Accurately forecasting battery capacity degradation is essential for enabling cost-efficient, reliable, and sustainable deployment of stationary energy storage. Current industry practices rely on infrequent capacity tests, which limit early detection of deviations from expected aging trajectories and can lead to premature decommissioning and financial losses. Physical models for State of Health (SOH) prediction face limitations in capturing the complex, nonlinear nature of battery degradation under real-world conditions. This study investigates deep learning as a data-driven alternative for accurate and timely end-of-life (EOL) forecasting. The research leverages the NASA Prognostics Center of Excellence dataset, consisting of commercial Li-ion batteries subjected to multiple discharge profiles until end of life. Two preprocessing techniques, normalization and sampling, were applied, and data distribution similarity was assessed using the Kolmogorov-Smirnov test. Five sequential deep learning architectures were benchmarked: Long ShortTerm Memory (LSTM), Temporal Convolutional Network (TCN), Transformer, Temporal Fusion Transformer (TFT), and Time-series Dense Encoder (TiDE). Models were trained and tuned through grid and randomized search, and evaluated using accuracy metrics (RMSE, MAE, MAPE, MSE), alongside efficiency measures such as training time, energy consumption, and hardware usage. Results show that preprocessing is critical: normalization improved all models, while uniform sampling enhanced performance except for TCN. Increasing dataset size improved accuracy only when it added distributional diversity rather than redundancy. Among the models, LSTM consistently achieved the highest accuracy (best-case MAPE 1.04%), while Transformer and TiDE offered strong trade-offs between accuracy and computational efficiency. TCN proved efficient but less robust under distribution shifts, and TFT exhibited convergence issues, high energy use, and long training times, making it less practical. This thesis contributes a comparative benchmark of five deep learning methods for battery SOH prediction, evidence of the importance of distribution-aware dataset design, and an evaluation of efficiency and sustainability trade-offs in model selection. The findings demonstrate that accurate, resource-conscious deep learning models can support predictive maintenance, extend battery lifetimes, and enhance the economic and environmental sustainability of stationary energy storage systems.

Att kunna förutsäga batterikapacitetens försämring med precision är avgörande för att möjliggöra en kostnadseffektiv, tillförlitlig och hållbar användning av stationär energilagring. Nuvarande branschpraxis bygger på sällsynta kapacitetstester, vilket begränsar möjligheten att tidigt upptäcka avvikelser från förväntade åldringsförlopp och kan leda till för tidig avveckling och ekonomiska förluster. Fysiska modeller för förutsägelser av batteriets hälsotillstånd (SOH) har begränsningar när det gäller att fånga den komplexa, icke-linjära naturen hos batteriförsämring under verkliga förhållanden. Denna studie undersöker djupinlärning som ett datadrivet alternativ för noggranna och aktuella prognoser av batteriets livslängd (EOL). Forskningen utnyttjar datasetet från NASA Prognostics Center of Excellence, som består av kommersiella litiumjonbatterier som utsätts för flera urladdningsprofiler fram till slutet av sin livslängd. Två förbehandlingstekniker, normalisering och sampling, tillämpades, och likheten i datadistributionen bedömdes med hjälp av Kolmogorov-Smirnov-testet. Fem sekventiella djupinlärningsarkitekturer jämfördes: Long Short-Term Memory (LSTM), Temporal Convolutional Network (TCN), Transformer, Temporal Fusion Transformer (TFT) och Time-series Dense Encoder (TiDE). Modellerna tränades och finjusterades genom grid- och randomiserad sökning och utvärderades med hjälp av noggrannhetsmått (RMSE, MAE, MAPE, MSE) tillsammans med effektivitetsmått såsom träningstid, energiförbrukning och hårdvaruanvändning. Resultaten visar att förbehandling är avgörande: normalisering förbättrade alla modeller, medan enhetlig sampling förbättrade prestandan med undantag för TCN. En ökning av datasetets storlek förbättrade noggrannheten endast när det tillförde distributionsmångfald snarare än redundans. Bland modellerna uppnådde LSTM genomgående den högsta noggrannheten (bästa fall MAPE 1,04 %), medan Transformer och TiDE erbjöd starka avvägningar mellan noggrannhet och beräkningseffektivitet. TCN visade sig vara effektivt men mindre robust vid distributionsförändringar, och TFT uppvisade konvergensproblem, hög energianvändning och långa träningstider, vilket gjorde det mindre praktiskt. Denna avhandling bidrar med en jämförande benchmark av fem deep learning-metoder för SOHprediktion av batterier, bevis på vikten av distributionsmedveten datauppsättningsdesign och en utvärdering av avvägningar mellan effektivitet och hållbarhet vid modellval. Resultaten visar att exakta, resursmedvetna deep learning-modeller kan stödja prediktivt underhåll, förlänga batteriets livslängd och förbättra den ekonomiska och miljömässiga hållbarheten hos stationära energilagringssystem.