Neuer PID-optimierter SHAEKF-Algorithmus verbessert Batterie-SOC-Genauigkeit
Im dynamischen Feld der Elektromobilität bleibt die präzise Schätzung des Ladezustands (State of Charge, SOC) eine Grundvoraussetzung für Fahrzeugsicherheit, Leistungsfähigkeit und Verbrauchervertrauen. Da Batteriemanagementsysteme (BMS) immer ausgereifter werden, verfeinern Forscher kontinuierlich die Algorithmen, die das Echtzeit-SOC-Monitoring unterstützen. Ein bahnbrechender Durchbruch eines Teams der Chongqing Three Gorges University in Zusammenarbeit mit der Southeast University hat eine neuartige Verbesserung einer bereits leistungsstarken Schätzmethode eingeführt: die Integration von PID-Feedback in das SHAEKF-Framework. Diese Innovation verspricht eine noch nie dagewesene Genauigkeit bei der Verfolgung des Batterie-SOC unter verschiedenen Fahrbedingungen und extremen Umgebungseinflüssen.
Die Studie, geleitet von Professor Cai Li und der Doktorandin Xiang Lihong, beide aus der Fakultät für Elektrotechnik der Chongqing Three Gorges University, stellt eine verfeinerte adaptive Filtertechnik vor, die entwickelt wurde, um anhaltende Herausforderungen in der Batteriemodellierung zu bewältigen. Während traditionelle Methoden wie der Erweiterte Kalman-Filter (EKF) lange die Grundlage für die SOC-Schätzung bildeten, lässt ihre Leistung oft unter verrauschten Messbedingungen oder plötzlichen Lastwechseln nach – häufige Vorkommnisse in realen Fahrzeugszenarien. Die Lösung des Forschungsteams liegt in einem hybriden Ansatz, der die Stärken zweier fortschrittlicher Varianten vereint: den Sage-Husa Erweiterten Kalman-Filter (SHEKF) und den Adaptiven Erweiterten Kalman-Filter (AEKF), und deren Leistung dann mit einem dynamischen Korrekturmechanismus aus der Regelungstheorie weiter verbessert.
Im Kern dieser Weiterentwicklung steht die Integration einer Proportional-Integral-Derivative (PID)-Rückkopplungsschleife in den SHAEKF-Algorithmus. Im Gegensatz zu konventionellen Implementierungen, die sich ausschließlich auf statistische Rauschanpassung verlassen, kompensiert die neue Methode Schätzfehler aktiv in Echtzeit. Die PID-Komponente funktioniert ähnlich wie ein Präzisions-Abstimmsystem, das die Ausgabe des Filters kontinuierlich auf der Grundlage der Differenz zwischen vorhergesagten und tatsächlichen Werten anpasst. Diese geschlossene Regelkreis-Korrektur reduziert den stationären Fehler erheblich, unterdrückt Schwingungen und verbessert die Konvergenzgeschwindigkeit – entscheidende Eigenschaften, um die Genauigkeit bei schneller Beschleunigung, rekuperativem Bremsen oder Temperaturschwankungen aufrechtzuerhalten.
Die Forscher verwendeten ein RC-Ersatzschaltbild zweiter Ordnung, um das elektrochemische Verhalten der Lithium-Ionen-Batterie darzustellen. Dieses Modell erfasst sowohl ohmsche als auch Polarisierungseffekte genauer als einfachere Approximationen erster Ordnung und bietet so eine robuste Grundlage für die Zustandsschätzung. Um die Modelltreue sicherzustellen, setzte das Team den Particle Swarm Optimization (PSO)-Algorithmus zur offline-Parameteridentifikation ein. PSO, bekannt für seine globale Suchfähigkeit und schnelle Konvergenz, wurde verwendet, um Schlüsselparameter wie Innenwiderstand und Kapazitätswerte zu optimieren, indem der kumulative Fehler zwischen simulierten und gemessenen Klemmenspannungen minimiert wurde.
Die Tests wurden unter Verwendung öffentlich zugänglicher Batteriedatensätze der University of Maryland durchgeführt, wobei der Fokus speziell auf INR-18650-Zellen mit einer Nennkapazität von 2 Ah lag. Die experimentelle Validierung erstreckte sich über drei distincte Fahrzyklen: den Battery Dynamic Stress Test (DST), den Beijing Dynamic Stress Test (BJDST) und den U.S. Federal Urban Driving Schedule (FUDS). Diese Profile simulieren eine breite Palette realer Bedingungen, von aggressivem Stadtverkehr bis hin zu gemischten städtischen und Autobahnmustern, was eine umfassende Bewertung der Robustheit und Anpassungsfähigkeit des Algorithmus ermöglicht.
Die Ergebnisse zeigten, dass der verbesserte SHAEKF-Algorithmus unter allen Testbedingungen einen durchschnittlichen Schätzfehler von weniger als 1 % erreichte. Noch beeindruckender war, dass der maximale Fehler im Vergleich zur standardmäßigen SHAEKF-Implementierung um bis zu 5 % reduziert wurde. Dieses Präzisionsniveau platziert den Algorithmus gut innerhalb der Schwellenwerte, die von Industriestandards wie GB/T 38661—2020 vorgegeben sind, die hohe Genauigkeit und starke Robustheit für BMS-Anwendungen vorschreiben.
Einer der überzeugendsten Aspekte der Studie war ihre Bewertung unter variierenden thermischen Bedingungen. Die Batterieleistung ist bekanntlich temperaturempfindlich, wobei extreme Kälte oder Hitze Nichtlinearitäten einführen, die Schätzalgorithmen verwirren können. Das Team testete das System bei 0°C, 25°C und 45°C, was winterliche, Raum- und Sommerbetriebsumgebungen repräsentiert. In allen Fällen wies der PID-optimierte Algorithmus eine überlegene Genauigkeit auf, insbesondere in Niedertemperaturszenarien, bei denen andere Methoden erhebliche Abweichungen zeigten. Bei 0°C betrug der maximale Fehler für den verbesserten Algorithmus nur 2,74 %, verglichen mit über 88 % für den standardmäßigen SHAEKF – eine dramatische Verbesserung, die den Wert der PID-Korrektur für die Stabilisierung der Leistung unter Belastung unterstreicht.
Die Verschmelzung von SHEKF und AEKF bringt komplementäre Stärken zusammen. SHEKF zeichnet sich durch die Anpassung an Änderungen im Messrauschen durch einen Vergessensfaktor-Mechanismus aus, der aktuelleren Daten mehr Gewicht verleiht. Dies kann jedoch zu Instabilität führen, wenn ältere Daten zu aggressiv abgewertet werden. AEKF hingegen verwendet ein gleitendes Fenster, um die Rauschkovarianz zu schätzen, was eine bessere statistische Konsistenz bietet, aber potenziell langsamere Reaktionen auf abrupte Änderungen. Durch die Kombination dieser Ansätze und die Verfeinerung des Rauschschätzprozesses – unter anderem durch das Ersetzen problematischer Gleichungen, die nicht-positive definite Matrizen erzeugen könnten – schufen die Forscher einen ausgewogeneren und zuverlässigeren Schätzer.
Die Einführung der PID-Rückkopplungsschleife stärkt diesen hybriden Rahmen weiter. Der proportionale Term reagiert sofort auf aktuelle Fehler, die integrale Komponente eliminiert langfristige systematische Abweichungen, und die derivative Aktion antizipiert zukünftige Trends basierend auf der Änderungsrate. Diese Verstärkungen wurden mit der kritischen Proportionalmethode abgestimmt, was zu optimierten Werten führte, die Stabilität ohne Einbußen bei der Reaktionsfähigkeit gewährleisten. Die adaptive Fenstergröße, die sich dynamisch basierend auf der Anzahl der Iterationen anpasst, verbessert weiterhin die Fähigkeit des Algorithmus, Empfindlichkeit und Robustheit auszugleichen.
Aus ingenieurtechnischer Sicht sind die Auswirkungen dieser Arbeit bedeutend. Eine genaue SOC-Schätzung beeinflusst direkt die Reichweitenprognose, Ladeeffizienz und Batterielebensdauer. Eine Überschätzung des SOC kann zu unerwarteten Abschaltungen führen, während eine Unterschätzung die nutzbare Kapazität verringert und das Fahrervertrauen untergräbt. Der verbesserte SHAEKF-Algorithmus mindert beide Risiken und ermöglicht ein präziseres Energiemanagement sowie ein verbessertes Gesamtnutzererlebnis.
Darüber hinaus deutet die starke Leistung des Algorithmus über mehrere Fahrzyklen hinweg auf eine breite Anwendbarkeit. Das DST-Profil mit seinen häufigen Lastwechseln testet das dynamische Antwortverhalten; BJDST spiegelt urbanes Stop-and-Go-Verkehrsaufkommen wider; und FUDS simuliert gemischte Fahrprofile, die typisch für amerikanische Städte sind. Der Erfolg in allen drei Fällen zeigt, dass die Methode nicht überangepasst an einen spezifischen Anwendungsfall ist, sondern rather über generalisierbare Intelligenz verfügt, die diverse Betriebsanforderungen bewältigen kann.
Die Forschung unterstreicht auch die Bedeutung der Modelltreue. Während fortschrittliche Filtertechniken einige Ungenauigkeiten ausgleichen können, können sie grundlegende Mängel im zugrundeliegenden Batteriemodell nicht vollständig überwinden. Die Verwendung von PSO zur Parameteridentifikation stellt sicher, dass das RC-Modell zweiter Ordnung das reale Verhalten eng nachbildet, insbesondere bei der Erfassung von Spannungstransienten und Relaxationseffekten. Diese Synergie zwischen präziser Modellierung und intelligenter Filterung ist der Schlüssel zur Erreichung einer hochpräzisen SOC-Schätzung.
Ein weiteres bemerkenswertes Merkmal ist die Recheneffizienz des Algorithmus. Trotz seiner erweiterten Fähigkeiten behält die Methode eine rekursive Struktur bei, die sich für die Echtzeit-Implementierung in embedded BMS-Hardware eignet. Die Balance zwischen Komplexität und Leistung macht sie zu einem vielversprechenden Kandidaten für den kommerziellen Einsatz, insbesondere da Automobilhersteller auf höhere Autonomie- und Konnektivitätsstufen hinarbeiten, bei denen zuverlässige Batteriedaten noch kritischer werden.
Der Entscheid des Teams, ihre Arbeit mit Open-Source-Datensätzen zu validieren, erhöht die Glaubwürdigkeit und erleichtert die Reproduzierbarkeit. Der Batteriedaten-Repository der University of Maryland ist in der Forschungsgemeinschaft weit anerkannt und ermöglicht unabhängige Verifikation und Benchmarking gegen andere Methoden. Diese Transparenz entspricht den Best Practices wissenschaftlicher Forschung und stärkt die Wirkung der Ergebnisse.
In Aussicht gestellt wird, dass die Forscher anerkennen, dass, obwohl der Algorithmus mit Labordaten validiert wurde, Tests in realen Fahrzeugen der nächste logische Schritt sind. Feldversuche würden Einblicke in die langfristige Zuverlässigkeit, die Rechenlast unter Dauerbetrieb und die Wechselwirkungen mit anderen Fahrzeugsystemen bieten. Zusätzlich könnte die Erweiterung der Methode zur Schätzung anderer Batteriezustände – wie des Zustands der Gesundheit (State of Health, SOH) oder des Leistungszustands (State of Power, SOP) – ihren Nutzen weiter vergrößern.
Die Integration von Regelungstheorie-Konzepten wie PID in die Zustandsschätzung repräsentiert eine vielversprechende Richtung für zukünftige Forschung. Traditionell als separate Domänen betrachtet, spiegelt die Konvergenz von Schätz- und Regelungsstrategien einen ganzheitlicheren Ansatz im Systemdesign wider. Da Fahrzeuge zunehmend elektrifiziert und automatisiert werden, werden solche interdisziplinären Innovationen essentiell für das Management komplexer Energiesysteme sein.
Diese Arbeit unterstreicht auch die wachsende Rolle chinesischer Institutionen bei der Weiterentwicklung der Batterietechnologie. Da das Land die globale EV-Adoption und -Produktion anführt, spielt die heimische Forschung eine zentrale Rolle bei der Lösung praktischer Herausforderungen. Die Zusammenarbeit zwischen der Chongqing Three Gorges University und der Southeast University exemplifiziert, wie regionale und nationale akademische Netzwerke den technologischen Fortschritt vorantreiben können.
Zusammenfassend markiert der PID-optimierte SHAEKF-Algorithmus einen bedeutenden Schritt nach vorn in der Batteriezustandsschätzung. Durch die intelligente Kombination adaptiver Filtertechniken mit Echtzeit-Fehlerkorrektur liefert die Methode außergewöhnliche Genauigkeit, Stabilität und Robustheit. Ihre Leistung über diverse Fahrzyklen und Temperaturbereiche hinweg macht sie zu einem starken Anwärter für Anwendungen in BMS der nächsten Generation. Während die Automobilindustrie ihren Übergang zur Elektrifizierung fortsetzt, werden Innovationen wie diese instrumental sein, um sicherere, effizientere und zuverlässigere Elektrofahrzeuge zu bauen.
Cai Li, Xiang Lihong, Yan Juan, Xu Qingshan. Einführung des SHAEKF-Algorithmus mit PID-Feedback zur Schätzung des Batterie-SOC. Battery Bimonthly, 2024, 54(1):47-51. DOI:10.19535/j.1001-1579.2024.01.010