Batteriemanagement: den Ladezustand schätzen

Ein Batteriemanagementsystem kennt von einer Zelle zwei Dinge: wie viel Strom fließt und welche Spannung an den Klemmen anliegt. Keins von beiden ist der Ladezustand. Der Strom liefert die Ladung nur, wenn der Stromsensor die Wahrheit sagt — und ob er das tut, sagt er nie. Die Spannung verrät etwas, aber nur über eine Kennlinie, und die ist nicht gerade.

Diese Fallstudie baut den Schätzer, den ein echtes BMS ausführt: ein erweitertes Kalman-Filter, das beide Signale beobachtet, den Offset des Signals lernt, dem es nicht trauen kann, und die Ladung zusammen mit seiner eigenen Unsicherheit meldet.

Die Zelle

Eine 18650-Lithium-Ionen-Zelle als Thévenin-Ersatzschaltung: ein ohmscher Widerstand, ein Polarisationszweig und eine Leerlaufspannung, die von der Ladung abhängt.

V=VOC(SOC)−V1−R0IdSOCdt=−I3600 Qcap,dV1dt=−V1τ+IC1V = V_{OC}(SOC) - V_1 - R_0 I \qquad \frac{dSOC}{dt} = -\frac{I}{3600\,Q_{cap}}, \qquad \frac{dV_1}{dt} = -\frac{V_1}{\tau} + \frac{I}{C_1}

Die vier Zahlen unten sind ein Rechenbeispiel, kein Datenblatt. Panasonics eigenes Datenblatt für die NCR18650B nennt mindestens 3,25 Ah und begrenzt den Innenwiderstand nach oben auf 100 mΩ; weder die 3,20 Ah noch die 0,05 Ω stammen also daraus. Sie sind passend zur Abtastung gewählt, nicht passend zu einer Zelle: ein Pol bei 0,05 rad/s und zwanzig Abtastwerte pro Zeitkonstante.

ParameterBedeutungWert
QcapQ_{cap}Kapazität3.20 Ah3.20\ \text{Ah}
R0R_0Ohmscher Widerstand0.05 Ω0.05\ \Omega
R1R_1Polarisationswiderstand0.02 Ω0.02\ \Omega
C1C_1Polarisationskapazität1000 F1000\ \text{F}
τ=R1C1\tau = R_1C_1Polarisations-Zeitkonstante20 s20\ \text{s}

Zwei Zustände. Einer davon — die Polarisationsspannung V1V_1 — ist einfach, denn sie ist nur die Differenz zwischen der Klemmenspannung und dem, was die Zelle laut Ladung anzeigen müsste. Der andere ist das Problem: Für die Ladung gibt es keine Anzeige.

Warum Zählen nicht reicht

Den Strom mit einem Integrator-Block integrieren, durch die Kapazität teilen, vom Startwert abziehen. Kein Modell, keine Kennlinie, nichts abzustimmen — und eine Stunde lang sieht das perfekt aus.

Der Haken: Das Messgerät ist nicht die Zelle. Ein Fehler im Stromsensor wird zu Ladung, die nie zurückkommt:

d SOCerrdt=δI3600 Qcap\frac{d\,SOC_{err}}{dt} = \frac{\delta I}{3600\,Q_{cap}}

Die Rate folgt dem absoluten Offset δI\delta I in Ampere und der Kapazität. Der Last folgt sie nicht.

LastSensoroffsetδI\delta IDrift
2 A2 %0,04 A1,25 % pro Stunde
10 A2 %0,20 A6,25 % pro Stunde
10 A5 %0,50 A15,6 % pro Stunde
2 A10 %0,20 A6,25 % pro Stunde
10 A10 %1,00 A31,3 % pro Stunde

Die letzten beiden Zeilen sind der Punkt, die ersten beiden die Falle. Ein prozentualer Offset einer größeren Last ist ein größerer absoluter Offset, deshalb wirkt die Tabelle, als skaliere die Drift mit der Last. Hält man den absoluten Offset bei 0,20 A, beträgt die Rate 6,25 % pro Stunde, ob die Last 2 A oder 10 A ist. Ein Shunt wird in Prozent spezifiziert — darum ist dieser Fehler so leicht gemacht.

Daraus folgen zwei Dinge. Die Drift ist eine Rampe und auf einer Achse von 0…100 % Ladung unsichtbar — ein Diagramm der absoluten Ladung sieht die ganze Zeit perfekt aus, und genau das ist das Versagen. Und keine Last macht die Zahl kleiner; die ehrliche Antwort ist also kein sanfterer Strom, sondern eine zweite Meinung über die Ladung.

Was die Spannung verrät

Nimmt man den Strom weg, kommt die Zelle zur Ruhe. Die Polarisationsspannung klingt ab, und an den Klemmen bleibt die Leerlaufspannung — eine Funktion der Ladung und von nichts sonst.

V=VOC(SOC)V = V_{OC}(SOC)

In der Simulation wird dieser nichtlineare Zusammenhang mit einem 1D-LookupTable-Block mit kubischer oder linearer Interpolation abgebildet.

Das ist der Zugang. Aber die Kennlinie ist nicht gerade, und wie gerade sie ist, schwankt enorm:

SOC∂VOC/∂SOC\partial V_{OC}/\partial SOCgegenüber dem Plateau
0–10 %5,00 V pro Ladungseinheit8,3×
10–20 %1,502,5×
20–90 %0,60 – 0,90das Plateau
90–100 %0,601,0×

Dieselben 10 % Ladung sind am unteren Ende der Kurve ein halbes Volt wert und in der Mitte sechs Millivolt. Der Faktor 8,3 ist keine Kuriosität: Er bestimmt direkt die Beobachtbarkeit des Modells. Mit der Messzeile C=[∂VOC/∂SOC,  −1]C = [\partial V_{OC}/\partial SOC,\; -1] und einer diagonalen Systemmatrix ist die Beobachtbarkeitsdeterminante

det⁡O=(∂VOC∂SOC)(1−0.9512)\det O = \left(\frac{\partial V_{OC}}{\partial SOC}\right)\left(1 - 0.9512\right)

Die Ladung ist also genau so lange beobachtbar, wie die Kurve nicht flach ist, und wie gut, skaliert mit ihrer Steigung.

Ein linearer Beobachter — und wo er versagt

Der klassische Schätzer nimmt die Messung, zieht ab, was das Modell erwartet, und korrigiert den Zustand mit einer Verstärkung aus den beiden Rauschpegeln. Das ist die richtige Maschinerie, und sie lässt Ihnen eine Entscheidung: Der Zusammenhang zwischen Ladung und Spannung ist gekrümmt, also linearisiert der Schätzer ihn.

Einmal. Das Modell wird affin:

VOC(SOC)≈H0 SOC+[VOC(slin)−H0 slin]V_{OC}(SOC) \approx H_0\, SOC + \left[V_{OC}(s_{lin}) - H_0\, s_{lin}\right]

Die Steigung H0H_0 ist eine Wahl. Der Achsenabschnitt in der Klammer ist eine zweite — und die entscheidet, wo sich das Filter einpendelt, denn ein linearer Beobachter konvergiert dorthin, wo sein eigenes Messmodell die gemessene Spannung reproduziert, und dort ist die Zelle nicht.

An einem Arbeitspunkt linearisieren, in Ruhe bleiben — das Ergebnis ist ein systematischer Fehler, keine Verzögerung:

Tangente beiWahre LadungBleibender Fehler
0,450,05−53,3 %
0,450,85+7,5 %
0,050,45−28,8 %
0,050,05−0,0 %

Mit der Tangente bei 45 % und der wahren Ladung bei 5 % kommt die Schätzung bei −0,48 zur Ruhe: eine Ladung, die keine Zelle haben kann. Nur eine Tangente nahe am wahren Arbeitspunkt ergibt einen kleinen Fehler — die Wahl des Arbeitspunkts ist also eine Entscheidung, die man den ganzen Lauf lang bezahlt.

Ein zweites, kontraintuitives Detail: Der Schaden kommt von einer zu steilen Tangente, nicht von einer zu flachen. Bei falscher Steigung glaubt das Filter einer verrauschten Messung viel mehr, als es sollte; seine Verstärkung bricht ein, die Schätzung kriecht — und sie bleibt 63 % neben der Wahrheit stehen, die letzte Zeile der Tabelle oben. Eine zu flache Tangente ist vergleichsweise harmlos: Die Innovation ist groß genug, um die Schätzung trotzdem zur Wahrheit zu ziehen.

Das erweiterte Kalman-Filter

An der Maschinerie ändert sich nichts. Eine Zeile ändert sich: Statt die Steigung am Anfang einzufrieren, liest man sie dort ab, wo die Schätzung gerade ist:

H=[∂VOC∂SOC∣SOChat,  −1]H = \left[\left.\frac{\partial V_{OC}}{\partial SOC}\right|_{SOC_{hat}},\; -1\right]

Die Kurve wird nicht einmal linearisiert und dann geglaubt. Sie wird neu linearisiert, an dem Punkt, den das Filter erreicht hat, sodass die verwendete Empfindlichkeit die tatsächlich vorhandene ist. Das EKF ist ein KalmanFilter, das zugibt, dass es nähert. In BlockWerk steckt dieser Echtzeit-Batterieschätzer im eigenen Block BatterySocEkf.

Tangente beiWahre LadungLinearer FehlerEKF-Fehler
0,450,05−53,3 %0,0 %
0,450,85+7,5 %−0,0 %
0,050,45−28,8 %−0,0 %
0,050,85−63,1 %+0,0 %

Ein Satz QQ und RR, beide Bereiche, nirgends ein Fehler. Und das EKF ist nicht überall schneller: Im steilen Teil braucht es 71 s gegenüber 2 s beim linearen Filter. Die Neulinearisierung ist genau dort vorsichtig, wo die Messung wirklich aussagekräftig ist. Dieser Kompromiss ist Thema des Abstimmungsschritts, kein Makel, den man verstecken müsste.

Von der falschen Antwort aus starten

Interessant ist nicht, dass das Filter einem geduldigen Experiment zustimmt, sondern dass es die Ladung aus dem Nichts findet: Schätzung startet bei 0,50, wahre Ladung 0,90, Zelle in Ruhe, nichts so abgestimmt, dass es leicht wird.

Es konvergiert in etwa drei Sekunden. Nicht „irgendwann“ — die Einschwingkurve über der Zeit ist der ganze Sinn dieses Schritts, und danach liegen beide Kurven übereinander.

Das EKF hat eine echte Schwäche, und die soll benannt werden. Das Filter startet auf dem flachen Plateau, wo die Kurve wenig verrät; die erste Korrektur wird mit kleiner Steigung berechnet und schießt in den steilen Ausläufer über. Dort ist die Steigung 8,3-mal größer — aber die bereits geschrumpfte Kovarianz wurde für die falsche Steigung berechnet, und eine geschrumpfte Kovarianz bedeutet eine kleine Verstärkung. Es erholt sich, langsam. Deshalb beträgt die Einschwingzeit etwa 3 s bei 0,45, 71 s bei 0,05 und 71 s bei 0,15.

Abstimmung

QQ ist, was das Modell zugibt, nicht zu wissen. RR ist, was der Sensor zugibt, nicht zu wissen. Die Verstärkung ist der Streit zwischen beiden, und es gibt keine Einstellung, die richtig ist — nur eine, die für die Lage der Zelle richtig ist.

Erhöhen Sie RR, stützt sich das Filter auf sein Modell: glatt und langsam im Bemerken. Senken Sie es, stützt es sich auf die Spannung: reaktionsschnell, und es glaubt dem Rauschen. QQ verschiebt die andere Seite derselben Waage und ist subtiler. Der Ladungszustand ist fast ein reiner Integrator, sein dominanter Fehler ist also die Verstärkung des Stromsensors — konstant und multiplikativ statt weiß. Ein additives qSOCq_{SOC} ist gar kein Sensorrauschen, sondern zugegebener Modellfehler. Es ist eine Dichte pro Sekunde und summiert sich:

qSOCq_{SOC}σ nach einer StundeWas es darstellt
1e-66,0 % Ladungmehr Scheinunsicherheit als die Messgröße selbst
1e-80,6 % Ladungnicht modellierte Drift: Temperatur, Alterung

Die Frage der Abtastung

Beide Filter laufen mit 1 Hz, dort, wo ein BMS lebt. Das liegt bequem innerhalb der Anforderung, nicht an der Grenze: Der schnellste Pol der Strecke ist 1/τ=0.05 rad/s=7.96 mHz1/\tau = 0.05\ \text{rad/s} = 7.96\ \text{mHz}; das ergibt 20 Abtastwerte pro Zeitkonstante und den Faktor 63 Reserve zur Nyquist-Grenze. Der einzige Pol im diskreten Modell liegt bei 0,9512; das Filter ist unbedingt stabil, es gilt keine Schrittweitengrenze.

Strecke und Filter werden getrennt und exakt diskretisiert, über dasselbe Intervall:

Ad=diag(1,  e−Ts/τ)=diag(1,  0.9512)Bd=[−Ts/(3600 Qcap)R1 (1−e−Ts/τ)]=[−8.681×10−59.754×10−4]A_d = \text{diag}\left(1,\; e^{-T_s/\tau}\right) = \text{diag}(1,\; 0.9512) \qquad B_d = \begin{bmatrix} -T_s/(3600\,Q_{cap}) \\ R_1\,(1 - e^{-T_s/\tau}) \end{bmatrix} = \begin{bmatrix} -8.681 \times 10^{-5} \\ 9.754 \times 10^{-4} \end{bmatrix}

Ein exaktes AdA_d mit einem Vorwärts-Euler-BdB_d zu mischen ist ein echter Fehler, keine Unordnung: Der zweite Term liegt 2,52 % über dem exakten Wert (der exakte liegt 2,46 % darunter) — und so oder so taucht diese Differenz in der Innovation des Beobachters auf, wo das Filter sie nicht von einem Modellfehler unterscheiden kann. Der Block berechnet die Diskretisierung — einschließlich des Rauschens, nach Van Loan — aus den Parametern neu; ändert man die Kapazität der Zelle oder die Abtastzeit, ändert sich das Modell des Schätzers mit.

Weiterführende Literatur

Das Modell dieser Fallstudie ist nicht aus dem Nichts beschrieben. Das Paket thevenin des US National Renewable Energy Laboratory nennt dieselben Gleichungen wie dieser Leitfaden —

$$\frac{d\,SOC}{dt} = \frac{-I\,\eta}{3600\,Q_{\max}} \qquad

\frac{dV_j}{dt} = -\frac{V_j}{R_jC_j} + \frac{I}{C_j} \qquad

V_{\text{cell}} = V_{\text{OCV}}(SOC) - \sum_j V_j - I R_0$$

— mit dem Hysterese-Term auf null, wofür die Anpassung mit zwei Zweigen unten gedacht ist.

  • Randall, C. R. thevenin: Equivalent circuit models in Python (NREL, SWR-24-132).

BSD-3-Clause.

— die Modellbeschreibung, mit den Gleichungen oben und den Zellparametern als

Eingaben. Die vier Zahlen dieses Leitfadens stammen nicht daraus; sie sind ein

Rechenbeispiel.

  • Thévenin-Ersatzschaltbilder von Lithiumzellen; die Erweiterung auf zwei Zweige und

die zweite RC-Zeitkonstante, die ein Modell mit einem Zweig weglässt

  • Erweiterte und iterierte erweiterte Kalman-Filter im Batteriemanagement und die

Rolle der OCV-Steigung für die erreichbare Beobachtbarkeit

  • Das normierte Innovationsquadrat — die Zahl, die zeigt, ob das angenommene QQ und

RR zu denen der Zelle passen

Selbst ausprobieren

Der letzte Schritt der interaktiven Fallstudie ist ein Spielplatz, und die beiden

Regler, an denen es sich zu ziehen lohnt, sind die, um die es in diesem Leitfaden geht:

  • Messrauschvarianz RR und Prozessrauschen qSOCq_{SOC}, die beiden Größen aus der

Tabelle oben. Beide haben logarithmische Schieberegler, denn vier Dekaden RR auf einer

linearen Skala würden jede sinnvolle Einstellung ins erste Zwanzigstel drängen.

  • Die wahre Ladung der Zelle. Bei 15 % braucht die Schätzung 71 s bis zu demselben

Punkt, den sie bei 90 % in 28 s erreicht — aus dem Grund im Plateau-Absatz oben.

Last, Sensoroffset und das Eigenrauschen des Sensors sind ebenfalls da; um diese drei

geht es in Schritt 2 der Lektion.

Siehe auch

Häufig gestellte Fragen (FAQ)

Q: Wie wird die Messmatrix (Jacobi-Matrix) H_k aus der nichtlinearen OCV-SOC-Kurve berechnet?

Im Thevenin-Modell 1. Ordnung lautet die Klemmenspannung Vt(k)=Voc(SOCk)−R0⋅Ik−VRC,kV_t(k) = V_{oc}(SOC_k) - R_0 \cdot I_k - V_{RC,k}. Mit dem Zustandsvektor xk=[SOCk,VRC,k]Tx_k = [SOC_k, V_{RC,k}]^T linearisiert das Extended Kalman Filter die nichtlineare OCV-Kennlinie Voc(SOC)V_{oc}(SOC) über die Jacobi-Matrix Hk=∂Vt∂x∣x^k∣k−1=[dVocdSOC∣SOC^k∣k−1−1]H_k = \left. \frac{\partial V_t}{\partial x} \right|_{\hat{x}_{k|k-1}} = \begin{bmatrix} \left.\frac{d V_{oc}}{d SOC}\right|_{\hat{SOC}_{k|k-1}} & -1 \end{bmatrix}. Bei LFP-Zellen mit extrem flachem Plateau (dVocdSOC≈0\frac{d V_{oc}}{d SOC} \approx 0) liefert die Spannung kaum Beobachtbarkeit für den Ladezustand, sodass der EKF primär stromintegrierend arbeitet.

Q: Wie verhindern die Kovarianzmatrizen Q und R eine Divergenz des Kalman-Filters bei Stromsensordrift?

Reines Coulomb-Counting driftet bei Sensor-Offset IbiasI_{\text{bias}} kontinuierlich ab. Im EKF quantifiziert die Prozessrauschkovarianz Q=diag(σcurr2(Δt/Cnom)2,σRC2)Q = \text{diag}(\sigma_{\text{curr}}^2 (\Delta t / C_{\text{nom}})^2, \sigma_{RC}^2) die Stromunsicherheit, während R=σvolt2R = \sigma_{\text{volt}}^2 das Spannungsrauschen abbildet. Die Kalman-Verstärkung Kk=Pk∣k−1HkT(HkPk∣k−1HkT+R)−1K_k = P_{k|k-1} H_k^T (H_k P_{k|k-1} H_k^T + R)^{-1} nutzt Ruhephasen (I≈0I \approx 0), in denen die Spannung relaxiert, um über das Innovationsresiduum (Vt−V^t)(V_t - \hat{V}_t) jeden aufgelaufenen Integrationsdrift vollständig zu eliminieren.

Q: Warum ist ein Thevenin-RC-Modell 1. Ordnung für dynamische Fahrzyklen statt statischer Tabellen nötig?

Unter dynamischer Last (z. B. WLTP-Fahrzyklen) erzeugen Ladungstransfer und Diffusionsprozesse signifikante Polarisationsspannungen. Eine statische OCV-Tabelle interpretiert transiente Spannungsabfälle ΔV=IR1(1−e−t/τ)\Delta V = I R_1 (1 - e^{-t/\tau}) fälschlicherweise als sofortigen Ladezustandsverlust. Das Thevenin-Modell 1. Ordnung (R0+R1∥C1R_0 + R_1 \parallel C_1) bildet diese Relaxationsdynamik mit Zeitkonstante τ=R1C1≈10–60\tau = R_1 C_1 \approx 10\text{--}60 s explizit ab und trennt dynamische Überspannungen sauber von der thermodynamischen Ruhekapazität.

In BlockWerk simulieren

Interaktive Sandbox direkt im Browser — keine Installation, WebAssembly-Engine.

In BlockWerk simulieren →