details_view: 3 von 3

 

Verbundvorhaben: hILDe – Neuartige, kostengünstige und hochpräzise Indikation der Imbalance sowie des Ladezustands von Vanadium-Redox-Fluss-Batterien mittels KI-unterstützter Detektion spezifischer Farben: Teilprojekt KI-PEP

Zeitraum
2019-12-01  –  2023-09-30
Bewilligte Summe
383.021,00 EUR
Ausführende Stelle
Förderkennzeichen
03EI3005C
Leistungsplansystematik
Elektrochemische Speicher - Redox-Flow Batterien [EA2313]
Verbundvorhaben
01192927/1  –  hILDe
Zuwendungsgeber
Bundesministerium für Wirtschaft und Klimaschutz (BMWK.IIB5)
Projektträger
Forschungszentrum Jülich GmbH (PT-J.ESI3)
Förderprogramm
Energie
 
Das Verbundvorhaben hILDe hat die Entwicklung, den Aufbau und die Erprobung einer neuartigen, kostengünstigen und hochpräzisen Indikation des Ladezustands (SOC) sowie der Imbalance für Vanadium-Redox-Fluss-Batterien (VRFB) zum Ziel. Die elektrochemisch aktiven Spezies einer VRFB liegen in Form wässriger Elektrolyte (Anolyt und Katholyt) vor. Diese enthalten Vanadium-Ionen unterschiedlicher Wertigkeit, Stabilität und Farbe in einer Vielzahl von chemischen Komplexen. Im Betrieb ist die VRFB verschiedenen Alterungsmechanismen unterworfen, welche die Güte des Elektrolyten als Energieträger und somit dessen Kapazität, Zyklenstabilität sowie die Lebensdauer des Gesamtsystems beeinträchtigen. Zum langzeitstabilen Betrieb einer VRFB ist der Einsatz eines hochpräzisen Sensors/Indikators essentiell, welcher über die Anzeige des aktuellen SOC hinaus auch Informationen zur Imbalance des Elektrolyten liefert. Das Vorhaben beinhaltet die Entwicklung und funktionelle Demonstration eines SOC/Imbalance Indikators beruhend auf den Entwicklungen/Ergebnissen der drei Teilsysteme (1) Referenzmesssystem (UdS), (2) KI-Plattform für elektrochemische Prozesse (DFKI), (3) Stand-alone Sensorsystem (IZES). Im Teilprojekt KI-PEP wird eine KI-Plattform für die Erkennung und Klassifikation elektrochemischer Prozesse innerhalb einer VRFB definiert und umgesetzt. Dazu werden KI-basierte Verfahren zur Datenanalyse, zur Farb- bzw. Mustererkennung, für die Erkennung temporaler Veränderungen (z.B. Alterungsprozessen oder Verschmutzung von Sensoren bzw. Sensoroberflächen) und zur Erkennung von Anomalien entwickelt und trainiert.
Weitere Informationen