Kolloquiumsvortrag: 25. Mai 2021, Patrick Klapper

Bild Besprechungsraum 04.137
Bild der Präsentationsfläche

Datengetriebene Batteriezustandsschätzung mittels verschiedener Methoden des maschinellen Lernens

 

Die Batterie spielt eine zentrale Rolle für den Wandel in der Automobilindustrie hin zur Elektromobilität. Diese Komponente ist nicht nur maßgeblich für die Performance von Elektrofahrzeugen verantwortlich, sondern auch ein großer Kostentreiber bei der Produktion. Für eine effiziente Entwicklung und Steuerung einer automotiven Batterie ist die genaue Modellierung des Batterieverhaltens deshalb von größtem Interesse. Durch komplexe Alterungseffekte kommt es jedoch zu einer Veränderung des Batterieverhaltens im Laufe der zeitlichen Nutzung, welche bei der Modellierung berücksichtigt werden müssen.
In dieser Masterarbeit wird analysiert, inwieweit sich verschiedene Methoden des maschinellen Lernens für die Bestimmung des Batteriezustandes eignen. Dazu werden die Modelle mit Hilfe von elektrischen Zeitreihendaten einer Batteriezelle trainiert, welche von der Volkswagen AG zur Verfügung gestellt wurden.
Zum Einsatz kommen sowohl klassische Methoden wie Lineare Regression, Support Vector Regression, Decision Trees, Random Forests und AdaBoost als auch Neuronale Netzstrukturen wie Feedforward Neural Networks, Long Short Term Memories und Convolutional Neural Networks.
Zuerst wird mittels Hyperparameter Tuning ein optimiertes Modell jeder Methode gefunden, und anschließend werden die resultierenden Modelle miteinander verglichen. Der Fokus liegt darauf, die Vor- und Nachteile der unterschiedlichen ML Methoden in Bezug auf die Batteriezustandsschätzung aufzuzeigen, wobei wichtige Metriken die Genauigkeit und die Komplexität der Modelle sind.

 

Uhrzeit: 10:15 Uhr

Zoom-Meeting beitreten

https://fau.zoom.us/j/63085802941?pwd=czcvMHdDbUo2VUthVTZNOEljdTg3UT09

Meeting-ID: 630 8580 2941
Kenncode: 492154