Description: Das Projekt BattLifeBoost soll die Zustandsschätzung und die damit verbundene Lebensdauerabschätzung für Batteriesysteme verbessern. Dabei wird von den 4 Projektpartnern unter Berücksichtigung von vorhandenen Felddaten sowie der Anwendung von statistischen Methoden, maschineller Lernverfahren und den im Projekt entwickelten Zellalterungsmodell ein Systemalterungsmodell entwickelt, was eine deutlich verbesserte Prädiktion der noch möglichen Speicherlebensdauer ermöglicht. Neben der verbesserten Prognose der Batteriehaltbarkeit in vorgegebenen stationären Anwendungen wird zudem ein Modelltransfer auf bis dato nicht hinreichend parametrierte Batteriezellen untersucht. Abschließen werden die Projektergebnisse von allen Partnern ökonomisch und ökologisch bewertet. Dieses Teilprojekt fokussiert sich auf die State-of-Health (SOH) Bestimmung von stationären Energiespeichern. Dabei soll der SOH aus Felddaten von Heimspeichersystemen ermittelt und mittels Machine-Learning Algorithmen extrapoliert werden, um ein End-of-life (EOL) Datum bestimmen zu können. Aus den gewonnenen sowie geclusterten Daten sollen Degradationsparameter bestimmt und daraus ein SOH-Model entwickelt werden, um die Auswirkungen weiterer Lastprofile bzw. Anwendungsfelder auf die Lebensdauer abschätzen zu können. Mit den Ergebnissen soll die Überdimensionierung der Speicher sowie die Zeit für die notwendige Qualifizierung von Zellen verringert werden, wodurch sich wirtschaftliche und ökologische Vorteile wie die Reduktion des CO2-Fußabdrucks ergeben.
Types:
SupportProgram
Origins:
/Bund/UBA/UFORDAT
Tags:
CO2-Fußabdruck
?
Batteriespeicher
?
Batterie
?
Energiespeicher
?
Statistische Analyse
?
Modellierung
?
Region:
Bavaria
Bounding boxes:
11.5° .. 11.5° x 49° .. 49°
License: cc-by-nc-nd/4.0
Language: Deutsch
Organisations
Time ranges:
2023-10-01 - 2026-09-30
Alternatives
-
Language: Englisch/English
Title: Subproject: Determination, prediction and modeling of the SOH based on field data
Description: The BattLifeBoost project aims to improve state estimation and associated lifetime estimation for battery systems. Taking into account existing field data as well as the application of statistical methods, machine learning techniques and the cell aging model developed in the project, a system aging model will be developed by the 4 project partners, which will enable a significantly improved prediction of the still possible storage life. In addition to the improved prediction of battery durability in specified stationary applications, a model transfer to battery cells that have not been adequately parameterized to date will also be investigated. Finally, the project results will be evaluated economically and ecologically by all partners. This subproject focuses on the State-of-Health (SOH) determination of stationary energy storage systems. The SOH will be determined from field data of home storage systems and extrapolated using machine learning algorithms to determine an end-of-life (EOL) date. Degradation parameters will be determined from the obtained as well as clustered data and a SOH model will be developed from it in order to be able to estimate the impact of further load profiles or application fields on the lifetime. The results will be used to reduce the oversizing of storage and the time required for the necessary qualification of cells, resulting in economic and environmental benefits such as the reduction of the carbon footprint.
https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1125216
Status
Quality score
- Overall: 0.51
-
Findability: 0.69
- Title: 1.00
- Description: 0.15
- Identifier: false
- Keywords: 1.00
- Spatial: RegionIdentified (1.00)
- Temporal: true
-
Accessibility: 0.67
- Landing page: Specific (1.00)
- Direct access: false
- Publicly accessible: true
-
Interoperability: 0.00
- Open file format: false
- Media type: false
- Machine-readable metadata: false
- Machine-readable data: false
-
Reusability: 0.67
- License: ClearlySpecifiedAndFree (1.00)
- Contact info: false
- Publisher info: true
Accessed 1 times.