mean squared error is around one percent. An important finding of this thesis is the effect of using the accumulated heat from the battery as an additional input feature in addition to the classical input features voltage, current, and battery temperature. With this new feature, the error was reduced by 27% from the benchmark case. However, the maximum obtained error was 6% SoC which is inconvenient in an electric car. This has to be reduced for the model to be used in a real-world application. The overall conclusion is that neural networks have the potential to be used as the SoC estimator in electrical vehicles. However, further work to couple electrical, thermal, and mechanical properties are required to ensure their robustness.