Analisi della vita utile rimanente nelle batterie al litio: dalla raccolta dati alla metodologia.

Batteries, and lithium-ion batteries in particular, have recently begun to play a significant role in many everyday technologies, from portable electronics to electric vehicles and renewable energy storage systems. Estimating remaining battery life (RUL), which measures how long the battery can be used before it reaches the end of its life, is critical to maximizing the technology of these batteries for several reasons. An accurate estimate of the RUL can help optimize battery usage and reduce maintenance and replacement costs. If the RUL can be determined with sufficient precision for a battery, especially as it approaches the end of its life, the battery can be replaced before it degrades and damages the system it powers. As a result, the probability of failure or downtime is reduced and the system lasts longer. In this thesis, a method for estimating RUL based on a Conv-LSTM Neural Network with Attention mechanism is proposed. When you combine these two concepts, you get a model capable of capturing spatial information through convolutions, storing and analyzing temporal sequences using LSTMs, and giving greater relevance to the most important information, via the attention mechanism. The entire part relating to the errors committed in the last life cycles of the batteries during training obtains particular relevance, in order to improve the precision of the model estimate near the end of life of the battery (EoL). In the proposed method we use two different datasets, one from an MIT-Toyota collaboration and one available from Sandia National Laboratories. In a global context increasingly oriented towards the reduction of greenhouse gas emissions and the decarbonisation of energy systems, the role of lithium batteries is destined to grow, making them a fundamental element for the future of transport and energy, despite the doubtful accounts that hover around this revolutionary technology.

Le batterie, e in particolare le batterie agli ioni di litio, hanno recentemente iniziato a svolgere un ruolo significativo in molte tecnologie quotidiane, dall'elettronica portatile ai veicoli elettrici e sistemi di accumulo di energia rinnovabile. La stima della vita utile residua della batteria (RUL), che misura la durata di utilizzo della batteria prima che finisca la sua durata, è fondamentale per massimizzare la tecnologia di queste batterie per diversi motivi. Una stima accurata del RUL può aiutare ad ottimizzare l’utilizzo delle batterie e ridurre i costi di manutenzione e sostituzione. Se per una batteria è possibile determinare con sufficiente precisione la RUL, soprattutto quando ci si avvicina al suo fine vita, la batteria può essere sostituita prima che degradi e danneggi il sistema che alimenta. Di conseguenza, la probabilità di guasto o di tempo di inattività si riduce e il sistema dura più a lungo. In questa tesi, viene proposto un metodo per la stima della RUL basato su una Conv-LSTM Neural Network con Attention mechanism. Quando si combinano questi due concetti, si ottiene un modello in grado di catturare informazioni spaziali attraverso le convoluzioni, memorizzare ed analizzare sequenze temporali usando le LSTM e dare maggiore rilevanza alle informazioni più importanti, tramite il meccanismo di attenzione. Particolare rilevanza ottiene tutta la parte relativa agli errori commessi negli ultimi cicli di vita delle batterie durante l'allenamento, al fine di migliorare la precisione della stima del modello in prossimità della fine vita della batteria (EoL). Nel metodo proposto utilizziamo due diversi dataset, uno proveniente da una collaborazione MIT-Toyota e uno disponibile dal Sandia National Laboratories. In un contesto globale sempre più orientato alla riduzione delle emissioni di gas serra e alla decarbonizzazione dei sistemi energetici, il ruolo delle batterie al litio è destinato a crescere, rendendole un elemento fondamentale per il futuro del trasporto e dell'energia, nonostante i conti dubbi che aleggiano intorno a questa rivoluzionaria tecnologia.