⚡ electrical engineering

Simultaneous improvement of control and estimation for battery management systems

Dit artikel presenteert een dual-control aanpak voor batterijbeheersystemen die de schatting van de laadtoestand en de regeling gelijktijdig optimaliseren door de schatting onzekerheid actief te verminderen, wat resulteert in aanzienlijke verbeteringen in zowel regelprestaties als schattingsnauwkeurigheid.

Oorspronkelijke auteurs: Mohammad S. Ramadan, Marfred Barrera, Mihai Anitescu, Sylvia Herbert

Gepubliceerd 2026-04-17

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Mohammad S. Ramadan, Marfred Barrera, Mihai Anitescu, Sylvia Herbert

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een team van negen batterijen hebt die samenwerken om de stroomvoorziening van een stad te regelen. Ze moeten precies doen wat de netbeheerder vraagt: meer stroom leveren als iedereen de tv aanzet (piek) en minder als het rustig is (dal). Dit noemen ze "piekgladstrijken" en "dalvullen".

Het probleem is dat niemand precies weet hoeveel energie er nog in elke batterij zit. Je kunt de lading niet direct meten; je moet het raden aan de hand van de spanning. En hier zit de valkuil:

Het probleem: De "Dode Zone"
Soms is de spanning van een batterij heel saai en vlak, ongeacht of hij bijna leeg is of bijna vol. Het is alsof je probeert de tijd te raden door naar een klok te kijken waarvan de wijzers vastzitten op 12 uur. Of je nu kijkt of je niet, je krijgt geen informatie. Als de batterijen in deze "dode zone" terechtkomen, raakt de computer de weg kwijt. Hij weet niet meer hoe vol de batterij is, en dat is gevaarlijk.

Tot nu toe maakten batterijcomputers een fout: ze dachten dat ze het beste konden doen door alleen te kijken naar de beste schatting van de lading en die te volgen. Ze negeerden het feit dat hun eigen bewegingen de kwaliteit van die schatting beïnvloeden. Het was alsof een schipper alleen naar de kaart keek, maar nooit de horizon in de gaten hield om te zien of de mist opklart.

De oplossing: De slimme "Dubbele Dans"
De auteurs van dit paper hebben een nieuwe manier bedacht, een soort "dubbele dans" tussen besturing en schatten.

Stel je voor dat je in een donkere kamer loopt met een zaklamp (de batterij) en een kaart (de schatting).

De oude manier: Je loopt zo snel mogelijk naar de uitgang, wetende dat je kaart onvolledig is. Als je in een hoek komt waar de kaart wazig is, loop je daar gewoon doorheen. Je raakt de weg kwijt.
De nieuwe manier (Dubbele Controle): Je loopt ook naar de uitgang, maar je bent slim genoeg om af en toe een klein zijstapje te maken. Je gaat even naar een plek waar de muur goed zichtbaar is, zodat je je kaart kunt corrigeren en weer zeker weet waar je bent. Je offert een klein beetje tijd op om je oriëntatie te verbeteren, zodat je de rest van de reis sneller en veiliger kunt maken.

Wat doen ze precies?
De computer in hun systeem zegt: "Oké, we moeten stroom leveren, maar we gaan ook een beetje 'proberen' (probing). We sturen de batterijen even naar een gebied waar de spanning heel duidelijk verandert als de lading verandert. Daar kunnen we de lading heel precies meten. Daarna gaan we weer terug naar het werk."

Dit klinkt misschien als extra werk, maar het werkt wonderwel:

Betere schatting: Omdat ze de batterijen bewust naar "heldere" plekken sturen, weten ze veel preciezer hoeveel energie erin zit (tot 30% beter).
Beter werk: Doordat ze precies weten wat ze hebben, maken ze minder fouten bij het leveren van stroom (tot 20% minder kosten).

De resultaten
Ze hebben dit getest met een simulatie van negen batterijen. Het resultaat?

De batterijen deden hun werk nauwkeuriger.
De computer wist veel beter wat er in de batterijen zat, ongeacht welke "rekenmethode" (filter) ze gebruikten.
Het systeem was snel genoeg om in real-time te werken, zelfs op een gewone laptop.

Kortom:
In plaats van blindelings te vertrouwen op een schatting, leert dit nieuwe systeem de batterijen om bewust naar plekken te gaan waar ze zichzelf het beste kunnen "laten zien". Het is een slimme balans tussen het doen van je werk en het verbeteren van je kennis, waardoor alles veiliger en efficiënter verloopt.

Titel: Gelijktijdige verbetering van regeling en schatting voor batterijbeheersystemen

Auteurs: Mohammad S. Ramadan, Marfred Barrera, Mihai Anitescu, Sylvia Herbert.

1. Probleemstelling

Huidige batterijbeheersystemen (BMS) behandelen de problemen van regeling (control) en toestandschatting (state estimation) doorgaans als gescheiden, onafhankelijke doelen. Ze maken gebruik van certainty equivalence controllers, die ervan uitgaan dat de geschatte toestand van de batterij (de laadtoestand of SOC) exact is.

Dit benadering heeft een fundamenteel nadeel in de context van batterijen:

Niet-uniforme waarneembaarheid: De relatie tussen de open-klemspanning (OCV) en de SOC is niet-lineair en bevat vaak "spanningsplateaus" (gebieden waar de spanning nauwelijks verandert bij veranderingen in de SOC). In deze gebieden is de waarnemingsgevoeligheid (observability) zeer laag.
Gevolgen: Als een controller de batterij naar zo'n plat gebied stuurt (bijvoorbeeld voor piekvermogensreductie of valleivulling), ontvangt de schatter (zoals een Kalman-filter) weinig informatie. Dit leidt tot een verslechtering van de schattingsnauwkeurigheid en potentieel onveilige bedrijfsomstandigheden.
Het gemiste potentieel: Certainty equivalence controllers zijn "blind" voor deze variërende waarneembaarheid. Ze sturen de batterij niet actief naar gebieden met hoge waarneembaarheid om de schattingskwaliteit te verbeteren, zelfs als dit de regelingstaken ten goede zou komen.

2. Methodologie

De auteurs formuleren het BMS-probleem als een stochastisch optimaal regelprobleem (stochastic optimal control). In plaats van regeling en schatting te ontkoppelen, optimaliseren ze een kostenfunctie die expliciet de schattingskwaliteit (via de covariantie van de SOC) meeneemt.

Kerncomponenten van de methode:

Stochastische Kostenfunctie: De verwachte kosten worden exact geparametriseerd door de conditionele gemiddelde ( $\mu$ ) en covariantie ( $\Sigma$ ) van de SOC. Dit onthult een directe koppeling tussen de regelinvoer en de kwaliteit van de schatting (het "dual effect": voorzichtigheid en proberend gedrag).
Deterministische Surrogaat: Omdat het exacte stochastische probleem computatieel onhandelbaar is, leiden de auteurs een deterministisch surrogaat af. Ze gebruiken een voorspellings-only Extended Kalman Filter (EKF) recursie om de evolutie van de gemiddelde waarden en covarianties te modelleren zonder rekening te houden met toekomstige meetfouten (die nog niet bekend zijn).
Model Predictive Control (MPC): Het probleem wordt geformuleerd als een niet-lineair MPC-probleem. Om de rekenlast te beheersen, lineariseren ze de dynamiek van de "informatiestaat" (gemiddelde en covariantie) lokaal rond het huidige punt en lossen ze een lineair MPC-probleem op dat de covariantie minimaliseert terwijl het de tracking-taak uitvoert.
Filter-onafhankelijkheid: De methode is ontworpen om te werken met elke schatter (EKF, UKF, MHE), omdat de regelaar de trajecten naar waarneembare gebieden stuurt, ongeacht de specifieke schatter die wordt gebruikt.

3. Belangrijkste Bijdragen

Theoretische Formulering: Het aantonen dat batterijbeheer, vanwege de niet-lineariteit van OCV-functies, onder de paraplu van stochastisch optimaal regelen kan worden gebracht.
Deterministische Surrogaat: Afleiding van een computatieel haalbare, deterministische kostenfunctie die als MPC-probleem kan worden opgelost, waarbij de koppeling tussen regeling en schatting behouden blijft.
Gelijktijdige Optimalisatie: Een aanpak die zowel de regelprestaties (tracking) als de schattingsnauwkeurigheid verbetert door de batterij actief naar gebieden met hoge waarneembaarheid te sturen.
Filter-onafhankelijkheid: Bewijs dat de verbetering in schattingsnauwkeurigheid consistent is over verschillende schatters (EKF, Unscented Kalman Filter, Moving Horizon Estimator).

4. Resultaten

De methode werd gevalideerd via simulaties op een systeem van negen batterijen met verschillende chemieën (drie verschillende OCV-SOC-curven), die een dynamische vermogensreferentie volgen (piekvermogensreductie/valleivulling).

Regelkosten: De totale kosten (tracking + invoer) werden met 17,8% tot 21,5% verlaagd ten opzichte van de certainty equivalence MPC.
Schatfouten: De schattingsfout (RMSE) nam af met 8,5% tot 19,3%, afhankelijk van de gebruikte schatter.
- EKF fout: -17,8%
- UKF fout: -10,3%
- MHE fout: -8,5%
Covariantie: De spoor van de covariantiematrix (een maat voor onzekerheid) nam met 50% af, wat aangeeft dat de onzekerheid over de toestand aanzienlijk werd gereduceerd.
Rekenkracht: De methode werkt met een frequentie van 77 Hz op een standaard laptop, wat voldoende is voor de trage dynamiek van batterijsystemen.

5. Betekenis en Conclusie

Dit onderzoek toont aan dat het ontkoppelen van regeling en schatting in batterijbeheersystemen niet slechts een ontwerpvereenvoudiging is, maar een gemiste kans voor optimalisatie.

Paradigmaverschuiving: De paper introduceert een "dual control" benadering waarbij de regelaar actief de batterijstroom regelt om de batterij in gebieden te houden waar de spanning goed correleert met de SOC (hoge waarneembaarheid).
Robuustheid: De verbetering is robuust en niet afhankelijk van het specifieke type schatter dat wordt gebruikt.
Toepassing: De methode is bijzonder relevant voor netgekoppelde opslagsystemen (grid storage) waar nauwkeurige SOC-schatting cruciaal is voor veilige en efficiënte energiedistributie, vooral bij strategieën zoals piekvermogensreductie die batterijen dwingen door verschillende SOC-gebieden te bewegen.

Kortom, door de onzekerheid in het regelproces te integreren, kan het systeem niet alleen beter volgen wat er gevraagd wordt, maar ook beter "zien" wat er in de batterij gebeurt.