Umeå University's logo

The purpose of this thesis is to predict the lifespan of a battery using a predictive model, utilizing data from early cycles. The goal is to minimize both time and costs for the company by reducing the number of cycles needed for testing. Currently, the company tests a diverse set of batteries, which is both time and resource-consuming.

To investigate which data-driven predictive model should be used by the company to predict battery capacity at XX cycles, a thorough literature study has been conducted. In summary, a variety of variables from specific cycles have been calculated based on inspiration from Fei et al. (2021), Severson et al. (2019), Enholm et al. (2022) and an internal project from the company. Following this, two different predictive models, Gaussian Process Regression and Ordinary Least Squared Regression, are applied and compared. 

Based on the obtained results, Gaussian Process Regression had a slight better results but a significantly higher complexity compared to Ordinary Least Squared Regression. Therefore, the data-driven model that should be implemented at the company is an Ordinary Least Squared Regression with variables related to different phases during a cycle. This result is primarily based on the varying degrees of complexity of the models.

Syftet med detta examensarbete är att med hjälp av en datadriven prediktionsmodell kunna prediktera livslängden på ett batteri genom att använda data från tidiga cykler. Målet är att minimera både tid och kostnader för företaget genom att minska antalet cykler som behövs för testning. I dagsläget testar företaget en mängd batterier vilket både är tids- samt resurskrävande.

För att undersöka vilken datadriven prediktionsmodell som bör användas av företaget för att prediktera batteriekapacitet vid XX cykler har en gedigen litteraturstudie utförts. Sammanfattningsvis har en mängd variabler av de mätningar som finns från specifika cykler beräknats utifrån inspiration från Fei med flera (2021), Severson med flera (2019), Enholm med flera (2022) samt ett internt projekt från företaget. Efter detta applicerades och jämfördes två olika prediktionsmodeller: Gaussian Process Regression och Ordinary Least Squared Regression. 

Baserat på de erhållna resultaten hade Gaussian Process Regression något bättre resultat men en betydligt högre komplexitet jämfört med Ordinary Least Squared Regression. Därför är den datadrivna modell som bör implementeras på företaget en Ordinary Least Squared Regression med variabler relaterade till olika faser under en cykel. Detta resultat grundar sig framför allt i olika grad av komplexitet hos modellerna.