The growing demand for efficient and reliable Electric Vehicle (EV) powertrains has made accurate battery monitoring and thermal management essential for safety and performance. A key challenge is estimating internal cell temperature, which cannot be measured directly and is usually inferred from temperature sensors mounted on the surface of the cell using complex thermal models. Thermal behavior at the surface of the cell can vary significantly to that which is occurring internally and can take longer to notify the system of a potential thermal event. This thesis explores electrochemical impedance spectroscopy (EIS) as a method for internal temperature estimation using prototype Battery Management System (BMS) hardware with built-in EIS capability. A Python-based framework was developed to au- tomate frequency sweeps and collect data across a controlled temperature range from −10 ^◦C to 40 ^◦C to build a dataset of impedance vs. temperature measurements. The hardware was tested on a commercial lithium-ion cell in a thermal chamber and vali- dated against a laboratory-grade frequency response analyzer (FRA). Results show that the hardware reliably measured EIS data with the expected inverse relationship between impedance and temperature. From literature it was found that a frequency range from 10 to 100 Hz offered a method for temperature estimation using the impedance measurements which has minimal influence from the battery state-of- charge or state-of-health. These findings confirm the feasibility of EIS-based temper- ature estimation in EVs, though further refinement is needed to improve robustness and reduce data requirements.

Den växande efterfrågan på effektiva och tillförlitliga elektriska drivlinor gör noggrann batteriövervakning och termisk hantering avgörande för säkerhet och prestanda. En central utmaning är att uppskatta den interna celltemperaturen, som inte kan mätas direkt och vanligtvis härleds från temperatursensorer monterade på cellens yta med hjälp av komplexa termiska modeller. Det termiska beteendet vid cellens yta kan skilja sig avsevärt från det som sker internt och dessutom ta längre tid att indikera en poten- tiell termisk händelse. Detta examensarbete undersöker elektrokemisk impedansspektroskopi (EIS) som met- od för intern temperaturuppskattning med BMS-hårdvara som har inbyggd förmåga att utföra EIS-mätningar. Ett Python-baserat ramverk utvecklades för att automatis- era frekvenssvep och samla in data över ett kontrollerat temperaturområde från −10 ^◦C till 40 ^◦C för att bygga ett dataset av impedans–temperaturmätningar. Hårdvaran tes- tades på en kommersiell litiumjoncell i en termisk kammare och validerades mot en laboratorieklassad frekvensresponsanalysator (FRA). Resultaten visar att hårdvaran på ett tillförlitligt sätt kunde mäta EIS-data med det förväntade inversa sambandet mellan impedans och temperatur. I litteraturen har det identifierats att ett frekvensområde mellan 10 och 100 Hz erbjuder en metod för temperaturuppskattning baserat på impedansmätningar med minimal påverkan från batteriets laddningstillstånd eller hälsotillstånd. Dessa resultat bekräftar genomför- barheten av EIS-baserad temperaturuppskattning i elfordon, även om ytterligare utveck- ling krävs för att förbättra robusthet och minska datakrav.