de.wedoany.com-Bericht: Die schwedische Chalmers University of Technology hat kürzlich Forschungsergebnisse zu einem KI-Schnellladeverfahren vorgestellt. Die von den Forschern entwickelte, batteriegesundheitsbewusste Lademethode kann die Lebensdauer von Lithium-Ionen-Batterien im Vergleich zu aktuellen Standardmethoden um 22,9 % verlängern, ohne die Ladezeit zu erhöhen.
Schnellladen ist ein entscheidendes Erlebnismerkmal für die Verbreitung von Elektrofahrzeugen, doch hohe Ströme beschleunigen interne Nebenreaktionen in der Batterie und verkürzen die nutzbare Lebensdauer. Die Chalmers University of Technology weist darauf hin, dass aktuelle Ladestrategien in der Regel feste Strom- und Spannungsgrenzen verwenden, unabhängig davon, ob die Batterie neu oder bereits mehrere Jahre alt ist – die Steuerungsmethode ändert sich kaum. Das Problem besteht darin, dass Batterien mit der Zeit altern und sich ihr interner elektrochemischer Zustand verändert. Wenn das Ladesystem diese Veränderungen nicht erkennen kann, treten beim Schnellladen leichter Nebenreaktionen wie die Abscheidung von metallischem Lithium auf, die zu Kapazitätsverlust, steigendem Innenwiderstand und in schweren Fällen zu Sicherheitsbeeinträchtigungen führen. Die Forscher integrieren KI in die Schnellladesteuerung mit dem Kernziel, den Ladestrom und die Abschaltspannung dynamisch an den aktuellen Gesundheitszustand der Batterie anzupassen und gleichzeitig die Schnellladegeschwindigkeit beizubehalten.
Die Studie verwendet äquivalente Vollzyklen zur Messung der Batterielebensdauer, d. h. die Anzahl der vollständigen Lade- und Entladezyklen, die erreicht werden können, bevor die Batteriekapazität auf 80 % der ursprünglichen Kapazität sinkt. Die neue Methode erhöht die Batterielebensdauer um 22,9 %, wobei die durchschnittliche Ladezeit 24,12 Minuten beträgt, verglichen mit 24,15 Minuten bei der Standardmethode – ein Unterschied von nur wenigen Sekunden.
Der technische Ansatz basiert auf bestärkendem Lernen. Die Chalmers University of Technology erklärt, dass der Algorithmus die Batterie als interaktive Betriebsumgebung betrachtet und durch langfristiges Ergebnis-Feedback lernt, den Ladeprozess so zu steuern, dass sowohl eine kurze Ladezeit erhalten bleibt als auch schädliche Degradationsmechanismen reduziert werden. Aus zugehörigen Veröffentlichungen geht hervor, dass die Forscher eine Abbildung zwischen dem Überspannungspotential von Nebenreaktionen und dem Batteriegesundheitszustand erstellt und diese Beziehung zur Begrenzung der Ladeendspannung verwendet haben. Das Modell läuft in einem Deep-Reinforcement-Learning-Framework und wird in Verbindung mit einem hochpräzisen elektrochemischen Einzelpartikelmodell und der PyBaMM-Simulationsplattform für Lebenszyklusvergleiche mit herkömmlichen Konstantstrom-Konstantspannungs-Verfahren und deren Varianten eingesetzt. Die Chalmers University of Technology betont zudem, dass das trainierte KI-Modell in der Betriebsphase keine speziellen Laborsensoren benötigt und theoretisch durch ein Software-Update des Batteriemanagementsystems in bestehende Fahrzeuge oder Energiespeichersysteme integriert werden könnte.
Diese Forschung befindet sich noch in der Phase der Methodenvalidierung. Das Forschungsteam weist darauf hin, dass die Beziehung zwischen Ladespannung und Batteriegesundheitszustand von Temperatur und Zellchemie beeinflusst wird, weshalb eine Charakterisierung für verschiedene Batterietypen erforderlich ist. Die nächsten Schritte werden Transferlernen untersuchen, um den experimentellen Aufwand für die Anpassung an verschiedene chemische Systeme zu reduzieren, und den trainierten KI-Controller direkt an physischen Batterien testen.
Diese KI-Schnelllademethode der schwedischen Chalmers University of Technology bietet einen softwarebasierten Weg zur Lebensdauerverlängerung für Elektrofahrzeuge und Energiespeichersysteme. Sollte sie sich in realen Batterie- und Fahrzeugumgebungen erfolgreich validieren lassen, könnte die Lebensdauerverbesserung von nahezu 23 % Garantierisiken senken, den Restwert erhöhen und die Nutzungseffizienz kritischer Rohstoffe verbessern.
Dieser Artikel wurde von Wedoany übersetzt und bearbeitet. Bei jeglicher Zitierung oder Nutzung durch künstliche Intelligenz (KI) ist die Quellenangabe „Wedoany“ zwingend vorgeschrieben. Sollten Urheberrechtsverletzungen oder andere Probleme vorliegen, bitten wir Sie, uns unverzüglich zu benachrichtigen. Wir werden den entsprechenden Inhalt umgehend anpassen oder löschen.
E-Mail: news@wedoany.com
