The State of Charge (SoC) determines the amount of electrical energy stored in a battery at a given time. The study of this health parameter creates insight into the health of the battery and the reliability of the battery at any given time. The prediction of SoC is a critical challenge in the Battery Management System (BMS) of the automotive industry due to the non-linear dynamics of the battery parameters, noise in the data collection process, differences in the processes used to observe, test, and collect data, differences in the battery chemistries, and the intrinsic differences in the prediction model used. A comprehensive literature review of various mathematical and machine learning techniques for SoC estimation is studied, after which two Machine Learning (ML) models, the Support Vector Regression (SVR) and Extreme Learning Machine (ELM), are chosen to realise the objective of the thesis of building a black-box modelling to predict SoC. Predictive models are trained and tested on the dataset of 2.9 Ah Panasonic 18650PF cell. The dataset contains parameters such as Voltage (V), Current (A), Capacity (Ah), Energy (Wh), Power (W), Battery temperature (°C), and Chamber temperature (°C). The dataset are recorded under a uniform experimental set up leading to the end of life of the battery. The individual performance of ML models at various stages of the battery is observed and compared. The ELM models outperform SVR in three of four parts of the dataset. Different ML models contribute to prediction problems with varied strengths. Models like SVR bring strong generalisation, margin maximisation, robustness to small datasets, effective in high-dimensional space, whereas ELM bring strong non-linear approximation capabilities. ML models and mathematical estimation techniques are computationally intensive for BMS to host and deliver results in real time. The combination of the estimation technique and the nature of the battery for the prediction of SoC is unique for each battery. Generalisation introduces a significant offset in the results. Individual prediction for every battery is impractical. To address this challenge a ML framework is proposed in the second part of the thesis by establishing a base learner in the system with a logic that enables the BMS to access ML models or combination of multiple models that increases the accuracy of the SoC predictions. The framework is measured in terms of Root Mean Square Error (RMSE) and R^2 error.

Lo stato di carica (SoC) determina la quantità di energia elettrica immagazzinata in una batteria in un dato momento. Lo studio di questo parametro di integrità fornisce informazioni sullo stato di salute della batteria e sulla sua affidabilità in qualsiasi momento. La previsione dello SoC rappresenta una sfida fondamentale nel sistema di gestione della batteria (BMS) dell’industria automobilistica a causa della dinamica non lineare dei parametri della batteria, del rumore nel processo di raccolta dei dati, delle differenze nei processi utilizzati per l’osservazione, il collaudo e la raccolta dei dati, delle differenze nelle composizioni chimiche delle batterie e delle differenze intrinseche nel modello di previsione utilizzato. Viene condotta un'analisi bibliografica esaustiva delle varie tecniche matematiche e di apprendimento automatico per la stima dello SoC; successivamente, vengono scelti due modelli di apprendimento automatico (ML), ovvero la regressione a vettori di supporto (SVR) e l'Extreme Learning Machine (ELM), per realizzare l'obiettivo della tesi: la creazione di un modello “black-box” per la previsione dello SoC. I modelli predittivi vengono addestrati e testati sul set di dati relativo a una cella Panasonic 18650PF da 2,9 Ah. Il set di dati contiene parametri quali tensione (V), corrente (A), capacità (Ah), energia (Wh), potenza (W), temperatura della batteria (°C) e temperatura della camera (°C). Il set di dati è stato registrato in un contesto sperimentale uniforme che ha portato al termine del ciclo di vita della batteria. Vengono osservate e confrontate le prestazioni individuali dei modelli ML nelle varie fasi di vita della batteria. I modelli ELM superano i modelli SVR in tre delle quattro parti del set di dati. I diversi modelli ML contribuiscono ai problemi di previsione con punti di forza diversi. Modelli come SVR offrono una forte generalizzazione, la massimizzazione del margine, la robustezza su set di dati di piccole dimensioni e sono efficaci in spazi ad alta dimensionalità, mentre i modelli ELM offrono forti capacità di approssimazione non lineare. I modelli ML e le tecniche di stima matematica richiedono un elevato carico computazionale, che rende difficile per il BMS gestirli e fornire risultati in tempo reale. La combinazione tra la tecnica di stima e le caratteristiche specifiche della batteria per la previsione dello SoC è unica per ogni batteria. La generalizzazione introduce uno scostamento significativo nei risultati. Effettuare una previsione individuale per ogni singola batteria non è praticabile. Per affrontare questa sfida, nella seconda parte della tesi viene proposto un framework ML che prevede l’integrazione nel sistema di un learner di base dotato di una logica che consente al BMS di accedere a modelli ML o a una combinazione di più modelli, aumentando così l’accuratezza delle previsioni del SoC. Il framework viene valutato in termini di errore quadratico medio (RMSE) e errore R^2.

Machine learning model for predicting State of Charge of automobile batteries

Venkateswaran, Shubashini
2025/2026

Abstract

The State of Charge (SoC) determines the amount of electrical energy stored in a battery at a given time. The study of this health parameter creates insight into the health of the battery and the reliability of the battery at any given time. The prediction of SoC is a critical challenge in the Battery Management System (BMS) of the automotive industry due to the non-linear dynamics of the battery parameters, noise in the data collection process, differences in the processes used to observe, test, and collect data, differences in the battery chemistries, and the intrinsic differences in the prediction model used. A comprehensive literature review of various mathematical and machine learning techniques for SoC estimation is studied, after which two Machine Learning (ML) models, the Support Vector Regression (SVR) and Extreme Learning Machine (ELM), are chosen to realise the objective of the thesis of building a black-box modelling to predict SoC. Predictive models are trained and tested on the dataset of 2.9 Ah Panasonic 18650PF cell. The dataset contains parameters such as Voltage (V), Current (A), Capacity (Ah), Energy (Wh), Power (W), Battery temperature (°C), and Chamber temperature (°C). The dataset are recorded under a uniform experimental set up leading to the end of life of the battery. The individual performance of ML models at various stages of the battery is observed and compared. The ELM models outperform SVR in three of four parts of the dataset. Different ML models contribute to prediction problems with varied strengths. Models like SVR bring strong generalisation, margin maximisation, robustness to small datasets, effective in high-dimensional space, whereas ELM bring strong non-linear approximation capabilities. ML models and mathematical estimation techniques are computationally intensive for BMS to host and deliver results in real time. The combination of the estimation technique and the nature of the battery for the prediction of SoC is unique for each battery. Generalisation introduces a significant offset in the results. Individual prediction for every battery is impractical. To address this challenge a ML framework is proposed in the second part of the thesis by establishing a base learner in the system with a logic that enables the BMS to access ML models or combination of multiple models that increases the accuracy of the SoC predictions. The framework is measured in terms of Root Mean Square Error (RMSE) and R^2 error.
ING - Scuola di Ingegneria Industriale e dell'Informazione
22-lug-2026
2025/2026
Lo stato di carica (SoC) determina la quantità di energia elettrica immagazzinata in una batteria in un dato momento. Lo studio di questo parametro di integrità fornisce informazioni sullo stato di salute della batteria e sulla sua affidabilità in qualsiasi momento. La previsione dello SoC rappresenta una sfida fondamentale nel sistema di gestione della batteria (BMS) dell’industria automobilistica a causa della dinamica non lineare dei parametri della batteria, del rumore nel processo di raccolta dei dati, delle differenze nei processi utilizzati per l’osservazione, il collaudo e la raccolta dei dati, delle differenze nelle composizioni chimiche delle batterie e delle differenze intrinseche nel modello di previsione utilizzato. Viene condotta un'analisi bibliografica esaustiva delle varie tecniche matematiche e di apprendimento automatico per la stima dello SoC; successivamente, vengono scelti due modelli di apprendimento automatico (ML), ovvero la regressione a vettori di supporto (SVR) e l'Extreme Learning Machine (ELM), per realizzare l'obiettivo della tesi: la creazione di un modello “black-box” per la previsione dello SoC. I modelli predittivi vengono addestrati e testati sul set di dati relativo a una cella Panasonic 18650PF da 2,9 Ah. Il set di dati contiene parametri quali tensione (V), corrente (A), capacità (Ah), energia (Wh), potenza (W), temperatura della batteria (°C) e temperatura della camera (°C). Il set di dati è stato registrato in un contesto sperimentale uniforme che ha portato al termine del ciclo di vita della batteria. Vengono osservate e confrontate le prestazioni individuali dei modelli ML nelle varie fasi di vita della batteria. I modelli ELM superano i modelli SVR in tre delle quattro parti del set di dati. I diversi modelli ML contribuiscono ai problemi di previsione con punti di forza diversi. Modelli come SVR offrono una forte generalizzazione, la massimizzazione del margine, la robustezza su set di dati di piccole dimensioni e sono efficaci in spazi ad alta dimensionalità, mentre i modelli ELM offrono forti capacità di approssimazione non lineare. I modelli ML e le tecniche di stima matematica richiedono un elevato carico computazionale, che rende difficile per il BMS gestirli e fornire risultati in tempo reale. La combinazione tra la tecnica di stima e le caratteristiche specifiche della batteria per la previsione dello SoC è unica per ogni batteria. La generalizzazione introduce uno scostamento significativo nei risultati. Effettuare una previsione individuale per ogni singola batteria non è praticabile. Per affrontare questa sfida, nella seconda parte della tesi viene proposto un framework ML che prevede l’integrazione nel sistema di un learner di base dotato di una logica che consente al BMS di accedere a modelli ML o a una combinazione di più modelli, aumentando così l’accuratezza delle previsioni del SoC. Il framework viene valutato in termini di errore quadratico medio (RMSE) e errore R^2.
File allegati
File Dimensione Formato  
2026_07_Venkateswaran_Executive Summary_02.pdf

accessibile in internet per tutti

Dimensione 889.92 kB
Formato Adobe PDF
889.92 kB Adobe PDF Visualizza/Apri
2026_07_Venkateswaran_Thesis_01.pdf

accessibile in internet per tutti

Dimensione 9.92 MB
Formato Adobe PDF
9.92 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/261110