Detailansicht
Data-driven state-of-health estimation and prognostics for lithium-ion batteries using convolutional neural networks
Tobias Heinzle
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Mathematik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Mathematik
Betreuer*in
Yurii Malitskyi
DOI
10.25365/thesis.78090
URN
urn:nbn:at:at-ubw:1-12642.83196.423578-7
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
In der Welt des 21. Jahrhunderts ist der Lithium-Ionen-Akku nicht mehr wegzudenken. Er ist die wichtigsten Komponenten beinahe aller kabellosen elektronischen Geräte und darüber hinaus auch das Rückgrat der Elektromobilität, sowie eine Schlüsseltechnologie der Wende zu klimaneutralen Energiequellen. Aufgrund dieser allgegenwärtigen Nutzung wurden in den vergangenen Jahren zahlreiche Methoden zur Schätzung und Prognose der momentanen maximalen Batteriekapazität entwickelt. Jedoch ist es derzeit immer noch schwierig, robuste Schätzungen der Kapazität oder des zukünftigen Verschleißes während des Regelbetriebs vorzunehmen. Viele Methoden können nur in sehr spezifischen Situationen angewandt werden oder benötigen überaus genaue Messungen. In dieser Arbeit wird die Verwendung von Deep-Learning-Modellen zur Schätzung der derzeitigen maximalen Kapazität und zur Vorhersage des Kapazitätsknickpunktes evaluiert. Ein flexibles maschinelles Lernverfahren, welches ausgehend von kurzen Ladesegmenten den Gesundheitszustand einer Akkuzelle schätzen kann, wird präsentiert, außerdem wird eine neuartige Strategie zur Bestimmung und Vorhersage des Knickpunktes der Kapazitätskurve ausgearbeitet. Um die Unsicherheiten der zugrundeliegenden Daten berücksichtigen zu können, wird ein Model entwickelt, welches eine Wahrscheinlichkeitsverteilung für den Knickpunkt prognostiziert. Aus der Varianz dieser Verteilung lassen sich effektive Indikatoren für die Sicherheit der Prognosen ableiten. Alle Experimente in dieser Arbeit wurden mit frei verfügbaren Open-Source-Daten aus systematischen Batterieverschleißtests durchgeführt.
Abstract
(Englisch)
In the world of the 21st century, the lithium-ion battery has become a staple component of almost every wireless electronic device. It is also the technological backbone of the electric mobility transformation and a key technology for the shift away from fossil energy. Driven by its ubiquitous use, methods for accurate estimation of the current maximum capacity and reliable predictions of future capacity have received considerable research attention in recent years. However, it still remains challenging to produce robust estimates of the current maximum capacity, or to predict future degradation behavior. Many methods require very restrictive conditions and high-fidelity measurements. In this thesis, the usage of deep learning techniques for state of health estimation and prediction of the capacity curve knee point is evaluated. By leveraging unsupervised feature extraction, ensemble learning, and prediction post-processing, a flexible method for state of health estimation, based on short CC-CV charge segments, is developed. In addition, the same techniques are applied to the task of knee point prediction. A novel labeling strategy for the knee point is presented to capture the uncertainties that lie in different localization methods. Based on the model outputs, a probability distribution for the knee point is constructed, and an effective measure of prediction confidence is derived from the variance. All the experiments in the thesis were conducted using open-source, freely available datasets of battery degradation experiments.
Schlagwörter
Schlagwörter
(Deutsch)
Lithium-Ionen Akku Maschinelles Lernen Neuronale Netze
Schlagwörter
(Englisch)
Ensemble learning Deep learning Lithium-Ion battery Machine learning Gaussian heatmap labels Label uncertainty State-Of-Health Knee point Remaining useful life State-of-Health estimation State-of-Health prognostics Capacity estimation Prediction confidence Regression Neural networks Convolutional neural networks Feature extraction Label uncertainty Gaussian mixture density
Autor*innen
Tobias Heinzle 
Haupttitel (Englisch)
Data-driven state-of-health estimation and prognostics for lithium-ion batteries using convolutional neural networks
Paralleltitel (Deutsch)
Datenbasierte Schätzung und Prognose des Gesundheitszustands für Lithium-Ionen-Batterien unter Verwendung von Convolutional Neural Networks
Publikationsjahr
2025
Umfangsangabe
53 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Yurii Malitskyi
Klassifikation
31 Mathematik > 31.80 Angewandte Mathematik
AC Nummer
AC17482429
Utheses ID
75250
Studienkennzahl
UA | 066 | 821 | |