Batterieladezustand

Was ist der Batterieladezustand?

Der Batterieladezustand (SoC) ist eine normalisierte Menge zwischen 0 und 1, die den Ladestand in der Batterie zu diesem Zeitpunkt angibt. Ein SoC von 1 bedeutet, dass die Batterie voll geladen ist, während sie bei einem SoC von 0 komplett entladen ist.

Bei Elektrofahrzeugen ist der SoC analog der Tankanzeige in konventionellen Fahrzeugen mit Verbrennungsmotor. Der Fahrer erhält einen Anhaltspunkt zur Menge an Energie, die noch in der Batterie ist: Je höher der SoC, desto größer der Fahrbereich. Durch die Kenntnis des Batterieladezustands kann der Fahrer seine Fahrten und die Ladestopps effektiver planen. Der Batterieladezustand wird folgendermaßen berechnet:

\( SOC({t_1}) = SOC({t_0}) + {{\frac{1}{C_{total}}}{\int_{t_0}^{t_1}{\frac{{\eta}i(t)}{3600}}dt}} \)

wobei

• \( SOC({t_1}) \) der Batterieladezustand zum Zeitpunkt \( t_1 \) in Sekunden ist
• \( SOC({t_0}) \) der Batterieladezustand zum Zeitpunkt \( t_0 \) in Sekunden ist
• \( i(t) \) der Batteriestrom in A ist, mit negativem Vorzeichen, wenn sich die Batterie entlädt
• \( η \) der coulombsche Effizienzfaktor ohne Einheit ist
• \( C_{total} \) die Gesamtkapazität der Batterie in Ah ist Sie ist als die Ladung definiert, die der Batterie vom voll geladenen (SoC = 1) zum komplett entladenen Zustand (SoC = 0) entnommen wird. Die Gesamtkapazität der Batterie nimmt ab, da die Batterie mit der Zeit abbaut.

Bedeutung der genauen Abschätzung des Batterieladezustands

Batteriemanagementsysteme (BMS) informieren den Benutzer mithilfe des SoC über die zu erwartende Nutzung bis zum nächsten Aufladen, halten die Batterie im sicheren Betriebsfenster, implementieren Regelungsstrategien und verbessern letztlich die Batterielebensdauer in vielen Anwendungen, einschließlich Elektrofahrzeuge (EVs) und Energie-Speichersysteme. Zum Beispiel benötigt die Schätzung des Betriebszustands (SoH) SoC-Informationen, um eine genaue Angabe zu liefern. BMS verwendet bei Zellausgleichsalgorithmen einen geschätzten SoC.

Herausforderungen bei der genauen Schätzung des Batterieladezustands

Die genaue Schätzung des SoC ist entscheidend, um batteriebetriebene Systeme effektiv zu verwalten und zu betreiben. Dennoch gibt es dabei verschiedene Herausforderungen: 

• Nicht lineare Entladungskurven: Viele Batterien haben nicht lineare Entladungsmerkmale. Das erschwert die Schätzung des SoC rein auf Basis von Spannungsmessungen.
• Fehler bei der Strommessung: Eine genaue SoC-Schätzung ist oft auf präzise Strommessungen angewiesen. Fehler bei der Strommessung können zu kumulativen Fehlern bei der SoC-Schätzung führen, besonders bei Verfahren wie der Coulomb-Zählung.
• Alterung, Abbau und SoH-Abhängigkeit: Der SoC hängt oft vom Betriebszustand der Batterie ab. Mit der Zeit bauen Batterien ab, was ihre Kapazität und ihren Innenwiderstand beeinträchtigt. Diese Abbau kann, falls er nicht ordnungsgemäß berücksichtigt wird, zu Ungenauigkeiten bei der SoC-Schätzung führen.
• Selbstentladung: Batterien können mit der Zeit Ladung verlieren, wenn sie nicht in Gebrauch sind. Dadurch können sich Abweichungen bei der SoC-Schätzung ergeben, falls dies nicht berücksichtigt wird.
• Dynamische Lastprofile: Lastschwankungen können die SoC-Schätzung verkomplizieren, da sie zu schnellen Wechseln bei Spannung und Stromstärke der Batterie führen und das Nachverfolgen des tatsächlichen Ladezustands erschweren.
• Parametrierung von Batteriemodellen: Batteriemodelle sind normalerweise Ersatzschaltbildmodelle. Zur genauen SoC-Schätzung ist eine genaue Modellanpassung und Feinabstimmung von Kovarianzen erforderlich, wenn ein Kalman-Filter verwendet wird. Die Modellparametrierung kann zeitaufwändig und schwierig sein.

Berechnung des Batterieladezustands

Die Methoden zur Schätzung des SoC reichen von einfacher Stromintegration (Coulomb-Zählung) und Spannungsüberwachung bis hin zu komplexen modellbasierten und datengesteuerten Methoden wie Kalman-Filter und neuronale Netze.

Genaue Batteriemodelle sind für die Entwicklung von Algorithmen zur modellbasierten SOC-Schätzung in einem Batteriemanagementsystem unerlässlich. Klassische Ansätze zur SOC-Schätzung in einem Batteriemanagementsystem, wie die Suche nach der Leerlaufspannung (Open Circuit Voltage, OCV) und die Stromintegration (Coulomb-Zählung), sind einfach zu implementieren und in bestimmten Fällen verhältnismäßig genau. Der OCV-basierte Ansatz erfordert jedoch eine OCV-Messung, der eine längere Ruhephase vorausgehen muss. Die Coulomb-Zählung hat den Nachteil einer unzureichenden Initialisierung und der Ansammlung von Strommessrauschen. Die Ansätze des erweiterten Kalman-Filters (EKF) und des Unscented Kalman-Filters (UKF) haben gezeigt, dass sie in realen BMS-Implementierungen mit einem akzeptablen Rechenaufwand genaue Ergebnisse liefern.

Simscape Battery™, eine Modellierungssoftware zum Entwerfen und Simulieren von Batterie- und Energiespeichersystemen, bietet verschiedene SoC-Schätzer zur BMS-Entwicklung und unterstützt die Code-Generierung:

• SOC-Schätzer (Coulomb-Zählung): Ladezustandsschätzer mit Coulomb-Zählung
• SOC-Schätzer (Coulomb-Zählung, variable Kapazität): Ladezustandsschätzer mit Coulomb-Zählung und variabler Kapazität
• SOC-Schätzer (Kalman-Filter): Ladezustandsschätzer mit Kalman-Filter
• SOC-Schätzer (Kalman-Filter, variable Kapazität): Ladezustandsschätzer mit Kalman-Filter und variabler Kapazität
• SOC-Schätzer (Adaptiver Kalman-Filter): Ladezustands- und Endwiderstandsschätzer mit adaptivem Kalman-Filter
• SOC-Schätzer (Adaptiver Kalman-Filter, variable Kapazität): Ladezustands- und Endwiderstandsschätzer mit adaptivem Kalman-Filter und variabler Kapazität

Im Vergleich zum SOC-Schätzer mit Kalman-Filter verfügt der SOC-Schätzer mit adaptivem Kalman-Filter über den Endwiderstand als zusätzlichen Zustand. Bei beiden, dem adaptiven Kalman-Filter-SOC-Schätzer und dem Kalman-Filter-SOC-Schätzer, besteht die Möglichkeit, einen EKF oder UKF zu wählen, um einen Beobachter-Block zur Schätzung des SoC zu entwickeln. Dieser Beobachter-Block in einem Batteriemanagementsystem umfasst normalerweise ein Modell des nicht linearen Batteriesystems, das den von der Batterie gemessenen Strom und die Spannung vom BMS als Eingangsgrößen verwendet, sowie einen rekursiven Algorithmus, der die internen Zustände des Systems (darunter SoC) auf der Grundlage eines zweistufigen Vorhersage- und Korrekturprozesses berechnet.

Schätzung des Batterieladezustands mithilfe eines Deep-Learning-Netzes

Anstelle eines Kalman-Filters kann ein Batteriemanagementsystem auch eine datengesteuerte Methode wie z. B. ein neuronales Netz zur Schätzung des SOC verwenden. Diese Methode erfordert keine umfangreichen Informationen über die Batterie oder ihr nichtlineares Verhalten. Stattdessen wird das Netz mit Strom-, Spannungs- und Temperaturdaten und dem SOC als Antwort trainiert. Sie können ein neuronales Netz mithilfe der Projektion komprimieren, was zu schnelleren Vorwärtsdurchläufen führt, wenn es auf der CPU ausgeführt oder mithilfe der bibliotheksfreien Codegenerierung von C oder C++ auf eingebetteter BMS-Hardware bereitgestellt wird.