DEVELOPMENT OF A HYBRID DATA-DRIVEN AND PHYSICS-BASED BATTERY MANAGEMENT SYSTEM FOR ENHANCED STATE ESTIMATION AND PREDICTION CONTROL IN LITHIUM-ION BATTERIES. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF (Thesis_g202315770) g202315770_thesis.pdf - Accepted Version Restricted to Repository staff only until 22 December 2026. Download (3MB)

Arabic Abstract

إن النمو السريع للمركبات الكهربائية (EVs) قد زاد من الحاجة إلى أنظمة إدارة بطاريات (BMS) قوية قادرة على ضمان الموثوقية والسلامة وإطالة عمر التشغيل لبطاريات الليثيوم-أيون. ويُعد الحصول على تقدير دقيق لحالات البطارية، والتحكم الفعّال في الشحن والتفريغ، والموازنة الكفؤة للخلايا من العوامل الأساسية لضمان سلامة البطارية وطول عمرها والاستخدام الأمثل لها. يقدّم هذا البحث إطارًا هجينًا يعتمد على المحاكاة والبيانات لنظام إدارة بطارية خاص بخلية Panasonic NCR18650BD بهدف تحقيق تقدير موحّد لحالات البطارية، وتحكم مثالي في التيار، وموازنة فعّالة للخلايا. تم تطوير نموذج كهربائي-حراري يعتمد على مبادئ فيزيائية في برنامج MATLAB/Simulink 2024b لتوليد بيانات الشحن والتفريغ وسلوك التقدّم في العمر. كما تم اقتراح شبكة تنبؤية تعتمد على نموذج Attention-Augmented LSTM–Attention–LSTM لتقدير كل من SOC وSOH وRUL. وقد تفوّق النموذج من حيث الدقة، حيث حقق قيم RMSE مقدارها 0.0091 و0.00127 و0.00123، وقيم R² مقدارها 0.9976 و0.9998 و0.9989 على التوالي. كما أكّد التحقق باستخدام بيانات تقادم البطارية من قاعدة بيانات وكالة ناسا قدرة النموذج العالية على التعميم والتكيف مع البيانات الخارجية. تم أيضًا تنفيذ عدة متحكمات—تشمل المتحكمات التقليدية والتكيفية والمعتمدة على المنطق الضبابي والشبكات العصبية والمتحكمات المتسلسلة—لتحقيق تحسين الشحن والتفريغ باستخدام محوّل من نوع Buck-Boost ثنائي الاتجاه. وقد أظهر المتحكم المقترح ADRC المضاف إلى الشبكة العصبية أفضل أداء ديناميكي، حيث حقق أسرع زمن استقرار (0.016 ثانية) وأقل تجاوز (< 1%) مع أدنى خطأ في الحالة المستقرة، متفوقًا بشكل ملحوظ على المتحكمات التقليدية والهجينة. كما تم تطوير وتقييم تقنيات موازنة الخلايا النشطة والسلبية، بما في ذلك تكوينات تعتمد على محاثات مفردة ومتعددة بالإضافة إلى المكثفات. وقد حققت طريقة ALF-PWM المقترحة باستخدام محث واحد أسرع زمن موازنة في جميع أوضاع التشغيل: 6.06 ثانية أثناء الشحن، 17.97 ثانية أثناء التفريغ، و15.73 ثانية في الوضع المستقر، متفوقة على التقنيات التقليدية وأحدث الأساليب المنشورة في الأدبيات. بشكل عام، يقدم هذا البحث إطارًا متقدمًا قائمًا على المحاكاة والذكاء الاصطناعي لنظام إدارة البطاريات، يوفّر تقديرًا دقيقًا لحالات البطارية، وتحكمًا قويًا في التيار أثناء الشحن والتفريغ، وموازنة عالية الكفاءة للخلايا. وتوفّر المنهجيات المقترحة أساسًا قابلًا للتطوير لتطوير أنظمة BMS تنبؤية من الجيل القادم في المركبات الكهربائية وأنظمة تخزين الطاقة.

English Abstract

The rapid growth of Electric Vehicles (EVs) has increased the need for robust Battery Management Systems (BMS), which can ensure reliability, safety, and longer operation time for Li-ion batteries. Obtaining accurate state estimation, charging-discharging control, and efficient cell balancing is significant for ensuring battery safety, longevity, and optimal usage. This thesis develops a hybrid simulation data-driven BMS network for the Panasonic NCR18650BD Li-ion battery to obtain unified battery states estimation, Optimal Current Control, and efficient cell balancing. A physics-based electrical thermal battery model is developed in MATLAB Simulink 2024b to generate its charge-discharge and aging behavior. An Attention-Augmented LSTM-Attention-LSMT is proposed for State of Charge (SOC), State of Health (SOH), and Remaining Useful Life (RUL) prediction. The model outperforms with RMSE values of 0.0091, 0.00127, and 0.00123 and with R2 values of 0.9976, 0.9998, and 0.9989 for SOC, SOH, and RUL, respectively. Validation on the NASA battery aging dataset further validates its strong generalization and adaptability. Several Controllers, including conventional, adaptive, fuzzy-based based and cascaded controllers, have been implemented for charging-discharging optimization using a bidirectional Buck-boost converter method. Hence, the proposed additive Active Disturbance Rejection Control (ADRC) with Neural Network (NN) controller exhibited the best varying response, obtaining the fast-settling time (0.016s) and below 1% overshoot, along with the lowest steady-state error, significantly outperforming traditional and hybrid controllers. Active and passive cell-balancing techniques, including single- and multiple-inductor configurations as well as capacitors, were developed and evaluated. Although the proposed Adaptive Lowest First-Pulse Width Modulation (ALF-PWM) based single inductor balancing scheme obtained the fastest balancing time across charging, discharging, and stable operation modes, which are 6.06 s, 17.97 s, and 15.73 s, respectively, outperforming both conventional and state-of-the-art techniques reported in the literature. Overall, this thesis presents an Artificial Intelligence (AI) based driven enhanced BMS framework that delivers accurate battery-state estimation, robust current control during charging and discharging, and highly efficient cell balancing. The proposed methodologies offer a scalable foundation for next-generation predictive BMS development in EVs and energy storage applications.

Item Type:	Thesis (Masters)
Subjects:	Computer Systems Engineering Research Research > Engineering Physics Electrical
Department:	College of Engineering and Physics > Control and Instrumentation Engineering
Committee Advisor:	Gulzar, Muhammad Majid
Committee Members:	Shakoor, Adnan and Habib, Salman
Depositing User:	ABDULLAH MEMON (g202315770)
Date Deposited:	23 Dec 2025 07:13
Last Modified:	23 Dec 2025 07:13
URI:	http://eprints.kfupm.edu.sa/id/eprint/143837