Die Elektromobilität erfordert nach immer kürzeren und effizienteren Entwicklungszyklen. Batteriesimulationen – basierend auf Modellen des Batterieverhaltens – sind dabei ein wesentliches Werkzeug für Automobilhersteller, um neue elektrische Antriebe schnell und kostengünstig zu entwickeln. Bisher werden umfangreiche Messdaten noch kaum genutzt, um die Qualität dieser teilweise fehlerhaften Simulationen von Antriebsbatterien zu verbessern. Das Ziel dieser Arbeit lautet daher, mit datenbasierten Ansätzen die Simulation des dynamischen Spannungsverhaltens von Antriebsbatterien realitätsnäher zu gestalten. Dazu werden phänomenologische Modelle mit datenbasierten Modellen kombiniert, um hybride Modelle zu schaffen, die die Vorteile beider Welten vereinen. Eine situative Begrenzung des datenbasierten Modells basierend auf der One-Class Support Vector Machine gewährleistet die generelle Robustheit und somit Sicherheit der Simulation. Die Generierung einer raumfüllenden Untermenge der verfügbaren Messdaten reduziert weiterhin den Trainingsaufwand und erhöht die Genauigkeit des Batteriemodells deutlich. Ein Vergleich zwischen verschidenen dynamischen neuronalen Netzen weist ein Reduktionspotential des bestehenden Modellfehlers um bis zu 46 % auf. Hierbei überzeugt vor allem das Gated-Recurrent-Unit aufgrund seiner hohen Zuverlässigkeit. Die entwickelten Ansätze hinsichtlich der Batteriesimulation werden anhand von zwei Anwendungsszenarien am Antriebsprüfstand bewertet, wobei ein genaueres Spannungsverhalten und insbesondere auch realistischere Wechselwirkungen mit der elektrischen Antriebsachse festgestellt werden.