National Transport Library Research Database

Datadriven förlängning av livslängden och optimering av prestanda för fordonsbatterisystem (Data-driven lifetime extension and performance optimization for vehicle battery systems)

  • Chalmers tekniska högskola AB, Universitet eller högskola, 556479-5598
Sponsors, duration, budget: Energimyndigheten ; 2023-10-01 -- 2025-03-31 ; 2 488 270 kronorRegistration number:
  • Energimyndigheten P2023-00611
Online resources: Summary: Traktionsbatteriernas livslängd är en viktig flaskhals för att öka marknadsandelen för elfordon, och att förlänga batteriernas livslängd är ännu mer värdefullt och meningsfullt.De befintliga metoderna är fortfarande inriktade på den enskilda cellnivån och behandlar batteripaketet som en skrymmande cell, utan att systematiskt studera de sammansatta effekterna i cellförbindelsen. Traktionsbatteriernas livslängd är en viktig flaskhals för att öka marknadsandelen för elfordon, och att förlänga batteriernas livslängd är ännu mer värdefullt och meningsfullt. De befintliga metoderna är fortfarande inriktade på den enskilda cellnivån och behandlar batteripaketet som en skrymmande cell, utan att systematiskt studera de sammansatta effekterna i cellförbindelsen. Detta projekt syftar till att överbrygga dessa två kritiska luckor genom att undersöka det komplexa problemet med uppskattning och förutsägelse av batteriets åldrande på packnivå. Genom att använda fältdata från fordon och cykeldata från laboratorier kommer algoritmer för maskininlärning att utvecklas för att förstå och förutsäga batteriets åldrande. Därefter kommer innovativa metoder att utvecklas för att optimera det rätta användningsfönstret och optimalt styra batteriets driftsrestriktioner, vilket leder till en avsevärt förlängd livslängd för batteriet.Summary: The lifetime of traction batteries is a major bottleneck for more penetration of the market share for electric vehicles, while prolonging the battery's lifetime is even more valuable and meaningful. The existing methods are still focused on the single-cell level and treat the battery pack as a bulky cell, without systematically studying the compound effects in cell connection. This project aims to bridge these two critical gaps by investigating the complex problem of pack-level battery aging estimation and prediction. By utilizing vehicle field data and laboratory cycling data, machine learning algorithms will be developed to comprehend and predict battery aging behavior. Subsequently, innovative methods will be developed to optimize the proper usage window and optimally control the battery operating constraints, leading to significantly extended battery lifetime.
Item type: