Advanced state-of-charge estimation of lithium-ion batteries using EKF and UKF with optimization of process and measurement noise covariances

Accurate estimation of the State of Charge (SoC) in lithium-ion batteries is essential to ensure the safety, reliability, and energy efficiency of Battery Management Systems (BMS) in electric vehicles. Traditional approaches such as Coulomb counting provide a simple implementation but suffer from cumulative drift and sensitivity to measurement errors. To overcome these limitations, this thesis develops an advanced model-based estimation framework integrating Extended Kalman Filter (EKF) and Unscented Kalman Filter (UKF) algorithms. The battery dynamics were represented through a first-order Thevenin equivalent circuit model, with parameters identified from experimental data of a Panasonic NCR18650PF lithium-ion cell. The model and algorithms were implemented and validated in the MATLAB/Simulink environment using a dynamic UDDS current profile to replicate real driving conditions. The SoC estimated by the filters was compared to a reference value obtained through Coulomb counting. A major contribution of this work lies in the systematic optimization of the process and measurement noise covariance matrices (Q, R), which critically affect estimation performance. Two optimization strategies, Grid Search and Bayesian Optimization were applied. The proposed methodology provides an adaptive, data-driven framework for SoC estimation, paving the way toward more intelligent and reliable Battery Management Systems for next-generation electric mobility.

L’obiettivo di questa tesi è ottimizzare la stima dello State of Charge (SoC) nelle batterie agli ioni di litio, una funzione fondamentale per garantire affidabilità, sicurezza ed efficienza energetica dei Battery Management Systems (BMS) impiegati nei veicoli elettrici. I metodi tradizionali, come il Coulomb counting, pur essendo semplici da implementare, possono introdurre errori cumulativi e risultano sensibili ai disturbi di misura. Per superare tali limitazioni, è stato sviluppato un approccio avanzato model-based che integra gli algoritmi Extended Kalman Filter (EKF) e Unscented Kalman Filter (UKF). Il comportamento della batteria è stato descritto mediante un modello equivalente di Thevenin del primo ordine, i cui parametri sono stati identificati a partire da dati sperimentali relativi a una cella agli ioni di litio Panasonic NCR18650PF. Il modello e gli algoritmi sono stati implementati e validati in MATLAB/Simulink utilizzando un profilo di corrente dinamico UDDS, in grado di riprodurre condizioni di guida realistiche. Lo SoC stimato dai filtri è stato confrontato con un valore di riferimento ottenuto tramite Coulomb counting. Un contributo significativo di questo lavoro riguarda l’ottimizzazione sistematica delle matrici di covarianza del rumore di processo e di misura (Q e R), che influenzano in modo determinante l’accuratezza e la velocità di convergenza dei filtri di Kalman. A tal fine, sono state applicate e confrontate due strategie di ottimizzazione: Grid Search e Ottimizzazione Bayesiana. La metodologia proposta fornisce un framework adattivo e data-driven per la stima dello SoC, contribuendo allo sviluppo di BMS più intelligenti e affidabili per la mobilità elettrica di nuova generazione.