Lernfähige Systeme in Batteriemodulen und -packs

Kurzbeschreibung:

Lernfähige Algorithmen bieten in Batteriesystemen neuartige Möglichkeiten 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 Schätzverfahren wie das Kalman-Filter oder der Recursive-Least-Squares-Algorithmus liefern eine präzise Zustandsschätzung im Zellverbund. Durch Einsatz weiterer Zustandsbeobachter oder neuronaler Netze in den adaptiven Modellen kann zudem eine Fehlerdiagnose im Batteriesystem erfolgen. Die Forschung beschränkt sich dabei nicht nur auf echtzeitfähige online-Verfahren bspw. direkt im Fahrzeug, sondern umfasst auch cloudbasierte Ansätze im Back-end.
Darüber hinaus werden in der Forschungsgruppe ELS Verfahren des maschinellen Lernens für einen sicheren Betrieb von großen Batteriesystemen erforscht. Ein zentrales Thema spielt dabei die Prädiktion der Lebensdauer oder die Detektion sicherheitsrelevanter Events. Hierbei liefert beispielsweise der Einsatz von Schwarmintelligenz von vernetzten Elektrofahrzeugen und selbstlernender Algorithmen realistische Prädiktionsmodelle. Basierend darauf kann ein optimaler Betrieb des Batteriesystems erfolgen.