Transportsektorn är en av världens största producenter av växthusgas därav är dess avkarbonisering essentiell för att uppnå Parisavtalets mål för CO2-emissioner. Ett viktigt steg för att uppnå dessa mål utförs genom elektrifiering. Litium-jon-batterier (eng. litium-ion batteries, ’LIB’) har blivit väldigt populära energilagringssystem för batteridrivna elektriska fordon (eng. battery electric vehicles, ’BEV’) men tenderar att åldras, precis som alla andra batterier. Därav krävs forskning kring batteriföråldring på grund av nedbrytningsprocessernas inverkan på prissättningen, prestationerna och miljöpåverkan av BEV. Olika modeller används för att beskriva batteriernas åldrande. Datadrivna modeller som förutspår batteriers livstid ökar i popularitet vars noggrannhet och prestationer till stor del beror på indatats kvalitet. Formatet för tidsinhämtade data kräver enorma mängder lagringsutrymme, hög processkapacitet och längre processer; något ’reducerad’ eller ’aggregerad’ data delvis åtgärdar. Denna avhandling fokuserar på att utveckla en metodik för användning av dynamiska fordonsdata i ’aggregerad’ form. Tidsloggade data inhämtade från kallklimatstesting av Scanias BEV-prototyp användes varav interaktionseffekterna mellan diverse fordonsparametrar samt deras effekt på batteriåldring utifrån en batteriåldringsmodell analyserades. Olika tillvägagångssätt för strukturering av dynamiska fordonsdata i modellen undersöktes också. Tolv aggregeringsscenarion designades och testades. Dessutom valdes tre scenarion för uppskattningar och jämförelser av återstående användbar livslängd (eng. remaining-useful-life, ’RUL’) tillsammans med resultat från tidsinhämtade data. Slutligen drogs slutsatser om: parameterinteraktioner, struktur av dynamiska fordonsdata och RUL. Flera framtida utvecklingsområden har också föreslagits bland annat: tester av andra aggregeringstekniker, utöka modellen till tjänstefordon samt kategorisera användningsbeteenden av fordon för att förbättra RUL-uppskattningar. / The transport sector is one of the world’s largest greenhouse gas producing sector and it’s decarbonisation is imperative to achieve the CO2 emission targets set by the Paris Agreement. One important step towards achieving these targets is through electrification of the sector. Lithium-ion batteries (LIBs) have become very popular energy storage systems for battery electric vehicles (BEVs). However, LIBs like all other batteries, tend to age. Hence, the study of the battery ageing phenomena is very essential since the degradation in battery characteristics hugely determines the cost, performance and the environmental impact of BEVs. Different modelling approaches are used to represent battery ageing behaviour. Data-driven models for predicting the lifetime of batteries are becoming popular. However, the accuracy and performance of data-driven models largely depends upon the quality of data being used as the input. Time-sampled format of logging data results in huge data files requiring enormous amounts of storage space, high processing power requirements and longer processing times. Instead, using data in a ’reduced’ or ‘aggregated’ form can help in addressing these issues. This thesis work focuses on developing a methodology for using dynamic vehicle data in an ‘aggregated’ form. Time-sampled data from a Scania prototype BEV truck, recorded during cold climate test, was used. The interaction effects between various vehicle parameters and their effect on battery ageing in a battery ageing model were analyzed. Different approaches to structuring dynamic vehicle data for use in the model were also studied. Twelve aggregation scenarios were designed and tested. Furthermore, three scenarios were selected for making remaining-useful-life (RUL) estimations and compared alongside time-sampled data results. Finally, conclusions about parameter interactions, structuring of dynamic vehicle data and RUL estimations were drawn. Several next steps for future work have also been suggested such as testing other aggregation techniques, extending the model to vehicle fleets and categorizing vehicle usage behaviours to make better RUL estimations.

The rate of degradation of a lithium-ion battery depends on its use i.e. how it is charged and discharged. Physics-based models are used to represent the processes inside a cell as well as the degradation mechanisms. This thesis aimed to compare how the battery lifetime is affected when charging with different charging protocols using different battery models and degradation mechanisms. The investigated models are the Single Particle Model (SPM), the Single Particle Model with electrolyte (SPMe), and the Doyle-Fuller Newman model (DFN). The degradation mechanisms are solid electrolyte interphase (SEI), and lithium plating (LP). The used charging protocols are constant-current constant voltage(CCCV), positive pulsed current (PPC), and constant current (CC). Pulsed charging was included to investigate if the battery lifetime can be improved as in an experiment by Huang where pulsed charging increased the battery lifetime by 60%. To perform the simulations using the physics-based models, PyBaMM (PythonBattery Mathematical Modeling) was used. The simulations were performed for a lithium cobalt oxide (LCO) cell. Two types of SEI were implemented, solvent-diffusion limited and reaction limited. For the LP only irreversible LP was used.1200 cycles were simulated. Comparing the PPC and CC protocols, there were no significant changes between the degradation mechanisms for the different protocols. The results were the same for all the models, except for the results of the internal resistance. The conclusion is that for the PPC and CC protocols, the cell degrades the same although the PPC protocol used twice the C-rate. The PPC charging did not increase the battery lifetime. For the CCCV and CC protocols, there were some bigger differences between the protocols, but between the different models, there weren’t any significant differences. The CCCV degrades the cell faster for all degradation mechanisms and all models. Simulating one degradation submodel at a time resulted in a very small capacity fade for some submodels. Therefore, for future work, it is suggested to use several degradation submodels at the same time but also to try other degradation mechanisms or try PPC protocols with different frequencies and duty cycles. / Hur snabbt litiumjonbatterier degraderas beror på hur de används, laddas och laddas ur. Fysikbaserde modeller används för att representera processerna inuti cellen och även degraderingsmekanismerna. Denna studie har genomförts för att undersöka hur batteriets livslängd påverkas av olika laddningsprotokoll genom att använda olika batterimodeller och degraderingsmekanismer. Modellerna som användes är Singel-partikelmodellen (SPM), Singel-partikelmodellen med elektrolyt (SPMe) och Doyle-Fuller Newman-modellen (DFN). Degraderingsmekanismerna är fast elektrolytinterfas (SEI) och litiumplätering (LP). Laddningsprotokollen som användes är konstant ström konstant spänning (CCCV), positiv pulserande ström (PPC) och konstant ström konstant (CC). Protokollet för pulsad laddning inkluderades för att undersöka om batteriets livslängd kan förbättras som i ett experiment av Huang, där pulsad laddning ökade batteriets livslängdmed 60%. För att utföra simuleringar med fysikbaserade modeller användes PyBaMM(Pyhton Battery Mathematical Modeling). Simuleringarna utfördes för en lithiumkobaltoxid-cell (LCO). Två typer av SEI implementerades, lösningsmedelsdiffusion-begränsad och reaktions-begränsad SEI. För LP användes endast irreversibel LP.1200 cykler simulerades. Jämförande PPC- och CC-protokollen fanns det inga signifikanta förändringar mellan degraderingsmekanismerna för de olika protokollen. Resultaten vardesamma för alla modellerna, förutom resultaten av den interna resistansen. Slutsatsen är att för både PPC- och CC-protokollen så degraderades cellen på samma sätt, trots att PPC-protokollet använde dubbelt så hög C-faktor. PPC-protokollet ökade inte batteriets livslängd. För CCCV- och CC-protokollen fanns det några större skillnader mellan protokollen, men mellan de olika modellerna fanns det inga signifikanta skillnader. CCCV-protokollet försämrade cellen snabbare för alla degraderingsmekanismer och alla modeller. Att simulera en degraderingsmodell i taget resulterade i mycket små kapacitetsförluster. Därmed föreslås det att i framtida arbete använda flera degraderingsmodeller samtidigt men även testa andra degraderingsmekanismer eller PPC-protokoll med olika frekvenser och arbetscykler