Návrh systému odhadování stavu a parametrů baterky pro demonstrační vozidlo

Abstract

Tato práce se zabývá vývojem odhadovače stavu pro baterii elektrického vozidla. Možnosti modelování článku baterie jsou porovnány a z nich je vybrán tzv. 2RC model ekvivalentního elektrického obvodu. Matematický model je vylepšen v odhadování stavu nabití baterie (SOC) a teplotní dynamika je vylepšena z pohledu výpočetní složitosti. Dále je popsána identifikace modelu z dat, která byla převzata z Katedry Elektrotechnologie, Českého vysokého učení technického v Praze. Zmíněny jsou i výzvy spojené s modelováním článku v rozmezí nízkých hodnot SOC. Po identifikaci modelu je uveden odhadovač stavu baterie. Běžný "unscented Kalman filter" a jeho vylepšená implementace "square root unscented Kalman filter" (SR-UKF) jsou představeny a naimplementovány. Dále jsou popsána určitá numerická vylepšení, která jsou následně naimplementována. Jako poslední krok je estimátor stavu validován pomocí naměřených dat. SR-UKF je porovnán s "extended Kalman filter" (EKF), který byl dříve naimplementován v týmu. Celkově odhadují EKF a SR-UKF srovnatelně z pohledu hodnot směrodatné odchylky (RMSE). Na druhou stranu, SR-UKF dominuje v testech měřících výpočetní čas na cílovém počítači.

This thesis describes the development of a state estimator for an electric vehicle battery. Battery cell models are discussed, and the so-called 2RC equivalent circuit model is selected. The cell model is improved in state of charge (SOC) modeling and the thermal dynamics execution complexity. Next, model identification is described using laboratory measured data obtained from the Department of Electrotechnology, Czech Technical University in Prague. Challenges related to model identification at low SOC values are discussed. After model parameter estimation is described, the cell model state estimator is presented. Conventional unscented Kalman Filter and its improved implementation called square toot unscented Kalman Filter (SR-UKF) are presented and implemented. Further, numerical enhancements are described and implemented. In the last step, the state estimator is validated using the measured data. The SR-UKF is compared with an extended Kalman filter (EKF), which was previously implemented in the team. Overall, EKF and SR-UKF appear to perform similarly with respect to root mean square error (RMSE) values. Although EKF does not exhibit significant execution time on average, UKF's execution time is superior.