In this research, the focus was on the development of a Battery Cycler system with the primary objective of accurately predicting both the State of Charge (SoC) and State of Health (SoH) for batteries. Machine learning techniques, specifically MLP Regression, K-Nearest Neighbor, and Decision Tree Regression, were harnessed for a comprehensive analysis. The data collection and processing phase spanned 44 days. The findings underscore the potential of employing relatively uncomplicated machine learning models for the prediction of SoC and SoH. Particularly noteworthy was the strong performance of K-Nearest Neighbor, especially after deliberate optimization efforts were applied. Despite the simplicity of these techniques, the results suggest significant promise for battery management and health assessment. Nevertheless, challenges linked to temperature fluctuations and current noise were identified as factors impacting predictive performance. Mitigating these challenges is imperative to enhance the robustness and precision of predictive models in future iterations. The implications of this work extend to broader applications in battery management systems, offering insights into potential avenues for optimizing battery usage, extending longevity, and enhancing overall performance. Leveraging machine learning methodologies in a straightforward manner, this research is anticipated to contribute to advancements in battery health monitoring and management, setting the stage for more intricate models in subsequent studies. / I denna forskning har vi tagit oss an utvecklingen av ett battericykelsystem med målet att noggrant förutsäga både laddningstillstånd (SoC) och hälsotillstånd (SoH) för batterier. Genom att utnyttja maskininlärningstekniker utförde vi en omfattande analys med hjälp av MLP-regression, K-Nearest Neighbor och Decision Tree regression. Över en tidsperiod av 44 dagar samlades batteridata in och bearbetades noggrant. Resultatet understryker möjligheten att använda relativt okomplicerade maskininlärningsmodeller för att förutsäga både laddningstillstånd och hälsotillstånd. Särskilt K-Nearest Neighbor framstår som en lovande kandidat med tanke på förutsägbarhetsnoggrannheten den visat, särskilt efter medvetna ansträngningar för optimering. Trots teknikernas enkelhet antyder våra resultat en betydande potential för batterihantering och hälsobedömning. Emellertid har utmaningar som temperaturvariationer och strömbuller identifierats som faktorer som påverkar förutsägelseprestanda. Att bemöta dessa utmaningar är avgörande för att öka robustheten och precisionen i våra förutsägelsemodeller i framtida utföranden.. Denna forsknings arbetsresultat sträcker sig till bredare användningsområden inom batterihanteringssystem och erbjuder insikter i möjliga riktningar för att optimera batterianvändning, livslängd och övergripande prestanda. Genom att utnyttja maskininlärningsmetoder förutser vi att denna forskning kommer att bidra till framsteg inom övervakning och hantering av batterihälsa, och lägga grunden för mer sofistikerade modeller i framtiden.

Målet med projektet var att undersöka samt implementera en fysikbaserad DFN modell för att simulera kalender samt cyklingåldrande av litiumbatterier som används i elbilar. Den fysikbaserade modellen var konstruerad baserad på ett Python biblioteket vid namn PyBaMM, vilket till skillnad från datadrivna modeller ger essentiell information om de kemiska processerna inuti batteriet. Den första delen av projektet täcker konceptet av kalenderåldring, vilket inkluderar en jämförelse mellan tre olika tre olika hastighetsbegränsande SEI modeller. Parametrar som påverkar det erhållna resultatet från modellen är identifierade, estimerade, och till slut validerade för att säkerhetsställa att modellen och parametrarna är identifierbara gentemot experimentella data. Resultatet av jämförelsen gav att SEI tillväxt begränsad av litium interstitiell diffusion är den mest optimala modellen att applicera när kalenderåldring för litiumbatterier ska modelleras. Resultaten visade också att endast en parameter, inre SEI litium interstitiell diffusivitet ska justeras för att erhålla optimal anpassning mot experimentella data. Andra delen av projektet använde resultatet från den första delen och litium plätering implementerades som en andraåldringsmekanism som undersöktes under tre olika laddningsprotokoll. Modellen var optimerad och anpassad gentemot experimentella data, där parametervärdet för kinetisk hasighetskonstanten för plätering var estimerad. Den optimerade modellen användes därefter för att erhålla mer information om elektrokemiska variabler för att kunna analysera samt beskrivaåldringsprocessen utan att behöva genomföra praktiska laborationer. Resultaten visade att mängden pläterat litium på den negativa elektroden ökade för celler som var exponerade till högre ström under laddningsprocessen, samt när cellerna var laddade vid höga SoC nivåer. Sammanfattningsvis, visade modellen hög potential att representera och evaluera experimentella data, samt tillhandahålla en inblick i elektrokemiska processer och kapacitetsförluster länkade till SEI tillväxt och litium plätering. Däremot, för att erhålla en högre grad noggrannhet av elektrokemiskaåldringsmekanismer i litiumbatterier, fler ytterligare mekanismer måste implementeras såsom mekanisk stress av både negativ och positiv elektrod. / The aim of this study was to investigate and apply a physics-based DFN model to simulate the calendar and cycling ageing of lithium-ion batteries manufactured for EV applications. The physics-based cell ageing model was constructed based on the open-source software Python library PyBaMM, which in comparison to data-driven models provides more essential information about the chemical process within the battery cell. The first part of the project covers the concept of calendar ageing which includes comparisons between three different rate-limiting SEI growth models. Parameters that affect the output from the physics-based model are isolated, estimated with numerical methods, and lastly validated to ensure that the model and the parameters rep- resent the physics behind the experimental data. It was found that the SEI growth limited by lithium interstitial diffusion is the most optimal model to apply for a physics-based model when modeling calendar ageing. It was also found that the only parameter that should be tuned against experimental data is the inner SEI lithium interstitial diffusivity. The second part of the project utilizes the results from the first part and introduces lithium plating as a second cell ageing mechanism under three different charging protocols. The model was optimized and fitted against experimental data by sweeping the lithium plating kinetic rate constant parameter. The optimized model was thereafter used to generate outputs that more thoroughly can explain the degradation effects of the cell without constructing real-world experiments. Where increased rate of plated lithium could be observed for the cell subjected to higher charging C-rate, and when the cells were charged at high SoC levels. To summarize, the model showed great potential in representing and evaluating the experimental data and providing the project with insight into the electrochemical processes and cell capacity losses of SEI growth and lithium plating. However, in order to achieve a higher accuracy of cell ageing model in relation to the lithium-ion cells used in customer vehicles, several additional cell degradation mechanisms have to be introduced, such as mechanical degradation of the two electrodes.

Målet med projektet var att undersöka samt implementera en fysikbaserad DFN modell för att simulera kalender samt cyklingåldrande av litiumbatterier som används i elbilar. Den fysikbaserade modellen var konstruerad baserad på ett Python biblioteket vid namn PyBaMM, vilket till skillnad från datadrivna modeller ger essentiell information om de kemiska processerna inuti batteriet. Den första delen av projektet täcker konceptet av kalenderåldring, vilket inkluderar en jämförelse mellan tre olika tre olika hastighetsbegränsande SEI modeller. Parametrar som påverkar det erhållna resultatet från modellen är identifierade, estimerade, och till slut validerade för att säkerhetsställa att modellen och parametrarna är identifierbara gentemot experimentella data. Resultatet av jämförelsen gav att SEI tillväxt begränsad av litium interstitiell diffusion är den mest optimala modellen att applicera när kalenderåldring för litiumbatterier ska modelleras. Resultaten visade också att endast en parameter, inre SEI litium interstitiell diffusivitet ska justeras för att erhålla optimal anpassning mot experimentella data. Andra delen av projektet använde resultatet från den första delen och litium plätering implementerades som en andraåldringsmekanism som undersöktes under tre olika laddningsprotokoll. Modellen var optimerad och anpassad gentemot experimentella data, där parametervärdet för kinetisk hasighetskonstanten för plätering var estimerad. Den optimerade modellen användes därefter för att erhålla mer information om elektrokemiska variabler för att kunna analysera samt beskriva åldringsprocessen utan att behöva genomföra praktiska laborationer. Resultaten visade att mängden pläterat litium på den negativa elektroden ökade för celler som var exponerade till högre ström under laddningsprocessen, samt när cellerna var laddade vid höga SoC nivåer. Sammanfattningsvis, visade modellen hög potential att representera och evaluera experimentella data, samt tillhandahålla en inblick i elektrokemiska processer och kapacitetsförluster länkade till SEI tillväxt och litium plätering. Däremot, för att erhålla en högre grad noggrannhet av elektrokemiska åldringsmekanismer i litiumbatterier, fler ytterligare mekanismer måste implementeras såsom mekanisk stress av både negativ och positiv elektrod. / The aim of this study was to investigate and apply a physics-based DFN model to simulate the calendar and cycling ageing of lithium-ion batteries manufactured for EV applications. The physics-based cell ageing model was constructed based on the open-source software Python library PyBaMM, which in comparison to data-driven models provides more essential information about the chemical process within the battery cell. The first part of the project covers the concept of calendar ageing which includes comparisons between three different rate-limiting SEI growth models. Parameters that affect the output from the physics-based model are isolated, estimated with numerical methods, and lastly validated to ensure that the model and the parameters rep- resent the physics behind the experimental data. It was found that the SEI growth limited by lithium interstitial diffusion is the most optimal model to apply for a physics-based model when modeling calendar ageing. It was also found that the only parameter that should be tuned against experimental data is the inner SEI lithium interstitial diffusivity. The second part of the project utilizes the results from the first part and introduces lithium plating as a second cell ageing mechanism under three different charging protocols. The model was optimized and fitted against experimental data by sweeping the lithium plating kinetic rate constant parameter. The optimized model was thereafter used to generate outputs that more thoroughly can explain the degradation effects of the cell without constructing real-world experiments. Where increased rate of plated lithium could be observed for the cell subjected to higher charging C-rate, and when the cells were charged at high SoC levels. To summarize, the model showed great potential in representing and evaluating the experimental data and providing the project with insight into the electrochemical processes and cell capacity losses of SEI growth and lithium plating. However, in order to achieve a higher accuracy of cell ageing model in relation to the lithium-ion cells used in customer vehicles, several additional cell degradation mechanisms have to be introduced, such as mechanical degradation of the two electrodes.