Estimation of the state of charge and health of lithium-ion batteries based on deep learning.

Abstract

Questa tesi studia la stima data-driven di due indicatori fondamentali per le batterie agli ioni di litio: lo Stato di Carica (State of Charge, SoC) e lo Stato di Salute (State of Health, SoH), mediante tecniche di deep learning. Entrambi gli studi utilizzano il dataset di invecchiamento di Luh e Blank (Scientific Data, 2024), composto da misurazioni di 228 celle commerciali LG INR18650HG2 NMC/C+SiO sottoposte a 76 condizioni operative, tra cui invecchiamento calendariale, ciclico e profili di guida, con temperature tra 0 °C e 40 °C. Per la stima del SoC, vengono confrontate quattro architetture: MLP, CNN, LSTM e GRU. I modelli usano tensione, corrente e temperatura come input su finestre di 64 istanti temporali, pari a circa 21,3 minuti, e predicono il SoC con un orizzonte di 8 passi. Sono considerati solo dati da celle con SoH ≥ 95%. Il modello GRU ottiene le migliori prestazioni, con RMSE = 0,9513 punti percentuali e MAE = 0,1614 punti percentuali, seguito da LSTM, CNN e MLP con RMSE pari rispettivamente a 1,0040, 1,0343 e 1,2720. Tutti i modelli raggiungono R² > 0,998. Per la stima del SoH, vengono valutati LSTM, GRU e CNN1D usando finestre di 256 istanti temporali, circa 8,5 ore, con sei caratteristiche fisiche: tensione, corrente, temperatura, tensione a circuito aperto, dV/dt e dI/dt. Una rigorosa suddivisione a livello di profilo mantiene intere condizioni di invecchiamento come dati di test non visti. Il modello CNN1D risulta il migliore, con MAE = 3,31%, RMSE = 5,65% e R² = 0,812 sui profili non visti. Il GRU ottiene MAE = 3,85% e R² = 0,770, mentre l’LSTM raggiunge MAE = 4,31% e R² = 0,728.

This thesis investigates data-driven estimation of two key lithium-ion battery health indicators: State of Charge (SoC) and State of Health (SoH), using deep learning methods. Both studies are based on the comprehensive aging dataset by Luh and Blank (Scientific Data, 2024), containing measurements from 228 commercial LG INR18650HG2 NMC/C+SiO cells aged under 76 operating conditions, including calendar aging, cyclic aging, and driving profiles at temperatures from 0 °C to 40 °C. For SoC estimation, four neural network architectures are compared: Multi-Layer Perceptron (MLP), Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU). The models use voltage, current, and temperature as inputs over 64 time steps, corresponding to approximately 21.3 minutes at 20-second resolution, and predict SoC 8 steps ahead. Only data from cells with SoH ≥ 95% is used. The GRU achieves the best test performance with an RMSE of 0.9513 percentage points and an MAE of 0.1614 percentage points, followed by LSTM, CNN, and MLP with RMSE values of 1.0040, 1.0343, and 1.2720, respectively. All models achieve R² values above 0.998. For SoH estimation, LSTM, GRU, and CNN1D models are evaluated using 256-timestep windows, approximately 8.5 hours, with six physical features: voltage, current, temperature, open-circuit voltage, dV/dt, and dI/dt. A strict profile-level split is applied so that entire aging conditions are kept as unseen test data. The CNN1D performs best, achieving an MAE of 3.31%, RMSE of 5.65%, and R² of 0.812 on unseen profiles. The GRU obtains an MAE of 3.85% and R² of 0.770, while the LSTM reaches an MAE of 4.31% and R² of 0.728.