MS-SPO

US-Unternehmen nutzt nicht-lineares Batteriemodell mit neuronalem Netz für Zeitreihen (RNN), (US2018086222)

Batterien in Elektrofahrzeugen, etwa im Straßen-, Schiffs- oder Luftverkehr, treiben Elektromotoren an, Generatoren laden sie wieder auf. Dabei erleben Batterien sehr wechselvolle Geschichten. Für einen sicheren Betrieb und für die Fahrzeugsteuerung sollten Lade- und Gesundheitszustand der Batterie ständig bekannt sein.

Im Anmeldejahr 2016 war es üblich, dafür lineare Schaltungsmodelle zu verwenden. Naturgemäß entfallen dabei nicht-lineare Effekte. Dagegen erfordern physikalisch basierte Modelle ein hohes Verständnis der Batterievorgänge; die Bestimmung von Modellparametern dazu ist sehr aufwändig.

Der Anmelder, Faraday & Future Inc., CA, umgeht diese Schwierigkeiten durch den Einsatz von neuronalen Netzen, die für Zeitreihen geeignet sind: den RNN. Damit modellieren sie Batteriezustände und steuern darüber die elektrischen Antriebe.

Mit wenigstens einer Datenschicht modelliert diese Erfindung wenigstens den Zeitverlauf von Batteriespannung, Strom- und Ladungsabgabe. Sie könnte Temperaturverläufe berücksichtigen oder vorhersagen. Sie könnte laufend entsprechende Daten erfassen und das RNN-Modell damit stetig nachjustieren.

Sie könnte den aktuellen Gesundheitszustand oder aktuelle Leistungsgrenzen von Batteriezellen bestimmen. Sie könnte mit diesen Informationen die Kennlinie des Fahrpedals oder Leistungshebels über der Batterielebensdauer anpassen.

Die damit erzielbare Genauigkeit scheint aus den Zeichnungen in der Patentschrift vielversprechend zu sein.