.webp)
Die kontinuierliche Überwachung der Impedanz bietet wichtige Einblicke in den Alterungszustand einer Batterie. Die Online-Bestimmung des Impedanzparameters für den niederfrequenten Teil der Batterie ist jedoch eine anspruchsvolle Aufgabe. In diesem Beitrag wird ein Algorithmus für die Bestimmung der Impedanz vorgestellt, der einen neuartigen Ansatz zur Quantifizierung der durch Diffusionsprozesse bei niedrigen Frequenzen verursachten Impedanz bietet.
- Impedanzschätzung mit separatem Algorithmus für hoch- und niederfrequente Prozesse.
- Theoretischer Hintergrund zu beobachtbaren Impedanzfrequenzen in realen Fahrraddaten.
- Der Algorithmus basiert auf Identifikationsfenstern und arbeitet nicht rekursiv.
- Spannungsfehler für handelsübliche 18650 NCA-Zellen unter 10 mV während des Validierungszyklus.
Die Impedanz ist eine wichtige Eigenschaft von Lithium-Ionen-Batterien, da sie deren Leistungsfähigkeit direkt beeinflusst. Die Impedanz einer Batterie ist jedoch in hohem Maße von den Betriebsbedingungen abhängig und nimmt im Laufe der Lebensdauer der Batterie zu, was auf die Verschlechterung der Batterie selbst zurückzuführen ist. Die kontinuierliche Verfolgung der Impedanz kann daher aussagekräftige Einblicke in den Alterungszustand einer Batterie liefern. Die Online-Bestimmung der Impedanzparameter einer Batterie, insbesondere des niederfrequenten Anteils, ist jedoch eine anspruchsvolle Aufgabe, die in der Literatur noch nicht eindeutig gelöst wurde.
In dieser Arbeit wird ein Algorithmus zur Online-Bestimmung der Batterieimpedanz vorgestellt, der einen neuartigen Ansatz zur Quantifizierung der durch Diffusionsprozesse verursachten Impedanz bei niedrigen Frequenzen bietet.
Der Algorithmus funktioniert durch Parametrisierung eines Ersatzschaltkreismodells, das aus RC-Elementen besteht und die Li-Ionen-Kinetik nachbildet. Die Online-Funktionalität wird durch die Parametrisierung des Modells während der Parameteridentifikationsfenster der Batteriebetriebsdaten ermöglicht, die eine Trennung der hochfrequenten und niederfrequenten Dynamik erlauben. Der entwickelte Algorithmus ist so konzipiert, dass er in Zukunft in einen kostengünstigen Mikrocontroller eingebettet werden kann, wobei die entsprechenden Berechnungs- und Speicherbeschränkungen berücksichtigt werden. Bei der experimentellen Validierung mit einer handelsüblichen Li-Ionen-Batterie wird der quadratische Fehler der simulierten Spannung bei verschiedenen statischen und dynamischen Belastungen um über 50 % gegenüber einem Vergleichsalgorithmus ohne den vorgeschlagenen Ansatz reduziert.
Zugriff auf das Papier hier.
Nehmen Sie an unserem nächsten Produkt-Webinar teil und erfahren Sie mehr über die neuesten Funktionen zur Unterstützung von BESS-Eigentümern und -Betreibern, zur Verbesserung der Leistung, zur Gewährleistung der Garantieeinhaltung und zur Maximierung der Einnahmen.
Webinar ansehen.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.