Model Management für Batteriezustandsabschätzung

• Antragstellerinnen / Antragsteller: Professorin Dr.-Ing. Julia Kowal; Professor Dr. Tilmann Rabl
• Fachliche Zuordnung: Elektrische Energiesysteme, Power Management, Leistungselektronik, elektrische Maschinen und Antriebe ; Datenmanagement, datenintensive Systeme, Informatik-Methoden in der Wirtschaftsinformatik
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 556566056

Batteriespeichersysteme werden in vielen Anwendungen benötigt, beispielsweise in Elektrofahrzeugen und für erneuerbare Energiequellen oder zur Bereitstellung einer unterbrechungsfreien Stromversorgung. In solchen Anwendungen werden viele Zellen in Batteriepaketen verbunden, um genügend Kapazität und Spannung bereitzustellen. Zellen in diesen Paketen haben kleine Abweichungen in Temperatur, Spannung und folglich Alterung. Dies macht die Zustandsabschätzung verschiedener Zellen in einem Paket zu einer komplexen Aufgabe. Bei höherer Dichte und zunehmender Anzahl von Zellen sind präzisere und individuell angepasste Modelle erforderlich, um Sicherheit und Effizienz zu gewährleisten. Diese Modelle müssen jedoch in spezieller Batteriemanagement-Hardware bereitgestellt werden, die viel weniger leistungsfähig ist als typische Server. Im Fehlerfall sollte der Zustand jedes Zellmodells abrufbar sein. Zu diesem Zweck ist ein effizientes Modellmanagement erforderlich, sowohl für effiziente Speicherung als auch als auch exaktes Laden. Es gibt vier Hauptansätze zur Batteriezustandsabschätzung: direkte Messung, modellbasierte, datengesteuerte und hybride Methoden. Die meisten auf direkter Messung basierenden Techniken stoßen auf praktische Einschränkungen, insbesondere hinsichtlich der Inspektion einer Batterie und des Aufbaus der Instrumentierung. Modellbasierte Ansätze ermöglichen eine detaillierte Zustandsabschätzung, sind jedoch stark von der Genauigkeit der zugrunde liegenden Modelle abhängig. Um dies zu erreichen, sind häufige Überprüfungen und Anpassungen erforderlich, die in praktischen Szenarien oft unrealistisch sind. Darüber hinaus kann die Online-Parametrisierung für Echtzeitberechnungen komplex und instabil sein, was ihre Anwendbarkeit einschränkt. Datengesteuerte Ansätze sind an komplexe Systeme anpassbar, flexibel auf verschiedene Batterien ohne Vorkenntnisse und vielseitig in Bezug auf verschiedene Schätzaufgaben. Sie hängen jedoch stark von der Größe und Qualität des Trainingsdatensatzes ab, sind nicht interpretierbar und rechenintensiv. Hybride Ansätze können die Vorteile verschiedener Ansätze nutzen und folglich die Nachteile datengesteuerter Ansätze verbessern. Diese Ansätze zielen darauf ab, die Anpassungsfähigkeit datengesteuerter Modelle mit den strukturierten Erkenntnissen modellbasierter Ansätze zu kombinieren und so möglicherweise eine robustere Lösung für die Batteriezustandsabschätzung anzubieten. In unserem Forschungsprojekt planen wir, verschiedene datengesteuerte und hybride Modelle zur Batteriezustandsabschätzung zu untersuchen, nach Möglichkeiten zu suchen, ihre Ausführung auf typischer Batteriemanagementhardware zu ermöglichen und Ansätze für die Verwaltung der entwickelten Modelle in einer verteilten Umgebung zu erweitern. Abschließend planen wir den Aufbau eines Batteriemanagementsystems, in das unsere Erkenntnisse und Ansätze zur Validierung einfließen.

• DFG-Verfahren: Sachbeihilfen