Estimacija stanja i parametara VRLA baterije
nelinearnim Kalmanovim filtrom
Goran Kujundžić, dipl.ing.el.
JP Hrvatske Telekomunikacije d.d. Mostar
E-mail: goran.kujundzic@fer.hr
Sažetak — U ovom radu opisane su elektrokemijske reakcije
unutar olovne baterije tipa VRLA (engl. Valve Regulated Lead-
Acid) i prikazan je njihov utjecaj na dinamiku baterije. Postoji
veliki broj baterijskih modela koji opisuju ponašanje i dinamiku
baterije. Najpovoljniji za energetske analize su električni modeli
kod kojih se odziv baterije u strujnom krugu simulira isključivo
pomoću standardnih električnih komponenata. Prikazana su
četiri električna modela VRLA baterije, od kojih je za primjenu
najbolji hibridni električni model. Stanje napunjenosti baterije
(engl. State-of-charge-SOC) i stanje zdravlja baterije (engl. State-
of-health-SOH) su najvažniji baterijski parametri za upravljanje i
nadzor u mikromreži, stoga su opisani načini njihova utvrđivanja.
Na kraju je prikazan algoritam nelinearnog Kalmanovog filtra
(engl. Sigma-point Kalman filter-SPKF) za združenu procjenu
stanja i parametara baterije i njegova primjena na stvarna
mjerenja pri ispitivanju baterije. Rezultati procjene (estimacije)
su pokazali kako je navedeni algoritam dobar za procjenu stanja i
parametara baterije i kako je njegova primjena u programu
Matlab valjana.
Ključne riječi: VRLA baterija, SOC baterije, SOH baterije, OCV
baterije, hibridni električni model, SPKF algoritam, CDKF
metoda, mikromreža
1. UVOD
Sustavi istosmjernog napajanja koriste se za napajanje
najzahtjevnijih potrošača koji uvjetuju besprekidan napon i u
slučaju nestanka mrežnog ili pomoćnog agregatskog napajanja.
Besprekidnost napajanja postiže se aktivnim oslanjanjem na
rezervni izvor energije. Zato se najprikladnijom pokazala
elektrokemijska baterija, koja u slučaju ispada ili nedopustivog
odstupanja napona mreže, preuzima napajanje priključenih
trošila.
Elektrokemijska baterija je komponenta koja pretvara kemijsku
energiju pomoću elektrokemijske reakcije u električnu energiju
i obrnuto. Elektrokemijske reakcije unutar ćelije bitne su za
analizu rada baterije, te će u ovom radu biti prikazan kemijski
proces pri punjenju i pražnjenju baterije. Osnovna podjela
modela baterije je na elektrokemijske, matematičke i električne
1
modele, a njihova međusobna razlika je u načinu prikazivanja
njihovih unutarnjih procesa. Električni modeli napovoljniji su
za energetske analize i neki od njih će, kao i njihove
karakteristike, biti predstavljeni u sljedećim poglavljima.
Metode procjene baterijskih parametara su jako bitne jer se
neki parametri ne mogu izmjeriti na vanjskim priključcima
baterije. Pošto je dinamika baterija modelirana kao nelinearan
sustav, različite tehnike se primjenjuju, od jednostavnih do
složenih (npr. rekurzivne tehnike primjenom Kalmanovih
filtra), kako bi razvili estimatore koji će pratiti baterijske
parametre.
2. PROCESI UNUTAR VRLA BATERIJE
Elektrokemijska baterija je komponenta koja pretvara kemijsku
energiju pomoću elektrokemijske reakcije u električnu energiju
i obrnuto.
Ovisno o sposobnosti punjenja, razlikujemo primarne i
sekundarne elektrokemijske baterije. Primarne baterije se ne
mogu puniti i obično imaju mogućnost postići veću spremljenu
energiju i gustoću snage, dok sekundarne baterije imaju
sposobnost ponovnog punjenja. Sekundarne baterije
najprikladniji su izbor za stacionarne sustave besprekidnog
napajanja, koriste se za pohranu električne energije u
istosmjernoj mikromreži. Najčešće korišteni tip sekundarnih
baterija u telekomunikacijama su olovne baterije, i to zatvorene,
ventilom regulirane, olovne baterije VRLA.
VRLA baterija (u daljnjem tekstu: baterija) je potpuno
zatvorena, s iznimkom ventila koji služi za oslobađanje plinova
u havarijskim uvjetima punjenja. Izraz baterija koristi se za
kombinaciju nekoliko osnovnih elektrokemijskih uređaja koje
se zovu ćelije, spojene u seriju ili paralelno, ovisno o
potrebnom kapacitetu ili naponu. Baterija se može sastojati i od
jedne ćelije, što je uobičajeno kod potrošača male snage, poput
elektroničkih uređaja [1].
Elektrokemijska ćelija prikazana na Slici 1. sastoji se od tri
glavna dijela [3]:
 1. Anoda – negativna elektroda, daje elektrone u vanjski
krug i oksidira za vrijeme elektrokemijske reakcije pri
pražnjenju.
2. Katoda – pozitivna elektroda, prihvaća elektrone iz
vanjskog kruga i reducira za vrijeme elektrokemijske
reakcije pri pražnjenju.
3. Elektrolit – obično je tekućina, kao voda ili druge
otopine s otopljenim solima, kiselinama ili lužinama.
Ionski je vodič, te omogućava prijenos naboja između
anode i katode unutar ćelije. Elektrolit ne smije biti
elektrovodljiv, što bi izazvalo unutarnji kratki spoj
ćelije [2].
Slika 1. Elektrokemijska ćelija
Komercijalna baterija nazivnog napona 12 V sastoji se od šest
elektrokemijskih ćelija, primjer jedne prikazan je na Slici 1. Za
potpunu analizu rada baterije potrebno je poznavati unutarnje
elektrokemijske reakcije ćelije. Za vrijeme pražnjenja baterije,
ion olova (Pb+) dolazi do negativne elektrode, reagira sa
sumpornom kiselinom (H2SO4) formirajući sloj olovnog
sulfata (PbSO4) na istoj elektrodi. Sličan proces nastanka
olovnog sulfata događa se i na pozitivnoj elektrodi, gdje dolazi
i do dodatnog formiranja molekula vode. Tijekom punjenja
baterije, opisani proces događa se na obrnut način, tj. olovni
sulfat razgrađuje se na olovo (Pb) na negativnoj elektrodi i
olovni dioksid (PbO2) na pozitivnoj elektrodi. Kompletne
elektrokemijske reakcije punjenja/pražnjenja koje su detaljno
prikazane na Slici 2. mogu se izraziti kao [2], [4]:
- Pozitivna elektroda: PbO2 + H2SO4 + 2H+ + 2e -<=>
PbSO4 + 2H2O (1)
- Negativna elektroda: Pb+ H2SO4 -<=> PbSO4 + 2H+ +
2e- (2)
- Ukupna reakcija: Pb+ PbO2 + 2H2SO4-<=> 2PbSO4 +
2H2O (3)
Kod ovog tipa baterije ne dolazi do gubitka vode elektrolita,
zbog toga se i kaže kako su „bez održavanja”. Punjenje izvan
točno propisanih naponskih okvira može ipak uzrokovati
pojavu manje količine vodika koji se oslobađa kroz ispušni
ventil. Učinak je mnogo izraženiji na visokom nadopunjavanju
2
baterije, kao kombinirani utjecaj napona praznog hoda baterije
(engl. Open-circuit voltage -OCV) i polarizacije koja može
izazvati značajno povećanje ukupnog napona. Nakon
određenog naponskog praga, dolazi do povećane stope
proizvodnje vodika i kisika, što može predstavljati prijetnju u
sigurnosti. U slučaju da se takvi uvjeti punjenja zadrže dulje
vrijeme, doći će do preranog gubitka kapaciteta akumulatorske
baterije [2].
Osjetljivost na povišenu temperaturu u okolini ima za
posljedicu trajno gubljenje kapaciteta ovisno o temperaturi i
njezinom trajanju. Štetan utjecaj povišenih temperatura okoline
moguće je kod zatvorenih olovnih baterija ublažiti
temperaturnom regulacijom napona ispravljača.
Budući kako realno nije moguće osigurati da ne dođe do
neželjenih režima rada u kojima baterija ispušta vodik,
potrebno je predvidjeti minimalno potrebno ventiliranje
(najčešće je dovoljna prirodna ventilacija). Zbog istog razloga
potrebno je bateriju udaljiti od uređaja koji se pretjerano griju
ili iskre [1], [5], [6].
Slika 2. Elektrokemijske reakcije unutar baterijske ćelije
Napon baterijske ćelije odraz je njenih unutarnjih
elektrokemijskih reakcija, a sastoji se od napona praznog hoda
OCV koji je funkcija stanja napunjenosti ćelije i pada napona
koji je povezan s trenutnim radnim okruženjem. Kad baterija
nije u radu, tj. kada je u stanju mirovanja, OCV je u linearnom
odnosu sa SOC-om u rasponu od 5% do 100% SOC-a, dok
nelinearnost postoji samo u rasponu od 0% do 5% SOC-a
(vidjeti Sliku 3.) [6].
Spajanjem ćelije na vanjski strujni krug, električna energija
izaziva unutar nje lančane reakcije, koje odgovaraju veličini
struje. Masovna gibanja iona mijenjaju unutarnju strukturu
elektroda i pretvaraju kemijsku energiju u električnu i obrnuto.
Jedan dio pretvorene kemijske energije se gubi na toplinu
protokom struje kroz otpore, što stvara trenutni unutarnji pad
napona ćelije. Navedeni pad napona se može podijeliti na dva
dijela: dinamički pad napona koji je uzrokovan
elektrokemijskim reakcijama i odstupanjima u koncentraciji i
trenutni pad napona koji je uzrokovan otporima vodljivih
dijelova i elektrolita [7].
 činjenici da se odziv baterije u strujnom krugu simulira
isključivo pomoću standardnih električnih komponenata, kao
što su naponski i strujni izvori, otpornici, kapacitivni i
induktivni elementi [2], [7], [9]. Točnost električnih modela
nalazi se između elektrokemijskih i matematičkih modela (1%
- 5% pogreške). Postoji veliki broj električnih modela baterija,
a svaki od njih odlikuje se dobrim i lošim svojstvima. Tri su
glavne skupine električnih modela: Theveninovi modeli,
impedancijski modeli i modeli temeljeni na kumulativnom
praćenu SOC-a baterije (engl. Runtime-Based- R-B).
A. Theveninov električni model

Slika 3. OCV u ovisnosti o SOC-u za baterijsku ćeliju Theveninov električni model u svom osnovnom obliku
prikazan na Slici 5. uključuje serijski otpor (
 ) i
paralelni RC krug (



 i 


 ) kako bi
Ukupni pad napona koji je prisutan na priključcima baterijske
predvidio odziv baterije na prijelazno opterećenje za određeni
ćelije sastoji se od tri osnovne komponente: OCV-a koji je
SOC uz pretpostavku kako je VoC(SOC) konstantan. Ne radi
funkcija SOC-a, trenutnog pada napona uzrokovanog
kumulativni proračun napunjenosti baterije. Theveninov
unutarnjim otporima i dinamičkog pada napona koji proizlazi
električni model uz korištenje varijabilnog kapaciteta umjesto
iz difuzije u ćeliji. Temeljno načelo u modeliranju baterija
VoC(SOC), stvara nelinearni odnos između OCV-a i SOC-a
izvedeno je iz navedene definicije ukupnog pada napona [2],
baterije što zahtjeva veću složenost pri izračunu OCV-a, ali
[7]. Slika 4. prikazuje napon na priključcima baterije kao
omogućava da se dobije vrijeme trajanja baterije uz pogrešku
odziv na trenutni porast struje pri pražnjenju.
5 % (0,4 V pogreška napona) pri konstantnoj struji punjenja i
pražnjenja. Ovaj električni model može se koristiti i s većim
brojem paralelnih RC krugova, što stvara veliku složenost pri
izračunu OCV-a pri određenom stanju SOC-a i temperature
okruženja. Iz navedenog, možemo zaključiti kako nijedan
Theveninov model ne može predvidjeti vrijeme trajanja
baterija točno i jednostavno [7], [9], [11].

Slika 4. Napon baterije UBAT kao odziv na trenutni porast struje pražnjenja Slika 5. Theveninov električni model

3. BATERIJSKI MODELI
B. Impedancijski električni model

Baterijski modeli prema osnovnoj podjeli dijele se na:
elektrokemijske, matematičke i električne modele.
Elektrokemijski modeli razvijeni su za detaljne simulacije
unutarnjih reakcija baterijske ćelije, postupak proračuna
specifičnih parametara je složen zbog primjene kompleksnih
numeričkih algoritama što zahtijeva dugo vrijeme simulacije.
Matematički modeli izrađeni su na apstraktan način gdje se
preko krivulja punjenja i pražnjenja prikazuju parametri
baterijskih ćelija koji se koriste za izračune u matematičkim
funkcijama. Parametri koji se mogu dobiti iz ovog modela su
Impedancijski električni modeli (Slika 6.) koriste
elektrokemijsku impedancijsku spektroskopiju kako bi dobili
ekvivalentni model impedancije u frekvencijskoj domeni, te je
potrebno prilagođavati rezultate složenim postupcima.
Impedancijski modeli rade samo na određenom SOC-u i
temperaturi i ne mogu predvidjeti DC odziv i vrijeme trajanja
baterije [12].
Rserijski Zac
VoC(SOC)

vrijeme trajanja baterije i kapacitet, međutim, za utvrđivanje

bitnih svojstava baterijske ćelije kao što je stanje zdravlja nisu
precizni i daju veće pogreške. Pogreška u rezultatima kod Ibat

matematičkih modela iznosi 5%- 20% [7], [10]. Najpovoljniji

za energetske analize su električni modeli, koji se temelje na Slika 6. Impedancijski električni model

3
C. R-B električni model 100%. Otpornik samopražnjenja
   ž

 opisuje
R-B električni modeli (Slika 7.) koriste složeni krug, temeljeni izgubljenu energiju zbog samopražnjenja kad je baterija
su na akumuliranom praćenju SOC-a i točni su samo za skladištena dulje vrijeme i ovisan je o SOC-u, temperaturi i
konstantne struje punjenja i pražnjenja. Za različite struje broju ciklusa punjenja i pražnjenja.
opterećenja ne mogu predvidjeti točno vrijeme trajanja baterije Kada bateriju, koja je u stacionarnom stanju opteretimo sa
i naponski DC odziv [2], [7], [8]. skokovitom strujom i zabilježimo napon na njenim stezaljkama,
dobit će se ovisnost napona o vremenu kao na Slici 4., gdje se
vremenski odziv može podijeliti na dva dijela: trenutni pad
napona, koji ovisi i modelira se serijskim otpornikom
 ,
te pad napona koji se modelira serijskim spojem više paralelnih
RC krugova (istraživači su pokazali kako dva paralelna RC
kruga čine optimum između preciznosti i složenosti modela)
[2], [7], [8], [13].

4. METODE PROCJENE BATERIJSKIH PARAMETARA

Slika 7. R-B električni model

Sustav upravljanja baterijama (engl. Battery managment

D. Hibridni električni model system- BMS) upravlja svim funkcijama baterije, kako bi se
povećao njen vijek trajanja i ključni je element za iskoristivost
Hibridni električni model (Slika 8.) je sveobuhvatni električni baterije u mikromrežama gdje je čini pouzdanom i
model koji obuhvaća najbolje karakteristike svakog navedenog učinkovitom. BMS omogućava prikupljanje podataka o
modela. Kapacitet 
 i strujni izvor su preuzeti iz R-B bateriji (napon, struja, temperatura, itd.), šalje ih algoritmu
električnog modela, te definiraju kapacitet, SOC i vrijeme
trajanja baterije. Svojstva Theveninova električnog modela u
hibridnom modelu određuje tranzijentni odziv, a svojstva
impedancijskog modela AC odziv [7].
Slika 8. Hibridni električni model
Korisni kapacitet baterije je ukupna dobivena energija iz
baterije pri njenom pražnjenju iz napunjenog stanja do granice
napona pražnjenja. Kapacitet se smanjuje povećanjem broja
ciklusa pražnjenja baterije, povećanjem struje opterećenja,
duljim razdobljem skladištenja uslijed čega dolazi do
samopražnjenja baterije i smanjenjem temperature okoline.
Korisni kapacitet baterije može se modelirati s kondenzatorom
procjene stanja koji ažurira sve parametre određenog
baterijskog modela i vrši procjenu SOC-a i SOH-a baterije.
Baterijski parametri SOC i SOH su informacije koje je
potrebno poznavati o bateriji kako bi nadzor i upravljanje u
mikromrežama mogli obavljati učinkovito, te kako bi
poznavali preostali životni vijek baterije [13].
Ciklusi punjenja i pražnjenja baterije i starenje njenog
unutarnjeg kemijskog sastava imaju veliki učinak na njen
vijek trajanja. Prekomjerno punjenje baterije može izazvati
plinski efekt baterije i gubitak vode iz elektrolita, dok duboko
pražnjenje baterije ispod njene donje naponske razine
uzrokuje sulfatizaciju koja smanjuje aktivnu površinu ploča
[14].
A. Stanje napunjenosti baterije (SOC)
SOC je pokazatelj dostupnog naboja pohranjenog u bateriji u
odnosu na naboj potpuno napunjene baterije. Točna procjena
SOC-a je potrebna za optimalno upravljanje energijom, te
kako bi se baterija zaštitila od dubokog pražnjenja ili
prevelikog punjenja, što smanjuje njen životni vijek. Prema
punog kapaciteta 
 i otpornikom samopražnjenja autorima iz [15], [16] SOC je definiran:

 
 ž

 i ekvivalentnim serijskim otpornikom (zbroj

 ,



_,



_
 ). Kondenzator  
*+(') = *+(', ) − ∙ 2 3(4)54 (5)
punog kapaciteta 
 predstavlja ukupnu energiju .
/01 6

pohranjenu u bateriji i može se izraziti kao:

gdje SOC(t0) je početno stanje napunjenosti baterije, 
 je

 = 3600 ∙ 
 ⋅  ( !"#_$) ⋅ & ('()) (4) nominalni kapacitet potpuno napunjene baterije i 3(4) je struja
pražnjenja baterije.
gdje je 
 (Ah) nominalni kapacitet baterije, odnosno Baterijski SOC ne može se izravno izmjeriti na vanjskim
ukupna količina električnog naboja pohranjenog u potpuno priključcima baterije, što je razlog zbog čega su razvijeni
napunjenoj bateriji. mnogi algoritmi i metode za procjenu SOC-a pojedinačnih
Napon na 
 prema izrazu (4) može poprimiti
baterija i baterijskih slogova na temelju izmjerenih podataka na
njima.
vrijednost između 0 V i 1 V, što odgovara SOC-u od 0% do
4
Najdominantnija metoda je Coulombovo računanje (engl.
Coulomb counting), gdje prema izrazu (5) vremenski integral
struje baterije određuje količinu naboja koji je potrošen ili
pohranjen u bateriji i on se uspoređuje s kapacitetom potpuno
napunjene baterije. Ovu metodu lako je provesti, ali njen
nedostatak može biti nepoznavanje početnih uvjeta SOC-a i
trenutna pogreška senzora mjerenja [13]. Mjerenje napona
praznog hoda OCV-a je druga metoda da se izračuna SOC na
temelju statičkog odnosa OCV-a i SOC-a. Koristi se neovisno
ili u kombinaciji s metodom Coulombovog računanja kako bi
se povećala točnost procjene SOC-a. S obzirom na dugotrajniju
na bateriji s nepoznatom povijesti u tri moda: 1) baterija se
ostavi u praznom hodu minimalno jednu minutu kako bi se
stabilizirao njen napon, 2) na bateriju dovodimo strujno pulsno
opterećenje u trajanju od 10 sekundi (vidjeti Sliku 9.), nakon
čega ponovo baterija 10 sekundi ostaje u stanju mirovanja, 3)
na bateriju ponovo dovodimo isto strujno pulsno opterećenje.
Slika 9. prikazuje sva tri moda iz kojih možemo izmjeriti
vrijednosti ∆8 , ∆8& , 9 i 8:;.<. i na osnovi izmjerenih
podataka dobivamo SOC u izrazima kako slijedi:
+> = ? ∙ *+ + ABC:DE. (6)
dinamiku baterije, dobivanje OCV-a zahtijeva da baterija
ostane dugo u stanju mirovanja (barem osam sati ili dulje), što
odbacuje ovu metodu jer baterija treba biti što manje isključena gdje su: +> napon praznog hoda baterije, α nagib krivulje i
iz pogona [13]. Elektrokemijska impedancijska spektroskopija ABC:DE. napon baterije pri 0% SOC-a. Za VRLA baterije
(engl. Electrochemical impedance spectroscopy-EIS) je još ? = 0.018, ABC:DE. = 1.4 >.
jedna metoda za procjenu SOC-a. Unutarnja impedancija
baterije izračunava se primjenom signala male struje s +> = 8:;.<. + I (7)
različitim frekvencijama na bateriji i mjeri se odgovarajući
napon pomoću EIS opreme. Izvedba ove metode zahtijeva gdje je empirijski parametar I = 0.24 > ± 0.06 > s
dulje vrijeme i pogodna je za analize kada baterija nije u radu. navedenom vrijednosti za VRLA baterije.
Ispitivanje unutarnjeg otpora je metoda koja primjenjuje kratka LMNOP. QRST:UMVW.
opterećenja na bateriji i utvrđuje unutarnji otpor baterije na
osnovi mjerenja promjena napona i struje. Pošto unutarnji
otpor raste s vremenom, zbog kemijske razgradnje aktivnog
materijala, a i zbog opadanja SOC-a, ovaj pristup je nepouzdan
zbog ovisnosti baterijskih parametara o SOC-u i temperaturi
[15].
Slika 9. Dvopulsna strujna metoda
Jednopulsna metoda mjeri napon pod određenim kratkim
opterećenjem, te uspoređivanjem s prethodnim tablicama
ispitivanja, utvrđuje kapacitet baterije i SOC. Nedostatak ovog
pristupa je nepoznavanje prethodne povijesti baterije što utječe
na točnost kao i veliko strujno opterećenje u odnosu na
kapacitet baterije [15].
Dvopulsna metoda primjenjuje dvopulsnu struju na vanjske
priključke baterije, nadilazi sve nedostatke navedenih metoda i
služi za utvrđivanje tri važna parametra baterije: 
 , SOC i
SOH. Primjena ove metode ne traje dugo, ispitivanje se izvodi
 kako slijedi [13], [15]:
5
*+ = (8)
X
Slika 10. Učinak starenja VRLA baterije [15]
B. Stanje zdravlja baterije (SOH)
SOH je baterijski parametar i pokazatelj je baterijske
funkcionalnosti koja se može promatrati na razini ćelije ili na
razini cijelog baterijskog sloga. SOH predviđa broj koliko se
puta baterija može napuniti i isprazniti prije nego što bude
neupotrebljiva. Ova informacija je jako važna za energetski
sustav upravljanja (engl. Energy management system-EMS)
kako bi se odabrao najbolji način kako produljiti životni vijek
baterije i kada izvršiti zamjenu iste. SOH nije parametar koji
se može izravno mjeriti na priključcima baterije, nego se on
procjenjuje. Danas se ulažu veliki napori kako bi se ovaj
parametar što točnije procijenio. SOH je definiran kao omjer
maksimalnog kapaciteta potpuno napunjene ostarjele baterije
 . i maksimalnog (nominalnog) kapaciteta potpuno
napunjene nove baterije 
 Kp ostar . (9) Dvopulsna metoda određuje na osnovi izmjerenih vrijednosti
SOH =
Kp nom odnos pada napona ∆8& na kraju drugog moda ispitivanja i
razine kapaciteta   . izrazom kako slijedi:
Navedena definicija ne uzima u procjenu primjenu baterije (tj.
gdje je baterija bila u optimalnom radu), dob baterije i povijest  . = Y ∙ ∆8& + Z (11)
njene uporabe. Može se vidjeti kako postoji još nejasnoća u
definiranju SOH-a, stoga je razvijeno i nekoliko studija o gdje su vrijednosti parametara Y = 1.868 i Z = -0.2505 za
mikroskopskom i makroskopskom ponašanju baterije, kako bi VRLA baterije [15]. Na kraju izraz (10) uvrstimo u izraz (9) i
se iste razjasnile. Mikroskopska analiza otkriva kako fenomen dobivamo vrijednost parametra SOH.
starenja baterije može biti vezan uz dva uzroka: kalendarski
Slika 10. prikazuje učinak starenja VRLA baterije iz odnosa
vijek baterije i broj ciklusa (broj punjenja/pražnjenja baterije)
između pada napona ∆U2 i SOC-a kod baterija različite starosti,
[15]. Makroskopski prikazi starenja baterije su sljedeći:
odnosno SOH-a.
smanjenje kapaciteta baterije zbog broja ciklusa i povećanje
unutarnjeg otpora duljim skladištenjem baterije. Ove promjene
baterijskih parametara su nepovratne i zbog toga se razlikuju
od onih promjena koje nastaju u radnim uvjetima. Temperatura
se može koristiti kao parametar pri ispitivanju trajanja baterije,
jer svako povećanje temperature za 10° C smanjuje za polovicu
životni vijek trajanja baterijske ćelije. Većina studija u ovom
području prikazuju kako su smanjenje kapaciteta baterije,
povećanje unutarnjeg otpora baterije ili kombinacija oboje,
mjere za utvrđivanje SOH-a. Međutim, promjene u kapacitetu i
u unutarnjem otporu baterije su samo pokazatelji i besmislene
su bez uzimanja u obzir primjene baterije. Neki pristupi u
ovom području uzimaju u obzir kako je baterija neispravna kad
joj se kapacitet smanji na 80% nominalne vrijednosti. U nekim
studijama definirani su praktičniji pokazatelji preostalog života
baterije: RUL (engl. Remaining useful life) i EOL (engl. End of
life) i većim dijelom se koriste u vojne i zrakoplovne svrhe, a Slika 11. Koraci dvopulsne strujne metode
manje u mikromrežama [13], [14], [15].
Postoje razne metode i algoritmi za procjenu SOH-a Na Slici 11. prikazani su svi koraci dvopulsne metode za
pojedinačnih baterija i baterijskih slogova. Metoda ispitivanja utvrđivanje vrijednosti parametara SOC-a i SOH-a baterije.
potpunim pražnjenjem baterije primjenjuje pražnjenje pod Električni model baterije koji se koristi pri ispitivanju
punim opterećenjem i mjeri količinu oslobođenog naboja iz dvopulsnom metodom prikazan je na Slici 12.
[ je unutarnji
baterije. Navedena količina oslobođenog naboja se tada omski otpor baterije koji stvara pad napona ∆8& i njegova
uspoređuje s količinom naboja iz istog postupka ispitivanja kad vrijednost raste pri starenju baterije. Kombinacija otpora
\] i
\] opisuje prijenos naboja i proces difuzije između elektrode i
je baterija bila nova. Nedostatci ovog pristupa su duljina
vremena koja je potrebna za obavljanje potpunog pražnjenja i
elektrolita u baterijskoj ćeliji. Vrijeme oporavka nakon prvog
pulsa struje je povezano s
\] i \] i prethodna povijest
zahtjev da baterija bude izvan pogona za jedan ciklus punjenja
i pražnjenja. Ispitivanje unutarnjeg otpora je metoda za
određuje polaritet i veličinu napona na \] [15], [16].
procjenu i SOH-a, primjenjuje kratka opterećenja na bateriji i
mjeri promjene u naponu i struji kako bi se utvrdio unutarnji
otpor baterije. Unutarnji otpor baterije raste s vremenom zbog
kemijske razgradnje aktivnog materijala, što utječe na
smanjenje SOH-a baterije.
Dvopulsna metoda se primjenjuje i za određivanje SOH-a
baterije. Ranije su navedeni i pokazani koraci za određivanje
SOC baterije ovom metodom. Za određivanje baterijskog
SOH-a koristi se izraz za razinu kapaciteta baterije: Slika 12. Električni model baterije [15]

I U ovom poglavlju prikazane su razne metode za procjenu

Kp raz . = ( h ) −1 (10)
Kp SOC-a i SOH-a pojedinačnih baterija i baterijskih slogova. U
zadnje vrijeme razvijene su i mnoge metode procjene
gdje je 9 struja baterije, a  kapacitet odnosno naboj potpuno baterijskih parametara u radu baterije što je velika prednost jer
napunjene baterije. baterije ostaju u pogonu. Pošto je dinamika baterija modelirana
kao nelinearan sustav, različite tehnike se primjenjuju od
jednostavnih do složenih (npr. rekurzivne tehnike primjenom

6
Kalmanovih filtra), kako bi razvili estimatore koji će pratiti prošireni vektor stanja. U nastavku bit će prikazani svi koraci
SOC i SOH baterije. združene procjene stanja i parametara SPKF algoritma [19]:
Jednadžbe stanja i mjerenja modela:
5. NELINEARNI KALMANOV FILTAR ZA ZDRUŽENU
PROCJENU STANJA I PARAMETARA BATERIJE ^ _(^S , `S , aS , ΘS ,  − 1
fΘ h = i l
 ΘjS + rjS
Dinamika elektrokemijske baterije koja se razmatra može se
b = ℎ(^ , ` , d , Θ , ) (14)
modelirati korištenjem općeg modela diskretnog nelinearnog
stohastičkog dinamičkog sustava s jednadžbom stanja i Jednadžbe stanja i mjerenja iz izraza (14) prikazani su u
jednadžbom mjerenja kako slijedi: obliku proširenog vektora stanja. Kako bi se dobio
pojednostavljeni izraz, bit će definirani vektor koji sadrži
^Q = _(^ , ` , a ) (12) trenutno stanje sustava i trenutne parametre m , vektor koji
sadrži trenutni procesni i parametarski šum n i jednadžba
b = ℎ(^ , ` , d ) (13)
koja sadrži dinamiku stanja i dinamike parametara ℱ iz čega
slijedi:
Stabilnost sustava, upravljivost, osjetljivost na smetnje mogu
se utvrditi iz ove jednadžbe. Pored ulaza u sustav ` ∈

m = ℱ(mS , `S , nS ,  − 1)
postoji i stohastički ulaz u sustav a ∈

koji se zove
procesni šum, nemjerljiv je i utječe na stanje sustava. Izlaz iz b = ℎ(m , ` , d , ) (15)
sustava je b ∈
 izračunava se pomoću izlazne jednadžbe
kao funkcija stanja ulaza i mjernog šuma d ∈
 koji utječe
Definiranje proširenog vektora stanja:
na mjerenje sustava [17].
m  = pmq , nq , dq rq
Nelinearni Kalmanov filtar, odnosno SPKF, je algoritam koji q
koristi rekurzivno optimalno filtriranje što je proces procjene s = t(sm )q , (sn )q , (su )q v
stanja i parametara sustava na temelju mjernih vrijednosti koje
 = 2 ∙ dim (m  ) (16)
pristižu tijekom vremena. Opći pristup ovog algoritma je da se
koriste izmjerene vrijednosti modela kao ulazi, te da se
Inicijalizacija (k=0):
predvide mjerni izlazi modela uz korištenje trenutnih
vrijednosti stanja i parametara modela. SPKF kao i ostali
zQ
m, = {pm, r
Kalmanovi filtri imaju prednost da automatski osiguravaju
dinamičke granice pogreške svojih procjena stanja i
∑Q zQ
} ,, = {p~m, − m
m
zQ q
, ~m, − m,  r
parametara. SPKF procjenjuje srednju vrijednost i kovarijancu
izlaza nelinearne funkcije korištenjem malog fiksnog broja
funkcijskih točaka. Set točaka (sigma točke) odabiru se kao ili
ulaz u funkciju, tako da srednja vrijednost i kovarijanca točaka
točno odgovara srednjoj vrijednosti i kovarijanci a priori z ,Q
m z Q q €€€ q
, = {pm, r = p~m,  , n, d̅ r
slučajne varijable koja se modelira. Ove točke se tada provode q
kroz nelinearnu funkciju, te nastaje transformirani skup točaka. ∑ ,Q z ,Q z ,Q
} ,, = { f~m, − m, ~m, − m,  h

m
= 53‚ƒ(∑Q } ,,, ∑n, „…)
Aproksimacijom nastalih točaka dobivamo a posteriori srednju m (17)
vrijednost i kovarijancu.
Dinamika baterije stvara izlaze kao funkciju svojih prošlih i k=1,2,....
trenutnih izlaza, te se može definirati vektor stanja sustava čija Izračunavanje sigma točke:
vrijednost je zbroj svih efekata prošlih ulaza. Trenutni izlaz
sustava funkcija je trenutnog ulaza sustava i trenutnog stanja. ,Q
sS z ,Q
= †m z ,Q ,Q
jS , mjS + γˆ∑m
z ,Q ,Q
} ,jS, mjS − γˆ∑m
} ,jS, ‰ (18)
Vektor parametara sustava obuhvaća sve numeričke veličine
koje opisuju kako se razvija stanje sustava i kako se izlaz
sustava može izračunati. Iznosi vektora stanja mijenjaju se Jednadžbe predikcije (osvježavanje vremena):
relativno brzo kroz vrijeme, dok se iznosi vektora parametara
m,S m,Q n,Q
mijenjaju jako sporo. SOC je jedan element vektora stanja od s, = ℱ(sS, , `S , sS, ,  − 1)
posebne važnosti, a unutarnji otpor baterije i kapacitet baterije
su elementi vektora parametara i vrlo su bitni za procjenu zS
m
() m,S
 = ∑Š, ? s,
SOH-a [17], [18]. SPKF kao i ostali Kalmanovi filtri mogu se
koristiti za istovremenu procjenu stanja sustava koja se brzo ∑S () m,S zS
} , = ∑Š, ? (s, − m
m
m,S zS q
 )(s, − m )
mijenjaju i parametara koji se sporo mijenjaju kroz vrijeme. m,S u,Q
Ova metoda se zove združena procjena, vektor stanja sustava ‹, = ℎ(s, , ` , sS, , )
()
bŒ = ∑Š, ?
kombinira se s vektorom parametara sustava i dobivamo
‹, (19)

7
Jednadžbe korekcije (osvježavanje mjerenja): ispražnjen, odnosno napunjen. Za prestanak punjenja i
pražnjenja korišteni su podatci proizvođača ovog tipa baterija
∑Ž, = ∑ Š, ?() (‹, − bŒ )(‹, − bŒ )q za donju naponsku granicu pražnjenja (43.20 V) i za gornju
naponsku granicu punjenja (54.48 V).
∑S
}
m
() m,S zS
Ž, = ∑Š, ? (s, − m )(‹, − b
Π)q
Nakon provedenih ispitivanja, korištenjem krivulja pražnjenja i
 = ∑S
}
m Ž, ∙ ∑
Ž, ,
S punjenja baterijskog sloga, bit će izračunati baterijski
parametri (
 ,



_ ,



_  ,
zQ
m zS
 = m +  (b − b
Π) 


_ i 


_  ) hibridnog električnog
∑Q } , − ⋅ ∑
} , = ∑m
S baterijskog modela za obje vrste ispitivanja (pražnjenje i
Ž, ⋅ 
q
m (20)
punjenje).
UKF (engl. Unscented Kalman filter) i CDKF (engl. Central Dobivene vrijednosti baterijskih parametara, tj. njihove srednje
Difference Kalman filter) su dvije metode SPKF algoritma. vrijednosti, koristit će se u hibridnom baterijskom modelu
() ()
Razlikuju se samo u izboru težinskih konstanti Z, ? i ? . implementiranom u Matlab/Simulink okruženju. Kako bi se
UKF je izveden iz procjene kovarijanci s podatcima točnijim provjerila valjanost baterijskog modela, usporedit će se
od Taylorovog reda, dok je CDKF izveden korištenjem simulacije pražnjenja i punjenja sa stvarnim vrijednostima
Stirlingove formule i aproksimira rezultate točnije nego mjerenja pri ispitivanjima. Ukoliko se baterijski model složi sa
korištenjem Taylorovog reda. Unutar CDKF metode postoji stvarnim stanjem mjerenja, koristit će se za provjeru algoritma
parametar ℎ, koji čini provedbu jednostavnijom od UKF-a i za združene estimacije stanja i parametara.
Gaussovu razdiobu njegova vrijednost je √3. Primjena CDKF Pomoću CDKF metode SPKF algoritma, provest će se
metode bit će prikazana u sljedećem poglavlju [19]. združena estimacija stanja i parametara, gdje će se kao ulazne
vrijednosti koristiti vrijednosti simulacija dobivenih pomoću
baterijskog modela. Valjanost ovog algoritma pokazati će se
6. ISPITIVANJE VRLA BATERIJSKOG SLOGA I
ukoliko vrijednosti estimacija budu odgovarale simulacijama
PRIMJENA CDKF METODE SPKF ALGORITMA
baterijskog modela. U tom slučaju, CDKF metoda SPKF
algoritma koristit će se za združenu estimaciju stanja i
parametara predmetnog baterijskog sloga na kojem su
provedena ispitivanja pražnjenjem i punjenjem.

A. Ispitivanje VRLA baterijskog sloga nazivnog napona 48 V,

nominalnog kapaciteta 150 Ah

Ispitivanje baterijskog sloga obavljeno je serijom pražnjenja

strujom 15 A (trajanje 1 sat) i mirovanja baterije (trajanje 20
minuta) dok napon baterije nije pao na donju naponsku granicu
pražnjenja. Na Slici 14. prikazani su: a) napon baterije, b)
struja pražnjenja baterije, c) temperatura na kućištu baterije i d)
naponi svake 12 V baterije.
Na Slici 14.d) može se vidjeti kako napon jedne 12 V baterije
počinje brže padati pred kraj ispitivanja pražnjenjem, te
možemo zaključiti da je njena tvornička izvedba lošija i da ima
kapacitet manji od 150 Ah. Njene karakteristike utječu na cijeli
baterijski slog koji ima stvarni kapacitet manji od 150 Ah.
Slika 13. Sustav za ispitivanje VRLA baterijskog sloga
56
Slika 13. prikazuje sustav za ispitivanje VRLA baterijskog Ubat-praznjenje
54
sloga nazivnog napona 48 V i nominalnog kapaciteta 150 Ah,
Napon baterije (V)

proizvođača Fiamm Italija. Baterijski slog je potpuno nov 52

(proizveden prije tri mjeseca), te se sastoji od 4 VRLA baterije 50
nazivnog napona po 12 V spojene u seriji. Ovaj tip baterija je
48
odabran jer se najviše primjenjuje kao rezervno napajanje na
telekomunikacijskim baznim stanicama poduzeća JP Hrvatske 46
Telekomunikacije d.d. Mostar. Izvršena su ispitivanja
44
pražnjenjem strujom 15 A i punjenjem strujom 14 A u trajanju
1 sat, nakon čega je baterijski slog ostavljen 20 minuta u stanju 42
100 90 80 70 60 50 40 30 20 10 0
mirovanja. Ovi periodi pražnjenja/punjenja i mirovanja SOC (%)
ponavljani su sve dok baterijski slog nije bio potpuno a) Napon baterije Ubat

8
 25 56

I 54
bat-praznjenje
20

Napon baterije (V)

Struja baterije (A )

52
15
50
U
bat-punjenje
10 48

46
5
44
0
100 90 80 70 60 50 40 30 20 10 0 42
0 10 20 30 40 50 60 70 80 90 100
SOC (%) SOC (%)

b) Struja baterije Ibat a) Napon baterije Ubat

45 35
Ibat-punjenje
40
T 30
bat-praznjenje
Temperatura baterije (° C)

25

Struja baterije (A)

35

30 20

25 15

20 10

15 5

10 0

5 -5
100 90 80 70 60 50 40 30 20 10 0 0 10 20 30 40 50 60 70 80 90 100
SOC (%) SOC (%)

c) Temperatura kućišta baterije Tbat b) Struja baterije Ibat

14 45
Tbat-punjenje
U U U U 40
Temperatura baterije (° C)

bat1 bat2 bat3 bat4

Napon 12 V baterije (V)

13
35

30
12
25

11 20

15
10
10

9 5
100 90 80 70 60 50 40 30 20 10 0 0 10 20 30 40 50 60 70 80 90 100
SOC (%) SOC (%)

d) Napon 12 V baterije (Ubat1-Ubat4) c) Temperatura kućišta baterije Tbat

Slika 14. Baterijska mjerenja pri ispitivanju pražnjenjem 14

Nakon ispitivanja pražnjenjem obavljeno je ispitivanje serijom

Napon 12 V baterije (V)

13
punjenja baterije strujom 14 A (trajanje 1 sat) i mirovanja
baterije (trajanje 20 minuta), dok napon baterije nije porastao
do gornje naponske granice punjenja. Na Slici 15. prikazana su 12
Ubat1 Ubat2 Ubat3 Ubat4
baterijska mjerenja pri ispitivanju punjenjem.
11

10

9
0 10 20 30 40 50 60 70 80 90 100
SOC (%)
d) Napon 12 V baterije (Ubat1-Ubat4)
Slika 15. Baterijska mjerenja pri ispitivanju punjenjem
9
 ¡¢¥
B. Određivanje napona praznog hoda baterijskog sloga i



_  = (24c)
parametara hibridnog električnog modela D˜–

gdje 9  je promjena struje baterije koja stvara prijelazni odziv,

Postoji više načina određivanja OCV-a za različite vrijednosti a Δ> , Δ>& i Δ>§ su padovi naponi na serijskom otporu, brzom i
SOC-a baterije. Napon baterije nakon prestanka opterećenja sporom prijelaznom RC krugu. Pad napona Δ>§ definiran je
teži ka OCV-u, međutim baterija mora ostati u stanju sljedećim izrazom:
mirovanja 24 sata i ovakav način određivanja OCV-a mogao bi
Δ>§ = |8’“ (*+) − >§ |
potrajati nekoliko dana. U ranijim radovima [8], [20] predložen
(25)
je način određivanja OCV-a metodom interpolacije između
vrijednosti napona baterije u periodima mirovanja baterije pri
gdje >§ je napon na kraju brzog prijelaznog odziva.
ispitivanjima punjenjem i pražnjenjem iste kao što je prikazano
za Slici 16. za promatrani baterijski slog.

56

54
Punjenje
Napon baterije (V)

52

50

48

46 Napon praznog hoda (OCV)

(linearna aproksimacija)
44 Pražnjenje

42
0 10 20 30 40 50 60 70 80 90 100
SOC (%) Slika 17. Period mirovanja baterije pri pražnjenju

Ekvivalentni kapaciteti ( 


_ , 


_  )
Slika 16. Krivulje punjenja i pražnjenja baterijskog sloga u ovisnosti o SOC-u

Napon baterije prema hibridnom električnom modelu u računaju se pomoću izraza (23).
Laplaceovoj domeni definiran je izrazom:
Na Slici 18. nalaze se krivulje izračunatih vrijednosti
8  (‘) = 8’“ (*+, ‘) − 9  (‘) ∙ ”(‘) (21) električnih otpora korištenjem izraza (24) u ovisnosti o SOC-u
pri punjenju i pražnjenju baterijskog sloga.
gdje 8’“ (*+, ‘) je napon praznog hoda kao funkcija SOC-a,
9  (‘) je struja baterije i ”(‘) je impedancija baterije koju
0.16
R R
možemo izraziti kao: 0.14 serijski-praznjenje serijski-punjenje
Otpor Rserijski (Ohm)

0.12
•–—˜/™š›œ/–/š_—™š •–—˜/™š›œ/–/š_Ÿ 0—š
”(‘) =
 + + (22)
Qž—™š QžŸ 0—š
0.1

0.08

gdje 4 i 4  su naponske prijelazne vremenske konstante 0.06

koje možemo izraziti kao:
0.04

4 =



_ ∙ 


_ (23a) 0.02

4  =



_  ∙ 


_ 
0 10 20 30 40 50 60 70 80 90 100
(23b) SOC (%)

0.08
Baterijski parametri (
 ,



_ , Rbrzi-praznjenje Rbrzi-punjenje




_  , 


_ i 


_  ) 0.07
Otpor Rbrzi (Ohm)

hibridnog električnog baterijskog modela se analitički računaju 0.06

iz krivulja napona svakog perioda mirovanja baterije koji traje
20 minuta. Na Slici 17. prikazan je jedan period mirovanja 0.05

baterije pri pražnjenju sa svim vrijednostima, a baterijski otpori 0.04

se računaju pomoću sljedećih izraza:
0.03
¡¢£

 = (24a)
D˜– 0.02
0 10 20 30 40 50 60 70 80 90 100
¡¢¤




_ = (24b) SOC (%)
D˜–

10
 0.03
Rspori-praznjenje Rspori-punjenje
Slika 19. prikazuje izračunate vrijednosti ekvivalentnih
kapaciteta (


_ , 


_  ) u ovisnosti o
Otpor Rspori (Ohm)

0.026

0.022 SOC-u.

0.018 C. Provjera baterijskog modela u programskom paketu Matlab

0.014 Na Slici 20. nalazi se hibridni baterijski model nacrtan u

Simulinku. U elementima modela koriste se izračunate
0.01
0 10 20 30 40 50 60 70 80 90 100 vrijednosti baterijskih parametara iz krivulja pražnjenja i
SOC (%) punjenja pri ispitivanju, kao i vrijednosti napona za donju
Slika 18. Električni otpori baterijskog sloga u ovisnosti o SOC-u naponsku granicu pražnjenja (43.20 V) i za gornju naponsku
5
granicu punjenja (54.48 V). Kako bi se provjerila valjanost
2.5
x 10
baterijskog modela, napravljena je usporedba simulacije
pražnjenja i punjenja sa stvarnim vrijednostima mjerenja pri
Kapaciteti Cbrzi, Cspori (F)

2 ispitivanjima (vidjeti Sliku 21.). Iz prikazanog može se

zaključiti kako predmetni baterijski model dobro prikazuje
1.5 Cbrzi-praznjenje predmetna ispitivanja pražnjenja i punjenja. Mala odstupanja u
Cspori-praznjenje vrijednostima simulacija nastaju pred kraj oba ispitivanja, što
1 Cbrzi-punjenje je jednim dijelom i posljedica manjeg kapaciteta jedne 12 V
Cspori-punjenje
baterije u predmetnom baterijskom slogu.
0.5

0
0 10 20 30 40 50 60 70 80 90 100
SOC (%)

Slika 19. Električni kapaciteti baterijskog sloga u ovisnosti o SOC-u

Slika 20. Hibridni baterijski model u Simulinku

11
 56
Početna matrica varijance je:
Mjerenje

¯^ = 53‚ƒp(5 50 50 1 1 1) ⋅ 10S§ r&

54 Simulink
(28)
52
Napon baterije (V)

50 Definirana je i matricu procesnog šuma:

48
¯a = 53‚ƒp(5 5000 5000 5 5 5) ⋅ 10S± r& (29)
46

44 Mjerni šum ima vrijednost:

¯d = 0.09
42
100 90 80 70 60 50 40 30 20 10 0
SOC (%)
a) Pražnjenje u ovisnosti o SOC-u
Nakon definiranja početnih uvjeta, pokrenuta je združena
estimaciju stanja i parametara simulacije pražnjenja i punjenja
baterijskog modela. Nakon provedene estimacije CDKF
metodom dobivene su estimacije napona baterije 8  , napona
56
Mjerenje
54 Simulink RC kruga brzog odziva > i napona RC kruga sporog odziva
>  , baterijskih otpora i stanja napunjenosti baterije SOC-a
Napon baterije (V)

52
(Slika 22. i Slika 23.). Na dobivenim grafičkim prikazima su i
50
vrijednosti simulacija baterijskog modela iz kojih je vidljivo
48 kako se podudaraju s vrijednostima dobivenih estimacija. Iz
navedenog se može zaključiti kako je provedena združena
46
estimacija SPKF algoritmom na simulacijama baterijskog
44 modela valjana i može se primijeniti na ispitivanja pražnjenjem
42
i punjenjem baterijskog sloga.
0 10 20 30 40 50 60 70 80 90 100
SOC (%)
56
b) Punjenje u ovisnosti o SOC-u Simulacija
54
SPKF
Slika 21. Usporedba izmjerenog napona baterije i simulacije baterijskog
Napon baterije (V)

modela u Simulinku pri pražnjenju i punjenju 52

50
D. Primjena CDKF metode SPKF algoritma na simulacije
baterijskog modela 48

46
Kako bi se pokrenula združenu estimaciju stanja i parametara
predmetnog hibridnog baterijskog modela korištenjem M- 44

funkcija programa Matlab, definiran je početni vektor stanja i 42

100 90 80 70 60 50 40 30 20 10 0
parametara: SOC (%)

><’“ a) Prikaz estimacije napona baterijskog modela

« > ®
ª ­
ª >  ­
100

^ = ª




_ ­
(26) 90 Simulacija

ª
­ 80 SPKF

ª 


_  ­ 70
©
 ¬
SOC (% )

60
50

gdje su: ><’“ napon praznog hoda, > napon na brzom RC 40

krugu i >  napon na sporom RC krugu. 30

20
10
Izlaz sustava definiran je izrazom:
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5

b = (‚ ∙ ><’“ + ) − ~3  ∙
 + > + >   (27)

Vrijeme (s) x 10
4

b) Prikaz estimacije SOC-a

gdje su ‚ i koeficijenti koji definiraju napon praznog hoda i

dobivamo ih u tablicama proizvođača baterija.
12
 0.1 0.1
R R R R R R Rbrzi Rspori Rserijski Rbrzi Rspori Rserijski
brzi spori serijski brzi spori serijski
SPKF SPKF SPKF simulacija simulacija simulacija
SPKF SPKF SPKF simulacija simulacija simulacija
0.08 0.08
Otpori (Ohm)

Otpori (Ohm)
0.06 0.06

0.04 0.04

0.02 0.02

0 0
100 90 80 70 60 50 40 30 20 10 0 0 10 20 30 40 50 60 70 80 90 100
SOC (%) SOC (%)
c) Prikaz estimacije baterijskih otpora c) Prikaz estimacije baterijskih otpora
0.7 1.5
V V V V
brzi spori brzi spori
SPKF SPKF simulacija simulacija V V V V
brzi spori brzi spori
0.6 SPKF SPKF simulacija simulacija

1
Napon RC kruga (V)

Napon RC kruga (V)

0.5

0.4 0.5

0.3
0
0.2
-0.5
0.1

0 -1
100 90 80 70 60 50 40 30 20 10 0 0 10 20 30 40 50 60 70 80 90 100
SOC (%) SOC (%)
d) Prikaz estimacije napona paralelnih RC krugova d) Prikaz estimacije napona paralelnih RC krugova
Slika 22. Prikaz estimacija stanja i parametara simulacije pražnjenja Slika 23. Prikaz estimacija stanja i parametara simulacije punjenja
baterijskog modela baterijskog modela
56

54
E. Primjena CDKF metode SPKF algoritma na ispitivanje
VRLA baterijskog sloga
Napon baterije (V)

52
Simulacija
50 SPKF U prethodnom dijelu provedena je združena estimacija SPKF
48 algoritmom na simulacijama baterijskog modela čime se
potvrđuje valjanost ovog algoritma i njegove primjene u
46 programskom paketu Matlab.
44 U narednim koracima bit će prikazana združena estimacija
42 SPKF algoritma na provedenim ispitivanjima pražnjenjem i
0 10 20 30 40 50 60 70 80 90 100
SOC (%) punjenjem VRLA baterijskog sloga nazivnog napona 48 V,
nominalnog kapaciteta 150 Ah. Na isti način kao u prethodnom
a) Prikaz estimacije napona baterijskog modela
dijelu definira se početni vektor stanja i parametara, početna
100 matrica varijance, matrica procesnog i mjernog šuma. Nakon
90 provedene estimacije CDKF metodom dobivene su estimacije
80 napona baterije 8  , napona RC kruga brzog odziva > i
70 Simulacija napona RC kruga sporog odziva >  , baterijskih otpora i
stanja napunjenosti baterije SOC-a (Slika 24. i Slika 25.).
SOC (%)

60 SPKF
50
40
30
20
10
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
Vrijeme (s) x 10
4

b) Prikaz estimacije SOC-a

13
 56 56
Mjerenje
54 54
SPKF
Napon baterije (V)

Napon baterije (V)

52 52

50 50 Mjerenje
SPKF
48 48

46 46

44 44

42 42
100 90 80 70 60 50 40 30 20 10 0 0 10 20 30 40 50 60 70 80 90 100
SOC (%) SOC (%)
a) Prikaz estimacije napona baterije a) Prikaz estimacije napona baterije

100 100
90 Coulombovo računanje 90
SPKF
80 80
70 70
SOC (% )

SOC (% )
60 60 Coulombovo računanje
50 SPKF
50
40 40
30 30
20 20
10 10
0 0
0 0.45 0.9 1.35 1.8 2.25 2.7 3.15 3.6 4.05 4.5 0 0.42 0.84 1.26 1.68 2.1 2.52 2.94 3.36 3.78 4.2
Vrijeme (s) x 10
4 Vrijeme (s) x 10
4

b) Prikaz estimacije SOC-a b) Prikaz estimacije SOC-a

0.1 0.1
Rbrzi Rspori Rserijski Rbrzi Rspori Rserijski
SPKF SPKF SPKF SPKF SPKF SPKF
0.08 0.08
Otpori (Ohm)

Otpori (Ohm)

0.06 0.06

0.04 0.04

0.02 0.02

0 0
100 90 80 70 60 50 40 30 20 10 0 0 10 20 30 40 50 60 70 80 90 100
SOC (%) SOC (%)
c) Prikaz estimacije baterijskih otpora c) Prikaz estimacije baterijskih otpora
4 10
Vbrzi Vspori Vbrzi Vspori
SPKF SPKF SPKF SPKF
3
Napon RC kruga (V)
Napon RC kruga(V)

2
0
1

-5
0

-1 -10
100 90 80 70 60 50 40 30 20 10 0 0 10 20 30 40 50 60 70 80 90 100
SOC (%) SOC (%)
d) Prikaz estimacije napona paralelnih RC krugova d) Prikaz estimacije napona paralelnih RC krugova
Slika 24. Prikaz estimacija stanja i parametara ispitivanja pražnjenjem VRLA Slika 25. Prikaz estimacija stanja i parametara ispitivanja punjenjem VRLA
baterijskog sloga baterijskog sloga

14
 7. ZAKLJUČAK
VRLA olovne baterije su još uvijek najbolje rješenje za
telekomunikacijske bazne postaje s obzirom na cijenu i životni
vijek. Pravilnim način uporabe baterija, BMS može utjecati još
više kako bi se njihov životni vijek povećao.
U ovom radu su prikazane metode određivanja stanja i
parametara VRLA baterija. Baterijski parametri SOC i SOH su
najvažnije informacije o bateriji koje nije moguće izmjeriti na
vanjskim priključcima baterije, a potrebno ih je poznavati kako
bi se nadzor i upravljanje u mikromrežama mogli obavljati
učinkovito. Pokazalo se kako od svih električnih modela,
hibridni električni model najbolje prikazuje ponašanje ovog
tipa baterije pri ispitivanjima pražnjenjem i punjenjem.
Opisana je CDKF metoda SPKF algoritma tj. združena
estimacija stanja i parametara baterija i primijenjena je na
simulacije hibridnog električnog modela baterije. Rezultati
združene estimacije stanja i parametara odgovaraju
simulacijama ovog baterijskog modela i pokazalo se kako je
SPKF algoritam dobar za estimacije stanja i parametara modela.
Nakon provjere valjanosti baterijskog modela i provjere
valjanosti SPKF algoritma, provedena je združena estimacija
stanja i parametara na ispitivanja pražnjenjem i punjenjem
VRLA baterijskog sloga.
8. LITERATURA
and Electric Vehicles”, Industrial Electronics Magazine, IEEE, vol. 7,
no. 2, pp. 4–16, June 2013.
[14] A.Mariani, K.Thanapalan, P.Stevenson, J.Williams, „Techniques for
estimating the VRLA batteries ageing, degradation and failure modes”,
Automation and Computing (ICAC), 2013 19th International
Conference, Brunel University, Uxbridge, UK, 13-14 September 2013.
[15] M.Coleman, W.G.Hurley, C.K.Lee, „An Improved Battery
Characterization Method Using a Two-Pulse Load Test”, IEEE Trans.
Energy Convers., vol. 2 3 , no. 2 , pp. 708–713, June 2008.
[16] S.Piller,M.Perrin, and A.Jossen, „Method for state of charge
determination and their applications”, J. Power Sources, vol. 96, pp.
113–120, Jun. 2001.
[17] G.L.Plett, „Extended Kalman filtering for battery management systems
of LiPB-based HEV battery packs: Part 3. State and parameter
estimation”, J. Power Sources, vol. 134, no. 2, pp. 277–292, August
2004.
[18] G.L.Plett, „Sigma-point Kalman filtering for battery management
systems of LiPB-based HEV battery packs: Part 1: Introduction and
state estimation”, J. Power Sources, vol. 161, no. 2, pp. 1356–1368,
October 2006.
[19] G.L.Plett, „Sigma-point Kalman filtering for battery management
systems of LiPB-based HEV battery packs: Part 2: Simultaneous state
and parameter estimation”, J. Power Sources, vol. 161, no. 2, pp.
1369–1384, October 2006.
[20] S.Abu-Sharkh and D.Doerffel, „Rapid test and non-linear model
characterisation of solid-state lithium-ion batteries,” J. Power Sources,
vol. 130, no. 1–2, pp. 266–274, May 2004.
[21] Ž.Ban, J.Matuško, I.Petrović, „Primjena programskog sustava MATLAB
za rješavanje tehničkih problema”, Graphis Zagr eb 2010.
[22] B.R.Hunt, R.L.Lipsman, J.M.Rosenberg, „ A Guide to MATLAB guide”,
Cambridge University Press
[23] MATLAB, Stateflow User’s guide, version R2012b. 3 Apple Hill Drive,
natick, MA 01760-2098: The MathWorks Inc.,2012.

[1] T.B.Reddy and D.Linden, Eds., „Linden’s Handbook of Batteries”, 4th

ed. McGraw-Hill Professional, 2011.
[2] T.Dragičević, „Hierarchical control of a direct current microgrid with
energy storage systems in a distributed topology”, Ph.D. dissertation,
University of Zagreb, Faculty of Electrical Engineering and Computing,
2013.
[3] M.M.Samolyk and J.Sobczak, „Development of an algorithm for
estimating Lead-Acid Battery State of Charge and State of Health”,
Blekinge Institute of Technology Department of Electrical Engineering,
2013.
[4] D.Berndt, „Valve-regulated lead-acid batteries”, J. Power Sources, 100
(2001) 29-46.
[5] D.Berndt, „Valve-regulated lead-acid batteries”, J. Power Sources, 95
(2001) 2-12.
[6] D.Berndt, „VRLA batteries”, J. Power Sources, 154 (2006) 509-517.
[7] M.Chen and G.A.Rincon-Mora, „Accurate Electrical Battery Model
Capable of Predicting Runtime and I-V Performance”, Energy
Conversion, IEEE Transactions on, vol. 21, no. 2, pp. 504–511, June
2006.
[8] M.Gulin, M.Vašak, M.Baotić, „Joint Estimation of Equivalent Electrical
Model Parameters and State-of-Charge for VRLA Batteries”, 17th
International Conference on Electrical Drives and Power Electronics –
EDPE 2013.
[9] M.Ceraolo, „New Dynamical Models of Lead-Acid Batteries”, Power
Systems IEEE Transactions on, vol. 15, no. 4, pp. 1184–1190,
November 2000.
[10] P.E.Pascoe and A.H.Anbuky, „VRLA battery discharge reserve time
estimation”, IEEE Trans. Power Electron., vol. 19, no. 6, pp. 1515–1522,
Nov. 2004.
[11] S.Barsali and M.Ceraolo, „Dynamical models of lead-acid batteries:
Implementation issues”, IEEE Trans. Energy Convers., vol. 17, no. 1,
pp. 16–23, Mar. 2002.
[12] S.Buller, M.Thele, R.W.D.Doncker, and E.Karden, „Impedance-based
simulation models of supercapacitors and Li-ion batteries for power
electronic applications”, in Conf. Rec. 2003 Ind. Appl. Conf., vol. 3,
p. 159601600.
[13] H.Rahimi-Eichi, U.Ojha, F.Baronti, and M.-Y.Chow, „Battery
Management System: An Overview of Its Application in the Smart Grid
15