guest ::
Physics-based state estimation for batteries in electrified vehicles = Physikbasierte Zustandsschätzung für Batterien in elektrifizierten Fahrzeugen
2026
Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2026
Veröffentlicht auf dem Publikationsserver der RWTH Aachen University
Genehmigende Fakultät
Fak04
Hauptberichter/Gutachter
;
Tag der mündlichen Prüfung/Habilitation
2026-01-20
Online
DOI: 10.18154/RWTH-2026-05708
URL: https://publications.rwth-aachen.de/record/1036755/files/1036755.pdf
Einrichtungen
Thematische Einordnung (Klassifikation)
DDC: 620
Kurzfassung
Die weit verbreitete Kommerzialisierung von Lithium-Ionen-Batterien hat die globale Elektrifizierung des Verkehrs erheblich beschleunigt. Um die Effizienz des elektrifizierten Verkehrs und intelligenter Netze zu verbessern, sind fortschrittliche Batteriemanagementsysteme (BMS) entscheidend. BMS fungieren als das Gehirn von Energiespeichersystemen. Die Zustandsschätzung ist wesentlich, um eine optimale Batterieleistung aufrechtzuerhalten. Diese Arbeit trägt zur Entwicklung fortschrittlicher BMS bei und erleichtert den Übergang zu Systemen der nächsten Generation, die die Leistung, Sicherheit und Lebensdauer von Lithium-Ionen-Batterien im elektrifizierten Verkehr und in intelligenten Netzen verbessern. Das physikbasierte reduzierte Ordnungsmodell erfüllt die Anforderungen fortschrittlicher BMS an hohe Genauigkeit und schnelle Berechnung und ist somit gut für diese Anwendungen geeignet. Diese Dissertation zielt darauf ab, die BMS-Technologie durch die Entwicklung von BMS der nächsten Generation mittels physikbasierter reduzierter Ordnungsmodelle zur Zustandsschätzung von Lithium-Ionen-Batterien voranzutreiben. Ein neuartiges Ko-Schätzverfahren basierend auf einem fraktionalen Batteriemodell wurde entwickelt, um den internen Widerstand und die Kapazitätsabnahme als Zustandsindikatoren (SOH) gleichzeitig zu schätzen. Der Fehler bleibt hauptsächlich innerhalb eines ±5mV-Bereichs bei Strömen unter 2C. Im Gegensatz dazu erfordern die bekanntesten SOH-Schätzmethoden, die sich ausschließlich auf Kapazität oder Widerstand konzentrieren, einen erheblichen Parameterisierungsaufwand. Diese Komplexität führt zu Ineffizienzen bei der Anwendung in BMS. Darüber hinaus integriert ein neuartiges reduziertes Ordnungsmodell in Zustandsraumform den Adaptiven Dualen Unscented Kalman Filter (ADUKF) zur Echtzeit-Ko-Schätzung des Ladezustands (SOC) und der Batteriemodellparameter. Der Spannungsfehler bleibt überwiegend innerhalb des 10 mV-Bereichs, mit Spitzenfehlern bis zu 25 mV, während der SOC-Fehler nach der Konvergenz 1% nicht überschreitet. Das Modell korrigiert auch prompt falsch definierte Kapazitäten und zeigt Stabilität bei der Schätzung anderer Parameter. Der entwickelte SOH-Algorithmus und der patentierte State of Power (SOP) Algorithmus wurden in die BMS-Anwendungssoftware implementiert und in verschiedenen Szenarien getestet, wobei die Ergebnisse eine Genauigkeit von 1% für die SOH-Testfälle zeigten. Die SOP-Ergebnisse zeigen eine signifikante Abhängigkeit von Kalibrierungsdaten unter verschiedenen Bedingungen, was zu unterschiedlichen Genauigkeitsgraden führt. In bestimmten Testszenarien erfüllt die vorgeschlagene SOP-Methode nicht die Zielgenauigkeit von 5%und zeigt eine schlechte Leistung, obwohl sie in weniger anspruchsvollen Situationen ordnungsgemäß funktioniert.The widespread commercialization of lithium-ion batteries has significantly accelerated the global electrification of transportation. To enhance the efficiency of electrified transportation and smart grids, advanced Battery Management Systems (BMSs) are crucial. BMSs act as the brains of energy storage systems. State estimation is essential to maintain optimal battery performance. This work contributes to the development of advanced BMSs, facilitating the transition to next-generation systems that enhance the performance, safety, and longevity of lithium-ion-batteries in electrified transportation and smart grids. The physics-based reduced-order model addresses the requirements of advanced BMSs for high accuracy and rapid computation, making it well-suited for these applications. This dissertation aims to advance BMS technology by developing next-generation BMSs through physics-based reduced-order models for state estimation of lithium-ion batteries. A novel co-estimation scheme based on a fractional-order battery model is developed for the simultaneous estimation of internal resistance and capacity fade as State of Health (SOH)indicators. The error mainly remains within a ±5mV band with currents less than 2C. In contrast, the most well-known SOH estimation methods, which focus solely on either capacity or resistance, involve substantial parameterization overheads. This complexity results in inefficiency for use in BMS applications. Moreover, a novel reduced-order battery model in state-space form integrates the Adaptive Dual Unscented Kalman Filter (ADUKF) for real-time co-estimation of State of Charge(SOC) and battery model parameters. The voltage error predominantly stays within the 10mV range, with peak errors reaching 25 mV, while the SOC error does not exceed 1% after convergence. The model also promptly corrects for inaccurately defined capacity and demonstrates stability in estimating other parameters. The developed SOH algorithm and the patented State of Power (SOP) algorithm are implemented in the BMS application software and tested in various scenarios, with results indicating an accuracy of 1% for the SOH test cases. The SOP results show a significant dependency on calibration data across different conditions, leading to varying degrees of accuracy. In certain test scenarios, the proposed SOP method fails to meet the target accuracy of 5% and exhibits poor performance, although it functions properly in less challenging situations.
OpenAccess: 
PDF
(additional files)
Dokumenttyp
Dissertation / PhD Thesis
Format
online
Sprache
English
Externe Identnummern
HBZ: HT031511782
Interne Identnummern
RWTH-2026-05708
Datensatz-ID: 1036755
Beteiligte Länder
Germany
|
The record appears in these collections: |