Utvärdering av hur metoder för uppskattning av vilospänning påverkar UKF‑prestanda för SOC‑ och SOH‑uppskattning i litiumjonbatterier

Varför bättre batterimätare spelar roll

Alla som kör elbil, använder en smartphone eller förlitar sig på hemmalagring av energi får förlita sig på en liten siffra på en skärm: hur mycket batteri som är kvar och hur slitet batteriet har blivit. Bakom den enkla visningen döljer sig ett komplext uppskattningsproblem. Denna studie undersöker en nyckelbit i det pusslet — hur vi modellerar sambandet mellan ett batteris vilospänning och dess laddnivå — och visar att valet av metod kan göra ombord‑"batterimätare" snabbare, mer precisa och bättre på att följa långsiktig hälsa.

Två sätt att lyssna på ett batteri

För att uppskatta hur fullt ett litiumjonbatteri är använder ingenjörer en kurva som kopplar samman öppenkrets‑spänning (batteriets spänning efter vila) med state of charge (SOC). Författarna granskar två vanliga sätt att bestämma denna kurva. Lågströmsmetoden (LC) laddar och urladdar cellen försiktigt med mycket liten ström så att den uppmätta spänningen ligger nära vilovärdet. Denna procedur är enkel men tenderar att jämna ut skarpa förändringar i kurvan. Den inkrementella strömmets metod (IC) använder däremot korta strömpulser på många laddnivåer, åtskilda av viloperioder. Det kräver mer experimentellt arbete men fångar finare detaljer där spänningen ändras snabbt med laddningen, vilket visar sig vara avgörande för noggrann uppskattning.

Koppla kurvor till smarta uppskattare

Moderna batterihanteringssystem använder i allt större utsträckning avancerade uppskattningsalgoritmer, såsom Unscented Kalman Filter (UKF), för att i realtid sluta sig till dolda storheter som SOC och State of Health (SOH). Författarna kombinerar dessa algoritmer med en enkel men ofta använd elektrisk ”ekvivalentkrets” för en cell: en spänningskälla som beror på SOC, ett huvudseriemotstånd och en resistor‑kondensator‑gren som fångar transienta effekter. I denna modell stoppar de antingen in LC‑baserade eller IC‑baserade spännings–laddningskurvor och undersöker sedan hur väl varje version låter UKF spåra SOC och seriemotståndet R0, som de använder som en praktisk indikator på åldrande.

Testning under verkliga körförhållanden

I stället för att förlita sig enbart på skonsamma laboratoriecykler utsätter studien modellen för en högdynamisk fordonslik körprofil känd som FUDS. Strömmen växlar snabbt mellan laddning, urladdning och tomgång, och efterliknar stadstrafik. Med publika datasätt från NASA och CALCE‑arkivet visar forskarna först att batterikapacitet och intern resistans förändras tillsammans över många cykler, vilket stöder idén att R0 är en användbar hälsomarkör. Därefter låter de UKF köras med båda spännings–laddningskurvorna och jämför dess SOC‑uppskattningar, predicerade terminalspänning och spårade R0 mot en detaljerad referensmodell med standardiserade felmått över hela körningen.

Snabbare, renare uppskattningar med finare detalj

Resultaten gynnar tydligt den mer detaljerade IC‑metoden. När UKF börjar med viss slumpmässig osäkerhet ger den IC‑baserade kurvan lägre genomsnittsfel i SOC och bättre rekonstruktion av batteriets spänning, samtidigt som den beräkningsmässiga belastningen förblir densamma som för LC‑varianten. När författarna avsiktligt ger filtret ett stort initialt fel i SOC — startar det vid 65 % när batteriet faktiskt är på 80 % — blir kontrasten tydlig: med IC‑kurvan återgår uppskattningen till rätt värde inom färre än tio tidssteg; med LC‑kurvan tar det mer än 200. Detta beteende härstammar från en enkel idé: där spännings–laddningskurvan har brantare lutning innehåller små fel i spänning mer information, så filtret kan korrigera SOC mer avgörande.

Läsa batteriåldrande i realtid

För hälsouppskattning rekonstruerar UKF kontinuerligt det interna motståndet R0 utifrån uppmätt ström och spänning. Författarna släta sedan detta signal med ett rörligt medelvärde och undersöker dess långsiktiga trend. Med den LC‑baserade kurvan hoppar och oscillerar den uppskattade resistansen, särskilt vid snabba strömförändringar, trots att den verkliga fysiska resistansen inte kan ändras så snabbt. Sådan numerisk brus kan utlösa falska larm i ett verkligt batterihanteringssystem. Med den IC‑baserade kurvan utvecklas R0 mycket mer jämnt och med en mer realistisk, måttligt stigande trend, vilket ger en renare bild av gradvis åldrande utan att offra responsivitet mot verkliga förändringar.

Vad detta betyder för vardagliga batterier

Kort sagt visar studien att en mer informativ spännings–laddningskarta gör ”hjärnan” i batterihanteringssystemet smartare. Att använda den inkrementella strömbaserade kurvan gör att UKF snabbt hittar den verkliga laddnivån, bortser från dåliga initiala gissningar och spårar intern resistans på ett stabilt sätt under verkliga körprofiler. Eftersom det extra arbetet främst ligger i den engångskarakterisering som görs i laboratoriet snarare än i ombordberäkningar, kan tillverkare anta IC‑metoden utan att göra batterielektroniken mer komplex. Vinsten är mer pålitliga räckviddsuppskattningar, säkrare drift och bättre tidig varning om batteriåldrande i elfordon och andra energilagringssystem.

Citering: 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

Nyckelord: litiumjonbatterier, uppskattning av laddnivå, övervakning av batteriers hälsa, Kalmanfilter, batterier för elfordon