Battery digital twin with physics-based modeling, battery data and machine learning

Li, Weihan; Sauer, Dirk Uwe (Thesis advisor); Viswanathan, Venkat (Thesis advisor)

Aachen : ISEA (2021, 2022)
Buch, Doktorarbeit

In: Aachener Beiträge des ISEA 164
Seite(n)/Artikel-Nr.: 1 Online-Ressource : Illustrationen, Diagramme

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2021

Kurzfassung

Lithium-Ionen-Batterien entwickeln sich aufgrund ihrer geringen Kosten und hohen Energiedichte zu einer weit verbreiteten Technologie. Allerdings unterliegen Lithium-Ionen-Batterien im Laufe der Zeit sowohl bei der Nutzung als auch bei der Lagerung einer Leistungsminderung, was die Notwendigkeit einer Bewertung der Langlebigkeit und Zuverlässigkeit der Zelle im Betrieb erhöht. Eine angemessene Überwachung des Zustands von Lithium-Ionen-Batterien und eine genaue Vorhersage der Batteriealterung kommt nicht nur der Wartung, Sicherheit und Anlagenoptimierung zugute, sondern dient auch als Ausgangspunkt für die technische und wirtschaftliche Analyse möglicher Second-Life-Anwendungen. Die genaue Schätzung, Vorhersage und Optimierung der Alterung ist jedoch keine triviale Aufgabe, da die Alterung von Lithium-Ionen-Batterien ein komplexer nichtlinearer Prozess mit verschiedenen internen Mechanismen ist, deren Dynamik nur schwer zu messen und genau zu modellieren ist. In dieser Arbeit werden die Hindernisse herkömmlicher Batteriemanagementsysteme in Bezug auf Rechenleistung und Datenspeicherkapazität durch das Internet der Dinge und Cloud Computing überwunden. Die Batteriedaten werden gemessen und nahtlos in die Cloud übertragen, um einen digitalen Zwilling für das Batteriesystem zu erstellen, in dem intelligente Algorithmen die Daten auswerten, die Lebensdauer der Batterie verlängern und die Zuverlässigkeit der Batterie verbessern. Zur Überwachung, Vorhersage und Optimierung der Batterienutzung über den gesamten Lebenszyklus mit dem digitalen Zwilling der Batterie werden in dieser Arbeit umfassende Cloud-Batteriemanagementfunktionen entwickelt, indem physikbasierte und maschinelle Lernmodelle integriert werden und die Rolle von Batteriedaten aus dem Labor- und Feldbetrieb für eine sichere und zuverlässige Batterienutzung untersucht wird.