Bewertung des Einflusses von Methoden zur Schätzung der Leerlaufspannung auf die UKF‑Leistung bei der SOC‑ und SOH‑Schätzung von Lithium‑Ionen‑Batterien

Warum bessere Batteriemessgeräte wichtig sind

Jeder, der ein Elektroauto fährt, ein Smartphone nutzt oder auf heimische Energiespeicher angewiesen ist, vertraut auf eine kleine Zahl auf dem Display: wie viel Batterie noch übrig ist und wie stark die Batterie bereits gealtert ist. Hinter dieser einfachen Anzeige steckt ein komplexes Schätzproblem. Diese Arbeit untersucht ein zentrales Stück dieses Puzzles — wie wir die Beziehung zwischen der Ruhespannung einer Batterie und ihrem Ladezustand modellieren — und zeigt, dass die Wahl der richtigen Methode an Bord befindliche „Batteriemessgeräte“ schneller, genauer und besser im Verfolgen der langfristigen Gesundheit macht.

Zwei Arten, einer Batterie zuzuhören

Um abzuschätzen, wie voll eine Lithium‑Ionen‑Batterie ist, stützen sich Ingenieure auf eine Kurve, die die Leerlaufspannung (die Spannung nach Ruhephasen) mit dem Ladezustand (SOC) verbindet. Die Autoren vergleichen zwei gängige Verfahren zur Erstellung dieser Kurve. Die Low‑Current‑(LC‑)Methode lädt und entlädt die Zelle mit einem sehr kleinen Strom, sodass die gemessene Spannung nahe am Ruhwert liegt. Dieses Verfahren ist einfach, neigt aber dazu, scharfe Änderungen in der Kennlinie zu glätten. Die Incremental‑Current‑(IC‑)Methode hingegen nutzt kurze Stromimpulse bei vielen Ladezuständen, getrennt durch Ruhezeiten. Das erfordert mehr experimentellen Aufwand, erfasst jedoch feinere Details dort, wo die Spannung schnell mit der Ladung variiert — was sich als entscheidend für präzise Schätzungen erweist.

Kurven mit intelligenten Schätzern verbinden

Moderne Batteriemanagementsysteme verwenden zunehmend fortschrittliche Schätzalgorithmen wie den Unscented Kalman Filter (UKF), um in Echtzeit verborgene Größen wie SOC und State of Health (SOH) zu ermitteln. Die Autoren kombinieren diese Algorithmen mit einem einfachen, aber weit verbreiteten elektrischen „Äquivalentschaltkreis“ einer Zelle: eine spannungsabhängige Quelle, die vom SOC abhängt, ein Serienwiderstand und ein Widerstand‑Kondensator‑Zweig zur Erfassung transienter Effekte. In dieses Modell setzen sie entweder die auf LC basierende oder die auf IC basierende Spannungs‑Ladezustands‑Kurve ein und untersuchen dann, wie gut jede Version dem UKF erlaubt, SOC und den Serienwiderstand R0 — den sie als praktischen Indikator für Alterung nutzen — zu verfolgen.

Prüfung unter realen Fahrbedingungen

Statt sich allein auf sanfte Laborzyklen zu verlassen, belastet die Studie das Modell mit einem hochdynamischen fahrzeugähnlichen Fahrprofil, bekannt als FUDS. Der Strom wechselt schnell zwischen Laden, Entladen und Segeln und ähnelt damit stark dem Stadtverkehr. Mit öffentlichen Datensätzen von NASA und dem CALCE‑Batterierepositorium zeigen die Forschenden zunächst, dass Kapazität und Innenwiderstand der Batterie sich über viele Zyklen gemeinsam verändern, was die Idee stützt, dass R0 ein nützlicher Gesundheitsindikator ist. Anschließend lassen sie den UKF mit beiden Spannungs‑Ladezustands‑Kurven laufen und vergleichen seine SOC‑Schätzungen, die vorhergesagte Klemmenspannung und das verfolgte R0 mit einem detaillierten Referenzmodell mittels standardisierter Fehlermaße über die gesamte Fahrt.

Schnellere, sauberere Schätzungen mit mehr Detail

Die Ergebnisse sprechen deutlich für die detailliertere IC‑Methode. Wenn der UKF mit anfänglicher Unsicherheit startet, liefert die auf IC basierende Kurve geringere mittlere Fehler beim SOC und eine bessere Rekonstruktion der Batteriespannung, während die Rechenlast dieselbe bleibt wie bei der LC‑Version. Wenn die Autoren dem Filter absichtlich einen großen Anfangsfehler im SOC geben — ihn bei 65 % starten lassen, obwohl die Batterie tatsächlich bei 80 % ist — ist der Unterschied deutlich: Mit der IC‑Kurve stellt sich der Schätzwert innerhalb weniger als zehn Zeitschritte wieder korrekt ein; mit der LC‑Kurve dauert es mehr als 200 Schritte. Dieses Verhalten lässt sich auf eine einfache Idee zurückführen: An Stellen, an denen die Spannungs‑Ladezustands‑Kurve steiler ist, enthalten kleine Spannungsabweichungen mehr Information, sodass der Filter den SOC entschiedener korrigieren kann.

Alterung der Batterie in Echtzeit ablesen

Zur Abschätzung des Zustands rekonstruiert der UKF kontinuierlich den Innenwiderstand R0 aus dem gemessenen Strom und der Spannung. Die Autoren glätten dieses Signal anschließend mit einem gleitenden Mittelwert und untersuchen seinen langfristigen Trend. Bei der auf LC basierenden Kurve springt und oszilliert der geschätzte Widerstand, besonders bei schnellen Stromwechseln, obwohl der physikalische Innenwiderstand nicht so schnell variieren kann. Solches numerisches Rauschen könnte in einem echten Batteriemanagementsystem Fehlalarme auslösen. Mit der auf IC basierenden Kurve entwickelt sich R0 deutlich ruhiger und zeigt einen realistischer sanft ansteigenden Trend, wodurch ein klareres Bild der allmählichen Alterung entsteht, ohne die Reaktionsfähigkeit auf echte Veränderungen zu beeinträchtigen.

Was das für Alltagsbatterien bedeutet

Kurz gesagt zeigt die Studie, dass eine informationsreichere Spannungs‑Ladezustands‑Karte das „Gehirn“ des Batteriemanagementsystems intelligenter macht. Die Nutzung der auf inkrementellen Strömen basierenden Kurve ermöglicht dem UKF, den tatsächlichen Ladezustand schnell zu finden, schlechte Anfangsannahmen abzuschütteln und den Innenwiderstand unter realen Fahrprofilen stabil zu verfolgen. Da der Mehraufwand hauptsächlich in der einmaligen Laborcharakterisierung liegt und nicht in der Bordelektronik, können Hersteller den IC‑Ansatz übernehmen, ohne die Batterieelektronik zu verkomplizieren. Der Nutzen sind verlässlichere Reichweitenangaben, sichererer Betrieb und bessere Frühwarnungen bei Batteriealterung in Elektrofahrzeugen und anderen Energiespeichersystemen.

Zitation: Mikhak-Beyranvand, M., Salehi, M. & Mohammadkhani, M.A. Assessing the impact of open-circuit voltage estimation methods on UKF performance for lithium-ion battery SOC and SOH estimation. Sci Rep 16, 7605 (2026). https://doi.org/10.1038/s41598-026-38846-4

Schlüsselwörter: Lithium‑Ionen‑Batterien, SoC‑Schätzung (Ladezustand), Batteriezustandsüberwachung, Kalman‑Filter, Batterien für Elektrofahrzeuge