Lebenszyklusverlängerung von bestehenden und zukünftigen stationären Batteriespeichersystemen durch hybride Zustandsprognose, Teilvorhaben: Statistische und Machine-Learning basierte Methoden zur Alterungsbestimmung

Description: Im Teilprojekt 'Statistische und Machine-Learning basierte Methoden zur Alterungsbestimmung' werden zunächst literaturbekanntere Modelle zur Alterung von Batteriezellen um statistische Informationen aus Labordaten erweitert und im Folgenden (mittels unterschiedlicher Modellansäte) in ein Gesamtmodel hybridisiert. Dabei spielt die Abbildung von Modellunsicherheiten und Parameter-Variationen eine zentrale Rolle. Methodisch werden dazu neben statistischen Verfahren insbesondere auch Techniken des maschinellen Lernens eingesetzt. Eine anwendungsorientierte Analyse von ökonomischen und ökologischen Parametern in unterschiedlichen Use-Cases, sowie eine Simulation des Alterungsverhaltens in Second-Life / Zero-Life Anwendungsfällen auf Basis der entwickelten Alterung-Prognose-Modelle rundet das Teilprojekt ab.

SupportProgram

Origins: /Bund/UBA/UFORDAT

Tags: Batteriespeicher ? Batterie ? Statistische Daten ? Künstliche Intelligenz ? Ökologischer Parameter ?

Region: Bavaria

Bounding boxes: 11.5° .. 11.5° x 49° .. 49°

License: cc-by-nc-nd/4.0

Language: Deutsch

Organisations

• Bundesministerium für Wirtschaft und Energie (Finanzielle Förderung)
• Hochschule für angewandte Wissenschaften Kempten, Labor für Smarte Energiesysteme (Projektverantwortung)
• Umweltbundesamt (Bereitstellung)

Time ranges: 2023-10-01 - 2026-09-30

Alternatives

• Language: Englisch/English
  Title: Subproject: Statistical and machine-learning based methods for aging determination
  Description: In the subproject 'Statistical and machine-learning based methods for aging determination', models for battery cell aging that are known from the literature are first extended with statistical information from laboratory data and then hybridized (using different model approaches) into an overall model. The representation of model uncertainties and parameter variations plays a central role. In addition to statistical methods, machine learning techniques are used in particular. An application-oriented analysis of economic and ecological parameters in different use cases, as well as a simulation of the aging behavior in second-life / zero-life use cases on the basis of the developed aging prediction models completes the subproject. https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1129231

Status

Aktiv

Quality score

• Overall: 0.50
• Findability: 0.67

  • Title: 1.00
  • Description: 0.00
  • 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.