Battery life cycle prediction using Deep Learning

Abstract

"The growing urgency of climate change has led to growth in the electrification technology field, where batteries have emerged as an essential role in the renewable energy transition, supporting the implementation of environmentally friendly technologies such as smart grids, energy storage systems, and electric vehicles. Battery cell degradation is a common occurrence indicating battery usage. Optimizing lithium-ion battery degradation during operation benefits the prediction of future degradation, minimizing the degradation mechanisms that result in power fade and capacity fade. This degree project aims to investigate battery degradation prediction based on capacity using deep learning methods. Through analysis of battery degradation and health prediction for lithium ion cells using non-destructive techniques. Such as electrochemical impedance spectroscopy obtaining ECM and three different deep learning models using multi-channel data. Additionally, the AI models were designed and developed using multi-channel data and evaluated performance within MATLAB. The results reveal an increased resistance from EIS measurements as an indicator of ongoing battery aging processes such as loss o active materials, solid-electrolyte interphase thickening, and lithium plating. The AI models demonstrate accurate capacity estimation, with the LSTM model revealing exceptional performance based on the model evaluation with RMSE. These findings highlight the importance of carefully managing battery charging processes and considering factors contributing to degradation. Understanding degradation mechanisms enables the development of strategies to mitigate aging processes and extend battery lifespan, ultimately leading to improved performance. أدى تزايد إلحاح تغير المناخ إلى نموٍّ في مجال تكنولوجيا الكهربة، حيث برزت البطاريات كدورٍ أساسي في التحول إلى الطاقة المتجددة، داعمةً تطبيق تقنيات صديقة للبيئة مثل الشبكات الذكية، وأنظمة تخزين الطاقة، والمركبات الكهربائية. يُعدّ تدهور خلايا البطاريات أمرًا شائعًا، مما يُشير إلى استهلاك البطاريات. يُفيد تحسين تدهور بطاريات الليثيوم أيون أثناء التشغيل في التنبؤ بالتدهور المُستقبلي، وتقليل آليات التدهور التي تُؤدي إلى تلاشي الطاقة وتلاشي السعة. يهدف هذا المشروع البحثي إلى دراسة التنبؤ بتدهور البطاريات بناءً على السعة باستخدام أساليب التعلم العميق. من خلال تحليل تدهور البطاريات والتنبؤ بصحة خلايا الليثيوم أيون باستخدام تقنيات غير تدميرية، مثل التحليل الطيفي للمعاوقة الكهروكيميائية، والحصول على نموذج وحدة التحكم الإلكترونية ، وثلاثة نماذج مختلفة للتعلم العميق باستخدام بيانات متعددة القنوات. بالإضافة إلى ذلك، صُممت وطُوّرت نماذج الذكاء الاصطناعي باستخدام بيانات متعددة القنوات، وتم تقييم الأداء باستخدام الماتلاب. تكشف النتائج عن زيادة في المقاومة من قياسات نظام معلومات التأثير البيئي كمؤشر على عمليات شيخوخة البطارية المستمرة، مثل فقدان المواد الفعالة، وزيادة سماكة الطور البيني بين المواد الصلبة والإلكترونية، وطلاء الليثيوم. تُظهر نماذج الذكاء الاصطناعي دقة في تقدير السعة، حيث يكشف نموذج الذاكرة القصيرة المدى المطولة ‏ عن أداء استثنائي بناءً على تقييم النموذج باستخدام خطأ الجذر التربيعي المتوسط. تُبرز هذه النتائج أهمية إدارة عمليات شحن البطارية بعناية ومراعاة العوامل المساهمة في التدهور. يُمكّن فهم آليات التدهور من وضع استراتيجيات للتخفيف من عمليات الشيخوخة وإطالة عمر البطارية، مما يؤدي في النهاية إلى تحسين الأداء.