KIT | KIT-Bibliothek | Impressum | Datenschutz

Predictive Battery Thermal Management of Electric Vehicles using Deep Learning

Billert, Andreas M. ORCID iD icon 1
1 Institut für Fahrzeugsystemtechnik (FAST), Karlsruher Institut für Technologie (KIT)

Abstract:

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. This work presents a method for a predictive cooling strategy to reduce the energy consumption, using information about the route ahead and Quantile Neural Networks (Q*NN) for accurate predictions.


Volltext §
DOI: 10.5445/KSP/1000180497
Veröffentlicht am 27.06.2025
Die gedruckte Version dieser Publikation können Sie hier kaufen.
Cover der Publikation
Zugehörige Institution(en) am KIT Institut für Fahrzeugsystemtechnik (FAST)
Publikationstyp Hochschulschrift
Publikationsjahr 2025
Sprache Englisch
Identifikator ISBN: 978-3-7315-1429-9
ISSN: 1869-6058
KITopen-ID: 1000180497
Verlag KIT Scientific Publishing
Umfang XXII, 184 S.
Serie Karlsruher Schriftenreihe Fahrzeugsystemtechnik / Institut für Fahrzeugsystemtechnik ; 129
Art der Arbeit Dissertation
Fakultät Fakultät für Maschinenbau (MACH)
Institut Institut für Fahrzeugsystemtechnik (FAST)
Prüfungsdaten 20.12.2024
Prüfungsdatum 20.12.2024
Schlagwörter Batteriethermomanagement, Tiefes Lernen, Neuronale Netze, Prädiktive Regelung, Battery Thermal Management, Deep Learning, Neural Networks, Predictive Control
Nachgewiesen in OpenAlex
Relationen in KITopen
Globale Ziele für nachhaltige Entwicklung Ziel 7 – Bezahlbare und saubere Energie
Referent/Betreuer Gauterin, Frank
Jossen, Andreas
KIT – Die Universität in der Helmholtz-Gemeinschaft
KITopen Landing Page