Lernf?hige Systeme in Batteriemodulen und -packs

Kurzbeschreibung:

Lernf?hige Algorithmen bieten in Batteriesystemen neuartige M?glichkeiten für ein innovatives Batteriemanagement. Aufgrund des komplexen nichtlinearen Systemverhaltens und der Vielzahl an Sensordaten (Spannung, Strom, Temperatur, Druck, …) entfalten die Verfahren der künstlichen Intelligenz besonders in diesem Anwendungsgebiet ihr volles Potential. Auf Basis physikalisch motivierter White-Box-Modellen und datengetriebener Black-Box-Modellen erfolgt die simulative Abbildung des realen Systemverhaltens. Rekursive Sch?tzverfahren wie das Kalman-Filter oder der Recursive-Least-Squares-Algorithmus liefern eine pr?zise Zustandssch?tzung im Zellverbund. Durch Einsatz weiterer Zustandsbeobachter oder neuronaler Netze in den adaptiven Modellen kann zudem eine Fehlerdiagnose im Batteriesystem erfolgen. Die Forschung beschr?nkt sich dabei nicht nur auf echtzeitf?hige online-Verfahren bspw. direkt im Fahrzeug, sondern umfasst auch cloudbasierte Ans?tze im Back-end.
Darüber hinaus werden in der Forschungsgruppe ELS Verfahren des maschinellen Lernens für einen sicheren Betrieb von gro?en Batteriesystemen erforscht. Ein zentrales Thema spielt dabei die Pr?diktion der Lebensdauer oder die Detektion sicherheitsrelevanter Events. Hierbei liefert beispielsweise der Einsatz von Schwarmintelligenz von vernetzten Elektrofahrzeugen und selbstlernender Algorithmen realistische Pr?diktionsmodelle. Basierend darauf kann ein optimaler Betrieb des Batteriesystems erfolgen.