skrivet av Stefan Pettersson (Viktoria Swedish ICT AB ) och Helena Berg (Libergreen)
I fredags den 9 oktober försvarade Verena Klass sin doktorsavhandling på KTH och Björn Fridholm försvarade sin licentiatavhandling på Chalmers. Båda handlar om adaptiva tillståndsfunktioner av batterier - hälsotillstånd respektive laddningstillstånd -- State of Health (SOH) och State of Charge (SOC). Två avhandlingar, två tillståndsfunktioner och två infallsvinklar.
- Varför pratar vi bara om batterier som inte håller måttet? Så inledde Björn Fridholms opponent Alexander Medvedev, Avdelningen för systemteknik, Institutionen för informationsteknologi, Uppsala universitet. Till mångt och mycket är det en inställningsfråga men hur väl vi kan skatta SOC och SOH kan ju påverka vår inställning till hur bra våra batterier är.
Båda avhandlingarna handlar om att minska kostnaderna och räckviddsångesten.
Räckviddsångest är ett trendigt ord, ett ord som torde ha varit lika trendigt för 100 år sedan när de första fossilbilarna började användas. Hur långt kan jag köra på en tank...?
Batterisystemet är den enskilt dyraste komponenten i ett elektrifierat fordon. En starkt bidragande orsak till den höga kostnaden är att batteriteknologin ännu inte har uppnått en tillfredställande mognads- och industrialiseringsgrad i fordonstillämpningen. Generellt ökad kompetens inom energilagersystem och förbättrad förståelse för de speciella krav som tillkommer i fordonstillämpningen är därför grundläggande förutsättningar för att elfordon skall kunna ta marknadsandelar.
En central frågeställning är hur stor del av den inbyggda energin som kan användas. Särskilt kritiskt är att förstå batteriteknologins åldringsprocesser samt hur fordonet på bästa sätt skall anpassa sig till ett gradvis mer slitet batteri utan påtagliga försämringar för föraren. För att spara på batteriets livslängd används en begränsad del av den installerade energin. Detta gör att batterisystemet överdimensioneras för att klara av livslängdskraven. Om vi däremot på förhand vet begränsningarna hos en viss typ av energilager kan besparingar göras på flera håll: vikt och volym, kostnad och resursåtgång.
Hur en given batteriteknologi åldras beror på hur den används, hur kraftigt den belastas, på vilket sätt den cyklas med i- och urladdningar, vilka temperaturer den utsätts för osv. och beror på ett antal faktorer som härrör från de kemiska begränsningarna för en given teknologi. Det som gör det svårt att skatta SOC och SOH är att alla dessa tillstånd är starkt sammanflätade och svåra att studera var för sig. Varken SOC eller SOH går att direkt mäta på ett batteri, utan måste beräknas och skattas. SOC anges oftast som % kvarvarande laddning jämfört med ett fulladdat batteri och SOH anges oftast som % kvarvarande kapacitet jämfört med ett nytt batteri. Alltså två tillstånd med två olika tidshorisonter.
SOC och SOH är tillstånd som skattas av batteriets styrenhet – oftast kallad BMS (Battery Management System) – och beräknas som rena mjukvarufunktioner i styrsystemet, givet valda insignaler som ström, spänning och temperatur. Det är enkelt att ändra i mjukvara, men desto svårare att göra beräkningsalgoritmer som ger bra skattningar, då batteriet är en dynamisk komponent med många olinjäriteter. Vidare ska tillstånden beräknas utan att ta för mycket tid och minne eftersom detta av kostnadsskäl oftast är begränsat. De som gör bäst skattningsalgoritmer kan minska sina kostnader och kommer därmed potentiellt vinna marknadsandelar och därför är det mycket hysch-hysch kring dessa funktioner.
Verena Klass är kemist i grund och botten och doktorandstudierna och hennes arbete är ett bidrag som tar avstamp från ett elektrokemiskt perspektiv. Verenas doktorsarbete utfördes i ett projekt under SHC (Svenskt Hybridfordonscentrum) med bl.a. Scania och Volvo Car Corporation, ETC Battery och FuelCells som parter.
Verenas avhandling har titeln ”Battery Health Estimation in Electric Vehicles” och som titeln antyder så jobbade Verena med att göra bra skattningar för SOH i litiumjonbatterier, och närmare specifikt indikatorer på detta i form av batteriets interna resistans och kapacitans. Förutom batteriets ström, spänning och temperatur, så utnyttjade Verena SOC-estimatet som redan fanns tillgängligt i BMS. För att göra sin beräkningsalgoritm, valde Verena att utnyttja så kallade SVM (Support Vector Machines) för att bygga datadrivna batterimodeller. Kapaciteten och resistansen uppskattades därefter genom att utnyttja standardiserade laboratorietester. Verena har fått data till sina modeller från Volvo Car Corporation och Scania, och hon har studerat både PHEV- och HEV-tillämpningar. Verena visade att det med sin metod går att göra tillförlitliga skattningar av SOH.
För att skatta SOH behövs alltså en bra och tillförlitlig SOC-estimering som då gärna ändras när batteriet åldras. Björn Fridholm har studerat hur SOC kan estimeras och hur adaptivt detta kan göras och utgått från ett reglertekniskt perspektiv – går det att skatta SOC på ett tillförlitligt sätt utan att koppla frågeställningen till kemiska förlopp? Svaret är ja. Avhandlingens titel ”On State-of-Charge Estimation for Automotive Batteries” bygger på enkla men robusta modeller, data för att stödja kommer från FFI-projektet State of Function (AB Volvo, Volvo Cars, Intertek och Viktoria Swedish ICT). Till sitt förfogande har Björn haft ström, spänning och temperatur.
I stort sett alla parametrar i ett batteri hänger ihop på ett eller annat sätt och ett tillstånd bygger på föregående tillstånd. Så det gäller att veta vad man ska studera och navigera rätt. Olika filter har Björn utvärderat för att få robusta SOC-modeller oberoende av cellernas kemi -- bästa lösningen är att använda extended Kalman-filter (se förklaring nedan). Många av de data som den adaptiva SOC-algoritmen utgår ifrån är olika parametrar där data tas från look up-tabeller. Det Björn har gjort är att adaptivt uppdatera dessa look up-tabeller utifrån hur batteriet åldras och detta med ett adaptivt Kalman-filter.
Modellerna Björn har använt kommer anpassas efter vad som skett med batteriet och på så sätt får han fram en robust SOC-estimering som ger tillförlitligare användning av batteriet - både i det korta och långa perspektivet. En mer rättvisande SOC gör att man bättre kan beräkna kvarvarande körsträcka i en BEV och optimera energianvändningen i en HEV/PHEV. I det långa loppet blir även livslängdsuppskattningen (SOH) mer tillförlitlig. Två avhandlingar som kopplar starkt!
Egna kommentarer
Verena och Björn har olika bakgrund och ingångsvinklar till att angripa batteriskattningsproblematiken, där Verena tar avstamp från ett elektrokemiskt perspektiv och Björn från ett reglertekniskt perspektiv. I grund och botten är de övergripande önskemålen samma, eftersom skattningarna i slutändan sitter i batteriets styrsystem, men de olika utgångspunkterna speglar säkert delvis valen av använd metodik. Björn angriper problemet med ett extended Kalmanfilter där en modellstruktur ansätts medan Verena betraktar systemet som en black-box (dvs. ingen given modellstruktur) och använder SVM för att anpassa modellstrukturen. Det är svårt att avgöra när skattningar är tillräckligt bra, och det går alltid att göra mer och ännu tillförlitligare. Troligtvis kommer detta fortsätta – Verena på Scania och Björn på Volvo Car Corporation – och deras arbete kommer med största sannolikhet vara värdefulla för svensk fordonsindustri.
Grattis Verena och Björn till examen och lycka till med era framtida utmaningar.
Kalmanfilter: bästa sättet att skatta tillstånden i linjära dynamiska system givet brusiga styr- och mätsignaler. För olinjära system finns inga garantier för bästa skattning, utan då kan det vara fördelaktigt att utöka metoden, varav namnet extended-Kalmanfilter.
