Analytische Betrachtung von Algorithmen des maschinellen Lernens –Multilayer Perceptrons und Random Forests– bezogen auf Akkudaten von BEV

Aufgrund eines effizienten, leisen und klimafreundlicheren Antriebs gilt die Elektromobilität als Mobilität der Zukunft. Im Vergleich zu herkömmlichen Fahrzeugen mit Verbrennungsmotor bieten Elektroautos jedoch noch eine geringere Gesamtreichweite. Deshalb ist neben Sicherheitsaspekten die genaue Bestimmung des Ladezustands des Akkus, der auch als Grundlage für eine Reichweitenbestimmung dient, unerlässlich. In der Abschlussarbeiten wurden dafür die beiden Algorithmen des maschinellen Lernens „Multilayer Perceptrons“ und „Random Forests“ im Bezug auf eine Ladezustandsbestimmung analytisch betrachtet. Als Trainingsdatenbasis dienten Daten, die bei über 70 Testfahrten gemessen wurden. Zu den Daten zählen u.a. Spannung, Strom und Temperatur des Akkus, sowie Umgebungsdaten wie Außentemperatur und Höhenmeter und viele weitere.

Die ersten Tests der mit beiden Algorithmen erstellten Modelle zeigten eine unzureichende Genauigkeit zur Bestimmung des Ladezustands. Um diese zu erhöhen wurden die Hyperparameter mit Hilfe von verschiedenen Kreuzvalidierungsmethoden in über 600 Trainingsvorgängen optimiert.

Nach dieser Optimierung konnte die Genauigkeit der Modelle so weit erhöht werden, dass sie sich für eine Ladezustandsbestimmung in Elektrofahrzeugen eignen. Da zum Trainieren nicht nur Daten des Akkus, wie Strom und Spannung verwendet wurden, sondern auch Fahrdaten, wie Geschwindigkeit und geografische Daten, wie Höhenmeter, eignen sich die ermittelten Daten außerdem für eine zukünftige Bestimmung der Restreichweite.