Mitigating Lithium-Ion Battery Aging: Physics-Based State Estimation, Aging Prediction, and Degradation-aware Control Strategies

Abstract

Lithium-ion batteries are the most widely adopted energy storage system (ESS) nowadays. Due to their high gravimetric and volumetric energy density, and their low self-discharge rate, they are the best option for many applications, such as consumer electronics or electric vehicles (EVs). Yet, this technology still needs improvements to meet the demands of the energy transition. The relatively fast degradation that these batteries suffer is one of the main concerns with this ESS, and alongside the safety issues associated to it, the need for optimized and safe management is urgent.

This thesis aims to improve the management of lithium-ion batteries using advanced control algorithms based on physical knowledge to mitigate battery aging. For that, simplified and reduced-order physics-based models (PBMs) are employed, such as the P2D and SPMe models, which are believed to give relevant insight about the physicochemical phenomena happening inside batteries. Lithium-ion battery aging is analyzed, and PBMs are used to develop a reliable degradation model that could be used to develop advanced degradation-aware control algorithms. For that, a new parameterization approach is proposed and tested experimentally, which could be used to significantly reduce the number of experiments to obtain an accurate aging model. To estimate the physical states of the battery through battery lifetime, new state-of-charge (SOC) and state-of-health (SOH) estimation algorithms are developed, improving current battery diagnosis algorithms by providing accurate estimates of electrode-level degradation and internal variables. Lastly, combining the knowledge provided by the state and parameter estimator, and the predictions of the degradation model, a new fast charging control strategy is proposed based on a nonlinear model predictive control (NMPC) algorithm, resulting in faster charging and reduced aging.

The developed aging modeling approach, state and parameter estimation, and control strategy, demonstrate that PBMs can improve current empirical approaches, and help in the advance of new optimized battery algorithms; for battery aging prediction purposes, for battery health diagnosis, and for improved degradation-aware control strategies that mitigate aging.

Gaur egun, litio-ioizko bateriak dira energia biltegiratzeko sistemarik erabiliena. Beren energia dentsitate grabimetriko eta bolumetriko altua, eta auto-deskarga tasa baxua tarteko, aplikazio askotarako aukerarik onena dira, hala nola kontsumo elektronikarako edota ibilgailu elektrikoetarako. Hala ere, trantsizio energetikoaren aldarriarekin bat egiteko teknologia honek badu zer hobetu. Bateria hauek jasaten duten degradazioa da egungo kezka nagusienetako bat. Horregatik, premiazkoa da beraien erabilera seguruago eta optimizatuago bat bilatzea.

Tesi honek litio-ioizko baterien kudeaketa hobetzea du helburu, baterien zahartzea arintzea ahalbideratzen duten ezagutza fisikoan oinarritutako kontrol algoritmoak erabiliz. Horretarako, ordena murriztuko eta sinplifikatutako bateria modelo fisikoak (PBM) erabili dira, hots, P2D eta SPMe izenez ezagutzen direnak. Hauek, baterien barruan gertatzen diren fenomeno fisiko-kimikoei buruzko informazio garrantzitsua ematen dute. Litio-ioizko baterien degradazioa aztertzeko, bateria eredu fisikoetan oinarritzen den degradazio modelo fidagarri bat doitu da, aurrerago kontrol algoritmo aurreratuen garapena ahalbideratu dezakeena. Horretarako, esperimentu kopurua nabarmen murriztu dezakeen parametrizazio prozesu berri bat proposatu eta bere zehaztasuna esperimentalki egiaztatu da. Horrez gain, bateriaren bizitzan zehar bere uneoroko egoeraren berri ematen duten aldagai fisikoak estimatzeko, karga (SOC) eta degradazio-egoeren (SOH) estimazio algoritmo berritzaileak garatu dira, egungo bateriaren diagnostiko algoritmoak hobetuz, eta elektrodo-mailako degradazioaren eta barne aldagai fisikoen estimazio zehatzak emanez. Azkenik, aldagai fisikoen estimatzaileak emandako ezagutza eta degradazio-modeloaren iragarpenak konbinatuz, karga azkarreko kontrol-estrategia berri bat proposatu da, “nonlinear model predictive control” (NMPC) algoritmoan oinarritzen dena. Modu honetan, karga denbora eta degradazioa, biak murriztea lortu da.

Tesi honetan proposatu eta garatu diren degradazio modeloak, bateriaren egoera eta parametro fisikoen estimazio prozesuak, eta karga-azkarrerako kontrol algoritmoak frogatzen dute PBMek, gaur egun erabiltzen diren modelo enpirikoen aldean, baterien erabilera seguruago eta optimoago baten bidean aurreratzen jarraitzea ahalbideratzen dutela; degradazio predikzio eta diagnosiarekin, eta baita degradazioa murrrizteko kontrol estrategiak hobetuz.

Las baterías de iones de litio son el sistema de almacenamiento de energía más adoptado en la actualidad. Debido a su alta densidad de energía, y su baja tasa de autodescarga, son la mejor opción para muchas aplicaciones, como la electrónica de consumo o los vehículos eléctricos. Sin embargo, esta tecnología aún necesita mejoras para satisfacer las demandas de la transición energética. La degradación relativamente rápida que sufren estas baterías es una de las principales preocupaciones y, junto con los problemas de seguridad asociados, es urgente la necesidad de una gestión optimizada y segura.

Esta tesis tiene como objetivo mejorar la gestión de baterías de litio utilizando algoritmos de control avanzados basados en el conocimiento físico para mitigar el envejecimiento de las baterías. Para ello, se emplean modelos basados en la física (PBM) simplificados y de orden reducido, concretamente los modelos P2D y SPMe, que brindan información relevante sobre los fenómenos fisicoquímicos que ocurren dentro de la batería. Se analiza el envejecimiento de las baterías de litio y se utilizan PBM para desarrollar un modelo de degradación preciso que podría usarse para desarrollar algoritmos avanzados de control. Para ello, se propone y valida experimentalmente un nuevo preoceso de parametrización, mediante el cual se podría reducir significativamente el número de experimentos y obtener un modelo de envejecimiento preciso. Además, para estimar los estados físicos de la batería a lo largo de su vida útil, se desarrollan nuevos algoritmos de estimación del estado de carga (SOC) y del estado de salud (SOH), que mejoran los algoritmos actuales de diagnóstico al proporcionar estimaciones precisas de la degradación a nivel de los electrodos y variables internas. Por último, combinando el conocimiento proporcionado por el estimador de estado y parámetros, y las predicciones del modelo de degradación, se propone una nueva estrategia de control de carga rápida basada en un algoritmo de control predictivo de modelo no lineal (NMPC), que da como resultado una carga más rápida y un menor envejecimiento.

El modelo de envejecimiento desarrollado en esta tesis, la estimación de estados y parámetros de la batería, y la estrategia de control propuesta demuestran que los PBM pueden mejorar los modelos empíricos actuales y ayudar en optimizar la gestión de las baterías; mediante la predicción del envejecimiento, diagnóstico del estado y estrategias de control optimizadas que mitiguen de la degradación.