Comparative Analysis of Two Approaches for Joint State-of-Charge and State-of-Health Estimation in Lithium-Ion Batteries

Abstract

Eine zuverlässige Bestimmung des Ladezustands (State-of-Charge, SOC) und des Alterungszustands (State of Health, SOH) ist eine zentrale Voraussetzung für den sicheren und effizienten Betrieb von Lithium-Ionen-Batterien. Da die Batteriekapazität im Laufe der Nutzung abnimmt, beeinflusst die Alterung auch die Genauigkeit der SOC-Schätzung und erfordert adaptive Schätzverfahren. In dieser Arbeit werden modellbasierte Verfahren zur gemeinsamen Schätzung von SOC und SOH untersucht. Als Modellstruktur wird ein elektrisches Ersatzschaltbild zweiter Ordnung (2RC-Thevenin-Modell) verwendet, dessen Parameter aus experimentellen Messdaten identifiziert werden. Auf Grundlage dieses Modells wird ein Unscented-Kalman-Filter (UKF) implementiert, der den SOC der Batterie schätzt. Zwei unterschiedliche Konzepte zur Kapazitätsänderung werden untersucht. Einerseits ein Dual-UKF sowie ein kombinierter Ansatz aus UKF und Recursive Least Squares (RLS), bei dem die Kapazität online identifiziert wird. Die Verfahren werden zunächst mit synthetischen Daten untersucht und anschließend anhand experimenteller Messdaten validiert.Die Ergebnisse zeigen, dass beide Ansätze eine präzise SOC-Schätzung ermöglichen und die Kapazität in Referenzzyklen zuverlässig bestimmen. Über den gesamten Lebenszyklus hinweg liefern beide Verfahren eine konsistente Abbildung der Kapazitätsdegradation. Der Dual-UKF liefert zuverlässige und genaue Ergebnisse bei der gemeinsamen Schätzung von Zuständen und Kapazität, während der kombinierte UKF-RLS-Ansatz ebenfalls eine hohe Genauigkeit erreicht und insbesondere unter variierenden Betriebsbedingungen, wie abweichenden Temperaturen, eine robuste Schätzleistung zeigt. Auch unter dynamischen Lastprofilen bleibt die Rekonstruktion der Zustände bei beiden Verfahren stabil. Insgesamt zeigen die Ergebnisse, dass die Kombination aus Ersatzschaltbildmodell, UKF und kapazitätsadaptiven Verfahren eine zuverlässige Schätzung von SOC und Kapazität über den gesamten Batterielebenszyklus ermöglicht.

Reliable estimation of the state-of-charge (SOC) and state of health (SOH) is essential for the safe and efficient operation of lithium-ion batteries. Since the battery capacity decreases over time, aging directly affects the accuracy of SOC estimation and requires adaptive estimation approaches. This thesis investigates model-based methods for the joint estimation of SOC and SOH. A second-order equivalent circuit model is identified from experimental data and used within a micro-Unscented Kalman Filter (UKF) to estimate the SOC and internal polarization states of the battery.To account for capacity variations, two approaches are considered. The Dual-UKF estimates the capacity as an additional state, while the UKF combined with Recursive Least Squares (RLS) formulates the capacity estimation as an online parameter identification problem. The regression variables are constructed from the UKF-based state estimates, and an informative-point selection strategy is applied to ensure stable parameter updates.The methods are first evaluated using synthetic data and subsequently validated with experimental measurement data. Both approaches provide accurate SOC estimation and reliable capacity tracking in reference cycles. Over the entire battery lifetime, both methods capture the overall degradation behavior consistently. The Dual-UKF yields accurate and consistent results for the joint estimation of states and capacity, while the UKF+RLS approach achieves high accuracy and shows improved performance under varying operating conditions, such as temperature variations. Furthermore, both methods maintain stable state reconstruction under dynamic load profiles. Overall, the results demonstrate that the methods investigated in this thesis enable accurate SOC estimation and reliable capacity tracking over the entire battery lifetime.