Options
2018
Diploma Thesis
Titel
In-situ-Alterungsdiagnose von Lithium-Ionen-Akkumulatoren mittels künstlicher neuronaler Netze
Abstract
Lithium-Ionen-Akkumulatoren haben sich als wichtigster elektrischer Energiespeicher fest im modernen Alltag etabliert. Um einen zuverlässigen und leistungsfähigen Einsatz dieser Technologie zu ermöglichen, ist die genaue Kenntnis des elektrischen und thermischen Verhaltens einer Lithium-Ionen-Zelle notwendig. Eine wesentliche Herausforderung hierbei ist die Zellalterung, die eine Änderung des Verhaltens über die gesamte Lebensdauer zur Folge hat. In den letzten Jahren wurden daher eine Reihe von Verfahren zur Alterungsdiagnose entwickelt und angewandt, jedoch ist hier noch immer großes Verbesserungspotenzial bezüglich Genauigkeit und Praxistauglichkeit vorhanden. Diese Arbeit präsentiert Ansätze zur Alterungsdiagnose von Lithium-Ionen-Akkumulatoren mittels künstlicher neuronaler Netze und beschreibt die Entwicklung eines neuronalen Modells, das mittels im Betrieb gewonnener Messdaten parametriert und auf Hinweisezur Alterung untersucht werden kann.
;
Lithium-ion batteries have been well established as the main source of energy in modern consumer electronics as well as in a range of other applications. To ensure the reliable and safe operation of this technology, the electrical and thermal behaviour of a lithium-ion cell needs to be well understood. The major challenge in understanding battery behaviour lies in battery aging, which limits its performance and occurs throughout the entire battery life. In recent years several methods for the diagnosis of battery aging have been developed and deployed in real-life applications, but there is still a great deal of potential for improvement, both in accuracy and applicability with respect to real-lifeconditions. This work presents different existing approaches that utilize artificial neural networks for this purpose and outlines the development of a neural battery model which is trained using data obtained during operation. The resulting model is suitable for examination to identify evidence of battery aging.
ThesisNote
Dresden, TU, Dipl.-Arb., 2018
Advisor
Verlagsort
Dresden