Enhancing Li-ion battery SOC estimation with operator network

Due to the rapid growth of electric vehicles and the corresponding increase in the use of lithium-ion (Li-ion) batteries, battery management system (BMS) is becoming increasingly important for ensuring the efficient and safe operation of these batteries. Traditional model-based approaches rely on equivalent circuit models (ECMs), which approximate the behavior of Li-ion batteries using equivalent resistance-capacitance circuits. Next-generation of model-based BMS aims to implement electrochemical models (EMs), which offer higher accuracy in estimating non-measurable internal states compared to traditional approaches. However, EMs are more complex and computationally intensive to solve, making it essential to develop a more efficient state-space representation for real-time state estimation. Traditional numerical methods for time discretization can be both complex and computationally expensive. This work proposes the multiple input operator network (MIONet) to approximate the state-space formulation of the single particle model, an EM that describes the concentration of lithium in the two electrodes of a Li-ion battery. Once trained, the MIONet takes as input the lithium concentration and the absorbed current at a given time step and it returns the concentration at the next time step. From the lithium concentrations in the electrodes, it is possible to compute the terminal voltage and the state of charge (SOC) of the battery. The MIONet state-space approximator is employed in an unscented Kalman filter for online state estimation, validated across different scenarios, such as slow and fast charging and usage of the battery in traffic conditions, and compared with the traditional model-based SOC estimator, the ECM, ultimately proving the advantages of the presented method in estimating the SOC. Additionally, the computational efficiency of the proposed method is studied to show its adequacy for online state estimation.

A causa della rapida crescita dei veicoli elettrici e del conseguente aumento nell'uso delle batterie agli ioni di litio, i sistemi di gestione delle batterie stanno diventando sempre più importanti per garantire un utilizzo efficiente e sicuro di queste batterie. La prossima generazione dei sistemi di gestione della batteria mira a implementare la stima dello stato basata su modelli, in particolare con modelli elettrochimici, che offrono una maggiore precisione nell'estimare gli stati interni non misurabili rispetto agli approcci tradizionali. Tuttavia, i modelli elettrochimici sono più complessi e richiedono un maggiore sforzo computazionale per essere risolti, rendendo essenziale sviluppare una rappresentazione degli stati più efficiente, per permetter la stima in tempo reale. I metodi numerici tradizionali per la discretizzazione temporale sono sia complessi che costosi dal punto di vista computazionale. Questo lavoro propone il multiple input operator network (MIONet) per approssimare la formulazione degli stati del modello a singola particella, un modello elettrochimico che descrive la concentrazione di litio nei due elettrodi di una batteria agli ioni di litio, approssimando gli elettrodi a singole particelle. Una volta addestrato, il MIONet prende come input la concentrazione di litio e la corrente assorbita in un dato istante di tempo e restituisce la concentrazione al istante successivo. Dalle concentrazioni di litio negli elettrodi, è possibile calcolare la tensione terminale e lo stato di carica della batteria. L'approssimatore degli stati, MIONet, è incluso in un filtro di Kalman unscented per la stima dello stato online, validato in diversi scenari e confrontato con l'estimatore di carica tradizionale, il modello a circuiti equivalenti, dimostrando le capacità del MIONet nel approssimare i modelli fisici. Inoltre viene dimostrata la praticabilità in tempo reale del metodo proposto, in quanto va verificata l'efficienza computazionale.