Wie schneiden SOC-Schätzverfahren hinsichtlich ihrer Leistung ab? Nutzen Sie Präzisionstests für eine zuverlässige Validierung.

Das beste SOC-Schätzverfahren hängt von den Betriebsbedingungen und den verfügbaren Batteriedaten ab. Die Coulomb-Zählung ist einfach und rechnerisch effizient, jedoch akkumuliert ihr Fehler im Laufe der Zeit und sie hängt stark vom anfänglichen SOC sowie von der Genauigkeit des Stromsensors ab. OCV- und Impedanzverfahren sind nützliche Referenztechniken, während modellbasierte und datengetriebene Algorithmen im Allgemeinen eine bessere dynamische Genauigkeit bieten, allerdings mit höheren Anforderungen an Modellierung, Rechenleistung und Validierung.

Kein einzelnes SOC-Verfahren ist universell überlegen. Eine zuverlässige Schätzung entsteht, wenn der Algorithmus auf die Batterie, das Betriebsprofil und die Hardwarebeschränkungen abgestimmt und anschließend anhand hochwertiger Messungen eines Präzisions-Batterietestsystems validiert wird.

Warum die SOC-Schätzung schwierig ist

SOC ist nicht direkt beobachtbar

Der Ladezustand (State of Charge) beschreibt die verbleibende Ladekapazität der Batterie im Verhältnis zu ihrer nutzbaren Kapazität. Anders als Spannung oder Strom kann der SOC während des normalen Betriebs in der Regel nicht direkt gemessen werden.

Die Spannungsreaktion der Batterie hängt von Strom, Temperatur, Alterung, Chemie, Relaxationszeit und interner Polarisation ab. Ein Algorithmus muss den SOC daher aus unvollständigen und sich verändernden Signalen ableiten.

Betriebsbedingungen verändern das Ergebnis

Dieselbe Klemmenspannung kann bei unterschiedlichen Lastströmen oder Temperaturen verschiedenen SOC-Werten entsprechen. Die Alterung der Batterie verändert außerdem Kapazität und elektrochemisches Verhalten, wodurch ein zuvor kalibrierter Schätzer an Genauigkeit verlieren kann.

Deshalb kann ein Algorithmus, der bei stationären Labortests gute Ergebnisse liefert, bei Beschleunigung, regenerativem Bremsen, Schnellladen oder Betrieb bei niedrigen Temperaturen an Leistung verlieren.

Vergleich der wichtigsten Verfahren

Verfahren mit charakteristischen Parametern

Verfahren mit charakteristischen Parametern schätzen den SOC anhand messbarer Batterieeigenschaften, hauptsächlich anhand der Leerlaufspannung (OCV) oder der Impedanz.

Die OCV-basierte Schätzung ist einfach und erfordert wenig Rechenleistung. Allerdings muss die Batterie im Allgemeinen ruhen, bis sich ihre Spannung dem Gleichgewicht nähert. Dadurch ist dieses Verfahren als alleiniger Schätzer bei sich schnell ändernden Lasten ungeeignet.

OCV bietet außerdem in Spannungsplateaus eine geringe SOC-Auflösung, insbesondere in Teilen des mittleren SOC-Bereichs. Unsicherheiten bei der Kalibrierung, Temperaturabhängigkeit, Hysterese und Alterung verringern die praktische Präzision zusätzlich.

Impedanzbasierte Verfahren können zusätzliche Informationen über den elektrochemischen Zustand liefern. Die Wechselstrom-Impedanzspektroskopie ist besonders für die Diagnose wertvoll, erfordert jedoch spezielle Messhardware und wird häufiger zur Laborcharakterisierung als in kostengünstigen Echtzeit-BMS-Implementierungen eingesetzt.

Coulomb-Zählung

Die Coulomb-Zählung, auch Amperestunden-Integration genannt, berechnet den SOC durch Integration des Stroms über die Zeit:

[ SOC(t) = SOC(t_0) - \frac{1}{Q_{\mathrm{usable}}}\int_{t_0}^{t} I(\tau),d\tau ]

Zu ihren Stärken zählen die unkomplizierte Implementierung, der geringe Rechenaufwand und die Anwendbarkeit bei vielen Batteriechemien. Sie funktioniert auch während dynamischer Lade- und Entladevorgänge, da sie dem tatsächlichen Ladungsfluss folgt und nicht auf einer Ruhespannung basiert.

Ihre zentrale Schwäche ist der kumulative Fehler. Ein kleiner Stromoffset, Sensordrift, ein falscher Kapazitätswert oder ein ungenauer anfänglicher SOC können zu einer zunehmend falschen Schätzung führen.

Die Coulomb-Zählung wird daher häufig als zentrale Tracking-Methode eingesetzt, erfordert jedoch eine regelmäßige Korrektur durch OCV, modellbasierte Beobachter, Vollladereferenzen oder andere unabhängige Informationen.

Modellbasierte Schätzung

Modellbasierte Verfahren bilden das Batterieverhalten mit einem Ersatzschaltbild oder einem anderen mathematischen Modell ab. Beobachter wie Kalman-Filter, Partikelfilter und Sliding-Mode-Beobachter kombinieren anschließend Modellvorhersagen mit gemessener Spannung, Stromstärke und Temperatur.

Diese Verfahren können eine hohe dynamische Genauigkeit erreichen, da sie das transiente Spannungsverhalten und interne Batteriezustände berücksichtigen. Wenn Modell und Messungen gut kalibriert sind, sind sie im Allgemeinen robuster als eine eigenständige Coulomb-Zählung.

Die wichtigste Einschränkung ist die Modellabhängigkeit. Eine genaue Parameteridentifikation ist erforderlich, und die Parameter können sich mit Temperatur, SOC, Stromrate, Zellalterung und herstellungsbedingten Unterschieden verändern.

Varianten von Kalman-Filtern erfordern außerdem geeignete Rauschannahmen und eine sorgfältige Abstimmung. Bei starken Stromimpulsen kann ein herkömmlicher Extended Kalman Filter Tracking-Verzögerungen oder Schwingungen zeigen, wenn seine Verstärkung und Modelldynamik die Betriebsbedingung nicht ausreichend abbilden.

Adaptive Ansätze können dieses Verhalten verbessern, indem sie die Verstärkung des Schätzers während aktiver Lade- und Entladephasen verändern und während Ruhephasen zu konservativeren Einstellungen zurückkehren. Solche Verbesserungen müssen experimentell über repräsentative Impulsprofile nachgewiesen werden, anstatt sie allein aus Simulationen abzuleiten.

Datengetriebene Schätzung

Datengetriebene Verfahren verwenden Techniken wie neuronale Netze, Support Vector Machines und neurofuzzy-basierte Inferenzsysteme, um die Beziehung zwischen gemessenen Signalen und SOC zu erlernen.

Sie können das nichtlineare Batterieverhalten modellieren, ohne eine explizite elektrochemische Gleichung zu benötigen. Mit repräsentativen Trainingsdaten können sie bei komplexen dynamischen Profilen eine hohe Genauigkeit erreichen.

Ihre Leistung wird durch die Qualität und Abdeckung des Trainingsdatensatzes begrenzt. Ein Schätzer, der nur mit moderaten Temperaturen, begrenzten Alterungszuständen oder engen Stromprofilen trainiert wurde, kann außerhalb dieser Bedingungen schlecht funktionieren.

Datengetriebene Verfahren können außerdem mehr Rechenkapazität und umfangreichere Verifikationen erfordern. Eine hohe Trainingsgenauigkeit reicht nicht als Beleg für die Zuverlässigkeit im Feldeinsatz aus. Die Validierung muss zuvor unbekannte Zellen, Temperaturen, Alterungszustände und Lastprofile einschließen.

Leistungsvergleich in der Praxis

Präzision

Verfahren mit charakteristischen Parametern bieten im Allgemeinen die geringste dynamische Präzision, da sie begrenzte Zustandsinformationen verwenden und empfindlich auf Betriebsbedingungen reagieren.

Die Coulomb-Zählung kann über kurze Zeiträume präzise sein, wenn die Strommessung und der anfängliche SOC genau sind. Ihre Langzeitgenauigkeit verschlechtert sich jedoch, sofern die Drift nicht regelmäßig korrigiert wird.

Modellbasierte und datengetriebene Verfahren können insbesondere bei nichtlinearem und transientem Verhalten die höchste dynamische Präzision bieten. Ihr Vorteil hängt von genauen Modellen, einer geeigneten Abstimmung oder ausreichend repräsentativen Trainingsdaten ab.

Rechenaufwand

OCV-Nachschlagetabellen und Coulomb-Zählung sind rechnerisch kostengünstig und für eingebettete Systeme mit begrenzten Ressourcen geeignet.

Kalman-Filter und andere Beobachter erfordern mehr Rechenleistung, da sie interne Zustände und Unsicherheitsabschätzungen aktualisieren. Partikelfilter und komplexe nichtlineare Beobachter können eine höhere Prozessorlast verursachen.

Neuronale Netze und verwandte Modelle unterscheiden sich stark hinsichtlich ihres Aufwands. Ein kompaktes Modell kann effizient auf einem BMS-Controller ausgeführt werden, während tiefere oder komplexere Modelle erheblich mehr Speicher und Rechenleistung benötigen können.

Betriebliche Robustheit

Die Coulomb-Zählung ist vorhersehbar, jedoch anfällig für Sensorabweichungen und Initialisierungsfehler. Die OCV-Schätzung ist unter geeigneten Ruhebedingungen stabil, aber während des aktiven Betriebs wenig leistungsfähig.

Modellbasierte Verfahren können unter dynamischen Bedingungen genau bleiben, wenn ihre Parameter an Temperatur und Alterung angepasst werden. Datengetriebene Verfahren können innerhalb ihres Trainingsbereichs robust sein, unter nicht trainierten Bedingungen jedoch weniger zuverlässig.

Ein praktisches BMS kombiniert häufig mehrere Verfahren, anstatt nur eines auszuwählen. Die Coulomb-Zählung kann kurzfristige Änderungen verfolgen, während ein modellbasierter Beobachter oder eine OCV-basierte Korrektur die Langzeitdrift begrenzen kann.

Warum Präzisions-Batterietestsysteme wichtig sind

Sie schaffen eine zuverlässige Referenz

SOC-Algorithmen können nicht sinnvoll anhand ungenauer Eingangsdaten validiert werden. Ein Präzisions-Batterietestsystem erfasst kontrollierten Strom, Spannung, Temperatur und, falls erforderlich, Impedanzmessungen mit bekannter Genauigkeit.

Diese Messungen liefern die Referenzdatensätze, die erforderlich sind, um die Ausgabe eines Schätzers mit dem experimentell ermittelten Zustand der Batterie zu vergleichen. Das System beseitigt die Unsicherheit der SOC-Bestimmung nicht direkt, macht jedoch Testbedingungen, Ladungsfluss, Kapazität und Reaktionsdaten ausreichend zuverlässig für eine belastbare Validierung.

Sie erfassen das dynamische Batterieverhalten

Testsysteme können kontrollierte Lade- und Entladezyklen, Ruhephasen, Temperaturbedingungen und zusammengesetzte Impulsprofile ausführen. Diese Profile können Beschleunigung, Bremsen, Leerlauf, Schnellladen und andere reale Betriebsbedingungen abbilden.

Die resultierenden hochauflösenden Spannungs-Strom-Verläufe zeigen transiente Spannungseinbrüche, Polarisation, Relaxation und stromratenabhängiges Verhalten. Diese Informationen sind für die Identifikation von Ersatzschaltungsparametern und das Training datengetriebener Schätzer unerlässlich.

Sie unterstützen das Algorithmustraining

Modellbasierte Algorithmen benötigen Daten zur Parameteridentifikation über SOC, Temperatur, Stromrate und Alterungsbedingungen hinweg. Datengetriebene Algorithmen benötigen noch umfassendere Datensätze, die den Betriebsbereich abdecken, in dem der Schätzer eingesetzt werden soll.

Laborsysteme ermöglichen es Forschern, Tests konsistent zu wiederholen und Datensätze anhand bekannter Ladungsdurchsätze, Kapazitätsmessungen, Umgebungsbedingungen und Testverläufe zu kennzeichnen. Dies verbessert sowohl die Algorithmusentwicklung als auch die Reproduzierbarkeit der Ergebnisse.

Sie ermöglichen eine unabhängige Validierung

Trainings- und Validierungsdaten sollten getrennt werden. Andernfalls kann ein Algorithmus genau erscheinen, weil er die Testbedingungen effektiv auswendig gelernt hat.

Ein solides Validierungsprogramm verwendet zuvor unbekannte dynamische Profile und bewertet die Leistung bei unterschiedlichen Temperaturen, anfänglichen SOC-Werten, Stromraten, Zellen und Alterungszuständen. Präzisionsgeräte machen diese Vergleiche aussagekräftig, indem sie die Unsicherheit der Referenzmessungen reduzieren.

Bewertung der Qualität eines SOC-Algorithmus

Bewerten Sie mehr als den Durchschnittsfehler

Der durchschnittliche SOC-Fehler kann gefährliches Verhalten nahe den Betriebsgrenzen verbergen. Die Bewertung sollte den maximalen Fehler, den quadratischen Mittelwertfehler, die Konvergenzzeit, die Drift, das transiente Ansprechverhalten sowie die Leistung beim Laden und Entladen umfassen.

Der Fehler sollte außerdem getrennt bei hohem SOC, niedrigem SOC und im Plateau des mittleren Bereichs untersucht werden. Die Spannungsempfindlichkeit und das praktische Risiko der Batterie sind in diesen Bereichen nicht gleich.

Verwenden Sie geeignete Messtoleranzen

Der Prüfaufbau muss genauer sein als das zu bewertende algorithmische Verhalten. Zu den Referenzanforderungen können ein Gesamtspannungsfehler von ungefähr ±1 % des Messbereichsendwerts, ein Stromfehler innerhalb von ±0,3 A bei Strömen bis 30 A oder ±1 % oberhalb von 30 A sowie ein Temperaturfehler von ungefähr ±2 °C gehören.

Für Messungen einzelner Module kann ein Fehlerziel von ungefähr ±0,5 % des Messbereichsendwerts verwendet werden. Die genauen Grenzen sollten entsprechend der Zellchemie, der Anwendung, dem Messbereich des Instruments und der geltenden Sicherheits- oder Validierungsnorm ausgewählt werden.

Testen Sie den gesamten Betriebsbereich

Die Validierung sollte sowohl ruhebasierte als auch dynamische Profile umfassen. Außerdem sollten Temperaturschwankungen, Impulse mit hoher Rate, unterschiedliche Lade- und Entladeraten, Kapazitätsverlust und Zellen mit herstellungsbedingten Abweichungen abgedeckt werden.

Beispielsweise kann ein modifizierter adaptiver EKF während Impulsen mit hoher Rate eine deutlich schnellere Konvergenz als ein herkömmlicher EKF zeigen. Diese Schlussfolgerung ist nur dann glaubwürdig, wenn sie durch gemessene Impulsdaten gestützt und während separater Betriebsprofile überprüft wird.

Die Zielkonflikte verstehen

Höhere Genauigkeit erfordert mehr Informationen

Einfache Verfahren sind attraktiv, weil sie weniger Messungen und weniger Rechenleistung benötigen. Ihre Einschränkung besteht darin, dass sie weniger Möglichkeiten zur Korrektur von Initialisierungsfehlern, Sensordrift, Temperatureinflüssen und Batteriealterung bieten.

Fortschrittlichere Schätzer nutzen zusätzliche Informationen durch interne Modelle oder erlernte Zusammenhänge. Dies verbessert die potenzielle Genauigkeit, erhöht jedoch den Bedarf an Kalibrierung, Prozessorressourcen, Testdaten und Wartung.

Laborpräzision garantiert keine Genauigkeit im Feldeinsatz

Ein hochwertiger Labordatensatz kann einen Schätzer hervorbringen, der unter kontrollierten Bedingungen äußerst gut funktioniert. Er kann jedoch keinen zuverlässigen Betrieb garantieren, wenn die eingesetzte Batterie, Sensoren, der Temperaturbereich oder das Lastprofil außerhalb des Validierungsbereichs liegen.

Der Testplan muss daher die tatsächliche Nutzung abbilden. Die Testinstrumentierung sollte sowohl das Nennverhalten als auch die Störungen charakterisieren, denen das BMS im Betrieb ausgesetzt sein wird.

SOC unterscheidet sich von SOH und SOE

Der SOC schätzt die verbleibende Ladung, während der Gesundheitszustand (State of Health, SOH) die Alterung im Verhältnis zu einer neuen oder Referenzbatterie beschreibt. Der Energiezustand (State of Energy, SOE) schätzt die verbleibende nutzbare Energie und berücksichtigt das Spannungsverhalten während der Entladung unmittelbarer.

Eine Batterie kann einen hohen SOC aufweisen, aber aufgrund einer verschlechterten Kapazität und veränderter Spannungseigenschaften weniger Energie liefern als im Neuzustand. Bei Anwendungen wie Elektrofahrzeugen kann der SOE daher den SOC ergänzen, wenn Reichweite oder verbleibende Laufzeit geschätzt werden.

Die Präzision der Instrumente hat sicherheitsrelevante Folgen

Fehler bei Spannung, Strom und Temperatur beeinflussen sowohl die Bewertung des Algorithmus als auch den Batterieschutz. Ungenaue Messungen können Überladung, Tiefentladung, ungewöhnliche Erwärmung und alterungsbedingte Veränderungen verschleiern.

Präzisions-Batterietestsysteme helfen dabei, Algorithmusfehler von Instrumentierungsfehlern zu unterscheiden. Diese Unterscheidung ist erforderlich, um zu entscheiden, ob ein Schätzer, ein Sensor, ein Batteriemodell oder eine Regelungsstrategie verbessert werden muss.

So wenden Sie dies auf Ihr Projekt an

Das geeignete Verfahren sollte als Teil der vollständigen BMS-Architektur ausgewählt werden, einschließlich Sensoren, Prozessorleistung, Batteriechemie, Betriebsprofil und Rekalibrierungsstrategie.

• Wenn Ihr Hauptaugenmerk auf geringem Rechenaufwand liegt: Verwenden Sie Coulomb-Zählung oder Verfahren mit charakteristischen Parametern, ergänzen Sie diese jedoch um regelmäßige Korrekturen und charakterisieren Sie Sensordrift, Temperatureinflüsse sowie die Unsicherheit des anfänglichen SOC.
• Wenn Ihr Hauptaugenmerk auf dynamischer Genauigkeit liegt: Verwenden Sie einen modellbasierten Beobachter, beispielsweise eine Variante des Kalman-Filters, und identifizieren Sie dessen Parameter über Strom, Temperatur, SOC und Alterungszustände hinweg.
• Wenn Ihr Hauptaugenmerk auf nichtlinearem Batterieverhalten liegt: Ziehen Sie einen datengetriebenen Schätzer in Betracht, sofern der Trainingsdatensatz den gesamten vorgesehenen Betriebsbereich abdeckt und unabhängige Validierungsdaten enthält.
• Wenn Ihr Hauptaugenmerk auf langfristiger Robustheit im Feldeinsatz liegt: Kombinieren Sie die Coulomb-Zählung mit einem unabhängigen Korrekturmechanismus und validieren Sie die hybride Strategie über Alterung, Temperatur und unterschiedliche Lastprofile hinweg.
• Wenn Ihr Hauptaugenmerk auf einer belastbaren Algorithmusvalidierung liegt: Verwenden Sie ein Präzisions-Batterietestsystem, um synchronisierte Strom-, Spannungs-, Temperatur- und Impedanzdaten unter kontrollierten und wiederholbaren Testprotokollen zu erfassen.

Ein zuverlässiger SOC-Algorithmus entsteht nicht nur durch anspruchsvolle Mathematik, sondern auch durch genaue Messungen, repräsentative Tests und eine Validierung, die das reale Batterieverhalten widerspiegelt.

Zusammenfassungstabelle:

Bereit, Ihre SOC-Algorithmen mit Präzision zu validieren? KINTEK bietet umfassende Batterietestsysteme für Forschung und Entwicklung sowie fortschrittliche Materialien und deckt den gesamten Zellfertigungsprozess ab. Unsere Anlagen unterstützen Sie dabei, eine genaue und zuverlässige SOC-Schätzung zu erreichen. Kontaktieren Sie uns noch heute, um Ihre Testanforderungen zu besprechen!