[論文レビュー] Dynamic Cell Modeling of Li-Ion Polymer Batteries for Precise SOC Estimation in Power-Needy Autonomous Electric Vehicles

Qasim Ajao, Lanre Sadeeq|arXiv (Cornell University)|Jun 19, 2023

Advanced Battery Technologies ResearchEngineering被引用数 3

ひとこと要約

本論文は、高出力が必要な自律型電気自動車（AEVs）におけるリチウムイオンポリマー電池の高精度な動的セルモデルを提案し、非線形自己回帰および径方向基底関数ネットワークを用いた高度なカルマンフィルタリング手法により、充電状態（SOC）を推定する。この手法は、量子化ノイズのルート平均二乗誤差を下回り、バッテリーパックの過充電または過放電のリスクなしに全範囲を活用可能にする。

ABSTRACT

This paper presents findings on dynamic cell modeling for state-of-charge (SOC) estimation in an autonomous electric vehicle (AEV). The studied cells are Lithium-Ion Polymer-based with a nominal capacity of around 8Ah, optimized for power-needy applications. The AEV operates in a harsh environment with rate requirements up to +/-25C and highly dynamic rate profiles, unlike portable-electronic applications with constant power output and fractional C rates. SOC estimation methods effective in portable electronics may not suffice for the AEV. Accurate SOC estimation necessitates a precise cell model. The proposed SOC estimation method utilizes a detailed Kalman-filtering approach. The cell model must include SOC as a state in the model state vector. Multiple cell models are presented, starting with a simple one employing "Coulomb counting" as the state equation and Shepherd's rule as the output equation, lacking prediction of cell relaxation dynamics. An improved model incorporates filter states to account for relaxation and other dynamics in closed-circuit cell voltage, yielding better performance. The best overall results are achieved with a method combining nonlinear autoregressive filtering and dynamic radial basis function networks. The paper includes lab test results comparing physical cells with model predictions. The most accurate models obtained have an RMS estimation error lower than the quantization noise floor expected in the battery-management-system design. Importantly, these models enable precise SOC estimation, allowing the vehicle controller to utilize the battery pack's full operating range without overcharging or undercharging concerns.

研究の動機と目的

• 25C以上の高動的電力要求を満たす自律型電気自動車（AEVs）における正確なSOC推定の課題に対処する。
• ポータブル機器で使用される従来のSOC推定手法の限界を克服し、AEVsにおける過酷で急激に変化する環境に不適切である点を解消する。
• 信頼性の高いSOC推定に不可欠な緩和ダイナミクスおよび非線形挙動を捉える、高精度なバッテリーセルモデルを開発する。
• システムの量子化ノイズフロア以下にSOC推定誤差を最小限に抑えることで、バッテリーパックの動作範囲を最大限に活用可能にする。
• 自律車両運用に特徴的な高動的レートプロファイルにおいても、耐障害性と正確性を確保し、過充電または過放電のリスクを回避する。

提案手法

• SOCを状態ベクトル内の状態変数として用い、カウルン数算出法を初期状態方程式として定式化する動的セルモデルを構築する。
• 開放電圧をモデル化するため、初期段階では緩和ダイナミクスを含まない状態方程式としてシーファード則を出力方程式として採用する。
• 閉回路電圧におけるセルの緩和および一時的電圧ダイナミクスを捉えるために、フィルタ状態を導入してモデルを強化する。
• 変動する負荷条件下での予測精度を向上させるために、非線形自己回帰フィルタリング手法を実装する。
• バッテリーシステム内の非線形性および時間変動的挙動をモデル化するため、動的径方向基底関数（RBF）ネットワークを統合する。
• 強化されたモデルを用いて、推定誤差を最小限に抑えるために、拡張カルマンフィルタ（EKF）フレームワークを用いてSOCを再帰的に推定する。

実験結果

リサーチクエスチョン

• RQ1 緩和および非線形挙動を考慮した動的セルモデルは、従来の手法と比較して、高出力AEVsにおけるSOC推定精度を向上させることができるか？
• RQ2 緩和ダイナミクスのためのフィルタ状態の導入が、高動的電流プロファイル下でのSOC推定精度にどのように影響するか？
• RQ3 非線形自己回帰フィルタリングおよび動的RBFネットワークを用いることで、極端なCレート下でのリチウムイオンポリマー電池におけるSOC推定誤差はどの程度低減可能か？
• RQ4 提案手法は、一般的なバッテリーマネージメントシステムの量子化ノイズフロア以下に推定精度を達成できるか？
• RQ5 本モデルは、自律車両応用において過充電または過放電の懸念なしに、バッテリーパックの容量を安全かつ完全に活用可能にするか？

主な発見

• 緩和ダイナミクスのためのフィルタ状態を備えた本手法の動的セルモデルは、基本的なカウルン数算出法およびシーファード則と比較して、SOC推定精度を顕著に向上させる。
• 非線形自己回帰フィルタリングおよび動的径方向基底関数ネットワークの統合により、SOC推定において最良の全体的性能が達成された。
• 最も正確なモデルは、バッテリーマネージメントシステムの期待される量子化ノイズフロアを下回るルート平均二乗誤差を達成した。
• 本モデルは、±25Cに達するような高動的電流プロファイルにおいても、正確なSOC推定を可能にし、バッテリーパックの全容量範囲内で安全に運用可能であることを保証する。
• 実験室でのテスト結果は、物理的セル挙動とモデル予測との間で強い一致を示し、本モデルの実世界のAEV環境下での耐障害性を検証した。
• 推定誤差がシステムレベルのノイズ制限以下に保たれるため、本手法は過充電および過放電を効果的に防止し、バッテリーの安全性と耐久性を向上させる。