Neural network approaches for state of charge (SoC) and state of health (SoH) estimation in lithium-ion batteries.

Abstract

[ES] Representando una importante transición hacia la movilidad sostenible, la industria de los vehículos eléctricos está en plena expansión, necesitando de una gestión precisa de las baterías para un rendimiento óptimo. Debido a sus convenientes propiedades, las baterías de ion de litio son elegidas con frecuencia como el principal medio de almacenamiento de energía para los vehículos eléctricos. Para un funcionamiento eficiente y mantenimiento de las baterías bajo condiciones seguras durante su uso, se debe tener en cuenta la monitorización en tiempo real del estado de éstas, donde es especialmente útil la evaluación de dos parámetros principales: el estado de carga (SoC) y el estado de salud (SoH), siendo la estimación de estos valores una materia desafiante debido a la naturaleza no lineal de las baterías. Esta tesis tiene como objetivo abordar este desafío mediante el desarrollo y empleo de redes neuronales para la estimación del SoC y SoH en baterías de ion de litio. Para este fin, se explorarán diferentes tipos de redes y arquitecturas. Se utilizarán tanto datos sintéticos como, cuando estén disponibles, datos del mundo real para el entrenamiento y la validación, con el fin de desarrollar métodos de estimación efectivos para hallar los valores de estado de carga y salud de las baterías.

[EN] Representing a significant transition towards sustainable mobility, electric vehicles industry is actually in full expansion, needing precise battery management for optimal performance. Due to their superior properties, lithium-ion batteries are often adopted as the main energy storage medium for electric vehicles. For efficient operation and keeping the batteries under safe conditions during work, monitoring of the real-time state of the batteries must be taken into account, especially under the evaluation of two main parameters: the State of Charge (SoC) and State of Health (SoH), where precise estimations of these values are challenging due to the non-linear dinamic nature of the batteries.This thesis aims at addressing this challenge by developing neural networks for SoC and SoH estimation in Li-ion batteries. For this objective, different kind of networks and architectures will be explored. Both synthetic data and, when available, real-world data will be utilized for training and validation to develop effective estimators for state of charge and state of health.