Der rasante Wandel hin zur Elektromobilität verlangt nach immer kürzeren und effizienteren Entwicklungszyklen. Vielfach steht dabei der elektrische Energiespeicher mit seinen für das Antriebsverhalten relevanten Eigenschaften, wie dem Energieinhalt oder der Leistungsverfügbarkeit, im Fokus. Für die Automobilhersteller sind daher Batteriesimulationen - basierend auf Modellen des elektrischen Batterieverhaltens - ein wesentliches Werkzeug, um schnell und kostengünstig neue Antriebe zu entwickeln. Das dynamische Übertragungsverhalten von Lithium-Ionen Zellen wird im industriellen Kontext typischerweise über phänomenologische Modelle nachgebildet, die vorrangig auf Zellmessungen basieren. Die inhärenten Fehler der Zellmodelle werden bei einer Simulation des gesamten Batteriesystems noch durch unmodellierte Effekte wie die Kontaktierung der Zellen oder inhomogene Temperaturverteilungen ergänzt. Überraschenderweise werden gleichwohl die heute umfangreich erzeugten Batteriedaten kaum genutzt, um die Qualität dieser Simulationen zu erhöhen. Vor allem die herausfordernde Verarbeitung großer und heterogener Datenmengen aus dem regulären Betrieb einer Antriebsbatterie verhindert nach wie vor eine konsequente Nutzung. Daher lautet das Ziel dieser Arbeit, mit neuartigen datenbasierten Ansätzen die Simulationen von Antriebsbatterien noch realitätsnäher zu gestalten. Dies lässt sich dadurch erreichen, dass bestehende phänomenologische Modelle mit datenbasierten Modellen kombiniert werden. Es entstehen hybride Modelle, die die Vorteile aus beiden Welten der Modellierung, wie eine hohe Genauigkeit, Stabilität und Extrapolationsfähigkeit, vereinen. Im ersten Schritt wird daher das phänomenologische Modell in Bezug auf vorhandene Fahrzeugmessungen der Batterie bewertet und im Anschluss verschiedene Hybridstrukturen miteinander verglichen. Die Parallel-Hybridstruktur kompensiert dabei den bestehenden Simulationsfehler am erfolgreichsten. Um gleichzeitig auch eine hohe Robustheit des hybriden Modells zu gewährleisten, erfolgt eine situative Begrenzung des datenbasierten Modells. Hierfür wird die Extrapolation des Modells über eine One-Class Support Vector Machine erkannt. Insbesondere in den Randbereichen der Validierungsdaten lässt sich dadurch der Fehler des hybriden Batteriemodells
um weitere 15% reduzieren. Ein Fokus während der Ermittlung des hybriden Batteriemodells liegt auf der Erzeugung einer raumfüllenden Untermenge der verfügbaren Daten. Es wird aufgezeigt, dass sich hierdurch der Trainingsaufwand und die Genauigkeit des datenbasierten Modells weiter optimieren lassen. Zuletzt wird in dieser Arbeit auch ein Vergleich zwischen zwei dynamischen neuronalen Netzen als datenbasiertes Modell durchgeführt. Beide Varianten reduzieren den bestehenden Modellfehler deutlich - um bis zu 46 %. Hinsichtlich der Zuverlässigkeit
der Modellausgabe überzeugt jedoch vor allem das Gated-Recurrent-Unit. Die Qualität der Batteriesimulation wird anhand von zwei Anwendungsszenarien am Antriebsprüfstandbewertet. Dabei geht es zum einen um die Dauerlauferprobung und zum anderen um die Reichweitenbestimmung von elektrischen Antrieben. Der direkte Vergleich mit einer realen Antriebsbatterie erbringt den Nachweis, dass in beiden Anwendungsszenarien die Batteriespannung und selbst das Verhalten der elektrischen Antriebsachse wesentlich realistischer nachgestellt werden als mit dem bestehenden phänomenologischen Batteriemodell.
| Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:86824 |
| Date | 11 August 2023 |
| Creators | Gesner, Philipp Conrad |
| Contributors | Bäker, Bernard, Reuss, Hans-Christian, Technische Universität Dresden |
| Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
| Language | German |
| Detected Language | German |
| Type | info:eu-repo/semantics/publishedVersion, doc-type:doctoralThesis, info:eu-repo/semantics/doctoralThesis, doc-type:Text |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0018 seconds