Das Verbundprojekt BattLifeBoost hat das Ziel, die Zustandsschätzung und die damit verbundene Lebensdauerabschätzung von Batteriesystemen zu verbessern. Durch die Nutzung langjähriger Felddaten von Heimspeichern und Labordaten aus Zellalterungsstudien der Projektpartner wird ein hybrides Modell entwickelt. Dieses kombiniert 'Machine-Learning' und mechanistische Modelle, um präzisere 'State-of-Health' Prognose zu erzielen. In diesem Teilprojekt werden Methoden entwickelt zur datengetriebenen physikochemischen Alterungsmodellierung, um die Lebensdauerabschätzung von Lithium-Ionen basierten Batteriespeichersystemen zu verbessern. Dabei werden Labordaten zusammen mit Felddaten von realen Systemen kombiniert, um ein datengetriebenes physikochemisches Alterungsmodell zu entwickeln. Im Vergleich zum Stand der Technik zur Alterungsmodellierung verspricht dieser hybride Ansatz eine bessere Extrapolationsfähigkeit für Betriebsbedingungen, die nicht im Trainingsdatensatz enthalten sind.