Predictive Battery Thermal Management of Electric Vehicles using Deep Learning

Eine Verbesserung der Energieeffizienz von Batterieelektrofahrzeugen vergrößert ihre Reichweite und reduziert die (vom Strommix abhängigen) Emissionen. Ein effizientes Batteriethermomanagement reduziert den Energieverbrauch bei gleichzeitiger Berücksichtigung der temperaturabhängigen Batteriealterung und Leistungsverfügbarkeit. Zum Beispiel kann eine prädiktive Kühlstrategie den Energieverbrauch im Vergleich zu einer Kühlstrategie mit fixen Regelschwellen reduzieren, indem Informationen über die vorausliegende Strecke genutzt werden. Eine entsprechende prädiktive Regelung erfordert ein präzises Prädiktionsmodell. ... mehr

Diese Arbeit präsentiert eine Methode zur Entwicklung von Prädiktionsmodellen für eine prädiktive Regelung, angewendet auf das Batteriethermomanagement. Deep Learning basierte Quantil Neuronale Netze (Q*NN) prädizieren Quantilssequenzen der Änderung der Batterietemperatur, unter Nutzung von Historien- und Vorausschaueingangsdaten. Im Rahmen der Datenverarbeitung werden Simulationsdaten und Flottendaten erhoben und mithilfe von Data Augmentation und Clustering vorverarbeitet. Die Q*NN liefern genauere Prädiktionen im Vergleich zu Referenzmodellen (u.a. Entscheidungsbäume). Bei begrenzter Datenverfügbarkeit können Prädiktionsmodelle mithilfe von Transfer Learning entwickelt werden.

Die Q*NN Prädiktionen werden in einer prädiktiven Regelung zur Anpassung der Batteriekühlschwellen verwendet. Die prädiktive Regelung minimiert eine Kostenfunktion aus Kühlenergieverbrauch, Alterung und Leistungsverfügbarkeit der Batterie. Im Vergleich zu einer Kühlung mit fixen Regelschwellen reduziert die prädiktive Regelung mit Q*NN die Kühlkosten um 16 % bei vergleichbaren Alterungskosten und Leistungsverfügbarkeit. Die Ableitung von weniger rechenintensiven regelbasierten Modellen bietet einen Ausblick für reale Anwendungen in Fahrzeugen.

Improving the energy efficiency of battery electric vehicles increases their range and reduces well-to-wheel emissions. An efficient battery thermal management reduces the energy consumption while taking temperature-dependent battery ageing and power availability into account. For example, a predictive cooling strategy can reduce the energy consumption compared to a cooling strategy with fixed control thresholds, using information about the route ahead. Such a predictive control requires a precise prediction model.

This work presents a method for the development of prediction models for a predictive control, applied to the battery thermal management. ... mehrDeep Learning based Quantile Neural Networks (Q*NN) predict quantile sequences of the change in battery temperature, using history input and foresight input data. Simulation data and fleet data are collected and further processed using data augmentation and clustering. The Q*NN provide more accurate predictions compared to reference models (i.a. decision trees). Transfer Learning enables the development of prediction models when only few data are available.

The Q*NN predictions are used in a predictive control to adapt the battery cooling thresholds. The predictive control minimizes a cost function of cooling energy consumption, ageing, and power availability of the battery. Compared to a cooling strategy with fixed control thresholds, the Q*NN predictive control reduces cooling costs by 16 % with comparable ageing costs and power availability. The derivation of computationally less expensive rule-based models provides an outlook for real-world application in vehicles.