Data-driven predictive methods for the state of charge and state of health of the lithium-ion batteries

This Ph.D. thesis presents research that makes a significant contribution to advancing predictive techniques for lithium-ion batteries, encompassing the State of Charge, State of Health, and their joint estimation. The primary objective is to enhance the predictive performance of the models by introducing an innovative hyperparameter tuning hyperspace, accompanied by a thorough and comparative analysis. After conducting a comprehensive analysis of the current state-of-the-art and the associated challenges, are introduced innovative frameworks for estimating the State of Charge, State of Health, and their joint estimation. These frameworks are evaluated in comparison to other state-of-the-art solutions. For the State of Charge and State of Health estimation, the application of transfer learning techniques is explored. In contrast, for State of Health estimation, a thorough comparison is conducted of various data-driven approaches prior to framework development. To ensure the transparency and reproducibility of our findings, publicly available datasets are utilized for both State of Charge and State of Health estimation, presenting the results clearly. For the joint estimation of the State of Charge and the State of Health, a unique research dataset was acquired within a battery laboratory environment, which serves as the basis for evaluating the proposed framework.

Questa tesi di dottorato presenta una ricerca che contribuisce in modo significativo all'avanzamento delle tecniche predittive per le batterie agli ioni di litio, comprendendo lo Stato di Carica, lo Stato di Salute e la loro stima congiunta. L'obiettivo primario è quello di migliorare le prestazioni predittive dei modelli introducendo un innovativo iperspazio di regolazione degli iperparametri, accompagnato da un'analisi approfondita e comparativa. Dopo aver condotto un'analisi completa dell'attuale stato dell'arte e delle sfide associate, vengono introdotti framework innovativi per la stima dello Stato di Carica, dello Stato di Salute e della loro stima congiunta. Questi framework sono valutati rispetto ad altre soluzioni dello stato dell'arte. Per la stima dello Stato di Carica e dello Stato di Salute, viene esplorata l'applicazione di tecniche di transfer learning. Per quanto riguarda la stima dello Stato di Salute, invece, prima dello sviluppo del framework è stato condotto un confronto approfondito tra vari approcci basati sui dati. Per garantire la trasparenza e la riproducibilità dei nostri risultati, sono stati utilizzati dati disponibili pubblicamente sia per la stima dello Stato di Carica che per quella dello Stato di Salute, presentando i risultati in modo chiaro. Per la stima congiunta dello Stato di carica e dello Stato di salute, è stato acquisito un set di dati di ricerca unico in un ambiente di laboratorio di batterie, che serve come base per la valutazione del framework proposto.