AI-based simulation of battery system combined with advanced spectroscopy

Jin, Limei; Ponci, Ferdinanda; Lüchow, Arne; Granwehr, Josef

doi:10.18154/RWTH-2024-11389

AI-based simulation of battery system combined with advanced spectroscopy

Jin, Limei^RWTH*

2024 & 2025

Verantwortlichkeitsangabevorgelegt von Limei Jin, M.Sc.

ImpressumAachen : RWTH Aachen University 2024

Umfang1 Online-Ressource : Illustrationen

Dissertation, RWTH Aachen University, 2024

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2025

Genehmigende Fakultät
Fak01

Hauptberichter/Gutachter
Granwehr, Josef (Thesis advisor)^RWTH* ; Ponci, Ferdinanda (Thesis advisor)^RWTH* ; Lüchow, Arne (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2024-10-31

Online
DOI: 10.18154/RWTH-2024-11389
URL: https://publications.rwth-aachen.de/record/998435/files/998435.pdf

Einrichtungen

Projekte

Inhaltliche Beschreibung (Schlagwörter)
convolutional autoencoder (frei) ; electrochemical impedance spectroscopy (frei) ; equivalent circuit modeling (frei) ; latent space (frei) ; state of charge (frei) ; state of health (frei)

Thematische Einordnung (Klassifikation)
DDC: 540

Kurzfassung
Der Anstieg bei der Adoption von Elektrofahrzeugen macht die Entwicklung leistungsfähiger und zuverlässiger Batteriesysteme notwendig. Um die Leistung der Batterie zu optimieren und ihren sicheren und effizienten Betrieb zu gewährleisten, spielt das Batteriemanagementsystem (BMS) eine entscheidende Rolle. Während das BMS üblicherweise auf der Ebene des Batteriepakets eingesetzt wird, um den Gesamtzustand und die Leistung eines Batteriepakets zu überwachen, erfordert die Erkennung jeder einzelnen Zelle mit einzigartigen Betriebseigenschaften innerhalb des Pakets eine detailliertere und präzisere Verwaltung und Überwachung auf Zellebene. Daher kommt der digitale Zwilling der Batterie ins Spiel, eine Echtzeit-, mehrskalige virtuelle Darstellung der physischen Batteriezelle. Unser Ziel ist es, einen möglichst einfachen digitalen Zwilling auf der Grundlage eines Ersatzschaltbildes zu entwickeln. Es ist darauf ausgelegt, das Verhalten der tatsächlichen Batteriezelle unter verschiedenen Lastbedingungen genau zu reflektieren. Das virtuelle Batteriemodell dient dazu, diese Bedingungen zu simulieren und entsprechend eine Fülle von Simulationsdaten zu gewinnen. Diese großen Datenmengen können dann von Algorithmen des maschinellen Lernens verwendet werden, um den Zustand der Batterie vorherzusagen und Optimierungsrückmeldungen zu geben, um den Betrieb der realen Batterie zu verbessern.Die Ersatzschaltkreismodellierung (ECM) von Daten der elektrochemischen Impedanzspektroskopie (EIS) ist eine gängige Technik zur Beschreibung des aktuellen Zustands von Batterien und kann als virtuelle Batterie verwendet werden. Um ECM-Parameter auf eine datengestützte Weise zu charakterisieren, wird die auf der Gaußschen Prozessregression (GPR) basierende Verteilung der Relaxationszeiten (DRT) verwendet, welche EIS-Daten durch Deconvolution mit einem geeigneten Kernel vereinfacht und die Anzahl der unterscheidbaren Merkmale basierend allein auf einem individuellen EIS-Datensatz bereitstellt. Hier wird eine gewichtete DRT eingesetzt, bei der die Gewichte auf der Grundlage der frequenzabhängigen Empfindlichkeit der Daten zugeschnitten sind, und GPR wird zur genauen Bestimmung dieser Gewichte verwendet. GPR ist in der Lage, eine geeignete Gewichtungsmatrix aus einem einzigen Datensatz zu schätzen und ermöglicht potenziell eine automatisierte DRT-Inversion ohne Benutzereingriff. Das erhaltene DRT-Spektrum wird dann für die Auswahl eines Ersatzschaltkreismodells, dessen initiale Parametrisierung und das Setzen von Einschränkungen verwendet. Dadurch variieren die an experimentelle EIS-Daten für einen einzigen Zyklus angepassten ECM-Parameter je nach Ladezustand (SOC). Anhand der untersuchten Batterie wird schließlich erörtert, dass mit einer Kombination aus DRT und ECM eine physikalisch relevantere Beschreibung der Prozesse in einem elektrochemischen System erreicht werden kann.Im Gegensatz zum SOC stellt die Entwicklung einer robusten und kontinuierlichen Schätzung des Gesundheitszustands (SOH) der Batterie unter Verwendung von EIS zur Erstellung digitaler Batteriezwillingsmodelle eine erhebliche Herausforderung dar. Um die Lücke zwischen dem Experiment und datengesteuerten Techniken zu schließen, die sich nicht auf die Anpassung experimenteller Daten unter Verwendung von a priori Modellen stützen, werden die ECM-Parameter über einen einzelnen Zyklus in einem hochdimensionalen Chebyscheff-Raum erweitert. Dies erleichtert nicht nur eine Abbildung der SOC-Abhängigkeit mit robusten Randbedingungen, sondern ermöglicht auch eine Erweiterung hin zu einer abstrakteren SOH-Beschreibung. Aufgrund der langen Impedanzmesszeit kann die quasi Monte Carlo (QMC) Methode eingesetzt werden, um unterschiedlich gealterte Batteriemodelle mit begrenzten experimentellen Impedanzdaten zu generieren. Sobald Daten verfügbar sind, kann der Raum, der die möglichen Zustände einer Batterie umspannt, schrittweise verfeinert werden. Das entwickelte Framework ermöglicht daher das Training von Big-Data-Modellen, beginnend mit sehr wenigen experimentellen Informationen und unter der Annahme von zufälligen Schwankungen der Modellparameter, die mit den verfügbaren Daten übereinstimmen.Batteriedaten, ob durch direkte Messung oder Simulation gewonnen, sind von Natur aus komplex und hochdimensional. Daher stellt die Erkennung von Anomalien oder die Entschlüsselung der Alterungspfade aus Rohdaten eine große Herausforderung dar. Um ein effektives Batteriezustandsmanagement zu ermöglichen, schlagen wir vor, charakteristische Informationen aus den Latent Space von Autoencodern zu extrahieren. Zunächst führen wir eine vergleichende Analyse der aus frequenzbasierten Impedanzdaten und aus zeitbasierten Spannungs- und Stromdaten abgeleiteten Latent Spaces durch. Dieser Vergleich stärkt das Vertrauen in die Anwendbarkeit von Methoden, die traditionell für EIS in Laborumgebungen verwendet werden, auf die Analyse von rohen Zeitreihendaten. Um realistische Simulationsergebnisse für die Batterienutzung zu ermitteln, indem wir zufälliges Rauschen und Schwankungen in die Daten einbeziehen, was für die Entwicklung robuster Batteriemanagementsysteme unerlässlich ist, vergleichen wir den Latent Spaces, der anhand idealer sinusförmiger Daten trainiert wurde, mit dem aus permutierten verrauschten Daten. Die extrahierten Batteriemerkmale im Latent Space wurden mit Support-Vektor-Maschinen (SVM)-Klassifikatoren mit sowohl linearen als auch nicht-linearen Kernels analysiert, um Batterien in drei unterschiedliche Altersgruppen zu segmentieren: frische, gealterte und beschädigte Zellen. Die konsistente und beobachtbare robuste Alterungsbewegung, wie durch die Verteilung der Klassen im Latent Space dargestellt, bleibt unbeeinflusst von der Wahl der Nutzung zeitbasierter oder frequenzbasierter Daten, sowie davon, ob die Daten ideal oder verrauscht sind. Dies unterstreicht das Potenzial und die Zuverlässigkeit für die Entwicklung von pseudo-zufälligen komplexen Pulsstromanregungen, die zur Schätzung des Batteriezustands verwendet werden können, welcher dann potenziell zur Information der Entwicklung von optimierten zellbasierten Lastprofilen in der Zukunft genutzt werden könnte.Während EIS wertvolle Einblicke in den Zustand einer Batterie bietet, beinhaltet der reale Batteriebetrieb in Fahrszenarien dynamische Zustandsänderungen, bei denen Strom- und Spannungssignale bei weitem nicht ideal sinusförmig sind. Um die Lücke zwischen EIS und realer Fahrzyklusanalyse zu schließen, führen wir das Konzept eines stochastischen Pulsdesigns ein, das mit dem Lastprofil kompatibel ist. Dieser Ansatz beginnt mit frequenzbasierten Impedanzdaten als Referenz und geht über zu stochastischen Pulssignalen, die als schwache Störung im Zeitbereich wirken und somit optimalen Kontrast bezüglich des Batteriezustands bieten. Die systematische Erzeugung von stochastischen Pulssignalen ist von fraktalen Kurven inspiriert und wird durch die Beschränkungen der experimentellen Geräte limitiert. Diese Signale sind so konzipiert, dass sie die Variabilität und Unvorhersehbarkeit des realen Batteriegebrauchs enger nachahmen. Die aktuellen Pulssignale werden dann durch die Batteriemodelle bei verschiedenen SOC/SOH-Kombinationen simuliert, was die entsprechenden Spannungsantworten liefert. Die Analyse dieser paarweisen Strom-/Spannungsdaten wird auch im Latent Space eines Autoencoders durchgeführt, der wesentliche aus den Eingabedaten extrahierte Merkmale umfasst. Hier wird traditionelle EIS-Daten als Referenzstandard berechnet, um die Effekte verschiedener Pulssequenzen gegenüber einem gut etablierten Benchmark in der Batterieanalyse zu vergleichen. Für einen visuellen und quantitativen Vergleich zwischen zwei Latent Spaces werden Quantile-Quantile (Q-Q) Diagramme verwendet, um die Leistung unter verschiedenen Pulssequenzen bei der Replikation der Verteilung des aus EIS abgeleiteten Latent Space zu schätzen. Zusätzlich kann ihre Leistung auch durch die Segmentierung des Latent Spaces visualisiert werden. Indem wir die Segmentierung des Latent Spaces mit Batteriealterungsindikatoren korrelieren, validieren wir die Repräsentativität unserer identifizierten besten und schlechtesten Pulssignale gegenüber konventionellen EIS-Daten. Weiterhin kann in bestimmten Phasen des Alterungsprozesses einer Batterie die Änderung der Pulssequenz zu einer verbesserten Leistung hinsichtlich der Trennung von Altersgruppen führen. Diese Erkenntnis unterstreicht das Potenzial für adaptive Strategien im Batteriemanagement, bei denen Pulssequenzen dynamisch angepasst werden können, basierend auf dem Alterungsstadium der Batterie, um die Leistung zu optimieren und möglicherweise ihre Lebensdauer zu verlängern.

The surge in electric vehicle adoption necessitates the development of high-performance and reliable battery systems. To optimize battery performance and ensure their safe and efficient operation, the Battery Management System (BMS) plays a crucial role. While BMS is commonly utilized at the pack level to oversee the overall health and performance of a battery pack, the recognition of each individual cell with unique operational characteristics within the pack needs more granular and precise management and monitoring at the cell level. Therefore, battery digital twin, which is a real-time, multi-scale virtual representation of the physical battery cell, comes into view. We aim to develop a simplest possible equivalent circuit model-based digital twin. It is designed to accurately reflect the behavior of the actual battery cell under various load conditions. The virtual battery model serves to simulate these conditions and to obtain a wealth of simulated data accordingly. These large amount of data can then be employed by machine learning algorithms to predict the battery's state, providing optimization feedback to enhance the real battery's operation.Equivalent Circuit Modeling (ECM) of Electrochemical Impedance Spectroscopy (EIS) data is a common technique to describe the current state of batteries and can be used as a virtual battery. To characterize ECM parameters in a data supported way, the Gaussian Process Regression (GPR) based Distribution of Relaxation Times (DRT) technique, which simplify EIS data by deconvolution with a suitable kernel, is used to provide the number of distinguishable features based solely on an individual EIS data set. Here a weighted DRT is employed, where weights are tailored based on the frequency-dependent sensitivity of the data, and GPR is utilized to accurately determine these weights. GPR is capable of estimating an suitable weighting matrix from a single data set, potentially enabling automatized DRT inversion without user intervention. The obtained DRT spectrum is then used for the selection of an equivalent circuit model, its initial parametrization, and setting of constraints. Thereby, the ECM parameters that are fitted to experimental EIS data for a single cycle, vary by the State of Charge (SOC). Eventually, by means of the investigated battery it is discussed that using a combination of DRT and ECM, a more physically relevant description of processes in an electrochemical system can be achieved.Unlike SOC, developing a robust and continuous State of Health (SOH) estimation using EIS to build battery digital twins poses a formidable challenge. To bridge the gap between the experiment with data driven techniques that do not rely on fitting of experimental data using a priori models, ECM parameters over a single cycle are expanded in a high-dimensional Chebyshev space. It facilitates not only a mapping of the SOC dependence with robust boundary conditions, but also an extension towards a more abstract SOH description is possible. Due to the long impedance measurement time, the Quasi Monte Carlo (QMC) method can be employed to generate differently aged battery models with limited experimental impedance data. As data becomes available, the space spanning the possible states of a battery can be gradually refined. The developed framework, therefore, allows for the training of big data models starting with very little experimental information and assuming random fluctuations of the model parameters consistent with available data. Battery data, whether obtained through direct measurement or simulation, is inherently complex and high-dimensional. Therefore, detecting anomalies or deciphering the aging pathways from raw data poses significant challenges. To harness effective battery state management, we propose to extract characteristic information from autoencoder latent spaces. First of all, we undertake a comparative analysis of the latent spaces derived from frequency-based impedance data, and from time-based voltage and current data. This comparison provides confidence in the applicability of methods traditionally used for EIS in laboratory environments to the analysis of raw time-series data. Furthermore, in order to estimate realistic battery usage simulation results by incorporating random noise and variations into the data, which is essential for developing robust battery management systems, we compare the latent space trained from ideal sinusoidal data and that from permuted noisy data. The extracted battery features in the latent space were analyzed using Support Vector Machine (SVM) classifiers with both linear and non-linear kernels to segment batteries into three distinct age groups: fresh, aged and damaged cells. The consistent and observable robust aging motion, as depicted by the distribution of classes in the latent space, remains unaffected by the choice of using time-based or frequency-based data, as well as whether the data is ideal or noisy. It underscores the potential and reliability for the development of pseudo-random complex pulse current excitation that can be used for estimating the battery's state, which can then potentially be utilized to inform the development of optimized cell-based load profiles in the future.While EIS offers valuable insights into a battery’s state, real-world battery operation during driving scenarios involves dynamic state changes, where current and voltage signals are far from ideally sinusoidal. To bridge the gap between EIS and real-world driving cycle analysis, we introduce the concept of a stochastic pulse design compatible with the load profile. This approach starts with frequency-based impedance data as a reference and transitions into stochastic pulse signals that act as a weak perturbation in the time domain, thereby providing optimal contrast regrading the battery's state. The systematic generation of stochastic pulse signals is inspired by fractal curves and is limited by constraints of experimental devices. These signals are designed to mimic the variability and unpredictability of real-world battery usage more closely. The current pulse signals are then simulated through the battery models at different SOC/SOH combinations, yielding the corresponding voltage responses. The analysis of this pairwise current/voltage data is also conducted in the latent space of an Autoencoder, which comprises essential features extracted from the input data. Here, traditional EIS data is computed as a reference standard to compare the effects of different pulse sequences against a well-established benchmark in battery analysis. For a visual and quantitative comparison between two latent spaces, Quantile-Quantile (Q-Q) plots are employed to estimate performance among different pulse sequences when replicating the distribution of the EIS-derived latent space. Additionally, their performance can also be visual by latent space segmentation. By correlating the segmentation of latent space with battery aging indicators, we validate the representativeness of our identified best and worst performed pulse signals against conventional EIS data. Furthermore, at certain stages of a battery's aging process, altering the pulse sequence can lead to enhanced performance in terms of age group separation. This insight underscores the potential for adaptive strategies in battery management, where pulse sequences can be dynamically adjusted based on the battery's stage of aging to optimize performance and possibly extend its lifespan.

OpenAccess:
PDF
(additional files)