Metodologie data-driven per la stima della vita delle batterie

With the rise in the demand for Electric Vehicles and Hybrid Electric Vehicles, the energy storage system based on batteries is experiencing a fast diffusion. Battery degradation is one key feature to be monitored to increase reliability and safety. With the advent of connected vehicles, in the last years, the amount of available data has risen exponentially, giving access to information that was not available before. From the analysis of data, it is thus possible to improve the knowledge about the battery and to develop a new typology of models which can help in the estimation of battery health. A technology which can be used in this scenario is Machine Learning. In this thesis, Machine Learning is used to realise two kinds of works. The first one consists of a data-driven Reduced Order Model of a brand-new cell to predict its voltage response. The model is realised through a Long Short-Term Memory model since it allows for the accounting of temporal dependencies. The model shows a root mean squared error in prediction 5.47 mV for the worst case. The purpose of the model is to use the predicted voltage to calculate the Voltaic Efficiency of a battery (seen as a series/parallel combination of cells) on a given cycle and then compare it with the Voltaic Efficiency of three active batteries aged differently. The comparison results in a difference in efficiency which is indicative of the battery health. The second work accounts for the relation between the voltage relaxation triggered by a current spike and cell capacity. Such a correlation enables capacity estimation without any charging/discharging cycle. This test is carried out on 10 lithium-ion cells. The voltage relaxation curve is triggered through a current spike test, and the curve is used to extract four statistical indicators correlated with the cell capacity. To find the smallest current value resulting in a curve keeping enough information to describe the cell ageing, three different current spikes are tested. The four statistical indicators are eventually used as known variables to implement three different machine-learning models to estimate cell capacity based on the features derived from voltage relaxation. The best model reaches a root-mean-square error of 0.0172 on the training dataset and an error of 0.0184 on the test dataset. Results show that voltage relaxation triggered by the current spike can be successfully used to estimate cell capacity.

A seguito dell'aumento della domanda di veicoli elettrici e veicoli ibridi elettrici, il sistema di accumulo di energia basato su batterie sta vivendo una rapida diffusione. Il degrado delle batterie è una caratteristica chiave da monitorare per aumentare l'affidabilità e la sicurezza. Con l'avvento dei veicoli connessi, negli ultimi anni la quantità di dati disponibili è aumentata esponenzialmente, offrendo l'accesso a informazioni che prima non erano disponibili. Dall'analisi dei dati è quindi possibile migliorare la conoscenza delle batterie e sviluppare una nuova tipologia di modelli che possono aiutare nella stima dello stato di salute della batteria. Una tecnologia che può essere utilizzata in questo contesto è il Machine Learning. In questa tesi, il Machine Learning viene utilizzato per realizzare due tipi di lavori. Il primo consiste in un modello a ordine ridotto basato sui dati di una cella nuova di zecca per prevederne la risposta in tensione. Il modello è realizzato attraverso un modello Long Short-Term Memory (LSTM), poiché consente di tener conto delle dipendenze temporali. Il modello mostra un errore quadratico medio di 5,47 mV nella previsione nel caso peggiore. Lo scopo del modello è utilizzare la tensione prevista per calcolare l'efficienza voltica di una batteria (vista come una combinazione in serie/parallelo di celle) in un determinato ciclo e confrontarla con l'efficienza voltica di tre batterie attive invecchiate in modo diverso. Il confronto risulta in una differenza di efficienza che è indicativa dello stato di salute della batteria. Il secondo lavoro considera la relazione tra il rilassamento della tensione innescato da un picco di corrente e la capacità della cella. Tale correlazione consente la stima della capacità senza alcun ciclo di carica/scarica. Questo test è stato eseguito su 10 celle agli ioni di litio. La curva di rilassamento della tensione è stata innescata attraverso un test di picco di corrente, e la curva è stata utilizzata per estrarre quattro indicatori statistici correlati alla capacità della cella. Per trovare il valore minimo di corrente che genera una curva con abbastanza informazioni per descrivere l'invecchiamento della cella, sono stati testati tre diversi picchi di corrente. Infine, i quattro indicatori statistici sono stati utilizzati come variabili note per implementare tre diversi modelli di machine learning per stimare la capacità della cella in base alle caratteristiche derivate dal rilassamento della tensione. Il miglior modello raggiunge un errore quadratico medio di 0,0172 sul set di dati di addestramento e un errore di 0,0184 sul set di test. I risultati mostrano che il rilassamento della tensione innescato dal picco di corrente può essere utilizzato con successo per stimare la capacità della cella.