ML Modell zur Zustandsvorhersage in Lithium-Ionen Akkus Video

Elektrische Fahrzeuge erzeugen schnell wechselnde Lasten, die komplexe Vorgänge in Lithium-Ionen-Akkus auslösen. Physikbasierte Modelle wie das Doyle–Fuller–Newman (DFN) Modell können innere Zellzustände (z. B. Lithium-Konzentration, Elektrolyt-Potentiale) realistisch abbilden, sind aber für den Echtzeiteinsatz in Batteriemanagementsystemen (BMS) nicht performant genug. Dort werden dann oft vereinfachte Ersatzmodelle genutzt, die jedoch wichtige interne Dynamik unberücksichtigt lassen. IAV versucht u.a. das Problem mit datengetrieben ML Methoden anzugehen und performante Ersatzmodelle für die Vorhersage der inneren Zustände zu erzeugen. Die Modelle werden auf synthetischen Datensatz unter realistischen EV-Lastprofilen trainiert und autoregressiv zur stetigen Vorhersage des nächsten Zustands genutzt. Wir bewerten die Genauigkeit gegenüber der DFN Referenz, die Inferenzgeschwindigkeit, Robustheit über verschiedene Betriebszustände und die Stabilität über lange Zeiträume.