Development and validation of li-ion battery state algorithms capable of adapting to new chemistries

Abstract

Recognized as the bedrock of modern energy storage, lithium-ion batteries (Li-ion) have ascended to become an integral component in a large number of applications, which span from ubiquitous devices like smartphones and laptops to intricate systems like electric vehicles and large-scale energy storage infrastructures. The surge in demand can be directly attributed to the global paradigm shift towards renewable energy sources and the expanding sphere of electric mobility. These transitions impose an imperative to continuously innovate the underlying technology of Li-ion batteries, with objectives to augment their performance, reinforce safety, and optimize cost. One of the vibrant research domains in this context is the development of effective State of Charge (SoC) and State of Health (SoH) estimation algorithms. These metrics are crucial to ensure efficient usage, longevity, safety, and performance optimization of li-ion batteries in various applications. In addition, the need of flexible battery state estimation methods arises from the diverse characteristics of batteries, varying operating conditions, battery aging, mixed usage scenarios, emerging battery technologies, user behaviours, limited data availability, and the continuous evolution of battery research. In view of this, the present work aims to develop adaptable SoC and SoH estimators. Leveraging the power of NNs, these estimators, complemented by the technique of Transfer Learning (TL), will exploit knowledge gathered from previous tasks or applications to adapt to new battery types or scenarios. In pursuit of creating these estimators, an exhaustive review of related literature is conducted initially. The review concentrates on existing SoC and SoH estimation algorithms, with a special emphasis on those utilizing NNs. The review offers a comparative study discussing the merits and constraints of each methodology, introduces various types of NNs, such as Convolutional Neural Network (CNN) and Recurrent Neural Network (RNN), and explains the principle of TL, highlighting its potential benefits for SoC and SoH estimation. After the literature review, a comprehensive methodology is proposed, which forms the backbone of the entire research. This methodology describes a five-stage process: • Setup and Preparation (Stage 0): This initial phase involves necessary tasks before starting the training, such as data pre-processing, model selection, and determination of tuneable hyperparameters. • Model Creation (Stages 1, 2, and 3): These stages involve creating different SOC and SOH estimation models. o Stage 1: Baseline model: A baseline model is created and refined through rigorous training, testing, and hyperparameter tuning. o Stage 2: Comparative model: A new model is built from scratch using the data of a new cell, serving as a benchmark to compare the performance of the TL model. o Stage 3: TL model: The baseline model is retrained with new data from a different cell, utilizing the concept of TL. • Evaluation (Stage 4): This final stage involves comparing the results from the models in stages 2 and 3. By comparing their performances, the effectiveness of the TL approach can be gauged. Following the outlined methodology, a variety of SoC estimators were developed leveraging Long Short-Term Memory (LSTM) networks. Synthetic data generated from a electrochemical model was employed to formulate a foundational model, onto which TL was subsequently applied to model a real cell. In parallel, to assess the viability and benefits of TL, models were independently constructed from scratch. The results are compelling: Provided there is an established baseline model for execution of TL, the TL model consistently outperforms its counterparts built from scratch. Specifically, the TL model achieves a Mean Absolute Error (MAE) of a mere 0.88%, in stark contrast to the 1.84% and 5.62% MAE exhibited by the models built from scratch under the same SOC testing profiles. The TL model not only delivers superior results and demonstrates greater robustness, but it also demands substantially less data from the new cell for training - as much as 80% less, to be precise. In a parallel exercise, similar to the approach employed for the SoC estimator, a series of SoH estimators were also developed. These used Fully Connected Network (FCN)-based NNs following the aforementioned methodology. The TL model once again outshines the models trained from scratch across all metrics, achieving an impressive MAE of 0.7% as opposed to the 1.2% and 1.6% MAE observed for the from-scratch models. Furthermore, echoing the earlier results, the TL model required half the data to train the new estimator compared to the other models. In conclusion, the study strongly advocates the amalgamation of NNs and TL for adaptable and robust SoC and SoH estimation. The proposed methodology demonstrated that the use of TL models consistently outperforms their counterparts built from scratch, achieving notably lower MAE and demonstrating enhanced robustness. This approach not only enhances accuracy, but it also significantly reduces data requirements, and expedites training. This is particularly valuable in scenarios where data generation is limited or costly, making this method an effective solution for achieving high-quality results under constraints.

Li-ioi bateriak (Li-ion) –energia-biltegiratze modernoaren giltzarriak dira– aplikazio ugariren osagai integral bihurtu dira. Aplikazio horien artean daude, besteak beste, nonahiko gailuak (hala nola telefono adimendunak eta ordenagailu eramangarriak) eta sistema konplexuak (hala nola ibilgailu elektrikoak eta energia eskala handian biltegiratzeko azpiegiturak). Eskariaren gorakada zuzenean egotz dakieke, batetik, energia-iturri berriztagarrietarako mundu-mailako paradigma-aldaketari eta, bestetik, mugikortasun elektrikoaren gero eta esparru handiagoari. Trantsizio horien ondorioz, ezinbestekoa da Li-ioi baterien azpiko teknologiaren etengabeko berrikuntza, horien errendimendua handitzeko, segurtasuna indartzeko eta kostua optimizatzeko. Testuinguru horretan, ikerketa-eremu aktiboenetako bat karga-egoera (SoC) eta osasun-egoera (SoH) zenbatesteko algoritmo eraginkorrak garatzea da. Metrika horiek funtsezkoak dira Li-ioi baterien erabilera eraginkorra, bizitza-luzera, segurtasuna eta errendimendu-optimizazioa bermatzeko hainbat aplikaziotan. Gainera, baterien ezaugarriak, funtzionamendu-baldintzak, baterien zahartzea, erabilera mistoko agertokiak, sortzen ari diren baterien teknologiak, erabiltzaileen portaerak, datuen eskuragarritasun mugatua eta bateriei buruzko ikerketaren etengabeko bilakaera direla eta, baterien egoera zenbatesteko metodo malguak behar dira. Hori ikusita, lan honen helburua da SoC-ren eta SoH-ren zenbatesle moldagarriak garatzea. Sare neuronalen potentzia aprobetxatuz, zenbatesle horiek, transferentzia bidezko ikaskuntzaren teknikarekin osatuta, aurreko zeregin edo aplikazioetan eskuratutako ezagutzak ustiatuko dituzte bateria edo agertoki mota berrietara egokitzeko. Zenbatesle horiek sortzeko, hasiera batean, hizpide dugun literaturaren berrikuspen sakona egin da. SoC-ren eta SoH-ren zenbatespen-algoritmoetan zentratu da berrikuspena, arreta berezia jarrita sare neuronalak erabiltzen dituztenetan. Berrikuspenak azterketa konparatibo bat eskaintzen du: metodologia bakoitzaren merezimenduak eta mugak jorratzen dira, hainbat sare neuronal mota aurkezten dira, hala nola sare neuronal konboluzionala (CNN) eta sare neuronal errekurrentea (RNN), eta transferentzia bidezko ikaskuntzaren printzipioa azaltzen da, bai eta SoC eta SoH kalkulatzeko izan ditzakeen onurak nabarmendu ere. Berrikuspen bibliografikoaren ondoren, metodologia zehatz bat proposatu da. Ikerketa osoaren bizkarrezurra da hori. Metodologia horrek bost etapako prozesua deskribatzen du: • Konfigurazioa eta prestaketa (0 etapa): Hasierako etapa honetan, entrenamendua hasi aurretik beharrezkoak diren zereginak egin dira, hala nola datuen aurreprozesamendua, ereduaren hautaketa eta hiperparametro sintonizagarriak zehaztea. • Ereduak sortzea (1., 2. eta 3. etapak): Etapa horietan, CoS eta SoH zenbatesteko hainbat eredu sortu dira. o 1. etapa: Erreferentzia-eredua: Erreferentzia-eredu bat sortu da eta entrenamendu zorrotz baten, proben eta hiperparametroen doikuntzaren bidez hobetzen da. o 2. etapa: Eredu konparatiboa: Eredu berri bat eraiki da hutsetik, zelula berri baten datuak erabiliz, transferentzia bidezko ikaskuntzaren ereduaren errendimendua alderatzeko erreferentzia gisa balio duena. o 3. etapa: Transferentzia bidezko ikaskuntzaren eredua: Erreferentziaeredua beste zelula bateko datu berriekin entrenatu da berriro, transferentzia bidezko ikaskuntzaren kontzeptua erabiliz. • Ebaluazioa (4. etapa): Azken etapa honetan, 2. eta 3. etapetako ereduen emaitzak alderatu dira. Emaitzak alderatzean, transferentzia bidezko ikaskuntzaren ereduaren eraginkortasuna egiaztatu da. Emaitzak alderatuz gero, transferentzia bidezko ikaskuntzaren ikuspegiaren eraginkortasuna ebalua daiteke. Deskribatutako metodologiari jarraituz, SoC-ren zenbatesle batzuk garatu dira, epe motzeko memoria luzearen sareak (LSTM) aprobetxatuz. Eredu elektrokimiko batetik sortutako datu sintetikoak erabili dira fundazio-eredu bat formulatzeko, eta, ondoren, transferentzia bidezko ikaskuntza aplikatu zaio benetako zelula bat modelatzeko. Aldi berean, transferentzia bidezko ikaskuntzaren bideragarritasuna eta abantailak ebaluatzeko, eredu independenteak eraiki dira hutsetik abiatuta. Emaitzak sinesgarriak dira: transferentzia bidezko ikaskuntza gauzatzeko ezarritako erreferentzia-eredu bat baldin badago, transferentzia bidezko ikaskuntzaren ereduak hutsetik eraikitako homologoak gainditzen ditu sistematikoki. Zehazki, transferentzia bidezko ikaskuntzako ereduak % 0,88ko batez besteko errore absolutua lortu du, SoC proben profil berberekin hutsetik abiatuta sortutako ereduek erakusten dituzten % 1,84ko eta % 5,62ko batez besteko errore absolutuekin kontraste argian. Transferentzia bidezko ikaskuntzaren ereduak, emaitza hobeak emateaz gain, sendotasun handiagoa erakutsi du, eta, gainera, zelula berriaren askoz datu gutxiago behar ditu entrenatzeko, % 80 gutxiago arte, zehatz-mehatz. Ariketa paralelo batean, SoC-ren zenbateslearentzat erabilitako ikuspegiaren antzekoa, SoH-ren zenbatesle batzuk ere garatu dira. Horretarako, erabat konektatutako sareetan oinarritutako sare neuronalak erabili dira, lehen aipatutako metodologiari jarraikiz. Berriz ere, transferentzia bidezko ikaskuntzaren ereduak hutsetik entrenatutako ereduak gainditu ditu metrika guztietan, eta % 0,7ko batez besteko errore absolutu ikaragarria lortu du, hutsetik sortutako ereduen % 1,2ko eta % 1,6ko batez besteko errore absolutuen aldean. Gainera, aurreko emaitzak errepikatuz, transferentzia bidezko ikaskuntzaren ereduak beste ereduen datuen erdiak behar izan ditu zenbatesle berria entrenatzeko. Laburbilduz, ikerketak irmo egiten du sare neuronalen eta transferentzia bidezko ikaskuntzaren amalgamaren alde, SoC-ren eta SoH-ren estimazio moldagarri eta sendo baterako. Proposatutako metodologiak erakutsi zuen transferentzia bidezko ikaskuntzaren ereduen erabilerak hutsetik abiatuta eraikitako homologoak sistematikoki gainditzen dituela, nabarmen txikiagoa den batez besteko errore absolutu bat lortuz eta sendotasun handiagoa erakutsiz. Ikuspegi horrek, zehaztasuna hobetzeaz gain, datu-eskakizunak nabarmen murrizten ditu eta entrenamendua arintzen du. Hori bereziki baliotsua da datuak sortzea mugatua edo garestia den egoeretan, eta, ondorioz, método hori irtenbide eraginkorra da kalitate handiko emaitzak lortzeko mugen barruan.

Reconocidas como la piedra angular del almacenamiento energético moderno, las baterías de iones de litio (Li-ion) se han convertido en un componente integral de numerosas aplicaciones, que abarcan desde dispositivos omnipresentes como teléfonos inteligentes y ordenadores portátiles hasta sistemas complejos como vehículos eléctricos e infraestructuras de almacenamiento energético a gran escala. El aumento de la demanda puede atribuirse directamente al cambio de paradigma mundial hacia las fuentes de energía renovables y a la creciente esfera de la movilidad eléctrica. Estas transiciones hacen que sea imprescindible la innovación continua de la tecnología subyacente de las baterías de iones de litio, con el objetivo de aumentar su rendimiento, reforzar la seguridad y optimizar el coste. Uno de los campos de investigación más activos en este contexto es el desarrollo de algoritmos eficaces de estimación del estado de carga (SoC) y del estado de salud (SoH). Dichas métricas son cruciales para garantizar el uso eficiente, la longevidad, la seguridad y la optimización del rendimiento de las baterías de iones de litio en diversas aplicaciones. Además, la necesidad de métodos flexibles de estimación del estado de las baterías surge de las diversas características de las baterías, las diferentes condiciones de funcionamiento, el envejecimiento de las baterías, los escenarios de uso mixto, las tecnologías de baterías emergentes, los comportamientos de los usuarios, la limitada disponibilidad de datos y la continua evolución de la investigación sobre baterías. En vista de ello, el presente trabajo pretende desarrollar estimadores adaptables del SoC y del SoH. Aprovechando la potencia de las redes neuronales, estos estimadores, complementados con la técnica del aprendizaje por transferencia (TL), explotarán los conocimientos adquiridos en tareas o aplicaciones anteriores para adaptarse a nuevos tipos de baterías o escenarios. En la búsqueda de la creación de estos estimadores, se realiza inicialmente una revisión exhaustiva de la literatura relacionada. La revisión se centra en los algoritmos de estimación del SoC y del SoH existentes, con especial énfasis en los que utilizan redes neuronales. La revisión ofrece un estudio comparativo en el que se tratan los méritos y las limitaciones de cada metodología, se presentan varios tipos de redes neuronales, como la Red Neuronal Convolucional (CNN) y la Red Neuronal Recurrente (RNN), entre otras, y se explica el principio del aprendizaje por transferencia, destacando sus beneficios potenciales para la estimación del SoC y del SoH. Tras la revisión bibliográfica, se propone una metodología exhaustiva, que constituye la columna vertebral de toda la investigación. Esta metodología describe un proceso de cinco etapas: • Configuración y preparación (etapa 0): Esta etapa inicial implica las tareas necesarias antes de comenzar el entrenamiento, como el preprocesamiento de datos, la selección del modelo y la determinación de los hiperparámetros sintonizables. • Creación de modelos (etapas 1, 2 y 3): Estas etapas implican la creación de diferentes modelos de estimación del SoC y del SoH. o Etapa 1: Modelo de referencia: Se crea un modelo de referencia y se perfecciona mediante un riguroso entrenamiento, pruebas y ajuste de hiperparámetros. o Etapa 2: Modelo comparativo: Se construye un nuevo modelo desde cero utilizando los datos de una nueva célula, que sirve de referencia para comparar el rendimiento del modelo de aprendizaje por transferencia. o Etapa 3: Modelo de aprendizaje por transferencia: El modelo de referencia se vuelve a entrenar con nuevos datos de una celda diferente, utilizando el concepto de aprendizaje por transferencia. • Evaluación (etapa 4): En esta última etapa se comparan los resultados de los modelos de las etapas 2 y 3. Al comparar sus resultados, se comprueba la eficacia del modelo de aprendizaje por transferencia. La comparación de los resultados permite evaluar la eficacia del enfoque aprendizaje por transferencia. Siguiendo la metodología descrita, se desarrollaron varios estimadores de SoC aprovechando las redes de memoria larga a corto plazo (LSTM). Se emplearon datos sintéticos generados a partir de un modelo electroquímico para formular un modelo fundacional, sobre el que posteriormente se aplicó el aprendizaje por transferencia para modelar una célula real. Paralelamente, para evaluar la viabilidad y las ventajas del aprendizaje por transferencia, se construyeron modelos independientes a partir de cero. Los resultados son convincentes: Siempre que exista un modelo de referencia establecido para la ejecución del aprendizaje por transferencia, el modelo de aprendizaje por transferencia supera sistemáticamente a sus homólogos construidos desde cero. En concreto, el modelo de aprendizaje por transferencia alcanza un error medio absoluto de tan solo el 0,88%, en claro contraste con los errores medios absolutos del 1,84% y el 5,62% mostrados por los modelos creados desde cero con los mismos perfiles de pruebas SoC. El modelo de aprendizaje por transferencia no solo ofrece resultados superiores y demuestra una mayor robustez, sino que además requiere muchos menos datos de la nueva célula para entrenarse, hasta un 80% menos, para ser exactos. En un ejercicio paralelo, similar al empleado para el estimador del SoC, también se desarrollaron una serie de estimadores del SoH. Para ello se utilizaron redes neuronales basadas en redes totalmente conectadas siguiendo la metodología antes mencionada. Una vez más, el modelo de aprendizaje por transferencia supera a los modelos entrenados desde cero en todas las métricas, alcanzando un impresionante error medio absoluto del 0,7%, frente al 1,2% y el 1,6% de errores medios absolutos observados en los modelos creados desde cero. Además, repitiendo los resultados anteriores, el modelo de aprendizaje por transferencia necesitó la mitad de datos que los demás modelos para entrenar el nuevo estimador. En conclusión, el estudio aboga firmemente por la amalgama de redes neuronales y aprendizaje por transferencia para una estimación adaptable y robusta del SoC y del SoH. La metodología propuesta demostró que el uso de modelos de aprendizaje por transferencia supera sistemáticamente a sus homólogos construidos desde cero, logrando un error medio absoluto notablemente inferior y demostrando una mayor robustez. Este enfoque no solo mejora la precisión, sino que también reduce significativamente los requisitos de datos y agiliza el entrenamiento. Esto es especialmente valioso en situaciones en las que la generación de datos es limitada o costosa, lo que convierte a este método en una solución eficaz para obtener resultados de alta calidad bajo restricciones.