Benutzer: Gast  Login
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
KI-Batteriespeichermodell auf Basis neuronaler Netze - Entwicklung einer neuen Datenvorverarbeitungspipeline und Trainingsmethodologie
Übersetzter Titel:
AI Battery Model Based on Neural Networks - Development of a new Data Preprocessing Pipeline and Training Methodology
Autor:
Jerouschek, Daniel
Jahr:
2022
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Engineering and Design
Betreuer:
Kennel, Ralph (Prof. Dr. Dr. h.c.)
Gutachter:
Kennel, Ralph (Prof. Dr. Dr. h.c.); Jossen, Andreas (Prof. Dr.)
Sprache:
de
Fachgebiet:
ELT Elektrotechnik
TU-Systematik:
ELT 855; ELT 868
Kurzfassung:
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.
Übersetzte Kurzfassung:
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
Eingereicht am:
03.03.2022
Mündliche Prüfung:
20.12.2022
Dateigröße:
8808904 bytes
Seiten:
147
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20221220-1649430-1-0
Letzte Änderung:
17.02.2023
 BibTeX