User: Guest  Login
If you experience problems opening the document, please try this link.
Original title:
KI-Batteriespeichermodell auf Basis neuronaler Netze - Entwicklung einer neuen Datenvorverarbeitungspipeline und Trainingsmethodologie
Translated title:
AI Battery Model Based on Neural Networks - Development of a new Data Preprocessing Pipeline and Training Methodology
Author:
Jerouschek, Daniel
Year:
2022
Document type:
Dissertation
Faculty/School:
TUM School of Engineering and Design
Advisor:
Kennel, Ralph (Prof. Dr. Dr. h.c.)
Referee:
Kennel, Ralph (Prof. Dr. Dr. h.c.); Jossen, Andreas (Prof. Dr.)
Language:
de
Subject group:
ELT Elektrotechnik
TUM classification:
ELT 855; ELT 868
Abstract:
Die Spannungsprädiktion von Lithium-Ionen-Batterien ist für die Bordnetzstabilität in modernen Fahrzeugen essentiell. In der vorliegenden Arbeit werden neu entwickelte Under- und Oversampling Algorithmen in eine Datenvorverarbeitungspipeline integriert und zusammen mit einem kaskadierten Hyperparametertuning zwei Batterie Modelle trainiert. Die Modelle basieren auf rekurrenten neuronalen Netzen, die sowohl das stationäre als auch das dynamische Verhalten der Batterie abbilden können.
Translated abstract:
Voltage prediction of lithium-ion batteries is essential for on-board power supply system stability in modern vehicles. In the present work, newly developed under- and oversampling algorithms are integrated into a data preprocessing pipeline and, together with a cascaded hyperparameter tuning, two battery models are trained. The models are based on recurrent neural networks that are capable representing both steady-state and dynamic battery behavior.
WWW:
https://mediatum.ub.tum.de/?id=1649430
Date of submission:
03.03.2022
Oral examination:
20.12.2022
File size:
8808904 bytes
Pages:
147
Urn (citeable URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20221220-1649430-1-0
Last change:
17.02.2023
 BibTeX