Operational data-driven SoH estimation and prediction for maritime battery systems

Abstract

The aim of this thesis is to estimate battery capacity from operational data, detect degradation trends and evaluate the results against manually conducted capacity tests.It presents a comparative study of three methods for estimating the State of Health (SoH) of a ship’s battery from real-world operational data. The approaches include the Coulomb Counting Method, a cascaded State of Charge (SoC) Observer and a probabilistic estimation method which uses the Metropolis-Hastings algorithm.The first Coulomb Counting method estimates the capacity by integrating current over time between rest periods. The SoC Observer method builds upon Coulomb Counting by adjusting the SoC dynamically based on the error between the predicted and the measured voltage, hence reducing the error accumulation. While Coulomb Counting only estimates SoC, the SoC Observer estimates SoH indirectly by observing consistent errors between measured and predicted voltage, which suggests a mismatch in assumed capacity and points to the battery degradation. The Metropolis-Hastings approach formulates capacity estimation as a Bayesian inference problem and outputs a Markov Chain and a posterior distribution, providing both the capacity estimate and the uncertainty in the estimate.Although estimating the SoH based solely on the operational voltage and current measurements is challenging, the results demonstrate that all three approaches successfully detected degradation trends over time. Furthermore, for the reference test days— periods when manual capacity tests were performed — the capacity estimates from both the probabilistic method and the SoC Observer showed strong agreement.The results demonstrate that reliable SoH tracking is feasible with operational data and offer a foundation for real-time, automated SoH monitoring in maritime applications, enhancing operational reliability through early detection of degradation trends.

Ziel dieser Arbeit ist es, die Batteriekapazität aus Betriebsdaten zu schätzen, Degradationstrends zu erkennen und die Ergebnisse mit manuell durchgeführten Kapazitätstests zu vergleichen. Im Fokus steht eine vergleichende Bewertung von drei Methoden zur Schätzung des State of Health (SoH) einer Batterie unter Verwendung betrieblicher Messdaten. Die verwendeten Methoden umfassen die Coulomb Counting Methode, einen kaskadierten State of Charge (SoC) Beobachter sowie eine probabilistische Schätzmethode, die den Metropolis-Hastings-Algorithmus verwendet. Die erste Methode, das Coulomb Counting, schätzt die Kapazität durch Integration des Stroms über die Zeit zwischen Ruhephasen. Der SoC-Observer baut auf dieser Methode auf, indem er den SoC dynamisch anpasst – basierend auf dem Fehler zwischen der vorhergesagten und der gemessenen Spannung. Diese Abweichungen liefern über längere Zeiträume wertvolle Hinweise auf die Batterie-Degradation. Der Ansatz mit dem Metropolis Hastings Algorithmus betrachtet die Kapazitätsschätzung als ein Problem der bayesschen Inferenz und liefert ein Markov Chain sowie eine Posterior Verteilung, wodurch sowohl der Kapazitätswert als auch die Unsicherheit der Schätzung ermittelt werden. Obwohl die SoH-Schätzung ausschließlich anhand von Spannungs- und Strommessungen aus dem Betrieb eine Herausforderung darstellt, zeigen die Ergebnisse, dass alle drei Methoden in der Lage sind, Degradationstrends zuverlässig zu erkennen. Besonders an den Referenztagen, an denen manuelle Kapazitätstests durchgeführt wurden, stimmten die Schätzwerte der probabilistischen Methode und des SoC-Observers sehr gut mit den Testergebnissen überein. Diese Ansätze bieten eine solide Grundlage für die Echtzeit- und automatisierte Überwachung des Batteriezustands (SoH) in maritimen Anwendungen und erhöhen die Betriebssicherheit durch die frühzeitige Erkennung von Degradationstendenzen.