Modellierung und Simulation von Lithium mit hoher Energiedichte

Wissenschaftliche Berichte Band 12, Artikelnummer: 9800 (2022) Diesen Artikel zitieren

2861 Zugriffe

Details zu den Metriken

Lithium-Ionen-Batterien, ein Speichergerät mit hoher Energiedichte, finden umfangreiche Anwendungen in elektrischen und elektronischen Geräten, Computern, Hybrid-Elektrofahrzeugen und Elektrofahrzeugen. In diesem Artikel wird die Mehrfachfehlererkennung von Lithium-Ionen-Batterien mithilfe von zwei nichtlinearen Kalman-Filtern vorgestellt. Es wurde ein diskretes nichtlineares mathematisches Modell einer Lithium-Ionen-Batterie entwickelt und zur Schätzung der Modellparameter wird ein Unscented-Kalman-Filter (UKF) eingesetzt. Das Auftreten mehrerer Fehler wie Überladung, Tiefentladung und Kurzschlussfehler zwischen Zellenbatterien wirkt sich auf die Parametervariation des Systemmodells aus. Parallele Kombinationen einiger UKF (Filterbank) vergleichen die Variation der Modellparameter zwischen der normalen und der fehlerhaften Situation und erzeugen ein Restsignal, das auf unterschiedliche Fehler hinweist. Simulationsergebnisse mehrerer statistischer Tests wurden für die restbasierte Fehlerdiagnose und Schwellenwertberechnung durchgeführt. Anschließend wird die Leistung des UKF mit dem erweiterten Kalman-Filter (EKF) bei gleichem Batteriemodell und Fehlerszenario verglichen. Das Simulationsergebnis beweist, dass das UKF-Modell bei der Fehlerdiagnose besser und schneller reagiert als das EKF.

Die Batterie, eine Energiequelle, wird seit ihrer Erfindung vor mehr als zweihundert Jahren von der Menschheit genutzt. Nach vielen Weiterentwicklungen zeichnen sich die heute erhältlichen Batterien durch ein geringeres Gewicht, eine höhere Energiespeicherkapazität, verbesserte Sicherheitsfunktionen und eine längere Haltbarkeit aus und eignen sich für eine Vielzahl von Verbraucher- und Industrieanwendungen1,2. Lithium-Ionen-Batterien wurden in Lithium-Ionen-Batterien umgewandelt, um sie wiederaufladbar zu machen und in Elektrogeräten, Computern, Hybrid-Elektrofahrzeugen, Elektrofahrzeugen usw. eingesetzt zu werden. Unter Berücksichtigung von Aspekten wie Zuverlässigkeit und Sicherheit von Elektrofahrzeugen ist es wichtig, den Zustand von Lithium-Ionen-Batterien zu überwachen Zellen während des Betriebs. Dies kann durch die Erfassung der erforderlichen Daten und die anschließende Schätzung des Zellzustands über ein Batteriemanagementsystem (BMS)3,4 verwaltet werden. Die Leistung der Batteriezelle hängt von Strom, Spannung und Temperatur ab, und der Zustand der Zellen umfasst den Ladezustand (SOC)5,6,7, den Gesundheitszustand (SOH)8,9,10 und den Energiezustand (SOE)11 und verbleibende Nutzungsdauer (RUL)12,13. Die Fehler in Elektrofahrzeugen werden als (a) Überladung, (b) Tiefentladung und (c) interner und externer Kurzschluss angezeigt. Der interne und externe Kurzschlussfehler der Batterie führt zur Erzeugung großer Wärmemengen, die zu einem thermischen Runway führen. Unkontrollierte Fehler an der Batterie sind irreversibler Natur und können in schwerwiegenden Fällen zu Schäden führen14,15. Um solche Situationen zu verhindern, ist es wichtig, den Fehler der Batterie schnell und genau zu diagnostizieren. Aus der Literatur geht hervor, dass die Diagnose von Fehlern bei Lithium-Ionen-Batterien bei Forschern sowohl in der Industrie als auch im akademischen Bereich von wachsendem Interesse ist. Die Bemühungen der Forscher zielen darauf ab, mithilfe fortschrittlicher Methoden und Techniken verschiedene Batteriefehler zu erkennen. Eine dieser Techniken ist die beobachterbasierte Fehlerdiagnose, die aufgrund ihrer Fähigkeit, den Verlust von Batteriefehlerinformationen zu vermeiden, eine verbesserte Robustheit bietet. Dies kann auf unbekannte Störungen und einen fehlerhaften Ausgangszustand zurückzuführen sein. Die inhärenten Vorteile geringerer Kosten und hoher Flexibilität machen die modellbasierten Fehlerdiagnosetechniken zu einer praktikablen Lösung für eine genaue Fehlerdiagnose16. Der Lünberger-Beobachter (LO), der eine Reihe von Beobachtern reduzierter Ordnung17 verwendet, kann zur Fehlererkennung auf Batteriepacks angewendet werden. Einige Forscher schlugen eine modellbasierte Kurzschlussfehleranalyse unter Verwendung fortschrittlicher Techniken wie Einkerbung18, Nagelpenetration19, Herstellung mit Defektstrukturen20 und thermischem Durchgehen bei extrem hohen Temperaturen21 vor. In einem anderen Modell können die Ausgangsspannungen und die tatsächlichen Ausgangsspannungen der Batterien während des Betriebs des Elektrofahrzeugs verglichen werden und das Alarmsystem wird ausgelöst, wenn der Absolutwert der Spannungsdifferenz den Schwellenwert überschreitet22,23. Außerdem findet der Kalman-Filter seine effektive Anwendung zur Fehlerdiagnose in Lithium-Ionen-Batterien24,25, insbesondere wenn der optimale Filter eine starke Robustheit bei verrauschtem Signal aufweist. Die modellbasierten Fehlererkennungsmethoden ermöglichen eine sehr hohe Robustheit und können zur genauen Erkennung von Batteriefehlern eingesetzt werden. Viele Forscher erwägen die Fehlerdiagnose auf Basis eines adaptiven Kalman-Filters für Lithium-Ionen-Batterien26,27,28. Der adaptive Kalman-Filter kann Zustände von Batterieparametern durch Anpassung der Prozess- und Messrausch-Kovarianz schätzen, was im Fall des erweiterten Kalman-Filters nicht möglich ist, wo Informationen über Rauschstatistiken als Voraussetzung für die ordnungsgemäße Funktion des Filters angesehen werden, andernfalls kann es zu Problemen kommen zu ungenauen Ergebnissen. Kürzlich wurden Fehler durch Überladung und Tiefentladung der Batterie diskutiert29. Es wird ein Übersichtsartikel zu Fehlermechanismen, Fehlermerkmalen und Diagnoseverfahren besprochen30.

Angesichts der breiten Anwendung von Lithium-Ionen-Batterien in verschiedenen Geräten ist es wünschenswert, Batterien herzustellen, die eine höhere Energiedichte, Leistungsdichte und Lebensdauer aufweisen. Ein Ausfall aufgrund von Überladung, Überentladung oder Kurzschluss zwischen den Zellen eines Lithium-Ionen-Akkus kann zu Leistungseinbußen und Systemfehlern führen, was wiederum Unannehmlichkeiten, schnellere Alterung und höhere Wartungskosten, thermisches Durchgehen oder sogar Explosionen verursachen kann . Daher ist es unerlässlich, ein zuverlässiges und robustes Batteriemanagementsystem zu entwickeln, um Fehler der Batterie im Betriebszustand frühzeitig zu erkennen. Die Gesamtleistung hängt stark von kritischen Funktionen wie Schätzungen des Ladezustands (SOC) und des Gesundheitszustands (SOH), Überlade- und Unterladeschutz usw. ab. Aus praktischer Sicht ist die Schätzung von Drei Fehler, nämlich Überladung, Überentladung und Kurzschlussfehler zwischen der Zellenleistung von Lithium-Ionen-Batterien, werden sicherlich die Zuverlässigkeit und Effizienz der Geräte, Gadgets, Elektro- und Hybridfahrzeuge usw. verbessern.

Es wurde festgestellt, dass sich einige veröffentlichte Forschungsarbeiten nur auf interne Kurzschlussfehler18,19,20 des Batteriepacks konzentrieren und andere Arbeiten Fehler wie Überladung, Tiefentladung usw. beschreiben. Kein Forscher hat alle diese Fehler von Lithium gleichzeitig berücksichtigt -Ionen-Batterie in ihrer Arbeit mit modellbasierter Methode. Die meisten Forscher haben die modellbasierte Methode auf eine einzige Technik konzentriert, nämlich die Restbewertung zur Abschätzung der Fehler der Batterien22,24,25,26. Die Neuheit der vorliegenden Arbeit besteht darin, dass bei Lithium-Ionen-Akkus eine modellbasierte Fehlererkennung für Überladung, Tiefentladung und Kurzschlussfehler zwischen der Zellenleistung von Lithium-Ionen-Akkus gleichzeitig erfolgt. In der vorliegenden Studie wird ein systematisches, modellbasiertes Fehlererkennungsschema vorgeschlagen, das eine Bank von geruchsneutralen Kalman-Filtern (UKF) auf einem Lithium-Ionen-Batteriepack-Modell zur Erkennung mehrerer Fehler wie Überladung, Überentladung und Kurzschlussfehler zwischen Zellen verwendet Leistung von Lithium-Ionen-Batterien. Für die Restfehlerdiagnose und Schwellenwertberechnung wurde ein statistischer Test durchgeführt. Anschließend wurde die Leistung von UKF mit einer Reihe erweiterter Kalman-Filter (EKF) bei demselben Batteriemodell und demselben Fehlerszenario verglichen. Abhängig von der Batterienutzung werden unterschiedliche Batteriemodelle verwendet, z. B. experimentelle, empirische oder elektrochemische. Das Batteriemodell wird als Erweiterung des Venin-Modells betrachtet, bei dem Überladung, Tiefentladung und Kurzschlussfehler zwischen der Zellenleistung von Lithium-Ionen-Batterien als Fehlerparameter verwendet werden. Die vorgeschlagene Arbeit gliedert sich in zwei Teile: (a) experimentell (b) Simulation. Im experimentellen Teil werden Batteriezellen über einen langen Zeitraum offline auf Überladung und Tiefentladung überwacht und Parameterschwankungen aufgrund von Überladung und Tiefentladung gemessen. Im Experiment wurde eine 123 26650 LiFePO4-Batteriezelle (3,3 Volt, 2,5 Ah) verwendet. Die Technik der elektrochemischen Impedanzspektroskopie (EIS) wird verwendet, um die Schaltungsparametervariation während des Überladens und Entladens der Batterie zu extrahieren, die in den Tabellen 2 und 3 wiedergegeben ist. Die Parametervariationen werden während der Simulation in das Batteriemodell einbezogen und von zwei Filterbänken wie z als UKF und EKF. Der Zustand der Lithium-Ionen-Batterie wird geschätzt und es wird auch ein Restsignal generiert, indem die geschätzte und gemessene Leistung für jede einzelne Leistungszelle mithilfe der UKF-Bank verglichen wird. Es hat sich gezeigt, dass die UKF-basierte Fehlerdiagnose im Vergleich zum EKF-basierten Ansatz ein signifikantes Ergebnis liefert.

In Abb. 1 ist ein modellbasiertes Fehlererkennungsschema für einen Akkupack mit einer UKF- oder EKF-Bank dargestellt. Um den Fehler aufgrund von Überladung, Überentladung oder Kurzschlussfehler in einem Akkupack zu diagnostizieren, funktioniert eine UKF- oder EKF-Bank parallel zum System. An den Akku sind eine Reihe von Spannungs- und Stromsensoren angeschlossen, um Spannung und Strom in jeder Zelle des Akkus zu messen. Die verschiedenen Parameter und Zustände des Batteriemodells können durch vom Sensor bereitgestellte Daten gemessen werden. Das Zustandsraummodell eines äquivalenten Batteriepakets wird entworfen und UKF- oder EKF-Banken werden verarbeitet, um die geschätzten Zustände des Systems zu erhalten. Die geschätzten Daten der vom Filter und Sensor bereitgestellten Daten werden verglichen und ein Restsignal generiert. Der Mittelwert des Restsignals zeigt das Vorliegen eines Fehlers im System an.

Schematische Darstellung des bankbasierten UKF/EKF-Fehlererkennungsschemas.

Das diskrete Zustandsraummodell eines beliebigen nichtlinearen zeitinvarianten Systems (mit Fehler) kann ausgedrückt werden als:

wobei x(k), u(k) und y(k) den Zustandsvektor, das Eingangssignal bzw. den Systemausgangsvektor zum Zeitpunkt k bezeichnen. Die nichtlinearen Funktionen f() und g() sind zeitlich kontinuierlich differenzierbar und FT(k) impliziert das Auftreten von Fehlern im Zeitschritt k.

Das diskrete Zustandsraummodell des nichtlinearen Kalman-Filters ist gegeben durch

wobei \(\widehat{x}\left(k\right)\) und \(\widehat{y}\left(k\right)\) den geschätzten Zustandsvektor und den geschätzten Ausgabevektor des Filters zum Zeitschritt k bezeichnen jeweils. Wobei w(k) und v(k) unabhängige Null-Mittelwert-Gauß-Prozess- und Messrauschen sind. Die Varianz des Prozessrauschens Qk und die Varianz des Messrauschens Rk werden ausgedrückt als.

Aus Gl. (2) und Gl. (4) Das Restsignal wird ausgedrückt als

wobei F( ) eine Funktion der Sequenz w(k) des Prozesses und des Messrauschens v(k) ist.

Wenn ein Fehler im System ({F}_{T}\left(k\right)\)) vorliegt, zeigt die Filterausgabe die Restsequenzen mit einem Mittelwert ungleich Null (NZM) an, die die Summe des Gaußschen Rauschens und des Gaußschen Rauschens darstellen bestehender Fehler gemäß Gl. (7). Beim gleichzeitigen Auftreten mehrerer Fehler im System wird jeder Zustand des Filterausgangs durch NZM-Restsequenzen angezeigt.

Ein Schema zur Diagnose mehrerer Fehler wird im Flussdiagramm in Abb. 2 erläutert. Wenn ein System von n verschiedenen Fehlern wie \({F}_{T1}, {F}_{T2}, \dots .. {F}_{Tn}\) wird eine Reihe von Filtern verwendet, indem jeder Fehler separat einbezogen wird. Die diskrete Zustandsgleichung jedes Filters wird wie folgt dargestellt:

Restbasierter Mehrfachfehlerdiagnosealgorithmus unter Verwendung von UKF/EKF.

Die Ausgabegleichung jedes Filters wird durch beschrieben

Das Residuum jedes Filters ist die Differenz zwischen der Systemausgabe und der gefilterten Ausgabe.

Das Residuum jedes Filters wird ausgedrückt als

Die Zusammenfassung des UKF-Algorithmus ist in Tabelle 1 angegeben. Die residuenbasierte Mehrfachfehlerdiagnose mit UKF/EKF ist im Flussdiagramm in Abb. 2 dargestellt. Für i Nr. Die Anzahl der Zellen wird durch einen Spannungs- oder Stromsensor überwacht. Wenn ein Fehler auftritt, stimmt der geschätzte Zustand des Filterausgangs nicht mit den Sensorausgangsdaten überein, wodurch ein Restsignal erhalten wird, das nicht den Mittelwert Null (NZM) aufweist. Wenn im System kein Fehler auftritt, wird die Ausgabe als Zero Mean (ZM)-Restwert des Prozess- und Messrauschens angezeigt.

Die modellbasierte Fehlerdiagnosemethode wird unter Verwendung der elektrochemischen Eigenschaften einer Batterie implementiert. Es wird eine Erweiterung des Venin-Modells vorgestellt, das bereits für verschiedene Fehlerdiagnose- und Zustandsschätzungsprobleme angewendet wird. Das erweiterte Modell wird aufgrund der Komplexität der Berechnung partieller Differentialgleichungen in elektrochemischen Modellen verwendet. Ein Batteriemodell zweiter Ordnung mit einem zusätzlichen RC-Parallelschaltungselement, wie in Abb. 3 dargestellt, soll das elektrochemische Phänomen von Zellen darstellen. Die Parameter sind Grenzflächenimpedanz, Reaktivitätsverteilung der Elektrode und der Widerstand der Elektronen- und Ionenmigration. Die Ersatzschaltung besteht aus einer gesteuerten oder offenen Spannungsquelle Voc, deren Wert sich mit dem SOC ändert. Ein Widerstand Rb bezeichnet den Gesamtelektrolytwiderstand, der während des Lade-/Entladevorgangs variieren kann. Das Konstantphasenelement (C1) und der Widerstand (R1) bilden Widerstands-Kondensator-Netzwerke (RC), die als Modell für das Reaktivitätserfassungsmodell der Elektrode verwendet werden, und die andere zweite RC-Netzwerkkombination aus R2 und C2 bezeichnet den Widerstand bzw. die Kapazität der Ladungsübertragung. Der Strom (I) zeigt den Lade-/Entladestrom des Systems an. Die Leistung eines Akkupacks wird stark von Parametern wie Strom, Innenwiderstand und Klemmenspannung beeinflusst. Diese Parameter sind für die Regulierung der Inkonsistenzqualität, der Verbindungsart, der variablen Kapazität der Zellen bei unterschiedlichen Entladestromraten usw. verantwortlich. Die elektrischen Widerstands-Kapazitäts-Schaltkreise können zur Modellierung eines Systems dritter Ordnung für Batteriezellen verwendet werden. Die einzelnen Elemente des Schaltkreises sind die Funktion von SOC und Temperatur. In der vorliegenden Studie wird die Temperatur konstant gehalten, die Spannung wird als Funktion des Ladezustands variiert und die Alterungsdynamik wurde im Modell außer Acht gelassen. Der wesentliche zu berücksichtigende Aspekt besteht darin, dass der Signaturfehler, der während des Betriebs in der Batterie auftreten kann, modelliert werden kann, um das Verhalten des Systems in anormalen Situationen zu untersuchen. Eine effektive Steuerung der Fehlereinschätzung verbessert auch die Batterielebensdauer erheblich. Der Ausfall der Batterie aufgrund von Überladung führt zu einer übermäßigen Hitzeentwicklung aufgrund eines Temperaturanstiegs, der zu heftigen thermischen Ausfällen führen kann. Darüber hinaus hat die schädliche Verkupferung, die an der negativen Elektrode der Batterie auftritt, erheblichen Einfluss auf das Versagen einer Überentladung, die zu weiteren thermischen Ausfällen führt. Beim Ausfall der Batteriezellen aufgrund von Überladung und Tiefentladung treten unterschiedliche Parameterschwankungen auf. Es ist zu beobachten, dass der Anstieg des Massenwiderstands (Rb) bei Überladung stärker ausfällt als bei Tiefentladung. Außerdem variiert der Ladungsübertragungswiderstand (R1, R2) proportional sowohl beim Überladen als auch beim Überentladen. Die Schwankung der Doppelschichtkapazität (C1) und des Ladungsübertragungskondensators (C2) zeigt einen steilen Anstieg bei übermäßiger Entladung, derselbe ist jedoch sehr gering, wobei bei Überladung ein allmählicher Abfall zu beobachten ist.

Ersatzschaltbild des Akkupacks.

Die dynamischen Gleichungen des äquivalenten Batteriemodells können dargestellt werden durch

Dabei bezeichnen VT, V1 und V2 die Klemmenspannung und die Kondensatorspannung an C1 bzw. C2. Die Leerlaufspannung Voc ist eine nichtlineare Funktion des SOC und wird beschrieben durch

wobei die Koeffizienten Ck für k = 0,1,2,……..,m aus der in Abb. 4 dargestellten OCV-SOC-Charakteristik ermittelt werden.

OCV-SOC-Charakteristik für LiFePO4-Batteriezelle.

Der mit der Coulomb-Zählmethode berechnete SOC wird wie folgt angegeben:

Dabei ist \({C}_{a}\) die verfügbare Batteriekapazität und \(\upeta\) der Coulomb-Wirkungsgrad, der die Funktion von Strom und Temperatur ist. \(\upeta =\left\{ {\begin{array}{*{20}l} 1 \hfill & {zum\;Laden} \hfill \\ {0.95} \hfill & {zum\;Entladen} \hfill \\ \end{array} } \right.\).

Die Modellparameter werden konstant gehalten, wobei Änderungen aufgrund von Alterungseffekten vernachlässigt werden. Zur Simulation mit dem diskreten Kalman-Filter wird das Filtermodell mithilfe der Taylor-Reihenentwicklung diskretisiert und höhere Terme vernachlässigt, die als angegeben sind

Diese können als Zustandsvariablen ausgedrückt werden als

Im Experiment wurde eine 123 26650 LiFePO4-Batteriezelle (3,3 Volt, 2,5 Ah) verwendet. Die Tabellen 2 und 3 veranschaulichen die Impedanzspektroskopieergebnisse für die Variation der ausgewählten Schaltungsparameter, wenn die Batteriezelle unter Überlade- und Tiefentladungsfehlerbedingungen stand. Während einer Überladung wird die Batteriezelle auf 120 % Ladung und 100 % Nennentladung gehalten, während sie bei einer Überentladung umgekehrt gehalten wird. In jedem Fehlerzustand werden spektroskopische Messungen zur Parametervariation einiger spezifischer Zyklen durchgeführt und in den Tabellen 2 und 3 dargestellt. Verschiedene Fehler in Lithium-Ionen-Batteriezellen können durch unterschiedliche Parametervariationen in der Batterie während des Betriebs beobachtet werden. Das Papier konzentrierte sich hauptsächlich auf Überladefehler (OC), Überentladungsfehler (OD) und Kurzschlussfehler zwischen der Zellenstromversorgung von Lithium-Ionen-Batterien. Der OC-Zustand wird durch Laden der Batterie auf 120 % und 100 % Nennentladung bei einer günstigen Stromrate erreicht. Die Variation von Systemparametern wie Rb, R1, R2, C1 und C2, die erheblich zu Fehlern während der OC und Überentladung (OD) der Variation der Batteriezellenparameter beitrug, wie in der Impedanzspektroskopie zu sehen ist, ist in den Tabellen 2 und 3 dargestellt.

Sinusförmiger Strom als Eingangssignal wird als Lade- oder Entladestrom des Modells verwendet.

Die Klemmenspannung, der Ladezustand und die Spannung an C1 und C2 in jedem Abtastzeitpunkt werden anhand der Gleichungen ausgewertet. (21) und (22). Das Batteriemodell wird von einer UKF- und EKF-Bank betrieben, um den geschätzten Ladezustand und die Spannung an C1 und C2 in jeder Abtastzeit mit gesundem und fehlerhaftem Zustand zu berechnen, während das Eingangssignal durch Gaußsches Weiß verfälscht wird Rauschen mit Prozessrausch-Kovarianz Qk und Messrausch-Kovarianz Rk werden angenommen als Q = 10–6 \(\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\end{array} \right]\) bzw. R = 1 × 10–6.

Das Simulationsergebnis befasst sich mit dem Leistungsvergleich zwischen UKF und EKF bei der Fehlerdiagnose der Lithium-Ionen-Batterie eines Elektrofahrzeugs. Überladungs-, Überentladungs- und Kurzschlussfehler werden im Batteriemodell getestet und jeweils zur Fehlerdiagnosebank von UKF und EKF betrieben. Die drei Zustände der Batteriemodelle, nämlich Ladezustand und Spannung an C1 und C2, werden geschätzt und verglichen, um in jedem Zeitschritt ein Restsignal zu erhalten.

Der Ladestrom wird als Eingangssignal mit I = 5sin100πt angenommen, wobei die Anfangswerte der Spannung an der Ladungsübertragungskapazität und den Doppelschichtkapazitäten jeweils 0,1 V betragen. Das Modell wird im gesunden Zustand simuliert und beim 50. Abtastzeitpunkt wird ein Fehler als Überladung injiziert, und beim 120. Abtastzeitpunkt tritt ein zweiter Fehler auf. Da das System mit drei Zustandsvariablen wie SOC, V1 und V2 modelliert wird, wirkt sich das Auftreten eines Fehlers auf die Zustände des Batteriemodells aus. Durch den Vergleich des wahren Zustands und des geschätzten Zustands im gesunden und fehlerhaften Zustand kann die Restsignalerzeugung leicht erkannt werden.

Im vorgeschlagenen Batteriemodell wird zunächst ein gesunder Zustand betrieben und beim 50. Abtastzeitpunkt wird ein Fehler als Überladung injiziert. Abbildung 5 stellt den tatsächlichen Zustand und den geschätzten Zustand des SOC durch EKF und UKF dar. Abbildung 6 zeigt den Rest-SOC beider Filter. In beiden Fällen ist die Änderung des Restsignals von Null auf einen anderen Wert bei UKF besser geeignet als bei EKF.

SOC-Schätzung durch EKF und UKF am simulierten Batteriemodell.

Fehler-/Restbewertung für die SOC-Schätzung durch EKF und UKF am simulierten Batteriemodell.

Die Abbildungen 7 und 8 zeigen den geschätzten Spannungszustand an der Ladungsübertragungskapazität und das Restsignal beider Filter. Die Restmessung und Zustandsschätzung spiegeln nicht das Auftreten von Fehlern wider, da eine Überladung keinen Einfluss auf die Spannung an den Ladungsübertragungskapazitäten hat.

Spannung an der Ladungsübertragungskapazität, geschätzt durch EKF und UKF während des Ladevorgangs.

Fehler-/Restbewertung für die Schätzung der Spannung über der Ladungsübertragungskapazität durch EKF und UKF.

Wenn in der 120. Sekunde ein Überentladungsfehler auftritt, werden die tatsächliche Spannung und die geschätzte Spannung an der Ladungsübertragungskapazität beider Filter in Abb. 9 dargestellt. Das Restsignal beider Filter ist in Abb. 10 dargestellt.

Spannung an der Ladungsübertragungskapazität, geschätzt durch EKF und UKF während einer Tiefentladung.

Fehler-/Restbewertung für die Schätzung der Spannung über der Ladungsübertragungskapazität durch EKF und UKF während des Entladens.

Die Verschiebung des Residuums für den zweiten Fehler ist bei UKF deutlicher als bei EKF. Unter dieser Bedingung bleibt der Restwert für den SOC unverändert und zeigt Null an.

Wenn ein Überladefehler bei 50 Sekunden und ein Kurzschlussfehler am Ladungsübertragungswiderstand bei 120 Sekunden auftreten, treten beide Fehler gleichzeitig im Batteriemodell auf. Der verbleibende Ladezustand und die Spannung an der Ladungsübertragungskapazität und der Doppelschichtkapazität sind in den Abbildungen dargestellt. 11a–c und 12a–c.

(a) Restschätzung des Ladezustands, (b) Restschätzung der Spannung über der Ladungsübertragungskapazität. (c) Restschätzung der Spannung an der Doppelschichtkapazität durch EKF.

(a) Restschätzung des SOC, (b) Restschätzung der Spannung über der Ladungsübertragungskapazität, (c) Restschätzung der Spannung über der Doppelschichtkapazität durch UKF.

In der vorliegenden Studie wurde ein diskretes nichtlineares mathematisches Modell einer Lithium-Ionen-Batterie zur Mehrfachfehlererkennung unter Verwendung zweier nichtlinearer Kalman-Filter entwickelt. Es wurde ein Leistungsvergleich unter Verwendung der UKF- und EKF-Bank für einzelne und gleichzeitig auftretende Mehrfachfehlerdiagnosen wie Überladung, Überentladung und Kurzschlussfehler zwischen der Zellenstromversorgung in Lithium-Ionen-Batterien durchgeführt. Im vorgeschlagenen Fehlerdiagnoseschema werden beide Filterbänke (UKF und EKF) separat im Lithium-Ionen-Batteriemodell im Normal- und Fehlerfall eingesetzt, sodass der Filterausgang und der gemessene Ausgang verglichen werden, um Restsignale zu erzeugen. Aus den Simulationsergebnissen statistischer Tests wurde gezeigt, dass das Restsignal ohne Fehler ein Mittelwertsignal von Null innerhalb des Schwellenwerts anzeigt, während es im Fehlerzustand den Schwellenwert überschreitet, wenn das Mittelwertsignal ungleich Null ist. Das Vergleichsergebnis für beide Filter (UKF und EKF) aus einer Simulationsstudie zeigt, dass das UKF-Modell bei der Mehrfachfehlerdiagnose des Lithium-Ionen-Batteriemodells eine bessere und schnellere Reaktion als das EKF aufweist.

Alle während dieser Studie generierten oder analysierten Daten sind in diesem veröffentlichten Artikel enthalten.

Tarascon, JM & Armand, M. Probleme und Herausforderungen für wiederaufladbare Lithiumbatterien. Natur 414, 359–367 (2001).

ADS CAS PubMed Google Scholar

Goonan, TG Verwendung von Lithium in Batterien. USG-Umfrage (2012). http://pubs.usgs.gov/circ/1371/.

Lu, L., Han, X., Li, J., Hua, J. & Ouyang, M. Ein Überblick über die Schlüsselthemen für das Lithium-Ionen-Batteriemanagement in Elektrofahrzeugen. J. Power Sources 226, 272–288. https://doi.org/10.1016/j.jpowsour.2012.10.060 (2013).

Artikel ADS CAS Google Scholar

Bergveld, HJ, Kruijt, WS & Notten, PHL Batteriemanagementsystemdesign durch Modellierung (Springer, 2002).

Buchen Sie Google Scholar

Wei, Z., Zou, C., Leng, F., Soong, BH & Tseng, KJ Online-Modellidentifikation und Ladezustandsschätzung für Lithium-Ionen-Batterien mit einem rekursiven Beobachter auf Basis der kleinsten Quadrate. IEEE Trans. Ind. Elektron. 65, 1336–1346 (2017).

Artikel Google Scholar

Cheng, KWE, Divakar, BP, Wu, H., Ding, K. & Ho, HF Batteriemanagementsystem (BMS) und SOC-Entwicklung für Elektrofahrzeuge. IEEE Trans. Fahrzeug. Technol. 60(1), 76–88 (2011).

Artikel Google Scholar

Wang, Y., Zhang, C. & Chen, Z. Eine Methode zur gemeinsamen Schätzung des Ladezustands und der verfügbaren Energie von LiFePO4-Batterien. Appl. Energie 135, 81–87 (2014).

Artikel ADS CAS Google Scholar

Bartlett, A., Marcicki, J., Rhodes, K. & Rizzoni, G. Einschätzung des Gesundheitszustands in Lithium-Ionen-Zellen mit Verbundelektroden. J. Power Sources 284, 642–649 (2015).

Artikel ADS CAS Google Scholar

Andre, D., Appel, C., Soczka-Guth, T. & Sauer, DU Fortgeschrittene mathematische Methoden zur SOC- und SOH-Schätzung für Lithium-Ionen-Batterien. J. Power Sources 224, 20–27 (2013).

Artikel CAS Google Scholar

Zou, C., Manzie, C., Nešic, D. & Kallapur, AG Multizeitskalen-Beobachterdesign für den Ladezustand und den Gesundheitszustand einer Lithium-Ionen-Batterie. J. Power Sources 335, 121–130 (2016).

Artikel ADS CAS Google Scholar

Wang, Y., Zhang, C. & Chen, Z. Ein adaptiver Ansatz zur Vorhersage der verbleibenden Energie für Lithium-Ionen-Batterien in Elektrofahrzeugen. J. Power Sources 305, 80–88 (2016).

Artikel ADS CAS Google Scholar

Dong, H., Jin, J. Power Sources 271, 114–123 (2014).

Artikel ADS CAS Google Scholar

Wu, J., Zhang, C. & Chen, Z. Eine Online-Methode zur Schätzung der verbleibenden Nutzungsdauer von Lithium-Ionen-Batterien mithilfe von Wichtigkeitsstichproben und neuronalen Netzen. Appl. Energie 173, 134–140 (2016).

Artikel Google Scholar

Zhang, J. & Lee, J. Ein Überblick über Prognosen und Gesundheitsüberwachung von Li-Ionen-Batterien. J. Power Sources 196, 6007–6014 (2011).

Artikel ADS CAS Google Scholar

Goebel, K., Saha, B., Saxena, A., Celaya, J. & Christophersen, J. Prognostik im Batteriegesundheitsmanagement. IEEE-Instrument. Mess. Mag. 11, 33–40 (2008).

Artikel Google Scholar

Ding, SX Modellbasierte Fehlerdiagnosetechniken: Entwurfsschemata, Algorithmen und Tools (Springer, 2008).

Google Scholar

Chen, W., Chen, WT, Saif, M., Li, MF & Wu, H. Gleichzeitige Fehlerisolierung und Schätzung von Lithium-Ionen-Batterien durch synthetisiertes Design von Luenberger und lernenden Beobachtern. IEEE Trans. Steuersystem. Technol. 22, 290–298 (2013).

Artikel Google Scholar

Greve, L. & Fehrenbach, C. Mechanische Tests und makromechanische Finite-Elemente-Simulation der Verformung, des Bruchs und der Kurzschlussauslösung von zylindrischen Lithium-Ionen-Batteriezellen. J. Power Sources 214, 377–385 (2012).

Artikel ADS CAS Google Scholar

Maleki, H. & Howard, JN Interner Kurzschluss in Li-Ionen-Zellen. J. Power Sources 191, 568–574 (2009).

Artikel ADS CAS Google Scholar

Orendor, CJ, Roth, EP & Nagasubramanian, G. Experimentelle Auslöser für interne Kurzschlüsse in Lithium-Ionen-Zellen. J. Power Sources 196, 6554–6558 (2011).

Artikel ADS Google Scholar

Feng, X. et al. Thermal Runaway-Merkmale einer großformatigen prismatischen Lithium-Ionen-Batterie unter Verwendung der erweiterten Volumenbeschleunigungskalorimetrie. J. Power Sources 255, 294–301 (2014).

Artikel ADS CAS Google Scholar

Singh, A., Izadian, A. & Anwar, S. Modellbasierte Zustandsüberwachung in Lithium-Ionen-Batterien. J. Power Sources 268, 459–468 (2014).

Artikel ADS CAS Google Scholar

Liu, Z. & He, H. Modellbasierte Sensorfehlerdiagnose einer Lithium-Ionen-Batterie in Elektrofahrzeugen. Energien 8, 6509–6527. https://doi.org/10.3390/en8076509 (2015).

Artikel Google Scholar

Singh, A., Izadian, A. & Anwar, S. Fehlerdiagnose von Li-Ionen-Batterien mithilfe der adaptiven Schätzung mehrerer Modelle. In IEEE Ind. Electron. IECON 2013 – 39. Jahreskonferenz der IEEE Industrial Electronics Society, Wien, Österreich. https://doi.org/10.1109/IECON.2013.6699695 (2013).

Singh, A., Izadian, A. & Anwar, S. Nichtlineare modellbasierte Fehlererkennung von Lithium-Ionen-Batterien mithilfe adaptiver Schätzung mehrerer Modelle. Im 19. IFAC-Weltkongress, Kapstadt, Südafrika. https://doi.org/10.3182/20140824-6-ZA-1003.00711 (2014).

Sidhu, A., Izadian, A. & Anwar, S. Adaptive nichtlineare modellbasierte Fehlerdiagnose von Li-Ionen-Batterien. IEEE Trans. Ind. Elektron. 62, 1002–1011 (2015).

Artikel Google Scholar

Plett, GL Erweiterte Kalman-Filterung für Batteriemanagementsysteme von LiPB-basierten HEV-Batteriepaketen – Teil 3. Zustands- und Parameterschätzung. J. Power Sources 134, 277–292 (2004).

Artikel ADS CAS Google Scholar

Hongwen, H., Xiong, R. & Guo, H. Online-Schätzung von Modellparametern und Ladezustand von LiFePO4-Batterien in Elektrofahrzeugen. Appl. Energie 89, 413–420 (2012).

Artikel Google Scholar

Zheng, T. Fehlerdiagnose von Überladung und Tiefentladung von Lithium-Ionen-Batterien. Chem. Ing. Trans. 71, 1453–1458 (2018).

Google Scholar

Hu, X. et al. Erweiterte Fehlerdiagnose für Lithium-Ionen-Batteriesysteme: Ein Überblick über Fehlermechanismen, Fehlermerkmale und Diagnoseverfahren. IEEE Ind. Electron. Mag. 14(3), 65–91 (2020).

Artikel Google Scholar

Referenzen herunterladen

Die Autoren würdigen außerdem die Unterstützung, die King Abdullah City for Atomic and Renewable Energy (KA CARE) im Rahmen des KA CARE – King Abdulaziz University Collaboration Program leistet.

Abteilung für Elektrotechnik, MCKV Institute of Engineering, Liluah, Howrah, Westbengalen, 712104, Indien

Chandrani Sadhukhan

Abteilung für Elektro- und Telekommunikationstechnik, MCKV Institute of Engineering, Liluah, Howrah, Westbengalen, 712104, Indien

Swarup Kumar Mitra

Fakultät für Maschinenbau, Birla Institute of Technology & Science, Pilani, Pilani Campus, VidyaVihar, Rajasthan, 333 031, Indien

Suvanjan Bhattacharyya

Abteilung für Maschinenbau, College of Engineering Rabigh, King Abdulaziz University, Jeddah, Saudi-Arabien

Eydhah Almatrafi

KA CARE Energy Research and Innovation Centre, King Abdulaziz University, Jeddah, 21589, Saudi-Arabien

Eydhah Almatrafi

Kompetenzzentrum für erneuerbare Energien und Stromversorgungssysteme, King Abdulaziz University, Jeddah, Saudi-Arabien

Eydhah Almatrafi

Abteilung für Maschinenbau, College of Engineering, Universität Taif, Postfach 11099, Taif, 21944, Saudi-Arabien

Bahaa Saleh

Abteilung für Elektro- und Telekommunikationstechnik, Jadavpur University, Jadavpur, Westbengalen, 700032, Indien

Mrinal Kanti Naskar

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Aufsicht: SB; MKN; Schreiben – Rezension und Bearbeitung: SB; CS; Projektverwaltung: MKN; SKM; SB; Untersuchung: CS; SB; EA; BS; Datenkuration: CS; SKM; SB; BS; Schreiben: CS; SKM; SB; EA; Methodik: CS; EA; Konzeptualisierung: CS; SB; EA; MKN; Alle Autoren haben die veröffentlichte Version des Manuskripts gelesen und ihr zugestimmt.

Korrespondenz mit Suvanjan Bhattacharya.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Sadhukhan, C., Mitra, SK, Bhattacharyya, S. et al. Modellierung und Simulation einer Lithium-Ionen-Batterie mit hoher Energiedichte zur Mehrfachfehlererkennung. Sci Rep 12, 9800 (2022). https://doi.org/10.1038/s41598-022-13771-4

Zitat herunterladen

Eingegangen: 12. Januar 2022

Angenommen: 05. April 2022

Veröffentlicht: 13. Juni 2022

DOI: https://doi.org/10.1038/s41598-022-13771-4

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.