In den letzten Jahren sind die Konsequenzen des Klimawandels sowie der Einfluss von KFZ-Emissionen vermehrt im Fokus öffentlicher Debatten. Das damit verbundene gesellschaftliche Umdenken führt gemeinsam mit verschärften gesetzlichen Bestimmungen und wirtschaftlichen Faktoren zu erheblichem Druck auf Industrie und Regierung, Abgase und Kraftstoffverbrauch zu minimieren. Da herkömmliche Verbrennungsmotoren ein langfristig begrenztes Emissionsreduktionspotential besitzen, finden Antriebsstrangkonzepte mit erhöhter Energieeffizienz, speziell Hybrid- und Elektroantriebe, zunehmend Beachtung. Diesen Konzepten liegt die Elektrifizierung des Antriebsstrangs zugrunde. Elektrofahrzeugen wird eine vielversprechende Zukunft als Technologie für den innerstädtischen PKW-Verkehr zugeschrieben. Demgegenüber können Hybridfahrzeuge als Übergangslösung angesehen werden, bis verbesserte Batterietechnologien den Einsatz von Elektroautos auch im Überlandverkehr ermöglichen. Die kritischen Komponenten in Elektro- und Hybridfahrzeugen sind die Traktionsbatterie und das zugehörige Batteriemanagementsystem. Da die Traktionsbatterie in wesentlichem Maße die Leistung und Effizienz des Antriebsstrangs beeinflusst, hängt die Gesamteffizienz des Fahrzeugs und insbesondere die Leistungsfähigkeit der Betriebsstrategie wesentlich von der Güte der Information über die Batterie ab, die durch das Batteriemanagementsystem bereitgestellt wird. Unter den momentan verfügbaren wiederaufladbaren Batteriesystemen bieten Lithium-Ionen-Systeme hohe Energie- und Leistungsdichten und sind daher ein sehr attraktiver Kandidat für automobile Anwendungen. Hier liegt die wesentliche Herausforderung in der Batteriealterung, die zu Leistungs- und Kapazitätsreduktion führen kann und daher für einen umfassenden Einsatz dieser Technologie im Fahrzeug geschätzt und vorhergesagt werden muss. Das Ziel dieser Arbeit ist es, einen Algorithmus zur Batteriezustandsschätzung und -vorhersage zu entwickeln, der die Effekte elektrochemischer Batteriealterung berücksichtigt. Hierzu wird in einem ersten Schritt ein detailliertes elektrochemisches Modell einer Lithium-Ionen-Batteriezelle eingeführt, das im Rahmen dieser Arbeit als Referenz betrachtet wird. Dann werden durch Betrachtung der elektrochemischen Effekte sowie einer deterministischen SensitivitätsanaJyse der Modellausgänge die Parameter identifiziert, die den dominierenden Zelldegradationsmechanismen, insbesondere Leistungs- und Kapazitätsverlusten, entsprechen. Anschließend wird die numerische Komplexität des Referenzmodells durch ein Schema reduziert, das explizit die Erhaltung der dominierenden Ausgangssensitivitäten sicherstellt. Dadurch wird garantiert, dass sowohl die Alterungs- als auch die Extrapolationsfähigkeit des Modells bei den Reduktionsschritten erhalten bleibt. Daraufhin wird die mathematische Struktur analysiert und ein adäquater Zustandsbeobachter entworfen, der die On-Board-Fähigkeit der Lösung ermöglicht. Die Methodik der deterministischen Sensitivitätsanalyse wird weiterhin eingesetzt, um ein für die On-Board-Parameternachführung ein geeignetes, repräsentatives Eingangsprofil zu definieren. Anschließend wird die Parameterschätzung in Anlehnung an die bekannte Moving-Horizon-Methode für die On-Board-Identifikation alterungsrelevanter Parametern entworfen. Der Problematik der gleichzeitigen Zustands- und Parameterschätzung wird durch eine explizite Entkopplung der beiden Schätzungsschemata begegnet. Die resultierende ganzheitliche Strategie minimiert den Einfluss von Fehlern im Zustandsvektor auf die Leistungsfähigkeit der Parameterschätzung. Um den Anforderungen zukünftiger prädiktiver Betriebsstrategien zu begegnen, werden die Konzepte des Ladungsprädiktionskennfelds und des vorkonditioniertes Ladungsprädiktionskennfelds als Alternativen zu den bekannten Kenngrößen State of Charge und State of Health eingeführt.
The impact of automotive exhaust emissions on environmental pollution has aroused intense public debate in recent years. The resulting change in public mindset, new regulations and economic factors (e.g. oil price) are exerting considerable pressure on industry and government to minimize exhaust emissions and increase mileage. In order to face these demands, one approach is directed to power train concepts with higher energy efficiencies compared to conventional internal combustion vehicle power trains. The promising concepts are based on the electrification of the power train: Battery electric vehicles are considered a promising future technology for urban area individual transport. In contrast, hybrid electric vehicles are considered a promising interim solution until battery technology enables the extra-urban application of battery electric vehicles. The battery and the related battery management system are the crucial components of battery and hybrid electric vehicles: Since the capability of the battery permits and restricts electric propulsion, it consequently limits the engines operation range in both battery and hybrid electric vehicle applications, thus being a major factor in energy efficiency. Hence, the overall vehicle efficiency, in particular the operation strategy performance, strongly depends on the quality of information about the battery, which is provided by the battery management system. Among the rechargeable battery systems presently available, the lithium-ion system provides higher energy and power densities than alternative systems, thus being a very attractive candidate for automotive applications. However, the major challenge is given with the electrochemical battery degradation that leads to power and capacity fade of the traction battery. The objective of this thesis is to provide a battery state monitoring and prediction algorithm for application in a battery management system that accounts for the effects of electrochemical degradation. To this end, in a first step we introduce a detailed electrochemical model of a lithium-ion battery cell that we used as a reference throughout this work. We then employ the method of deterministic output sensitivity analysis to identify a set of parameters that corresponds to dominant cell degradation mechanisms, particularly power and capacity fade, in lithium-ion systems. We then reduce the reference model's numerical complexity by applying a model reduction scheme that ensures the explicit preservation of the model's dominant output sensitivities. We can thus guarantee the inheritance of a model's aging capability and extrapolation power over the reduction steps. After this, we analyze the resulting mathematical structure and design a suitable state observer to allow for the on-board application of our solution. We further apply the sensitivity analysis method in order to define a suitable input profile for the necessary on-board parameter estimation task. Thereafter, we develop an adequate parameter estimation scheme that is based on the concept of moving horizon estimation. The combination of state and parameter estimation routines is resolved by explicit decoupling of the two estimation schemes. The resulting overall estimation strategy minimizes the impact of state vector errors on the parameter estimation performance. To meet the demands of predictive operation strategies, we further introduce the concepts of charge prediction maps and preconditioned charge prediction maps as candidates to supersede the existing concepts of state of charge and state of health for future automotive applications. Concluding, we successfully establish electrochemical modeling approaches of lithium-ion cells and lay the foundations for the on-board application of our solution concepts.
Advanced state prediction of lithium-ion traction batteries in hybrid and battery electric vehicle applications
2011
159 Seiten, Bilder, 231 Quellen
Theses
English
Antriebsstrang , elektrochemische Batterie , Modellmethode , Lithiumionenbatterie , Hybridfahrzeug , Kraftstoffverbrauch , Elektrifizierung , Pkw-Verkehr , Überlandverkehr , Batteriemanagement , Traktionsbatterie , Energieeffizienz , Elektroauto , Emissionsreduzierung , Antriebskonzept , Hybridantrieb , Leistungsverlust , Zustandsschätzung , Extrapolation , Reduzierbarkeit , hohe Dichte , Leistungsdichte , Parameterschätzung , Sensitivitätsanalyse , Kennfeld , Zustandsvektor , Unternehmensstrategie , Firmenstrategie , Lebensdauer
Solid state lithium traction batteries
British Library Conference Proceedings | 1985
|Manganese-based lithium batteries for hybrid electric vehicle applications
Tema Archive | 2003
|Manganese-based lithium batteries for hybrid electric vehicle applications
Online Contents | 2003
|