[论文解读] 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 3

一句话总结

本文提出一种用于高功率需求自主电动汽车（AEVs）的高精度动态电池模型，采用先进的扩展卡尔曼滤波方法，结合非线性自回归网络与径向基函数网络，实现对荷电状态（SOC）的估计。该方法实现亚量化噪声均方根误差，可实现电池组的完全利用，且无过充或欠充风险。

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.

研究动机与目标

• 解决在功率需求超过25C倍率的动态工况下，自主电动汽车（AEVs）中精确SOC估计的挑战。
• 克服传统便携式电子设备中SOC估计方法的局限性，这些方法在AEVs中快速变化的严苛条件下表现不足。
• 开发一种精确的电池单体模型，以捕捉松弛动力学和非线性行为，从而在高功率应用中实现可靠的SOC估计。
• 通过将SOC估计误差控制在系统量化噪声底限以下，实现电池组工作范围的充分利用。
• 在典型自主车辆运行的高动态倍率工况下，确保模型的鲁棒性与准确性，避免过充或欠充风险。

提出的方法

• 将SOC作为状态向量中的状态变量，建立动态电池模型，并以库仑计数法作为初始状态方程。
• 采用Shepherd规则作为输出方程，用于建模开路电压，初始阶段不包含松弛动力学。
• 通过引入滤波状态，增强模型以捕捉闭路电压中的电池松弛和瞬态电压动态特性。
• 实施非线性自回归滤波技术，以在不同负载条件下提升预测精度。
• 集成动态径向基函数（RBF）网络，以建模电池系统中的非线性特性与时变行为。
• 应用扩展卡尔曼滤波（EKF）框架，基于增强模型递归估计SOC，最小化估计误差。

实验结果

研究问题

• RQ1 是否能够通过考虑松弛与非线性行为的动态电池模型，相比传统方法，显著提升高功率AEVs中的SOC估计精度？
• RQ2 在高度动态的电流工况下，引入用于松弛动力学的滤波状态对SOC估计精度有何影响？
• RQ3 非线性自回归滤波与动态RBF网络在极端C倍率下，能在多大程度上降低Li-ion聚合物电池的SOC估计误差？
• RQ4 所提出的模型是否实现了低于典型电池管理系统量化噪声底限的估计精度？
• RQ5 该模型是否能够在自主车辆应用中实现电池组容量的安全且完全利用，而无需担心过充或欠充问题？

主要发现

• 包含松弛动力学滤波状态的动态电池模型，相比基础库仑计数法与Shepherd规则，显著提升了SOC估计精度。
• 非线性自回归滤波与动态径向基函数网络的集成，在SOC估计中实现了最佳整体性能。
• 最精确的模型实现了低于电池管理系统预期量化噪声底限的均方根估计误差。
• 该模型可在高度动态的电流工况下实现精确的SOC估计，包括±25C的高倍率，确保电池在整个容量范围内安全运行。
• 实验室测试结果证实了物理电池行为与模型预测之间具有高度一致性，验证了该模型在真实AEV运行条件下的鲁棒性。
• 该方法通过将SOC估计精度保持在系统级噪声限制以下，有效防止了过充与欠充，提升了电池的安全性与寿命。