Departments | |
---|---|
Book Series (95) |
1329
|
Humanities |
2300
|
Natural Sciences |
5356
|
Engineering |
1751
|
Engineering | 285 |
Mechanical and process engineering | 844 |
Electrical engineering | 672 |
Mining and metallurgy | 30 |
Architecture and civil engineering | 73 |
Common |
91
|
Leitlinien Unfallchirurgie
5. Auflage bestellen |
Extract, PDF (620 KB)
Table of Contents, PDF (540 KB)
Die exakte Ermittlung des Ladezustands einer Lithium-Ionen-Batterie – im Speziellen einer Lithium-Eisenphosphat-Batterie – stellt eine nicht unerhebliche Herausforderung bezüglich der Signalverarbeitung dar. Bisherige, auf einem elektrischen Batterieersatzschaltbild basierende Verfahren im Zeitbereich, wie das Kalman-Filter, das Extended Kalman-Filter oder der Zustandsbeobachter, stoßen dabei an ihre Grenzen. So kann bei den ruhespannungsbasierten Verfahren die Ladezustandsermittlung im mittleren Bereich mit Genauigkeiten im einstelligen Prozentbereich nur mit sehr großem messtechnischen Aufwand realisiert werden. Neben einer Erweiterung bekannter zustandsraumbasierter Verfahren, wie dem Kalman-Filter und dem Zustandsbeobachter, durch eine Online-Parameterprädiktion werden neuartige Methoden zur Analyse des Ladezustands der Batterie im Frequenzbereich vorgestellt. Im Fokus der Untersuchungen steht die Anwendung bekannter Klassifikationsverfahren auf die Daten der Batterie im Frequenzbereich. Ein Vergleich der Zeit- und Frequenzbereich-basierten Verfahren soll ihre Vor- und Nachteile herausarbeiten und mögliche Synergien für hybride Algorithmen zur Ladezustandsbestimmung über den gesamten Ladezustandsbereich aufzeigen.
ISBN-13 (Hard Copy) | 9783736970113 |
ISBN-13 (eBook) | 9783736960114 |
Language | Alemán |
Page Number | 194 |
Edition | 1. |
Book Series | Audi Dissertationsreihe |
Volume | 138 |
Publication Place | Göttingen |
Place of Dissertation | Dortmund |
Publication Date | 2019-05-03 |
General Categorization | Dissertation |
Departments |
Electrical engineering
Energy engineering |
Keywords | Lithium-Eisenphosphat, Batterie, Ladezustand, Kalman-Filter, Zustandsbeobachter, Stützvektormaschine, Nächster-Nachbar-Klassifikator, Künstliche Neuronale Netze |
URL to External Homepage | http://www.dt.e-technik.tu-dortmund.de/cms/de/lehrstuhl/alumni/alumni/jansen.php |