Machine learning-based SoC and RUL estimation applied to an electric bus fleet

Electric transportation sector continues to grow rapidly, yet battery management remains one of its main weakness. For this reason, research in this field is increasingly expanding, with the target of developing technologies that combine improved performance with reduced environmental impact. This thesis explores the application of machine learning techniques for estimating the State of Charge of batteries without relying on the electrical input data, typically required by classical model based approaches. The models were trained and tested on real-world datasets collected from a fleet of electric buses. To provide a solid benchmark, a traditional model based Proportional-Integral observer was also implemented and evaluated on experimental data. Following the optimization of machine learning models able to relate vehicle speed to battery State of Charge, discharging profiles were extrapolated and analyzed to estimate the Remaining Useful Life of the batteries. The proposed machine learning models achieved accurate results, with performance comparable to the traditional observer, despite relying on fewer and simpler variables. These results highlight the potential of data-driven approaches for scalable and easier battery monitoring.

Il settore del trasporto elettrico sta crescendo rapidamente, tuttavia la gestione delle batterie rimane ancora uno dei maggiori punti deboli. Per questo motivo, la ricerca in questo ambito è in continua espansione e ha l'obiettivo di sviluppare nuove tecnologie che combinino migliori potenzialità con un ridotto impatto ambientale. Questa tesi esplora l'applicazione di tecniche di machine learning per la stima dello stato di carica delle batterie senza affidarsi ai parametri elettrici, tipicamente richiesti dai metodi classici basati su modelli matematici. I modelli sono stati allenati e testati su insiemi di dati reali acquisiti da una flotta di autobus elettrici. Per fornire un punto di riferimento solido, è stato implementato e valutato su dati sperimentali un classico osservatore proporzionale-integrale basato su un modello matematico. In seguito all'ottimizzazione dei modelli di machine learning capaci di relazionare la velocità del veicolo con lo stato di carica, sono stai estrapolati e analizzati i profili di scarica per stimare la vita utile rimanente delle batterie. I modelli di machine learning proposti hanno raggiunto dei risultati accurati, con delle prestazioni confrontabili con l'osservatore tradizionale, nonostante siano basati su dei dati più semplici. Questi risultati evidenziano il potenziale dei metodi basati sui dati per un monitoraggio delle batterie scalabile e meno complesso.