W04: Nutzung von KI Modellen zur Batteriezustandserkennung

 Zustandsbestimmung bei Batterien mit Hilfe von Machine Learning

Für die Nutzung von Batterien in der Praxis ist es notwendig, den aktuellen Zustand der Batterien zu kennen. Wichtig sind vor allem der Ladezustand (engl. State of Charge – SOC) und der Alterungszustand (engl. State of Health – SOH). Beide können nicht direkt gemessen werden und müssen deshalb anhand von Strom, Spannung und Temperatur bestimmt werden. Die Berechnung erfolgt heute meistens anhand von Ersatzschaltbildmodellen und Extended Kalman-Filtern oder ähnlichen Tools. Auch Machine Learning Modelle kommen dafür in Frage. Der Vorteil von ihnen ist, dass keine Kenntnisse über die Batterien notwendig sind und so der Zugang dazu erleichtert wird. Allerdings sind diese meistens sehr rechen- und speicherintensiv, so dass eine Berechnung vor allem auf großen Computern stattfindet. 

In dem Workshop werde ich aktuelle Methoden zur Zustandsbestimmung vorstellen und miteinander vergleichen. Außerdem werde ich Methoden vorstellen, wie Machine-Learning-Modelle vereinfacht werden können, so dass sie auch auf Microcontrollern ausgeführt werden können.

Die Referentin: Prof. Dr.-Ing. Julia Kowal

Prof. Dr.-Ing. Julia Kowal, Leiterin des Fachgebiets Elektrische Energiespeichertechnik der TU Berlin seit 2014

2010-2013 Leitung der Arbeitsgruppe Modellierung und Lebensdauervorhersage am Institut für Stromrichtertechnik und Elektrische Antriebe, RWTH Aachen

2005-2010 Promotion Dr.-Ing. Elektrotechnik bei Prof. Dr. Dirk Uwe Sauer, RWTH Aachen, Titel “Spatially-resolved impedance of nonlinear inhomogeneous devices – using the example of lead-acid batteries”

1999-2004 Diplomstudium Elektrotechnik, RWTH Aachen