Battery state of charge estimation in electric vehicles

This graduation thesis analyses several methods for estimation of State of Charge (SOC) of battery in Battery Electric Vehicles (BEVs). Thesis starts with analysis and definition of critical impact of accurate SOC Estimations for internal vehicle management systems, specially, for Battery Management System (BMS) that function simultaneously throughout the operation of BEVs. Next, the four main sections that constitute backbone of this research project are introduced. It starts with development of accurate simulation environment that enables acquirement of measurement dataset which in turn, constitutes two essential parts that are definition and development of real-world driving cycles and modelling the BEV that substitutes real BEV and provides measurements of parameters that are related to BEV and its battery. Main measurement parameters are Acceleration Pedal Position, Brake Pedal Status, Speed of BEV, and Battery Voltage while real Battery Current and Battery SOC Level are also measured and outputted for training and evaluation of the developed algorithms. Secondly, Current Virtual Sensor (CVS) based on Support Vector Regression (SVR) with Principal Component Analysis (PCA) and Nonlinear Kernels is developed to estimate the Battery Current from the measurements of Acceleration Pedal Position, Brake Pedal Status, Speed of BEV, and Battery Voltage. Then, nonlinear Extended Kalman Filter (EKF) is designed and developed for estimation of SOC using the estimation of Battery Current from CVS and measurements of Battery Voltage from simulation datasets. Thirdly, state-of-art method which constitutes design and application of Deep Learning techniques into SOC Estimation problem is introduced. In this part, three primary types of Recurrent Neural Networks (RNNs), which are Long Short-Term Memory (LSTM) RNNs, Bidirectional LSTM RNNs, and Gated Recurrent Unit (GRU) RNNs, are designed and developed for estimation of SOC. Finally, the comparative analysis of results from both approaches is performed based on essential criteria that includes performance indices, implementation issues, robustness, and other aspects.

Questa tesi di laurea analizza diversi metodi per la stima dello stato di carica (SOC) della batteria nei veicoli elettrici a batteria (BEV). La tesi inizia con l'analisi e la definizione dell'impatto critico di stime accurate dello SOC per i sistemi interni di gestione del veicolo, in particolare per il sistema di gestione della batteria (BMS) che funziona simultaneamente durante il funzionamento dei BEV. Successivamente, vengono introdotte le quattro sezioni principali che costituiscono la spina dorsale di questo progetto di ricerca. Inizia con lo sviluppo di un ambiente di simulazione accurato che consente l'acquisizione del set di dati di misurazione che a sua volta si compone di due parti essenziali che sono la definizione e lo sviluppo dei cicli di guida del mondo reale e la modellazione del BEV che sostituisce il BEV reale e fornisce misurazioni dei parametri a cui sono correlati il BEV e la sua batteria. I principali parametri di misurazione sono la posizione del pedale dell'acceleratore, lo stato del pedale del freno, la velocità del BEV e la tensione della batteria, mentre vengono misurati ed emessi anche la corrente reale della batteria e il livello di SOC della batteria per l'addestramento e la valutazione degli algoritmi sviluppati. In secondo luogo, è stato sviluppato un Current Virtual Sensor (CVS) basato su Support Vector Regression (SVR) con analisi dei componenti principali (PCA) e kernel non lineari per stimare la corrente della batteria dalle misurazioni della posizione del pedale dell'acceleratore, dello stato del pedale del freno, dalla velocità del BEV e dalla tensione della batteria. Quindi, il filtro di Kalman esteso (EKF) non lineare è progettato e sviluppato per la stima del SOC utilizzando la stima della corrente della batteria da CVS e le misurazioni della tensione della batteria dai set di dati di simulazione. In terzo luogo, viene introdotto un metodo all'avanguardia che costituisce la progettazione e l'applicazione delle tecniche di Deep Learning (DL) nel problema della stima del SOC. In questa parte, tre tipi principali di Reti Neurali Ricorrenti (RNN), che sono Long Short-Term Memory (LSTM) RNN, Bidirectional LSTM (Bi-LSTM) RNN e Gated Recurrent Unit (GRU) RNN, sono progettati e sviluppati per la stima del SOC. Infine, l'analisi comparativa dei risultati di entrambi gli approcci viene eseguita sulla base di criteri essenziali che includono indici di performance, problemi di implementazione, robustezza ed altri aspetti.