Intelligent Battery Management Strategy based on Machine Learning Technology

Lithium-Ion Batterien finden sich mittlerweile in fast allen Lebensbereichen. Sie stellen ein Kernelement der Energieversorgung dar. Im privaten Umfeld reichen ihre vielfältigen Einsatzbereiche von portablen Geräten wie Handys über Elektroautos bis hin zu Speichern für Strom aus nachhaltigen Quellen.

Im Laufe der Nutzung einer Batterie nimmt die Leistungsfähigkeit dieser ab. Wenn eine Batterie einen Zustand erreicht, ab dem die Nutzung nicht mehr sinnvoll ist, dann ist das Ende der Lebenszeit erreicht. Durch eine effiziente Nutzung dank optimaler Steuerung, kann der Verschleiß minimiert und somit die Lebensdauer maximiert werden. Für eine solche Steuerung sind der aktuelle Ladezustand einer Batteriezelle (State of Charge, SoC) sowie der Gesundheitszustand der gesamten Batterie (State of Health, SoH) relevant.

Im ersten Jahr der Projektlaufzeit untersucht das Forschungstandem, wie sich der Lade- und Entladevorgang mittels Reinforcement Learning (RL) optimieren lässt. Hierbei sollen die Temperatur- sowie SoC-Werte der verschiedenen Batteriezellen möglichst nah beieinander gehalten werden, da dies den Verschleiß vermindert.

Die Idee des RL ist es, einen Agenten mit seiner Umgebung interagieren zu lassen. Der Agent erhält für seine ausgeführten Aktionen Belohnungen und erlernt dadurch, welches Verhalten gefordert ist. Übertragen auf eine Batterie-Management-Strategie, bedeutet dies, dass der Agent basierend auf dem aktuellen Zustand einer Batterie auswählt, welche Batteriezelle mit welcher Stromstärke geladen wird. Wenn die betrachteten Werte in Balance gebracht oder gehalten werden, dann erhält der Agent eine positive Belohnung für sein Verhalten.

In einem ersten Schritt wird eine Simulation einer Batterie erstellt. Diese Simulation stellt die Umgebung dar in welcher der RL Agent trainiert wird. Der so trainierte Agent wird anschließend in ein experimentelles Setup überführt.

Im weiteren Projektverlauf werden andere interessante Fragestellungen untersucht – wie beispielsweise eine optimierte Ermittlung von Eigenschaften wie SoC und SoH.