Aprèn - Victòria Júlia Ovejas Benedicto

This thesis explores the modelling of lithium batteries and integrates it into Kalman filtering to estimate the state of charge (SOC) of lithium batteries. As Li-ion batteries are used in many applications, from cell phones to electric vehicles, battery management systems (BMS) that ensure their safe and efficient operation have become critical. Meanwhile, accurate SOC estimation is a prerequisite for efficiently operating a battery management system (BMS), and Kalman filtering provides an effective way to estimate SOC accurately. In this study, the battery is first physically modelled and identified the parameters; then by these parameters, the SOC is estimated by combining the model predictions with the measured values using Extender Kalman Filter (EKF); all simulation data are derived from test data from Prof. Phillip Kollmeyer's lab at McMaster University. The modelling results indicate that the Dual Polarization (DP) model describes the electrical behaviour of Li-ion batteries relatively accurately and that the model accuracy deteriorates as the temperature decreases and the terminal current rises. In addition, online parameter identification at room and high temperatures is more accurate, and offline parameter identification at low temperatures is more suitable; on the other hand, offline parameter identification is more appropriate for small current variation ranges, and online parameter identification is more suitable for large current variation ranges. Subsequent SOC estimation results show that the Extender Kalman filtering algorithm can combine the battery model and traditional algorithms well to enhance the adaptive and self-corrective enhancement of SOC estimation; similarly, the estimation accuracy decreases with decreasing temperature. The research results provide valuable practice and experience data in the theory of lithium battery modelling and SOC algorithms, which can help promote the development of lithium battery technology in commercial applications and improve the safety and economic benefits of battery use.

Aquesta tesi explora la modelització de les bateries de liti i l'integra al filtratge de Kalman per estimar l'estat de càrrega (SOC) de les bateries de liti. Atès que les bateries d'ions de liti s'utilitzen en nombroses aplicacions, des de telèfons mòbils fins a vehicles elèctrics, els sistemes de gestió de bateries (BMS) que en garanteixen el funcionament segur i eficient s'han tornat fonamentals. Mentrestant, l'estimació precisa del SOC és un prerequisit per operar eficientment un sistema de gestió de bateries (BMS), i el filtratge de Kalman proporciona una manera efectiva d'estimar el SOC amb precisió. En aquest estudi, primer es modelitza físicament la bateria i se n'identifiquen els paràmetres; seguidament, utilitzant el Filtre de Kalman Estès (EKF), s'estima el SOC combinant les prediccions del model amb els valors mesurats; totes les dades de simulació procedeixen de dades experimentals realitzades al laboratori del professor Phillip Kollmeyer a la Universitat McMaster. Els resultats de la modelització indiquen que el model de polarització dual (DP) descriu amb relativa precisió el comportament elèctric de les bateries d'ions de liti i que la precisió del model es deteriora a mesura que disminueix la temperatura i augmenta el corrent terminal. A més, la identificació de paràmetres en línia a temperatura ambient i alta és més precisa, i la identificació de paràmetres fora de línia a baixa temperatura és més adequada; d'altra banda, la identificació de paràmetres fora de línia és més apropiada per a rangs de variació de corrent petits, i la identificació de paràmetres en línia és més adequada per a rangs de variació de corrent grans. Els resultats posteriors de l'estimació del SOC mostren que l'algoritme de filtratge de Kalman Estès pot combinar bé el model de bateria i els algoritmes tradicionals per minimitzar l'error en l'estimació del SOC; així mateix, la precisió de l'estimació disminueix en disminuir la temperatura. Els resultats d'aquesta recerca proporcionen dades pràctiques que contribueixen al coneixement de la teoria de la modelització de bateries de liti i algorismes SOC, que poden ajudar a promoure el desenvolupament de la tecnologia de bateries de liti en aplicacions comercials i millorar la seguretat i els beneficis econòmics de l'ús de les bateries.

Esta tesis explora la modelización de las baterías de litio y la integra en el filtrado de Kalman para estimar el estado de carga (SOC) de las baterías de litio. Dado que las baterías de iones de litio se utilizan en numerosas aplicaciones, desde teléfonos móviles hasta vehículos eléctricos, los sistemas de gestión de baterías (BMS) que garantizan su funcionamiento seguro y eficiente se han vuelto fundamentales. Mientras tanto, la estimación precisa del SOC es un prerrequisito para operar eficientemente un sistema de gestión de baterías (BMS), y el Filtrado Kalman proporciona una forma efectiva de estimar el SOC con precisión. En este estudio, primero se modeliza físicamente la batería y se identifican los parámetros; a continuación, mediante estos parámetros, se estima el SOC combinando las predicciones del modelo con los valores medidos utilizando el Filtro de Kalman Extendido (EKF); todos los datos de simulación proceden de datos de prueba del laboratorio del profesor Phillip Kollmeyer en la Universidad McMaster. Los resultados de la modelización indican que el modelo de polarización dual (DP) describe con relativa precisión el comportamiento eléctrico de las baterías de iones de litio y que la precisión del modelo se deteriora a medida que disminuye la temperatura y aumenta la corriente terminal. Además, la identificación de parámetros en línea a temperatura ambiente y alta es más precisa, y la identificación de parámetros fuera de línea a baja temperatura es más adecuada; por otra parte, la identificación de parámetros fuera de línea es más apropiada para rangos de variación de corriente pequeños, y la identificación en línea de parámetros es más adecuada para rangos de variación de corriente grandes. Los resultados posteriores de la estimación del SOC muestran que el algoritmo de Filtrado Kalman Extendido puede combinar bien el modelo de batería y los algoritmos tradicionales para optimizar el proceso adaptativo y autocorrectivo de la estimación del SOC; asimismo, la precisión de la estimación disminuye al disminuir la temperatura. Los resultados de la investigación aportan datos prácticos valiosos y enriquecen la teoría sobre modelización de baterías de litio y algoritmos de SOC, que pueden ayudar a promover el desarrollo de la tecnología de baterías de litio en aplicaciones comerciales y mejorar la seguridad y los beneficios económicos del uso de las baterías.