The environmental concern regarding CO2 rising levels motivates the reduction of fossil fuel consumption, which may be solved by replacing the internal combustion engines (ICE), with low emission or zero emission vehicles such as Electric Vehicles. Electrochemical systems, such as batteries play a crucial role in the new automotive industry. The State of Charge (SOC) represent the “fuel” stored in the battery and its determination may be a problem of more or less complexity depending on the battery type and on the application in which the battery is used. The SOC cannot be measured directly but it can be estimated from direct measurements such as voltage and current, in two ways: offline and online. In offline techniques, the battery needs to be charged and discharged in constant rates. Coulomb Counting is a quite simple method but needs to interrupt the battery performance, plus the cumulative error increases over time. The online methods include, among others, the OCV measurement which require quite long relaxation time. In general, a combination of more than two of these methods are frequently adopted, since applied separately can suffer from some inaccuracies It is needed to mention that all the cell monitoring and state estimation is done for the BMS, which is a combination of sensors, controller, communication and computational hardware with software algorithms used to Manage the Battery System. Therefore, even if robust and accurate options are available, the final goal is deployed the estimation methodology in the BMS. This methodology should be able to estimate the state of the battery while using it and/or after some minutes the engine is turned off, do not require extensive computational cost and be accurate enough to give certainty to the user. In this paper is presented a combination of estimation methods such as Coulomb Counting, OCV modelling and Kalman filter validated with experimental data. While the motorcycle is being use the Coulomb Counting is used to estimate the SOC, meanwhile when the engine is turned off, for any reason can be because has reached the final destination, or even a short stop for coffee, the battery model will be used to predict the OCV, here the Kalman filter is used to predict the OCV steady state value, comparing the measured and predicted transient OCV value. After the OCV predicted value is obtained, using the relationship between OCV and state of charge, the SOC_OCV is determined, this value is going to be compared it with the SOC coming from Coulomb Counting to validate or improve it in case is needed. The battery was modelled using an Equivalent Circuit Model with lookup tables since allow flexibility for the model to closely match measured data. Pulse discharge curves and capacity test are collected experimentally to characterize the battery performance various operating point. For the flexibility on model design and optimization MATLAB is selected. The curve fitting tool is used to fit the Equivalent Circuit Model with the pulse discharge curves which provide a high-fidelity representation of battery performance, including the transient response at multiple SOC values. The population of lookup tables can represent a challenge when using numerical optimization to determine the parameters for a specific battery cell. Therefore, a trade-off needs to be reach between flexibility, accuracy and computational cost. The results are presented for different operational conditions and some conclusions are reached: The model is able to predict the OCV value and estimate the SOC with adequate accuracy, and sort registration time. The model accuracy decreases with decreasing SOC, decreasing temperature and increasing current. The recommended recording time for mild conditions is 20 mins, nevertheless if the recording frequency is improved even 2 minutes could be enough time to predict acceptable SOC estimation, nevertheless if low temperatures and high currents are modelled at the same time the accuracy of the method decreases. Consequently, is important to increase the confidence in the SOC_OCV curve therefore the OCV values should be taken at minimum after 2 hours relaxation time and reduce SOC variation steps, in order to improve the SOC estimation.

La preoccupazione ambientale per quanto riguarda l'aumento di CO2 ha motivato la riduzione del consumo di combustibili fossili, che può essere risolto sostituendo i motori a combustione interna (ICE), con veicoli a basse emissioni o a emissioni zero come i veicoli elettrici. I sistemi elettrochimici, come le batterie, svolgono un ruolo cruciale nella nuova industria automobilistica. Lo stato di carica (SOC) rappresenta il "carburante" nella batteria e la sua determinazione può essere un problema o meno complessità a seconda del tipo di batteria in cui viene utilizzata la batteria. Il SOC non può essere misurato direttamente ma può essere stimato in due modi: offline e online. Nelle tecniche offline, la batteria deve essere caricata e scaricata a velocità costante. Coulomb Counting è molto semplice, ma deve interrompere le prestazioni della batteria, più l'errore cumulativo aumenta nel tempo. I metodi online includono la misurazione OCV che richiede tempi di rilassamento piuttosto lunghi. In generale, una combinazione di più di due di questi metodi viene spesso adottata, poiché applicata separatamente può soffrire di alcune inesattezze È necessario menzionare che tutto il monitoraggio delle celle e la stima dello stato vengono eseguite per il BMS, che è una combinazione di sensori, controller, comunicazione e hardware computazionale con algoritmi software usati per gestire il sistema di batterie. Pertanto, anche se sono disponibili opzioni affidabili e accurate, l'obiettivo finale è quello di implementare la metodologia di stima nel BMS. Questa metodologia dovrebbe essere in grado di stimare lo stato della batteria durante l'utilizzo e / o dopo alcuni minuti di spegnimento del motore, non richiede un costo computazionale estensivo ed è sufficientemente precisa da garantire all'utente la certezza. In questo documento viene presentata una combinazione di metodi di stima come Coulomb Counting, modellazione OCV e filtro Kalman validati con dati sperimentali. Mentre la moto è in uso, il Coulomb Counting viene utilizzato per stimare il SOC, nel frattempo quando il motore è spento, per qualsiasi ragione può essere perché ha raggiunto la destinazione finale, o anche una breve sosta per il caffè, verrà utilizzato il modello di batteria per prevedere l'OCV, qui il filtro di Kalman viene utilizzato per prevedere il valore di stato stazionario OCV, confrontando la misura e il valore OCV transitorio previsto. Dopo aver ottenuto il valore previsto per OCV, utilizzando la relazione tra OCV e stato di carica, viene determinato SOC_OCV, questo valore sarà confrontato con il SOC proveniente da Coulomb Counting per convalidarlo o migliorarlo nel caso sia necessario. La batteria è stata modellata utilizzando un modello di circuito equivalente con tabelle di ricerca, poiché consente al modello di adattarsi strettamente ai dati misurati. Curve di scarica a impulsi e test di capacità vengono raccolte sperimentalmente per caratterizzare il diverso punto di funzionamento della batteria. Per la flessibilità sulla progettazione e l'ottimizzazione del modello, MATLAB è selezionato. Lo strumento di adattamento della curva viene utilizzato per adattarsi al modello di circuito equivalente con le curve di scarica degli impulsi che forniscono una rappresentazione ad alta fedeltà delle prestazioni della batteria, compresa la risposta transitoria a più valori SOC. La popolazione delle tabelle di ricerca può rappresentare una sfida quando si utilizza l'ottimizzazione numerica per determinare i parametri per una specifica cella della batteria. Pertanto, è necessario raggiungere un compromesso tra flessibilità, accuratezza e costo computazionale. I risultati vengono presentati per le diverse condizioni operative e alcune conclusioni sono raggiunte: il modello è in grado di prevedere il valore OCV e stimare il SOC con precisione adeguata e ordinare i tempi di registrazione. L'accuratezza del modello diminuisce con il diminuire del SOC, la diminuzione della temperatura e l'aumento della corrente. Il tempo di registrazione raccomandato per condizioni blande è di 20 minuti, tuttavia se la frequenza di registrazione è migliorata anche 2 minuti potrebbero essere sufficienti per prevedere una stima SOC accettabile, tuttavia se le basse temperature e le correnti elevate sono modellate allo stesso tempo la precisione del metodo diminuisce. Di conseguenza, è importante aumentare la confidenza nella curva SOC_OCV, pertanto i valori OCV dovrebbero essere presi al minimo dopo 2 ore di tempo di rilassamento e ridurre i passaggi di variazione SOC alla variazione, al fine di migliorare la stima del SOC

Modelling dynamic electrical behavior of lithium-ion batteries for OCV prediction and SOC estimation for electric vehicles

JATIVA MENDEZ, JUAN PABLO
2018/2019

Abstract

The environmental concern regarding CO2 rising levels motivates the reduction of fossil fuel consumption, which may be solved by replacing the internal combustion engines (ICE), with low emission or zero emission vehicles such as Electric Vehicles. Electrochemical systems, such as batteries play a crucial role in the new automotive industry. The State of Charge (SOC) represent the “fuel” stored in the battery and its determination may be a problem of more or less complexity depending on the battery type and on the application in which the battery is used. The SOC cannot be measured directly but it can be estimated from direct measurements such as voltage and current, in two ways: offline and online. In offline techniques, the battery needs to be charged and discharged in constant rates. Coulomb Counting is a quite simple method but needs to interrupt the battery performance, plus the cumulative error increases over time. The online methods include, among others, the OCV measurement which require quite long relaxation time. In general, a combination of more than two of these methods are frequently adopted, since applied separately can suffer from some inaccuracies It is needed to mention that all the cell monitoring and state estimation is done for the BMS, which is a combination of sensors, controller, communication and computational hardware with software algorithms used to Manage the Battery System. Therefore, even if robust and accurate options are available, the final goal is deployed the estimation methodology in the BMS. This methodology should be able to estimate the state of the battery while using it and/or after some minutes the engine is turned off, do not require extensive computational cost and be accurate enough to give certainty to the user. In this paper is presented a combination of estimation methods such as Coulomb Counting, OCV modelling and Kalman filter validated with experimental data. While the motorcycle is being use the Coulomb Counting is used to estimate the SOC, meanwhile when the engine is turned off, for any reason can be because has reached the final destination, or even a short stop for coffee, the battery model will be used to predict the OCV, here the Kalman filter is used to predict the OCV steady state value, comparing the measured and predicted transient OCV value. After the OCV predicted value is obtained, using the relationship between OCV and state of charge, the SOC_OCV is determined, this value is going to be compared it with the SOC coming from Coulomb Counting to validate or improve it in case is needed. The battery was modelled using an Equivalent Circuit Model with lookup tables since allow flexibility for the model to closely match measured data. Pulse discharge curves and capacity test are collected experimentally to characterize the battery performance various operating point. For the flexibility on model design and optimization MATLAB is selected. The curve fitting tool is used to fit the Equivalent Circuit Model with the pulse discharge curves which provide a high-fidelity representation of battery performance, including the transient response at multiple SOC values. The population of lookup tables can represent a challenge when using numerical optimization to determine the parameters for a specific battery cell. Therefore, a trade-off needs to be reach between flexibility, accuracy and computational cost. The results are presented for different operational conditions and some conclusions are reached: The model is able to predict the OCV value and estimate the SOC with adequate accuracy, and sort registration time. The model accuracy decreases with decreasing SOC, decreasing temperature and increasing current. The recommended recording time for mild conditions is 20 mins, nevertheless if the recording frequency is improved even 2 minutes could be enough time to predict acceptable SOC estimation, nevertheless if low temperatures and high currents are modelled at the same time the accuracy of the method decreases. Consequently, is important to increase the confidence in the SOC_OCV curve therefore the OCV values should be taken at minimum after 2 hours relaxation time and reduce SOC variation steps, in order to improve the SOC estimation.
RABISSI, CLAUDIO
ADIM, ALI
ING - Scuola di Ingegneria Industriale e dell'Informazione
26-lug-2019
2018/2019
La preoccupazione ambientale per quanto riguarda l'aumento di CO2 ha motivato la riduzione del consumo di combustibili fossili, che può essere risolto sostituendo i motori a combustione interna (ICE), con veicoli a basse emissioni o a emissioni zero come i veicoli elettrici. I sistemi elettrochimici, come le batterie, svolgono un ruolo cruciale nella nuova industria automobilistica. Lo stato di carica (SOC) rappresenta il "carburante" nella batteria e la sua determinazione può essere un problema o meno complessità a seconda del tipo di batteria in cui viene utilizzata la batteria. Il SOC non può essere misurato direttamente ma può essere stimato in due modi: offline e online. Nelle tecniche offline, la batteria deve essere caricata e scaricata a velocità costante. Coulomb Counting è molto semplice, ma deve interrompere le prestazioni della batteria, più l'errore cumulativo aumenta nel tempo. I metodi online includono la misurazione OCV che richiede tempi di rilassamento piuttosto lunghi. In generale, una combinazione di più di due di questi metodi viene spesso adottata, poiché applicata separatamente può soffrire di alcune inesattezze È necessario menzionare che tutto il monitoraggio delle celle e la stima dello stato vengono eseguite per il BMS, che è una combinazione di sensori, controller, comunicazione e hardware computazionale con algoritmi software usati per gestire il sistema di batterie. Pertanto, anche se sono disponibili opzioni affidabili e accurate, l'obiettivo finale è quello di implementare la metodologia di stima nel BMS. Questa metodologia dovrebbe essere in grado di stimare lo stato della batteria durante l'utilizzo e / o dopo alcuni minuti di spegnimento del motore, non richiede un costo computazionale estensivo ed è sufficientemente precisa da garantire all'utente la certezza. In questo documento viene presentata una combinazione di metodi di stima come Coulomb Counting, modellazione OCV e filtro Kalman validati con dati sperimentali. Mentre la moto è in uso, il Coulomb Counting viene utilizzato per stimare il SOC, nel frattempo quando il motore è spento, per qualsiasi ragione può essere perché ha raggiunto la destinazione finale, o anche una breve sosta per il caffè, verrà utilizzato il modello di batteria per prevedere l'OCV, qui il filtro di Kalman viene utilizzato per prevedere il valore di stato stazionario OCV, confrontando la misura e il valore OCV transitorio previsto. Dopo aver ottenuto il valore previsto per OCV, utilizzando la relazione tra OCV e stato di carica, viene determinato SOC_OCV, questo valore sarà confrontato con il SOC proveniente da Coulomb Counting per convalidarlo o migliorarlo nel caso sia necessario. La batteria è stata modellata utilizzando un modello di circuito equivalente con tabelle di ricerca, poiché consente al modello di adattarsi strettamente ai dati misurati. Curve di scarica a impulsi e test di capacità vengono raccolte sperimentalmente per caratterizzare il diverso punto di funzionamento della batteria. Per la flessibilità sulla progettazione e l'ottimizzazione del modello, MATLAB è selezionato. Lo strumento di adattamento della curva viene utilizzato per adattarsi al modello di circuito equivalente con le curve di scarica degli impulsi che forniscono una rappresentazione ad alta fedeltà delle prestazioni della batteria, compresa la risposta transitoria a più valori SOC. La popolazione delle tabelle di ricerca può rappresentare una sfida quando si utilizza l'ottimizzazione numerica per determinare i parametri per una specifica cella della batteria. Pertanto, è necessario raggiungere un compromesso tra flessibilità, accuratezza e costo computazionale. I risultati vengono presentati per le diverse condizioni operative e alcune conclusioni sono raggiunte: il modello è in grado di prevedere il valore OCV e stimare il SOC con precisione adeguata e ordinare i tempi di registrazione. L'accuratezza del modello diminuisce con il diminuire del SOC, la diminuzione della temperatura e l'aumento della corrente. Il tempo di registrazione raccomandato per condizioni blande è di 20 minuti, tuttavia se la frequenza di registrazione è migliorata anche 2 minuti potrebbero essere sufficienti per prevedere una stima SOC accettabile, tuttavia se le basse temperature e le correnti elevate sono modellate allo stesso tempo la precisione del metodo diminuisce. Di conseguenza, è importante aumentare la confidenza nella curva SOC_OCV, pertanto i valori OCV dovrebbero essere presi al minimo dopo 2 ore di tempo di rilassamento e ridurre i passaggi di variazione SOC alla variazione, al fine di migliorare la stima del SOC
Tesi di laurea Magistrale
File allegati
File Dimensione Formato  
Modelling Dynamic Bahaviour of Lithium Ion Batteries for OCV prediction and SOC estimation for Electric Vehicles.pdf

non accessibile

Descrizione: Testo della tesi
Dimensione 7.15 MB
Formato Adobe PDF
7.15 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/149130