Lebenszyklusverlängerung von bestehenden und zukünftigen stationären Batteriespeichersystemen durch hybride Zustandsprognose, Teilvorhaben: Datengetriebene Physikochemische Alterungsmodellierung von Lithium-Ionen-Batterien

Description: Das Verbundprojekt BattLifeBoost hat das Ziel, die Zustandsschätzung und die damit verbundene Lebensdauerabschätzung von Batteriesystemen zu verbessern. Durch die Nutzung langjähriger Felddaten von Heimspeichern und Labordaten aus Zellalterungsstudien der Projektpartner wird ein hybrides Modell entwickelt. Dieses kombiniert 'Machine-Learning' und mechanistische Modelle, um präzisere 'State-of-Health' Prognose zu erzielen. In diesem Teilprojekt werden Methoden entwickelt zur datengetriebenen physikochemischen Alterungsmodellierung, um die Lebensdauerabschätzung von Lithium-Ionen basierten Batteriespeichersystemen zu verbessern. Dabei werden Labordaten zusammen mit Felddaten von realen Systemen kombiniert, um ein datengetriebenes physikochemisches Alterungsmodell zu entwickeln. Im Vergleich zum Stand der Technik zur Alterungsmodellierung verspricht dieser hybride Ansatz eine bessere Extrapolationsfähigkeit für Betriebsbedingungen, die nicht im Trainingsdatensatz enthalten sind.

SupportProgram

Origins: /Bund/UBA/UFORDAT

Tags: Lithium-Ionen-Akkumulator ? Batteriespeicher ? Stand der Technik ?

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)
• Technische Universität München, Fakultät für Elektrotechnik und Informationstechnik, Lehrstuhl für Elektrische Energiespeichersysteme (Projektverantwortung)
• Umweltbundesamt (Bereitstellung)

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

Alternatives

• Language: Englisch/English
  Title: Subproject: Data-driven physicochemical aging modeling of lithium-ion batteries
  Description: The joint project BattLifeBoost aims to improve the state estimation and the associated lifetime estimation of battery systems. By using long-term field data from home storage systems and laboratory data from cell aging studies of the project partners, a hybrid model is developed. This combines machine learning and mechanistic models to achieve more accurate state-of-health prediction. In this subproject, methods are developed for data-driven physicochemical aging modeling to improve lifetime estimation of lithium-ion based battery storage systems. Laboratory data will be combined together with field data from real systems to develop a data-driven physicochemical aging model. Compared to the state of the art for aging modeling, this hybrid approach promises better extrapolation capability for operating conditions not included in the training data set. https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1129204

Status

Aktiv

Quality score

• Overall: 0.50
• Findability: 0.67

  • Title: 1.00
  • Description: 0.03
  • 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.