guest ::
Battery digital twin with physics-based modeling, battery data and machine learning
2021 & 2022
Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2021
Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2022
Genehmigende Fakultät
Fak06
Hauptberichter/Gutachter
;
Tag der mündlichen Prüfung/Habilitation
2021-11-11
Online
DOI: 10.18154/RWTH-2022-02292
URL: https://publications.rwth-aachen.de/record/842209/files/842209.pdf
Einrichtungen
- Lehrstuhl für Elektrochemische Energiewandlung und Speichersystemtechnik (618310)
- Institut für Stromrichtertechnik und Elektrische Antriebe (614500)
Inhaltliche Beschreibung (Schlagwörter)
artificial intelligence (frei) ; data (frei) ; digital twin (frei) ; lithium-ion battery (frei) ; machine learning (frei) ; modeling (frei)
Thematische Einordnung (Klassifikation)
DDC: 621.3
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.Lithium-ion batteries are developing into a widely used technology due to their low associated costs and high energy density. However, lithium-ion batteries also undergo performance degradation with time during usage as well as storage, which increases the need for evaluation of the longevity and reliability of the cell under operation. Appropriate monitoring of the health of lithium-ion batteries and accurate prediction of the battery degradation not only benefits maintenance, safety and asset optimization but also serves as a starting point for the technical and economic analysis of possible second-life applications. However, accurate estimation, prediction and optimization of the degradation is not a trivial task, as the aging of lithium-ion batteries is a complex nonlinear process with various internal mechanisms whose dynamics are highly challenging to measure and model accurately. In this thesis, the obstacles of the traditional battery management systems in computational power and data storage capability are overcome with the Internet of Things and cloud computing. Battery data are measured and transmitted to the cloud seamlessly to build up the digital twin for the battery system, where intelligent algorithms evaluate the data, extend the battery life and improve the battery reliability. To monitor, predict and optimize the battery use over the whole life cycle with the battery digital twin, comprehensive cloud battery management functionalities are developed in this thesis by integrating physics-based and machine learning models and investigating the role of battery data from laboratory and field operation in safe and reliable battery use.
OpenAccess: 
PDF
(additional files)
Dokumenttyp
Dissertation / PhD Thesis/Book
Format
online
Sprache
English
Externe Identnummern
HBZ: HT021317702
Interne Identnummern
RWTH-2022-02292
Datensatz-ID: 842209
Beteiligte Länder
Germany
|
The record appears in these collections: |