In dieser Arbeit wird eine Methode zur Kombination von Messdaten aus dem Zeit- und Frequenzbereich für die Parametrisierung von RC-Elementen vorgeschlagen, indem das volle Potenzial der Verteilung der Relaxationszeiten (DRT) genutzt wird.
Leo Wildfeuer (TWAICE, Technische Universität München), Philipp Gieler (Technische Universität München), Alexander Karger (TWAICE, Technische Universität München)
Ersatzschaltkreismodelle (ECMs) sind ein weit verbreiteter Modellierungsansatz für Lithium-Ionen-Batterien in technischen Anwendungen. Die RC-Elemente, die die dynamischen Verlustprozesse der Zelle darstellen, werden in der Regel parametrisiert, indem das ECM an experimentelle Daten entweder im Zeit- oder im Frequenzbereich angepasst wird. Beide Arten von Daten haben jedoch Einschränkungen hinsichtlich der beobachtbaren Zeitkonstanten elektrochemischer Prozesse.
In dieser Arbeit wird eine Methode zur Kombination von Messdaten aus dem Zeit- und Frequenzbereich für die Parametrisierung von RC-Elementen vorgeschlagen, indem das gesamte Potenzial der Verteilung der Relaxationszeiten (DRT) genutzt wird. Anstatt nur Teilinformationen aus der DRT zur Ergänzung eines herkömmlichen Anpassungsalgorithmus zu verwenden, bestimmen wir die Parameter einer beliebigen Anzahl von RC-Elementen direkt aus der DRT. Die Schwierigkeiten der automatisierten Entfaltung der DRT, einschließlich der Regularisierung und der Wahl eines optimalen Regularisierungsfaktors, werden durch die Verwendung des L-Kurven-Kriteriums zur optimierten Berechnung der DRT mittels Tikhonov-Regularisierung angegangen.
Es werden drei verschiedene Ansätze zur Zusammenführung von Daten im Zeit- und Frequenzbereich vorgestellt, darunter ein neuartiger Ansatz, bei dem die DRT gleichzeitig aus der elektrochemischen Impedanzspektroskopie (EIS) und Pulsrelaxationsmessungen berechnet wird. Das parametrisierte Modell für eine handelsübliche 18650 NCA-Zelle wurde während eines Validierungszyklus validiert, der aus Konstantstrom- und realen Autofahrzyklen bestand, und ergab eine relative Verbesserung von über 40 % im Vergleich zu einem herkömmlichen EIS-Anpassungsalgorithmus.
Zugang zum Artikel hier.
Entdecken Sie die neuesten Produktfunktionen zur Optimierung von BESS-Verwaltung und -Betrieb, nehmen Sie an einer Live-Fragestunde teil und erhalten Sie exklusive Einblicke in zukünftige Entwicklungen.
Registrieren Sie sich.webp)
Alexander Karger ist Batterie- und Machine-Learning-Ingenieur bei TWAICE, wo er an der Entwicklung modernster Batteriemodelle für das elektrische, thermische und Alterungsverhalten arbeitet. Gleichzeitig promoviert er am Lehrstuhl für Elektrische Energiespeichertechnik von Prof. Dr.-Ing. Andreas Jossen an der Technischen Universität München (TUM) und publiziert regelmäßig seine neuesten Erkenntnisse. Er hat einen Master in Luft- und Raumfahrttechnik und studierte an der TUM und der Universität Stuttgart. Seine Karriere umfasst Erfahrungen bei Porsche und GE Aviation. Er ist seit 2019 bei TWAICE tätig, ursprünglich um seine Masterarbeit abzuschließen.