Problemstellung

Lithium-Ionen-Batterien stellen in Elektrofahrzeugen die teuerste Komponente dar und sind zugleich verschiedensten Umgebungsbedingungen und Belastungsszenarien ausgesetzt. Diese verursachen mit der Zeit komplexe Alterungsmechanismen, die zu einer Verringerung der entnehmbaren Kapazität und damit einer Abnahme der Fahrzeugreichweite führen. Um dies zu verhindern werden Batteriemanagementsysteme (BMS) benötigt, die mit einer möglichst genauen Abschätzung des Batteriezustandes über die gesamte Lebensdauer den optimalen Betrieb des Energiespeichers ermöglichen. Die Realisierung fortgeschrittener Betriebsstrategien erfordert präzise Kenntnisse des Batteriezustands, geeignete Sensorik und detaillierte Modelle, wobei insbesondere die derzeit verwendeten Batteriemodelle trotz eines hohen Parametrierungs- und Rechenaufwandes nur eine begrenzte Genauigkeit aufweisen und zumeist für den direkten Einsatz im BMS aufgrund von Hard- und Software-Limitationen ungeeignet sind.

Ziele des Vorhabens

Das Projektvorhaben zielt darauf ab, an diesen Punkt anzusetzen und eine über den aktuellen Stand der Technik hinausgehende Methodik zu erarbeiten, die trotz der bestehenden Limitationen eine genauere Charakterisierung von Batterien im BMS ermöglicht und für die Verbesserung sowie Erweiterung der BMS-Funktionalität eingesetzt werden kann. Ein Teilaspekt ist die Integration sogenannter EIS-Platinen in das BMS, die eine elektrische Impedanzspektroskopie im Fahrzeugbetrieb ermöglichen. Das gesteuerte Aufprägen einer sinusförmigen Belastung über ein breites Frequenzband ermöglicht auf Zell- und Modulebene eine präzise Messung des Übertragungsverhaltens des Batteriepacks. Auf Grundlage dieser neuen sowie weiterer bereits im BMS zur Verfügung stehender Felddaten kann mit Hilfe von KI-basierten Ansätzen ein initiales Batteriemodell an das individuelle Kundenverhalten iterativ angepasst und während des Betriebes aktualisiert werden. In diesem Zusammenhang ist insbesondere der Einsatz des sogenannten Föderalen Lernens von Interesse, bei dem lokal optimierte KI-Modelle einer gesamten Flotte von Elektrofahrzeugen genutzt werden, um die Genauigkeit der Einzelmodelle zu verbessern und dabei den Datenschutz der Fahrzeughalter zu wahren. Dies erfordert jedoch als Grundvoraussetzung die Optimierung der entwickelten Methoden für den hardwarenahen Einsatz.

Zusammenfassend sollen im Rahmen des Projektes prototypisch EIS-Platinen in einem BMS verbaut werden, um aus dem Laborbereich bewährte Batteriecharakterisierungsverfahren in der Fahrzeuganwendung einsetzen zu können. Über einen Edge-KI-Ansatz sollen darauf aufbauend Algorithmen zur Online-Parametrierung von Batteriemodellen mittels Felddaten zum Einsatz auf BMS-Hardware entwickelt werden. Dafür werden die notwendigen Daten während des Fahrzeugbetriebs erhoben und zur laufenden Anpassung der Modelle auf der lokalen Hardware verwendet, um fortgeschrittene BMS-Funktionen, wie das Föderale Lernen, zu ermöglichen. Diese erlauben eine genauere Ermittlung des Lade- und Alterungszustandes der Batterie, die eine Anpassung der Betriebsstrategie des BMS zur Optimierung der Betriebsgrenzen über die Lebensdauer ermöglichen. Das so im Projekt entwickelte Konzept soll in Form eines Laborprototypen mit Technology Readiness Level (TRL) 4 implementiert und validiert werden.

 

Industriepartner:

Munich Electrification GmbH

 

Gefördert durch das Bayerisches Staatsministerium für Wirtschaft, Landesentwicklung und Energie i. R. des FuE Programms Informations- und Kommunikationstechnik Bayern