Regression-based estimation of internal variables in lithium-ion batteries

Abstract

(English) The decarbonisation of energy systems, the increasing penetration of renewable generation, and the electrification of transport have made lithium-ion batteries a key enabling technology in modern power applications. Their versatility and high energy density explain their central role in electric vehicles and stationary energy storage. However, their safe and efficient operation depends on battery-management systems capable of estimating internal quantities that cannot be measured directly, such as state of charge, open-circuit voltage, and relevant electrical parameters. This task is difficult because battery behaviour is nonlinear, operating conditions are variable, and the measurements normally available in practice are limited. This thesis addresses these challenges through a practical estimation framework for real-time battery-management applications. It reviews the main modelling and estimation approaches for lithium-ion batteries and justifies the use of low-order equivalent circuit models as a suitable compromise between physical relevance and online implementability. It also reviews the estimation-theoretic basis required to work under realistic operating conditions, with particular attention to observability and excitation. A central point is that classical recursive estimators often rely on persistent excitation, whereas battery current profiles are usually dictated by operation and may only be informative over finite intervals. To bridge this gap, the thesis adopts novel regression-based tools such as the generalised parameter estimation based observer, dynamic regressor extension and mixing, and non-asymptotic least squares estimators. On this basis, two application-oriented estimation architectures are developed. The first jointly estimates the dominant parameters of a first-order equivalent circuit model and the instantaneous open-circuit voltage from online current and terminal-voltage measurements, and is validated through simulations and experiments. The second extends the plug-and-play perspective to the online identification of parametrised open-circuit-voltage/state-of-charge relations from finite informative intervals. Overall, the thesis shows that useful battery monitoring can be achieved without extensive offline parametrisation campaigns or artificially persistent excitation, thereby supporting more practical battery-management solutions. (Català) La descarbonització dels sistemes energètics, la creixent penetració de la generació renovable i l'electrificació del transport han convertit les bateries d'ió liti en una tecnologia clau en les aplicacions energètiques modernes. La seva versatilitat i elevada densitat energètica expliquen el seu paper central en els vehicles elèctrics i en l'emmagatzematge estacionari d'energia. Tanmateix, el seu funcionament segur i eficient depèn de sistemes de gestió de bateries capaços d'estimar magnituds internes que no es poden mesurar directament, com ara l'estat de càrrega, la tensió de circuit obert i paràmetres elèctrics rellevants. Aquesta tasca és difícil perquè el comportament de la bateria és no lineal, les condicions d'operació són variables i les mesures disponibles en la pràctica són limitades. Aquesta tesi aborda aquests reptes mitjançant un marc pràctic d'estimació orientat a aplicacions de gestió de bateries en temps real. El treball revisa els principals enfocaments de modelatge i estimació per a bateries d'ió liti i justifica l'ús de models de circuits equivalents de baix ordre com un compromís adequat entre rellevància física i implementabilitat en línia. També revisa desenvolupa la base teòrica d'estimació necessària per treballar en condicions d'operació realistes, amb una atenció especial a l'observabilitat i a l'excitació. Un punt central és que els estimadors recursius clàssics sovint depenen de l'excitació persistent, mentre que els perfils de corrent de la bateria solen venir imposats per l'operació i poden ser informatius només durant intervals finits. Per superar aquesta limitació, la tesi adopta noves eines basades en regressió com el generalised parameter estimation based observer, el dynamic regressor extension and mixing i els estimadors de mínims quadrats no asimptòtics. Sobre aquesta base, es desenvolupen dues arquitectures d'estimació orientades a l'aplicació. La primera estima conjuntament els paràmetres dominants d'un model de circuit equivalent de primer ordre i la tensió instantània en circuit obert a partir de mesures en línia de corrent i tensió terminal, i es valida mitjançant simulacions i experiments. La segona amplia la perspectiva plug-and-play a la identificació en línia de relacions parametritzades entre la tensió en circuit obert i l'estat de càrrega a partir d'intervals finits informatius. En conjunt, la tesi mostra que és possible dur a terme un monitoratge útil de bateries sense recórrer a campanyes extenses de parametrització fora de línia ni a excitació persistent artificial, i així donar suport a solucions de gestió de bateries més pràctiques. (Español) La descarbonización de los sistemas energéticos, la creciente penetración de la generación renovable y la electrificación del transporte han convertido las baterías de ion-litio en una tecnología clave en las aplicaciones energéticas modernas. Su versatilidad y elevada densidad energética explican su papel central en los vehículos eléctricos y en el almacenamiento estacionario de energía. Sin embargo, su funcionamiento seguro y eficiente depende de sistemas de gestión de baterías capaces de estimar magnitudes internas que no pueden medirse directamente, como el estado de carga, la tensión en circuito abierto y parámetros eléctricos relevantes. Esta tarea es difícil porque el comportamiento de la batería es no lineal, las condiciones de operación son variables y las medidas normalmente disponibles en la práctica son limitadas. Esta tesis aborda estos retos mediante un marco práctico de estimación orientado a aplicaciones de gestión de baterías en tiempo real. El trabajo revisa los principales enfoques de modelado y estimación para baterías de ion-litio y justifica el uso de modelos de circuitos equivalentes de bajo orden como un compromiso adecuado entre relevancia física e implementabilidad en línea. También revisa la base teórica de estimación necesaria para trabajar en condiciones de operación realistas, con especial atención a la observabilidad y a la excitación. Un punto central es que los estimadores recursivos clásicos suelen depender de la excitación persistente, mientras que los perfiles de corriente de la batería suelen venir impuestos por la operación y pueden ser informativos solo durante intervalos finitos. Para salvar esta limitación, la tesis adopta nuevas herramientas basadas en regresión como el generalised parameter estimation based observer, el dynamic regressor extension and mixing y los estimadores de mínimos cuadrados no asintóticos. Sobre esta base, se desarrollan dos arquitecturas de estimación orientadas a la aplicación. La primera estima conjuntamente los parámetros dominantes de un modelo de circuito equivalente de primer orden y la tensión instantánea en circuito abierto a partir de medidas en línea de corriente y tensión terminal, y se valida mediante simulaciones y experimentos. La segunda amplía la perspectiva plug-and-play a la identificación en línea de relaciones parametrizadas entre la tensión en circuito abierto y el estado de carga a partir de intervalos finitos informativos. En conjunto, la tesis muestra que es posible llevar a cabo una monitorización útil de baterías sin recurrir a campañas extensas de parametrización fuera de línea ni a excitación persistente artificial, y así apoyar soluciones de gestión de baterías más prácticas.