Zellunabhängiges Batteriemanagement Chemie egal!

Jede Batteriechemie hat ihre eigene Ladecharakteristik. Daher sind Batteriemanagementsysteme meist auf einen Batterietyp festgelegt. Eine neue selbstlernende Ladezustandsmessung arbeitet über einen weiten Bereich von Batterietypen, Kapazitäten und Ladespannungen ausreichend genau.

Sicher ist, dass die Zahl batteriebetriebener Geräte auch in Zukunft steigen wird. Doch aufgrund unterschiedlicher Basischemikalien differieren die Parameter bei verschiedenen Batterietypen stark. Deswegen ist bei Ladezustandsmessern üblicherweise immer erforderlich, die jeweilige Batterie dediziert zu charakterisieren, um den Ladezustand (SOC, State Of Charge) ausreichend genau zu bestimmen. Dies gilt sogar für die weit verbreiteten Lithium-Cobaltoxid-Akkus (LiCoO2), denn sie verändern die unterschiedlichen Bauformen die Impedanz. 

Traditionelle Methoden der Ladezustandsmessung erfordern demzufolge einen Stromversorgungs- oder Batteriespezialisten im Team, der mit einem entsprechenden Anbieter zusammenarbeitet, um ein geeignetes Modell für seine Anwendung zu ermitteln. Das beinhaltet häufig die Charakterisierung des Akkus unter verschiedenen Last- und Temperaturbedingungen [1] und kann einschließlich der Modellierung leicht ein paar Wochen dauern. Dieser Ansatz passt nicht mehr zu den heute üblichen kleinen, agilen und softwarefokussierten Entwicklerteams.

Folglich sollte eine moderne Lösung für die Ladezustandsmessung neben dem offensichtlichen Wunsch nach Genauigkeit über den Lebenszyklus hinweg auch die Aspekte Benutzerfreundlichkeit und kurze Time-to-Market berücksichtigen. Genau dafür hat Maxim Integrated den Algorithmus ModelGauge m5 entwickelt.

Dieser bietet eine selbstlernende Ladezustandsmessung, die eine genügende Genauigkeit über einen weiten Bereich von Batterietypen, Kapazitäten und Ladespannungen liefert. Die Genauigkeit und Robustheit des zugrunde liegenden, selbstlernenden Algorithmus konnte das Unternehmen anhand einer großen Charakterisierungsdatenbank nachweisen. Damit erübrigt sich die Batteriecharakterisierung, sodass sich letztlich Zeit und Entwicklungsaufwand einsparen lassen.

Der folgende Abschnitt erläutert den Algorithmus und die Ausführung verschiedener Funktionen. Danach beleuchten wir die damit erreichte Genauigkeit. Der letzte Abschnitt geht auf eine Bausteinfamilie ein, die den Algorithmus auf einem System-on-a-Chip implementiert.

Funktionsweise des Algorithmus 

Der ModelGauge-m5-Algorithmus [2-3] verwendet die elektrischen Messungen in Echtzeit und wandelt sie in die nutzbare Ladung (SOC-Wert) und andere Akku-Informationen. Der Algorithmus verfügt über mehrere Mechanismen, um die Fehleranfälligkeit gegenüber Abweichungen zwischen dem Modell und den tatsächlich verwendeten Zellen zu reduzieren. Diese Mechanismen machen die Berechnung des Ladezustands auch gegenüber Fehlern in den elektrischen Messungen robuster. Darüber hinaus gibt es mehrere selbstlernende Mechanismen, die dem Ladezustandsmesser dabei helfen, mehr über die Charakteristiken des Akkus zu erfahren und seine Genauigkeit zu verbessern.

Der Algorithmus kombiniert die Kurzzeitgenauigkeit und Linearität eines Ladungszählers mit der Langzeitstabilität einer spannungsbasierten Ladezustandsmessung. Der Algorithmus verbindet die Ladungszustandsmessung, die auf die Messung der Leerlaufspannung (Open-Circuit Voltage, OCV) basiert, mit der, die auf einem Ladungszähler basiert. Der Wert der Leerlaufspannung einer Li+-Zelle korreliert mit dem Ladezustand und diese Wechselbeziehung ist weitgehend unabhängig vom Alter der Zelle (Bild 1).

Da die Zellen während der Anwendung zyklisch geladen und entladen wird, unterdrückt das Durchlaufen dieser Kurve weitgehend alle lokalen Fehler, die aus den Unterschieden zwischen Modell und Zelle herrühren. Zu Beginn, wenn die Zelle erstmals mit dem Ladezustandsmessungs-IC verbunden ist, gewichtet der Algorithmus die Messung der Leerlaufspannung sehr stark im Vergleich zum Ladungszähler. Durchläuft die Zelle in der Anwendung weitere Zyklen, so verbessert sich die Genauigkeit des Ladungszählers und der Mischalgorithmus ändert die Gewichtung, sodass das Ergebnis des Ladungszählers zu dominieren beginnt. An diesem Punkt schaltet das IC auf Servomischung. Diese Servomischung korrigiert kontinuierlich den Fehler des Ladungszählers mit fester Größe, auf- oder abwärts, abhängig von der Richtung des Fehlers bei der Schätzung der Leerlaufspannung. Damit lassen sich Abweichungen zwischen dem Ladungszähler und der Schätzung der Leerlaufspannung schnell korrigieren. Die summierte Drift des Offset-Fehlers der Strommessung beeinträchtigt das resultierende Ergebnis des Mischalgorithmus nicht und dieser ist stabiler als einer, der nur auf der Leerlaufspannung basiert (Bild 2).

Der Ladungszähler wird kontinuierlich korrigiert – sowohl während die Anwendung aktiv ist, als auch im Ruhezustand. In der Praxis bedeutet das, dass die Ladungszähler mehr als 200.000 Mal am Tag korrigiert werden. Das geschieht in winzigen Schritten, die für den Anwender nahezu unsichtbar sind. Diese Korrekturen erfolgen, wenn der Akku unter Last ist, aber auch im unbelasteten Zustand, unabhängig davon, ob die Zelle relaxiert ist oder nicht. Das ist ein wesentlicher Vorteil im Vergleich zu konkurrierenden Algorithmen. Da sich die Temperatur und Entladungsrate einer Anwendung ändern, ändert sich auch die Ladungsmenge, die der Anwendung zur Verfügung steht. Der ModelGauge-m5-Algorithmus unterscheidet zwischen der verbleibenden Kapazität der Zelle und der verbleibenden Kapazität der Anwendung. Beide Ergebnisse werden dem Benutzer gemeldet.

Um bei Zellalterung die Genauigkeit zu erhalten und initiale Fehler zu beheben, passt der Algorithmus in regelmäßigen Abständen immer als kleine Korrekturen das Zellenmodell und die Anwendungsinformationen intern an. Dies verhindert, dass das System instabil wird und sich die Ladungsanzeige sprunghaft ändert. Das Lernen erfolgt automatisch ohne Informationen vom Host. Zusätzlich zur Abschätzung des Ladezustands beobachtet das IC das Relaxationsverhalten des Akkus und korrigiert die Dynamik der spannungsbasierten Ladezustandsmessung.

Der Algorithmus enthält Funktionen, die garantieren, dass das Ergebnis der Ladezustandsmessung gegen 0 % geht, wenn sich die Zellspannung der Leerspannung nähert. Ist dieser Punkt erreicht, passt das IC die Änderungsrate des Ladezustands an, sodass die Ladezustandsmessung zu genau der Zeit, an der die Zellspannung den Leerzustand erreicht, 0 % meldet. Dies schützt vor Herunterfahren oder einer verfrühten 0%-Ladungsanzeige. Dies bietet auch einen zusätzlichen Mechanismus, um Fehler in der Ladezustandsmessung durch Modellierungsfehler zu unterdrücken.