How State of Charge Impacts Machine Learning Algorithms for State of Health Estimation of Lithium-ion Batteries.

Abstract

I mange applikasjoner blir bare en begrenset mengde av lithium-ion batteries utladnings kapasitet brukt. Dette gjøres for å bedre bevare helsetilstanden til batteriene. Mye av den nåværende forskningen på estimering av helsetilstanden til lithium-ion batterier tar ikke hensyn til dette. Hensikten med denne avhandlingen er å utforske hvordan utladnings mengden til batteriet påvirker maskinlæring modellers evne til å estimere helsetilstanden til batterier.

Avhandlingen inneholder en litteraturstudie som prøvde å identifisere hvordan utladnings tilstanden til batterier påvirker estimering av helsetilstanden. Funnene i litteraturstudiet ble brukt til å formulere forskningsspørsmål med den hensikt å få ny kunnskap om dette emnet. En metode for å anskaffe lithium-ion batteri data som kan brukes med hensikt å svare på forskningsspørsmålene blir presentert. Videre ble to maskinlæring modeller lagd med den hensikt å predikere viktige helseparametere. Disse modellene ble analysert med tanke på hvilke utladnings vinduer batteriene dataene ble hentet fra ble utsatt for. Resultatene indikerte at utladnings vinduet hadde betydning for prediksjonene til modellene. Mer spesifikt ble en sammenheng mellom oppnådd nøyaktighet og utladnings vindu observert.

In many real-world applications, only a restricted range of the lithium-ion battery's entire state of charge range is utilized. This is done to preserve the state of health of the battery. Most current research on state of health estimation is not accounting for this fact. Therefore this thesis is aimed at exploring how the operational state of charge window affects machine learning models for state of health estimation.

In the thesis, a structured literature review that investigates how state of charge impacts state of health estimation is provided. From the findings in the literature review, research questions aimed at expanding the knowledge on this topic were formulated. A methodology for obtaining lithium-ion battery data that can be used to attempt to answer the research questions is presented. Next, two machine learning models capable of predicting state of health parameters were created. These models were analyzed in the context of the state of charge windows the data was extracted from. The results indicated that the state of charge operation window impacts the predictions of the machine learning models. Specifically, a connection between the state of charge operation window and the accuracy of the predictions was observed.