Accurate SoC and SoH estimation is of great importance in BMS to assure improved performance and safety for li-ion batteries in EVs and HEVs.A literature review of model-based and data-driven approaches is done.The core of this work was the dataset involved, which was developed at the University of Michigan's Battery Lab.The experiments included a custom fixture designed to keep a pressure of around 5 psi on pouch cells with the displacement sensor for measuring expansion.A cycling device captured the data during cycling.Testing was done by cycling 50\% DOD and recording until it drops to 5\% capacity. Three system identification methods investigated to get the minimum error between the measured and simulated voltage outputs.This methodology proved to be helpful in preventing overfitting within the equivalent circuit model.Afterwards, the estimation of SoC was performed through the Unscented Kalman Filter methodology, which was able to handle nonlinearities through the use of sigma point calculations. Covariance matrices and sigma points were fine-tuned for appropriate tracking of references. An event-based Kalman Filter approach was used for estimating capacity and updated only at the end of discharge-charge cycles for improving computational efficiency. This is achieved by tuning covariance matrices for battery capacity and degradation in a capacity.The formula is applied for SoH values.Besides, issues like capacity loss due to aging and mechanical swelling were addressed. Doing so,linear regression underlined how SoH and swelling are inversely related. Finally,the SoH and expansion prediction was done with a 1D CNN as one of the data-driven techniques.It is able to catch local patterns in time-series data, the CNN model outperformed linear regression by providing lower error rates.Certain techniques used in order not to be overfitted. This holistic methodology provides an insight into how model-based and data-driven approaches can be integrated in order to achieve proper estimation of SoC, SoH, and expansion toward more reliable BMS and extended battery life.

L'accurata stima dello State of Charge (SoC) e dello State of Health (SoH) è di fondamentale importanza nei Battery Management System (BMS) per garantire prestazioni migliorate e sicurezza delle batterie agli ioni di litio nei veicoli elettrici (EV) e ibridi (HEV). In questa tesi, è stata condotta una revisione della letteratura su approcci basati su modelli e su dati. Il cuore di questo lavoro è stato il dataset sviluppato presso il Battery Lab dell'Università del Michigan. Gli esperimenti hanno incluso un sistema personalizzato progettato per mantenere una pressione di circa 5 psi su celle a sacchetto, utilizzando un sensore di spostamento per misurare l'espansione. I dati sono stati acquisiti durante il ciclo di carica-scarica tramite un dispositivo di ciclatura. I test sono stati effettuati ciclando con un Depth of Discharge (DOD) del 50\% e registrando fino a una capacità residua del 5\%. Sono stati investigati tre metodi di identificazione dei sistemi per minimizzare l'errore tra le tensioni misurate e quelle simulate. Questa metodologia ha dimostrato di essere utile per prevenire il sovradattamento all'interno del modello a circuito equivalente. Successivamente, l'estimazione dello SoC è stata realizzata attraverso il filtro di Kalman Unscented (UKF), capace di gestire le non linearità grazie al calcolo dei punti sigma. Le matrici di covarianza e i punti sigma sono stati ottimizzati per garantire un adeguato tracciamento dei riferimenti. Per l'estimazione della capacità, è stato adottato un approccio basato su eventi tramite filtro di Kalman, aggiornato solo alla fine dei cicli di carica-scarica per migliorare l'efficienza computazionale. Questo è stato ottenuto ottimizzando le matrici di covarianza per la capacità della batteria e la sua degradazione. La formula per lo SoH è stata applicata per determinare i valori corrispondenti. Inoltre, sono stati affrontati problemi legati alla perdita di capacità dovuta all'invecchiamento e al rigonfiamento meccanico. Un'analisi tramite regressione lineare ha evidenziato una relazione inversa tra SoH e rigonfiamento. Infine, la previsione di SoH e dell'espansione è stata effettuata con una rete neurale convoluzionale 1D (1D CNN), una delle tecniche basate sui dati. Grazie alla capacità di catturare pattern locali nei dati temporali, il modello CNN ha superato la regressione lineare, offrendo tassi di errore inferiori. Sono state applicate tecniche specifiche per evitare il sovradattamento. Questa metodologia olistica offre una visione su come approcci basati su modelli e su dati possano essere integrati per ottenere una stima accurata di SoC, SoH ed espansione, promuovendo sistemi di gestione delle batterie più affidabili e una maggiore durata delle batterie.

Estimation of SOC, SOH and expansion using displacement sensor in battery cells

Akmese, Serra Nur
2023/2024

Abstract

Accurate SoC and SoH estimation is of great importance in BMS to assure improved performance and safety for li-ion batteries in EVs and HEVs.A literature review of model-based and data-driven approaches is done.The core of this work was the dataset involved, which was developed at the University of Michigan's Battery Lab.The experiments included a custom fixture designed to keep a pressure of around 5 psi on pouch cells with the displacement sensor for measuring expansion.A cycling device captured the data during cycling.Testing was done by cycling 50\% DOD and recording until it drops to 5\% capacity. Three system identification methods investigated to get the minimum error between the measured and simulated voltage outputs.This methodology proved to be helpful in preventing overfitting within the equivalent circuit model.Afterwards, the estimation of SoC was performed through the Unscented Kalman Filter methodology, which was able to handle nonlinearities through the use of sigma point calculations. Covariance matrices and sigma points were fine-tuned for appropriate tracking of references. An event-based Kalman Filter approach was used for estimating capacity and updated only at the end of discharge-charge cycles for improving computational efficiency. This is achieved by tuning covariance matrices for battery capacity and degradation in a capacity.The formula is applied for SoH values.Besides, issues like capacity loss due to aging and mechanical swelling were addressed. Doing so,linear regression underlined how SoH and swelling are inversely related. Finally,the SoH and expansion prediction was done with a 1D CNN as one of the data-driven techniques.It is able to catch local patterns in time-series data, the CNN model outperformed linear regression by providing lower error rates.Certain techniques used in order not to be overfitted. This holistic methodology provides an insight into how model-based and data-driven approaches can be integrated in order to achieve proper estimation of SoC, SoH, and expansion toward more reliable BMS and extended battery life.
Akyol, Selcuk
ING - Scuola di Ingegneria Industriale e dell'Informazione
11-dic-2024
2023/2024
L'accurata stima dello State of Charge (SoC) e dello State of Health (SoH) è di fondamentale importanza nei Battery Management System (BMS) per garantire prestazioni migliorate e sicurezza delle batterie agli ioni di litio nei veicoli elettrici (EV) e ibridi (HEV). In questa tesi, è stata condotta una revisione della letteratura su approcci basati su modelli e su dati. Il cuore di questo lavoro è stato il dataset sviluppato presso il Battery Lab dell'Università del Michigan. Gli esperimenti hanno incluso un sistema personalizzato progettato per mantenere una pressione di circa 5 psi su celle a sacchetto, utilizzando un sensore di spostamento per misurare l'espansione. I dati sono stati acquisiti durante il ciclo di carica-scarica tramite un dispositivo di ciclatura. I test sono stati effettuati ciclando con un Depth of Discharge (DOD) del 50\% e registrando fino a una capacità residua del 5\%. Sono stati investigati tre metodi di identificazione dei sistemi per minimizzare l'errore tra le tensioni misurate e quelle simulate. Questa metodologia ha dimostrato di essere utile per prevenire il sovradattamento all'interno del modello a circuito equivalente. Successivamente, l'estimazione dello SoC è stata realizzata attraverso il filtro di Kalman Unscented (UKF), capace di gestire le non linearità grazie al calcolo dei punti sigma. Le matrici di covarianza e i punti sigma sono stati ottimizzati per garantire un adeguato tracciamento dei riferimenti. Per l'estimazione della capacità, è stato adottato un approccio basato su eventi tramite filtro di Kalman, aggiornato solo alla fine dei cicli di carica-scarica per migliorare l'efficienza computazionale. Questo è stato ottenuto ottimizzando le matrici di covarianza per la capacità della batteria e la sua degradazione. La formula per lo SoH è stata applicata per determinare i valori corrispondenti. Inoltre, sono stati affrontati problemi legati alla perdita di capacità dovuta all'invecchiamento e al rigonfiamento meccanico. Un'analisi tramite regressione lineare ha evidenziato una relazione inversa tra SoH e rigonfiamento. Infine, la previsione di SoH e dell'espansione è stata effettuata con una rete neurale convoluzionale 1D (1D CNN), una delle tecniche basate sui dati. Grazie alla capacità di catturare pattern locali nei dati temporali, il modello CNN ha superato la regressione lineare, offrendo tassi di errore inferiori. Sono state applicate tecniche specifiche per evitare il sovradattamento. Questa metodologia olistica offre una visione su come approcci basati su modelli e su dati possano essere integrati per ottenere una stima accurata di SoC, SoH ed espansione, promuovendo sistemi di gestione delle batterie più affidabili e una maggiore durata delle batterie.
File allegati
File Dimensione Formato  
2024_12_Akmese_Thesis_01.pdf

accessibile in internet solo dagli utenti autorizzati

Descrizione: Thesis
Dimensione 10.18 MB
Formato Adobe PDF
10.18 MB Adobe PDF   Visualizza/Apri
2024_12_Akmese_Executive_Summary_02.pdf

non accessibile

Descrizione: Executive Summary
Dimensione 2.74 MB
Formato Adobe PDF
2.74 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/10589/231168