Li-ion batteries state of charge estimation via nonlinear model identification and filtering

Lithium batteries have become widespread thanks to low-power applications as smartphones, laptops or other small electronic devices. Due to this strong impact in terms of energy density and dimensions, this type of batteries have been further studied and developed. This progress allowed the employment of lithium batteries in high-power applications as Electrical Vehicles xEV, but the new scenario requires a powerful, continuous and consistent process of diagnosis and supervision of the battery working condition, due to the sensitivity to temperature and internal conditions. Focusing on an automotive use-case, the Battery Management System BMS is the entity which supervises the working and supply conditions of the battery, requiring the implementation of different algorithms to make predictions, diagnosis or other analysis about the battery internal states. The introducing thesis work is intended to present some algorithms for the estimation of one of the most important feature in a BMS: the State of Charge SoC, the amount of charge left in the battery. In particular, the work shows the identification via Non-Linear Unconstrained Least Square of an equivalent electrical model of the battery with data coming from an automotive use-case, trying to reconstruct the dynamics and the and the variation of working conditions variation under different temperatures and different SoC condition as well. Lately, still in automotive application, the obtained model is used for develop algorithms of estimation of the SoC by optimal approaches, as Moving Horizon Estimation MHE method and the Extended Kalman Filter EKF strategy. Finally, the obtained results are discussed and compared with the main alternative to a model-based approach, in particular a data-driven algorithm as an Artificial Neural Network based on the same automotive data.

Le batterie al litio si sono diffuse grazie a application low-power come smartphones, laptops o altri piccoli dispositivi elettronici. Visto il forte impatto in termini di densità energetica e dimensioni, questo tipo di batterie è stato ulteriormente studiato e sviluppato.Tale progresso ha consentito l'utilizzo di batterie al litio anche in applicazioni high-power come veicoli elettrici xEV, ma richiedendo un processo di diagnosi e supervisione performante, continuo e consistente, a cause della sensibilità delle batterie alla temperatura e alle condizioni interne di utilizzo. Concentrandosi su uno use-case automotive, il Battery Management System BMS è l'entità che supervisiona le condizioni di lavoro e fornitura della batteria, richiedendo l'implementazione di diversi algoritmi per predirre, diagnosticare o compiere altre analisi circa le condizioni di funzionamento della batteria. La presente tesi ha l'obiettivo di presentare e sviluppare alcuni algoritmi per la stima di una delle caratteristiche più importanti per un BMS: lo Stato di Carica SoC, ovvero la quantità di carica rimasta nella batteria. In particolare, il lavoro mostra l'identificazione di un modello elettrico equivalente alla batteria attraverso Non-Linear Unconstrained Least Square, utilizzando dati ottenuti direttamente da un applicazione automotive, tentando di ricostruire le dinamiche della batteria e le variazioni di condizioni di funzionamento in base alla temperatura e all'attuale condizione di SoC. In seguito, il modello ottenuto è usato, sempre in automotive use-case, per lo sviluppo di algoritmi ottimi per la stima dello Stato di Carica, come il metodo di stima Moving Horizon Estimation e il filtraggio attraverso Extended Kalman Filter. In conclusione, i risultati ottenuti sono analizzati e confrontati con la principale alternativa agli approcci model-based, in particolare una rete neurale, metodo data-driven sviluppato sugli stessi dati di applicazione automotive.