The battery is a component with significant impact on both the cost and environmental footprint of a full electric vehicle (EV). Consequently, there is a strong motivation to maximize its degree of utilization. Usage limits are enforced by the battery management system (BMS) to ensure safe operation and limit battery degradation. The limits tend to be conservative to account for uncertainty in battery state estimation as well as changes in the battery's characteristics due to aging. To improve the utilization degree, aging sensitive battery control is necessary. This refers to control that a) adjusts during the battery's life based on its state and b) balances the trade-off between utilization and degradation according to requirements from the specific application.  In state-of-the-art battery installations, only three signals are measured; current, voltage and temperature. However, the battery's behaviour is governed by other states that must be estimated such as its state-of-charge (SOC) or local concentrations and potentials. The BMS therefore relies on models to estimate states and to perform control actions. In order to realize points a) and b), the models that are used for state estimation and control must be updated onboard. An updated model can also serve the purpose of diagnosing the battery, since it reflects the changing properties of an aging battery. This thesis investigates identification of physics-based and empirical battery models from operational EV data. The work is divided into three main studies. 1) A global sensitivity analysis was performed on the parameters of a high-order physics-based model. Measured current profiles from real EV:s were used as input and the parameters' impact on both modelled cell voltage and other internal states was assessed. The study revealed that in order to excite all model parameters, an input with high current rates, large SOC span and longer charge or discharge periods was required. This was only present in the data set from an electric truck with few battery packs. Data sets from vehicles with more packs (electric bus) and limited SOC operating window (plug-in hybrid truck) excited fewer model parameters. 2) Empirical linear-parameter-varying (LPV) dynamic models were identified on driving data. Model parameters were formulated as functions of the measured temperature, current magnitude and estimated open circuit voltage (OCV). To handle the time-scale differences in battery voltage response, continuous-time system identification was employed. We concluded that the proposed models had superior predictive abilities compared to discrete and time-invariant counterparts.  3) Instead of using driving data to parametrize models, we also investigated the possibility to design the charging current in order to increase its information content about model parameters. This was formulated as an optimal control problem with charging speed and information content as objectives. To also take battery degradation into account, constraints on polarization was included. The results showed that parameter information can be increased without significant increase in charge time nor aging related stress. / Elekriska fordon utgör en allt större andel av världens fordonsflotta. Batteriet är en komponent med betydande påverkan både på fordonets kostnadoch dess miljö- och klimatpåverkan. Det är därför viktigt att försöka maximera batteriets utnytjandegrad. Användargränser upprätthålls av batterietsstyrsystem, såkallad BMS, för att garantera säker drift samt för att begränsabatteriets åldrande. Användargränserna tenderar att vara konservativa för attta höjd för osäkerhet i tillståndsestimeringen samt batteriets förändrade egenskaper under dess livstid. För att utöka utnyttjandegraden är ålderskänsligstyrning nödvändig. Med detta avses styrning som a) justeras under batterietslivstid och b) balancerar utnyttjande och prestanda på ett sätt som passar enspecifik applikation. Ombord på fordon mäts typiskt tre signaler; ström, spänning och temperatur. Batteriets beteende bestäms dock av andra tillstånd som måste estimeras, såsom dess laddnivåeller lokala koncentrationer och potentialer. BMS:enförlitar sig därför på modeller för att estimera interna tillstånd och utföra styrning. För att uppfylla punkterna a) och b) måste modellerna som användsuppdateras ombord i takt med att batteriet åldras. En uppdaterad modellkan också fungera som ett diagnostiskt verktyg eftersom det speglar batteriets förändrade egenskaper. Den här avhandlingen undersöker identifieringav fysikbaserade och empiriska modeller från kördata. Arbetet delas in i treseparata studier. 1) En global känslighetsanalys utfördes på parametrarna i en fysikbaseradmodell av hög ordning. Som inputsignal användes uppmätt ström från riktigaelfordon i drift. Parametrarnas effekt på både cellspänning och interna batteritillstånd analyserades. Studien visade att alla modellparametrar exciteradesav strömmen från ett helelektriskt fordon. Anledningen var att batteriernaanvändes inom ett brett SOC spann samt att den dragna strömmen var stor.I fordon med snävare SOC span och lägre strömmar var inte alla parametrarkänsliga. 2) Dynamiska parametervarierande modeller formulerades och identifierades från kördata. Den uppmätta temperaturen, samt strömmens storlekoch den estimerade tomgångsspänningen (OCV) användes till parameterberoenden. För att hantera skillnader i tidsskala mellan spänningssvarets olikakomponenter användes systemidentifiering i kontinuerlig tid. Vi kunde draslutsatsen att de föreslagna modellerna var överlägsna motsvarande diskretaoch konstanta modeller. 3) Istället för att använda kördata för att parametrisera modeller undersökte vi också möjligheten att designa laddförloppet för att öka dess informationsinnheåll. Detta formulerades som ett optimeringsproblem med laddtidoch informationsinnehåll i kostnadsfunktionen. För att även ta batteriets åldrande i beaktning, ansattses bivillkor på polariseringsspänningen. / <p>QC 20220516</p>