State of Health Estimation for Lithium-Ion Batteries with Combined Methods

Titelangaben

Hofmann, Tobias:
State of Health Estimation for Lithium-Ion Batteries with Combined Methods.
Bayreuth , 2026 . - VII, 207 S.
( Dissertation, 2026 , Universität Bayreuth, Fakultät für Ingenieurwissenschaften)

Volltext

	Format: PDF Name: Hofmann (2026) - PhD Thesis.pdf Version: Veröffentlichte Version Verfügbar mit der Lizenz Creative Commons BY 4.0: Namensnennung
	Download (17MB)

Abstract

The ongoing transition towards sustainable transportation is driving the widespread adoption of battery electric vehicles (BEVs) in personal mobility. While many individuals in northern European regions and China are already convinced of the numerous advantages of BEVs over internal combustion vehicles -- especially higher efficiency and less pollution -- there remain several concerns in society, including range anxiety and insufficient charging infrastructure. Consumers worry about the accelerated aging of their high-voltage batteries, which could lead to a significant reduction in available range and residual value. This concern is particularly pronounced in the aftermarket for BEVs, where potential buyers are uncertain about the so-called state of health (SOH), suppressing the demand. Since measuring the SOH is not feasible during operation due to the need for controlled and lengthy testing, onboard estimation methods are required to accurately monitor the SOH throughout the lifetime of BEVs. These algorithms, however, are still lacking accuracy and are mostly limited to the SOH of capacity. This need is further emphasized by new regional regulations mandating manufacturers to transparently display the SOH to drivers. This work presents several novel methods for estimating the SOH using available data, as detailed in four journal contributions. These studies collectively highlight the issue of insufficient data, leading to one final paper. The first study introduces a novel adaptation of the well-known mechanistic modeling approach, applied to sparse real-world BEV fleet data. By modifying the objective function to minimize the charge difference instead of the voltage difference, this approach enables the estimation of not only the SOH of capacity but also the degradation modes (DMs) and the open-circuit voltage (OCV) of the lithium-ion cells within the high-voltage battery. Validation with measurement data from the BMW i3 customer fleet demonstrates robust results, achieving a SOH mean absolute error (MAE) of 2.5 % (in percentage points (pp)). The subsequent three journal papers focus on integrating data-driven and physics-based models to accurately characterize batteries. Neural networks, as prominent representatives of data-driven models, face challenges related to data scarcity and dependence. Conversely, physics-based models are computationally intensive and require extensive input data. Combining these approaches is promising, as it mitigates individual weaknesses while leveraging their strengths. In the first study, the pseudo-two-dimensional model generates extensive battery aging data, which is combined with experimental data to estimate the SOH from random time-series segments of operation in a physics-informed neural network (PINN). This approach addresses data scarcity and maintains SOH of capacity MAE below 2.1 % (pp), although data dependence remains an issue. Consequently, two subsequent journal papers explore transfer learning. In both implementations, a physics-based model generates constant-current (CC) charging profiles at various battery aging states. A novel neural network architecture is pre-trained with this extensive data and later fine-tuned with limited experimental data to monitor both the SOH of capacity and the OCV. The models are benchmarked against realistic CC charging events at various charging rates and the most commonly used state of charge (SOC) window from 30 to 85 %, based on a field data analysis of nearly 2 million home-charging events. Both studies demonstrate excellent performance, with the first achieving a SOH MAE below 2.0 % (pp) and an OCV reconstruction MAE below 22 mV. In the second implementation, the transfer-learned neural network is coupled with an OCV model for updated estimates, showing even superior and more robust performance: The SOH MAE remains below 1.8 % (pp), the OCV MAE below 10 mV, and DMs can be estimated with an MAE under 3.1 % (pp), for all input SOC ranges. Although the presented methods accurately estimate the state of batteries, they neglect dynamic effects during operation. This limitation arises from the lack of electrode aging information in public datasets. The final study addresses this gap by presenting a comprehensive battery aging study using a three-electrode setup with extensive characterization measurements. The published articles contribute to the state of the art in several ways: The first study enables the mechanistic model to be applied to real-world BEV fleet data. The subsequent three studies solve the major issues of neural-network-based state estimation - data scarcity and data dependence - by introducing novel PINN and transfer learning architectures. The final study provides the first validated battery aging dataset for degradation mode estimation, linking equilibrium with dynamic cell effects, and with that allowing the extension of the SOH estimation to other SOH metrics. These contributions not only enable the implementation of highly accurate SOH estimation models but also advance further development. This work especially bridges the gap between state estimation of individual lithium-ion cells and state estimation of high-voltage batteries. This ultimately allows for a comprehensive characterization of BEVs over their lifetime, encompassing dynamic effects, thereby addressing the fundamental concerns of hesitant buyers. This thesis contributes to the widespread adoption of BEVs by enhancing the reliability of battery SOH assessments and, thus, adds to the transition towards climate-neutral mobility.

Abstract in weiterer Sprache

Das Streben nach Klimaneutralität fördert die Verbreitung von Elektrofahrzeugen (engl. battery electric vehicles, BEVs) in der individuellen Mobilität. Während viele Menschen in nördlichen europäischen Regionen und China von den Vorteilen der BEVs überzeugt sind, bestehen in Teilen der Gesellschaft Bedenken hinsichtlich der Reichweite und Ladeinfrastruktur. Verbraucher sind besorgt über die beschleunigte Alterung der Hochvoltbatterie, wobei sie eine erhebliche Reduzierung der verfügbaren Reichweite und des Restwerts fürchten. Diese Sorge ist besonders im Gebrauchtwagenmarkt ausgeprägt, da der Gesundheitszustand (engl. state of health, SOH) schwer messbar ist. Daher sind präzise Schätzmethoden im Fahrzeug erforderlich, um den SOH über die Lebensdauer von BEVs zu ermitteln. Diese Algorithmen sind jedoch noch nicht präzise genug und beschränken sich meist auf den SOH der Kapazität. Diese Notwendigkeit wird durch neue regionale Vorschriften verstärkt, die Hersteller dazu verpflichten, den SOH für Fahrer transparent darzustellen. In dieser Arbeit werden innovative Methoden zur Überwachung des SOH anhand vorhandener Daten vorgestellt, die in vier Zeitschriftenartikeln veröffentlicht wurden. Diese Studien beleuchten gemeinsam das Problem der unzureichenden Daten, das im letzten Artikel besonders deutlich wird. Die erste Studie stellt eine neuartige Anpassung des mechanistischen Modellierungsansatzes vor, angewendet auf spärliche BEV-Flottendaten. Durch die Modifikation der Zielfunktion zur Minimierung der Ladungsdifferenz ermöglicht dieser Ansatz die Schätzung des SOH der Kapazität, der Degradationsmoden (engl. degradation modes, DMs) und der Ruhespannung (engl. open-circuit voltage, OCV) einzelner Zellen innerhalb einer Hochvoltbatterie. Die Validierung mit Messdaten aus der BMW i3 Kundenflotte zeigt robuste Ergebnisse mit einem mittleren absoluten Fehler (engl. mean absolute error (MAE)) des SOH von 2.5 % (in Prozentpunkten (pp)). Die folgenden drei Artikel konzentrieren sich auf die Integration datengetriebener und physikalisch basierter Modelle zur genauen Batteriediagnose. Neuronale Netzwerke, als prominente Vertreter datengetriebener Modelle, stehen vor Herausforderungen in Bezug auf Datenknappheit und Datenabhängigkeit. Im Gegensatz dazu sind physikalisch basierte Modelle rechenintensiv und erfordern umfangreiche Eingabedaten. Die Kombination dieser Ansätze ist vielversprechend, da sie individuelle Schwächen mindert und ihre Stärken nutzt. In der ersten Studie generiert das pseudo-zweidimensionale Modell umfangreiche Batteriealterungsdaten, die mit experimentellen Daten in einem physikalisch-informiertem neuronalen Netzwerk (engl. physics-informed neural network (PINN)) kombiniert werden, um den SOH der Kapazität aus zufälligen Zeitreihensegmenten während des Betriebs zu schätzen. Dieser Ansatz adressiert die Datenknappheit und erreicht einen SOH-MAE unter 2.1 % (pp). Trotzdem bleibt die Datenabhängigkeit ein Problem. Folglich untersuchen zwei nachfolgende Artikel das Transferlernen. In beiden Implementierungen generiert ein physikalisch basiertes Modell Konstantstrom (engl. constant-current (CC)) Ladeprofile bei verschiedenen Alterungszuständen. Eine neuartige neuronale Netzwerkarchitektur wird mit diesen umfangreichen Daten vortrainiert und später mit begrenzten experimentellen Daten fein-trainiert, um sowohl den SOH der Kapazität als auch die OCV zu schätzen. Die Modelle werden mit realistischen CC-Ladevorgängen bei unterschiedlichen Raten und einem Ladezustandsbereich von 30 % bis 85 % verglichen, basierend auf einer Felddatenanalyse von fast 2 Millionen privaten Ladevorgängen. Beide Studien zeigen hervorragende Ergebnisse, wobei die erste einen MAE des SOH unter 2.0 % (pp) und einen MAE der OCV-Rekonstruktion unter 22 mV erreicht. In der zweiten Implementierung wird das transfergelernte neuronale Netzwerk mit einem OCV-Modell für aktualisierte Schätzungen gekoppelt und erreicht noch bessere und robustere Ergebnisse: Der SOH-MAE bleibt unter 1.8 % (pp), der OCV-MAE unter 10 mV, und auch DMs können mit einem MAE unter 3.1 % (pp) geschätzt werden, unabhängig vom Ladezustandsfenster. Obwohl die vorgestellten Methoden den Zustand von Batterien genau schätzen, vernachlässigen sie dynamische Effekte. Diese Einschränkung ergibt sich aus dem Mangel an Informationen zur Elektrodenalterung in öffentlichen Datensätzen. Die letzte Studie schließt diese Lücke, indem sie eine umfassende Batteriealterungsstudie mit einem Drei-Elektroden-Setup und umfangreichen Charakterisierungsmessungen präsentiert. Die veröffentlichten Beiträge erweitern den Forschungsstand in vielerlei Hinsicht: Die erste Studie erlaubt erstmalig die Anwendung des mechanistischen Modellansatzes auf reale BEV-Flottendaten. Die drei darauffolgenden Studien lösen das Kernproblem neuronaler Netzwerke zur Zustandsschätzung - Datenknappheit und Datenabhängigkeit -, indem die neuartigen Architekturen PINN und Transferlernen eingeführt werden. Die finale Arbeit präsentiert einen validierten Batteriealterungsdatensatz zur DM-Schätzung, der nicht nur Gleichgewichtseffekte mit dynamischen Zelleffekten verbindet, sondern auch die Erweiterung der Zustandsschätzung auf beliebige SOH-Metriken erlaubt. Diese Beiträge ermöglichen die Implementierung hochgenauer SOH-Schätzmodelle und fördern weitere Forschung. Diese Arbeit schließt insbesondere die Lücke zwischen der Zustandsschätzung einzelner Lithium-Ionen-Zellen und von Hochvoltbatterien. Dies ermöglicht letztlich eine umfassende Charakterisierung von BEVs über ihre Lebensdauer, die auch dynamische Effekte umfasst und damit die grundlegenden Bedenken zögerlicher Käufer anspricht. Diese Arbeit trägt zur breiten Akzeptanz von BEVs bei, indem sie die Zuverlässigkeit der SOH-Schätzung von Batterien verbessert, und liefert somit einen wichtigen Beitrag für den Übergang zu einer klimaneutralen Mobilität.