Battery State Estimation of Electric Vehicles using Neural Networks
Language
Document Type
Issue Date
Issue Year
Authors
Editor
Abstract
In the context of the United Nations Paris Climate Agreement of 2016, the majority of the global leading automotive manufacturers are committed to electrifying their fleets. A particular challenge in achieving this transformation is the efficient and economical development of new types of battery systems to meet the high customer requirements for electric range and fast-charging capability as well as legally required safety standards. These requirements must be guaranteed over the entire vehicle lifetime. However, the battery ages over time due to electrochemical degradation effects during operation. As a consequence, the battery state needs to be continuously monitored and analyzed. Thereby, new ways of analysis are required, as the current characterization of the battery state during maintenance is associated with high financial efforts, time-consuming measurement procedures, and is limited to a low number of available test capacities.
An innovative and scalable alternative is offered by deploying battery models. In this context, this thesis addresses the research question to what extent battery-electric modeling is applicable to determine the battery state, using only in-vehicle operating data. To this end, this approach is divided into two research areas: First, the modeling of current electric battery behavior based on in-vehicle data, and second, the methodology for analyzing the battery state.
While conventional battery models are mainly based on physical system representations, this thesis focuses on novel data-driven methods that are able to independently learn relevant correlations from vehicle operational data and to use this information to continuously update the battery model. In a preliminary analysis, artificial neural networks with a sliding window approach proved to be a suitable candidate to learn the electric battery behavior during operation. In terms of the methodology, the analysis of the battery state is considered separately at cell-level and system-level due to the high complexity of the battery behavior and the possible operating conditions inside electric vehicles. The development and evaluation of the methodology for battery state determination are carried out at cell-level by using extensive operating and testing conditions. In particular, pulse tests and incremental capacity analysis achieved high accuracies. However, the results of this work also show that the cell-level methodology cannot be directly extrapolated to system-level battery behavior due to systematic and statistical uncertainties.
Apart from the current limitations of neural battery models, various optimization potentials in the area of the training process and data preprocessing are identified. In conclusion, the obtained findings provide an outlook for further applications in the context of data-driven battery analysis.
Abstract
Im Rahmen des Pariser Klimaabkommens der Vereinten Nationen von 2016 hat sich die Mehrheit der führenden Automobilkonzerne der Welt zur Elektrifizierung ihrer Flotten bekannt. Eine besondere Herausforderung bei diesem Wandel spielt die effiziente und ökonomische Entwicklung neuartiger Batteriesysteme, um sowohl den hohen Kundenanforderungen nach elektrischer Reichweite und Schnellladefähigkeit als auch gesetzlich geforderten Sicherheitsstandards gerecht zu werden. Diese Anforderungen müssen über die gesamte Lebensdauer des Fahrzeugs gewährleistet sein. Jedoch kommt es aufgrund von elektrochemischen Alterungseffekten während des Betriebes zu einer Degradation des Batteriezustandes, weshalb dieser kontinuierlich überwacht und analysiert werden muss. Dabei beddarf es neuer Analysemethoden, da die aktuelle Charakterisierung einer Batterie in der Werkstatt mit einem hohen zeitlichen und finanziellen Aufwand verbunden ist und auf eine geringe Anzahl verfügbarer Testkapazitäten beschränkt ist.
Eine innovative und skalierbare Alternative bietet der Einsatz von Batteriemodellen. Vor diesem Hintergrund wird in dieser Arbeit der Forschungsfrage nachgegangen, inwieweit die elektrische Batteriemodellierung zur Bestimmung des Batteriezustandes eingesetzt werden kann und zwar ausschließlich unter Verwendung fahrzeuginterner Betriebsdaten. Dieser Ansatz lässt sich dazu in zwei Forschungsbereiche unterteilen: Die Modellierung des aktuellen elektrischen Batterieverhaltens anhand von Fahrzeugdaten sowie der Methodik zur Analyse des Batteriezustandes.
Während konventionelle Batteriemodelle überwiegend auf physikalischen Systembeschreibungen beruhen, konzentriert sich diese Arbeit auf neuartige datengetriebene Methoden, die in der Lage sind, selbstständig relevante Zusammenhänge aus dem Fahrzeugbetrieb anhand von Zeitreihendaten zu erlernen und diese Information zur kontinuierlichen Aktualisierung des Batteriemodells zu nutzen. In einer Voranalyse haben sich dabei besonders künstliche neuronale Netze mit einem Sliding-Window Ansatz als geeigneter Kandidat erwiesen. Die Methodik zur Analyse des Batteriezustandes wird aufgrund der hohen Komplexität des Batterieverhaltens sowie der möglichen Betriebsbedingungen in einem Elektrofahrzeug auf Zell- und System-Level separat betrachtet. Die Entwicklung sowie Evaluation der Methodik zur Batteriezustandsbestimmung erfolgt dazu auf Zell-Level anhand von umfangreichen Betriebs- und Testbedingungen. Hierbei erzielten besonders Impulstests und die inkrementelle Kapazitätsanalyse hohe Genauigkeiten. Jedoch zeigen die Ergebnisse dieser Arbeit auch, dass die Genauigkeiten auf Zell-Level sich aufgrund von systematischen und statistischen Unsicherheiten nicht ohne weiteres auf das Batterieverhalten auf System-Level übertragen lassen.
Neben den aktuellen Limitationen neuronaler Batteriemodelle lassen sich auch diverse Optimierungspotentiale im Bereich des Trainingsprozesses und der Datenvorverarbeitung identifizieren. Zusammenfassend erlauben die gewonnenen Erkenntnisse einen Ausblick auf weiterführende Anwendungen im Rahmen der datengesteuerten Batterieanalyse.