No description available.

The growing urgency of climate change has led to growth in the electrification technology field, where batteries have emerged as an essential role in the renewable energy transition, supporting the implementation of environmentally friendly technologies such as smart grids, energy storage systems, and electric vehicles. Battery cell degradation is a common occurrence indicating battery usage. Optimizing lithium-ion battery degradation during operation benefits the prediction of future degradation, minimizing the degradation mechanisms that result in power fade and capacity fade. This degree project aims to investigate battery degradation prediction based on capacity using deep learning methods. Through analysis of battery degradation and health prediction for lithium-ion cells using non-destructive techniques. Such as electrochemical impedance spectroscopy obtaining ECM and three different deep learning models using multi-channel data. Additionally, the AI models were designed and developed using multi-channel data and evaluated performance within MATLAB. The results reveal an increased resistance from EIS measurements as an indicator of ongoing battery aging processes such as loss o active materials, solid-electrolyte interphase thickening, and lithium plating. The AI models demonstrate accurate capacity estimation, with the LSTM model revealing exceptional performance based on the model evaluation with RMSE. These findings highlight the importance of carefully managing battery charging processes and considering factors contributing to degradation. Understanding degradation mechanisms enables the development of strategies to mitigate aging processes and extend battery lifespan, ultimately leading to improved performance.

Les estimations précises des états de charge (« State of Charge » - SoC) et de santé (« State of Health » - SoH) des batteries au lithium sont un point crucial lors d’une utilisation industrielle de celles-ci. Ces estimations permettent d’améliorer la fiabilité et la robustesse des équipements embarquant ces batteries. Cette thèse CIFRE est consacrée à la recherche d’algorithmes de détermination de l’état de santé de batteries lithium-ion, en particulier de chimie Lithium Fer Phosphate (LFP) et Lithium Manganèse Oxyde (LMO).Les recherches ont été orientées vers des solutions de détermination du SoH directement embarquables dans les calculateurs des véhicules électriques. Des contraintes fortes de coût et de robustesse constituent ainsi le fil directeur des travaux.Or, si la littérature actuelle propose différentes solutions de détermination du SoH, celles embarquées ou embarquables sont encore peu étudiées. Cette thèse présente donc une importante revue bibliographique des différentes méthodes d’estimation du SoH existantes, qu’elles soient embarquables ou non. Le fonctionnement détaillé ainsi que les mécanismes de vieillissement d’une batterie lithium-ion sont également explicités.Une partie majoritaire des travaux est consacrée à l’utilisation de l’analyse incrémentale de la capacité (« Incremental Capacity Analysis » - ICA) en conditions réelles, c’est-à-dire avec les niveaux de courant présents lors d’un profil de mission classique d’un véhicule électrique, avec les mesures disponibles sur un BMS (« Battery Management System ») industriel et avec les contraintes de robustesses associées, notamment une gamme étendue de température de fonctionnement. L’utilisation de l’ICA pour déterminer la capacité résiduelle de la batterie est mise en œuvre de façon totalement innovante et permet d’obtenir une grande robustesse aux variations des conditions d’utilisation de la batterie.Une seconde méthode est, elle, dédiée à la chimie LMO et exploite le fait que le potentiel aux bornes de la batterie soit représentatif de son état de charge. Un compteur coulométrique partiel est ainsi proposé, intégrant une gestion dynamique des bornes d’intégration en fonction de l’état de la batterie.A l’issue des travaux, une méthode complète et précise de détermination du SoH est disponible pour chacune des chimies LFP et LMO. La détermination de la capacité résiduelle de ces deux familles de batteries est ainsi possible à 4 % près. / Accurate lithium-ion battery State of Charge (SoC) and State of Health (SoH) estimations are nowadays a crucial point, especially when considering an industrial use. These estimations enable to improve robustness and reliability of hardware using such batteries. This thesis focuses on researching lithium-ion batteries state of health estimators, in particular considering Lithium Iron Phosphate (LFP) and Lithium Manganese Oxide (LMO) chemistries.Researches have been targeted towards SoH estimators straight embeddable into electric vehicles (EV) computers. Cost and reliability constraints are thus the main guideline for this work.Although existing literature offers various SoH estimators, those who are embedded or embeddable are still little studied. A complete literature review about SoH estimators, embedded or not, is therefore proposed. Lithium-ion batteries detailed operation and ageing mechanisms are also presented.The main part of this work is dedicated to Incremental Capacity Analysis (ICA) use with electric vehicle constraints, such as current levels available with a typical EV mission profile or existing measurements on the Battery Management System (BMS). Incremental Capacity Analysis is implemented in an innovative way and leads to a remaining capacity estimator with a high robustness to conditions of use variations, including an extended temperature range.A second method, dedicated to LMO chemistry, take advantage of the fact that the battery potential is representative of its state of charge. Partial Coulomb counting is thus performed, with a dynamic management of integration limits, depending on the battery state.Outcomes of this work are two complete and accurate SoH estimators, one for each chemistry, leading to a remaining capacity estimation accurate within 4 %.