Robust State of Health Estimation for Lithium-Ion Batteries Using Machines Learning

Machine learning (ML) technologies have gained considerable attention for state of health (SOH) estimation of Lithium-ion (Li-ion) batteries due to their advantages in learning the behavior of non-linear systems.ML methods do not require the battery physical modeling processes but rather map external characteristics of the battery to the loss in capacity.However, from the application perspective, there are still some challenges that need to be addressed, including the impact of data noise and data size on the estimation performance, the failure of features under variable operation conditions, the dependency on big data, and the difficulty of implementing complex algorithms in low-cost microprocessors.To cope with these issues, a systematic MLbased Li-ion battery SOH estimation framework is developed in this Ph.D. project, which has strong robustness to data size, data noise, and degradation conditions.Because batteries are complex electrochemical systems, their aging process is closely related to the operating conditions, and the SOH feature will be invalid under different conditions.Fuzzy entropy (FE) of voltage, from a short-term pulse test, is proposed as a novel SOH feature.FE-based method is flexible in parameter selection, robust to noise and test conditions, and only requires less training data.Furthermore, the interaction between the test conditions, entropy features, and estimation performance is studied.The results can be used to select the appropriate voltage datasets and enhance the performance of entropy-based SOH estimation.For further improvement of entropy-based SOH estimation, various noise suppression methods are used before and after feature extraction.The experiments provide evidence that the smoothing step is effective in improving the estimation accuracy and simulation speed of the ML model.Another solution to avoid the failure of manual-extracted features is to use neural networks especially deep learning methods.This method allows high-dimensional input and automatically-extracted features through hidden layers, but at the same time, this method also relies on relatively large data.Therefore, a bagging-based ensemble method is developed, enabling the model trained on limited data to achieve higher accuracy and better generalization performance.Finally, the effectiveness of the proposed methods in this project is verified by experiments including the cyclic aging test and calendar aging test under different temperature conditions. vii DANSK RESUMEMachine learning (ML) teknologier har i stigende grad vundet opmærksomhed når state of health (SOH) af litium-ion (Li-ion) batterier skal estimeres, på grund af deres evne til at lære adfærden af ikke-lineære systemer.ML modellerer batteriets nedbrydning ved at kortlægge eksterne features mod tabet i kapacitet, og dermed undgå hele batterimodelleringsprocessen.Set fra et anvendelsesperspektiv er der dog stadig visse udfordringer, der skal løses, herunder betydning af støj og datastørrelse på estimationsevnen, fejl i features under variable driftsbetingelser, afhængigheden af store mængder af data og vanskeligheder i implementering af komplekse algoritmer i billige mikroprocessorer.For at håndtere disse spørgsmål udvikles, i dette Ph.D. projekt, et systematisk ML baseret framework til estimering af SOH i Li-ion-batterier, som har en stærk robusthed over for datastørrelse, støj og driftsbetingelser.Da batterier er komplekse elektrokemiske systemer, er deres aldringsproces tæt forbundet med driftsbetingelserne, og features udviklet under et sæt af betingelser vil ikke nødvendigvis være gyldige under andre forhold.Fuzzy entropy (FE) af spændingen for kortvarige pulstest, foreslåes som en ny feature til prædiktion af SOH.FE metoden er fleksibel i valget af parametre, robust over for støj og testbetingelser og kræver kun små data til træning af modellen.Desuden analyseres interaktionen mellem testbetingelserne, entropy og præcisionen af estimationen.Resultaterne bruges til at vælge det korrekte spændingsinterval og forbedre nøjagtigheden af den entropy baserede SOH estimation.For at yderligere forbedre præcisionen af de entropy baserede metoder, bruges forskellige støjundertrykkelsesmetoder både før og efter ekstraktion af de entropy baserede features.De eksperimentelle resultater viser effektiviteten af udjævningstrinnet da det leder til højere præcisionen af estimation og hurtigere simuleringshastighed af ML modellen.En anden løsning til at undgå potentielle fejl som kan opstå i mere manuelt ekstraherede features er ved at bruge neurale netværk, mere specifikt deep learning.Disse metoder tillader højdimensionelle input og kan automatisk ekstrahere features gennem såkaldte skjulte lag, men er på samme tid ekstremt afhængig af størrelsen af data.Derfor foreslås en bagging baseret ensemble metode som gør det muligt træne modeller på begrænsede mændger af data, så de opnår høj præcision og stadig har en gode generaliseringsevne.Endelig verificeres effektiviteten af den foreslåede metode ved forskellige eksperimenter, herunder den cykliske og kalender baserede aldringstest under forskellige temperaturforhold.