Performance evaluation of different Kalman filters for state estimation of lithium-ion batteries

Abstract

Litium-ion-batterier representerer en enorm industri og har vist seg å være en sentral teknologi for å redusere klimagasser. Ettersom elektrifiseringen av transportsektoren fortsetter å øke, vil de potensielle gevinstene ved å forlenge levetiden til litium-ion-batterier være betydelige. Denne optimaliseringen av levetiden vil kun være mulig gitt et tilstrekkelig estimat av den interne dynamikken og batteriets tilstand. En av disse interne tilstandene er batteriets restkapasitet.

Denne oppgaven vil fungere som en fortsettelse av prosjektoppgaven. Prosjektoppgaven hentet inn eksperimentelle data, og ulike modeller ble designet og identifiserte parameterne. Denne oppgaven tar sikte på å estimere batteriets restkapasitet ved hjelp av en modellbasert estimeringsteknikk. Estimeringsmetodene som er implementert og sammenlignet er det utvidede Kalman-filteret og sentral-forskjells-Kalman-filteret.

Med disse estimeringsmetodene klarer systemet å korrigere for en feil initial ladetilstand og estimere den innenfor en grense på $5\%$. Forholdet fra batteriets restkapasitet til åpen kretsspenning undersøkes også, og to metoder testes, et parametrisk polynom og lineær interpolasjon. Målestøy fra den virkelige verden kan ofte være et problem i eksperimentelle data, og et nullfase lavpassfilter brukes med gode resultater.

Lithium-ion batteries represent an enormous industry and is shown to be a cornerstone in reducing greenhouse gasses. As the electrification of the transportation sector continues to increase, the potential gains of extending the life span of lithium-ion batteries are significant. This optimization of life span will only be possible given an adequate estimation of the internal dynamics and state of the battery. One such internal state is the State of Charge.

This thesis will act as a continuation of the project thesis. The project thesis recorded experimental data, and different models were designed and identified. This thesis aims to estimate the state of charge using a model-based estimation technique. The estimation methods implemented and compared are the extended Kalman filter and the central difference Kalman filter.

With these estimation methods, the system manages to correct for a wrong initial state of charge and estimate it within a $5\%$ bound. The relation from the state of charge to the open circuit voltage is also investigated, and two methods are tested, a parametric polynomial and linear interpolation. Real-world data noise can often be a problem, and a zero-phase low pass filter is used with good results.