[论文解读] Performance Analysis of Empirical Open-Circuit Voltage Modeling in Lithium Ion Batteries, Part-1: Performance Measures

Prarthana Pillai, James Nguyen+1 more|arXiv (Cornell University)|Jun 28, 2023

Advanced Battery Technologies Research被引用 5

一句话总结

本文提出了一套全面的框架，用于量化锂离子电池经验性开路电压（OCV）-荷电状态（SOC）建模中的不确定性，识别了六个关键误差源——单体间差异、温度、老化、循环速率、曲线拟合以及测量/估计误差——并推导了其对SOC和容量估计精度的影响。主要贡献在于提出了一种统一的OCV不确定性系数，通过不确定性感知建模，显著提升了电池管理系统（BMS）的安全性、性能与可靠性。

ABSTRACT

The open circuit voltage to the state of charge (OCVSOC) characteristic is crucial for battery management systems. Using the OCV-SOC curve, the SOC and the battery capacity can be estimated in real-time. Accurate SOC and capacity information are important to carry out the majority of battery management functionalities that ensure a safe, efficient, and reliable battery pack power system. Numerous approaches have been reported in the literature for improved SOC estimation and battery capacity estimation. These approaches focus on various estimation and filtering techniques to reduce the effect of measurement noise and uncertainties due to hysteresis and relaxation effects. Even though all the existing approaches to SOC estimation rely on the OCV-SOC characterization, little attention was paid to investigating the possibility of errors in the OCV-SOC characterization and the effect of uncertainty in the OCV-SOC curve on SOC and capacity estimates. In this paper, which is the first part of a series of three papers, the effect of OCV-SOC modeling error in the overall battery management system is discussed. The different sources of uncertainties in the OCV-SOC curve include cell-to-cell variation, temperature variation, aging drift, cycle rate effect, curve-fitting error, and measurement/estimation error. The proposed uncertainty models can be incorporated into battery management systems to improve their safety, performance, and reliability.

研究动机与目标

• 识别并量化影响电池管理系统（BMS）中SOC和容量估计的实证OCV-SOC建模中的主要不确定性来源。
• 证明当忽略OCV-SOC模型误差时，现有SOC估计方法在实际应用中表现不足，尤其在真实场景下。
• 提出一种综合考虑多种误差源的统一不确定性模型，用于OCV-SOC特性，以增强BMS的鲁棒性。
• 通过推导OCV误差向SOC估计误差的传播，为不确定性感知BMS设计奠定理论基础。

提出的方法

• 将OCV-SOC曲线的不确定性建模为独立误差源之和：单体间差异、温度变化、老化漂移、循环速率效应、曲线拟合误差以及测量/估计误差。
• 将每个误差源表示为均值为零、与SOC相关的方差的正态分布随机变量，形式为 $\tilde{E}_v(s) \sim \mathcal{N}(\mu_v(s), \sigma_v^2(s))$。
• 推导总OCV不确定性方差为 $\sigma_E^2(s) = \sigma_{c2c}^2(s) + \sigma_T^2(s) + \sigma_A^2(s) + \sigma_{\text{crate}}^2(s) + \sigma_{\text{CF}}^2(s) + \sigma_v^2(s)$，整合所有独立误差贡献。
• 将SOC查表误差建模为 $\tilde{s} \sim \mathcal{N}(\mu_s, \sigma_s^2)$，其中 $\sigma_s^2$ 依赖于OCV不确定性 $\sigma_E^2(s)$，支持误差传播分析。
• 利用理论误差传播方法，建立OCV建模不确定性与SOC估计误差之间的关联，表明只有在已知完美OCV的情况下，才能实现完美的SOC估计。
• 引入统一的OCV不确定性系数，聚合所有误差源，实现BMS应用中系统化的不确定性量化。

实验结果

研究问题

• RQ1 OCV-SOC特性在单体间的差异如何影响电池组中SOC估计的精度？
• RQ2 温度变化对OCV-SOC模型不确定性及后续SOC估计误差有何影响？
• RQ3 电池单体的老化漂移如何随时间导致OCV-SOC建模误差？
• RQ4 在实时BMS应用中，OCV的曲线拟合与测量/估计误差对SOC和容量估计的影响程度如何？
• RQ5 如何将所有主要的OCV-SOC不确定性源整合为一个统一的不确定性系数，以支持BMS设计？

主要发现

• 即使使用先进的滤波技术，OCV-SOC建模误差仍会显著降低SOC和电池容量估计的精度。
• 总OCV不确定性方差由六个独立误差源相加而成：单体间差异、温度变化、老化漂移、循环速率效应、曲线拟合误差以及测量/估计误差。
• 当所有不确定性源均为零时，SOC估计误差方差 $\sigma_s^2$ 也变为零，表明只有在拥有完美OCV知识的前提下，理论上才可能实现完美的SOC估计。
• 对OCV的测量与估计误差建模为与SOC相关的高斯变量，其中 $\sigma_v^2(s)$ 表示传感器噪声与滤波不准确性的综合影响。
• 所提出的统一OCV不确定性系数支持系统化的误差传播量化，助力不确定性感知BMS设计。
• 本研究确立了忽略OCV建模不确定性将导致BMS性能次优，且不确定性感知建模对于实现安全、可靠、高效的电池运行至关重要。