Schnellladen ohne Verkürzung der Batterielebensdauer ist eine der zentralen Herausforderungen bei der Elektrifizierung des Verkehrs, denn: Wenn Privatpersonen oder Unternehmen die Anschaffung von Elektrofahrzeugen in Betracht ziehen, ist die Ladedauer ein wichtiger Faktor. Forscher der Chalmers University of Technology zeigen nun, dass es möglich ist, Schnellladen mit einem deutlich geringeren Batterieverschleiß zu verbinden – mithilfe künstlicher Intelligenz.
In einer neuen Studie stellen die Forscher eine KI-basierte Ladestrategie vor, die die Batterielebensdauer im Vergleich zur heutigen Standardmethode um 22,9 Prozent verlängert – ohne die Ladezeit zu verlängern. Dazu wird der Strom bei jeder Schnellladung an die Chemie und den „Gesundheitszustand“ der Batterie angepasst.
„Wir zeigen, dass es möglich ist, genauso schnell wie heute zu laden, jedoch mit deutlich geringerer langfristiger Leistungsminderung“, sagt Meng Yuan, Forscher am Institut für Elektrotechnik der Chalmers University of Technology.
Mehr Zyklen bei unveränderter Ladezeit
Die Lebensdauer der Batterie wurde in sogenannten äquivalenten Vollzyklen (EFCs) gemessen – das heißt, wie viele vollständige Lade- und Entladezyklen die Batterie durchlaufen kann, bevor ihre Kapazität auf 80 Prozent des ursprünglichen Wertes sinkt. Dieser Schwellenwert gilt allgemein als das Ende der Lebensdauer bei Anwendungen in Elektrofahrzeugen.
Mit der neuen Methode erreichte die Batterie im Vergleich zum herkömmlichen Ladeverfahren eine Verlängerung ihrer Lebensdauer in EFCs um 22,9 Prozent. Gleichzeitig blieb die Ladezeit praktisch unverändert: durchschnittlich 24,12 Minuten im Vergleich zu 24,15 Minuten bei der Standardmethode.
Warum schadet Schnellladen den Batterien?
Wenn eine Batterie schnell geladen wird, werden hohe Ströme in die Zelle geleitet. Dies kann unerwünschte Nebenreaktionen auslösen. Eine der kritischsten ist die Lithiumplattierung, bei der sich metallisches Lithium auf der Elektrode ablagert, anstatt ordnungsgemäß in der Batteriestruktur gespeichert zu werden. Lithiumplattierung verringert die Kapazität, erhöht den Innenwiderstand und kann in schweren Fällen die Sicherheit beeinträchtigen. Das Risiko nimmt mit zunehmendem Alter der Batterie zu.
Herkömmliche Ladestrategien verwenden feste Spannungs- und Strombegrenzungen, unabhängig davon, ob die Batterie neu ist oder bereits seit mehreren Jahren im Einsatz ist. „Batterien verändern sich im Laufe der Zeit. Ladestrategien tun dies jedoch in der Regel nicht“, erklärt Meng Yuan.
„Diese Arbeit zeigt, dass der eigentliche Engpass beim Schnellladen nicht einfach in den Strombegrenzungen liegt, sondern im sich verändernden elektrochemischen Zustand im Inneren der Batterie. Durch die Verbindung von KI mit physikalischen Erkenntnissen kommen wir zustandsorientierten Ladestrategien näher, die sowohl die Leistung als auch die Lebensdauer maximieren“, sagt Changfu Zou, Professor am Institut für Elektrotechnik der Chalmers University of Technology.
Was ist Reinforcement Learning?
Die neue Methode basiert auf Reinforcement Learning, einer Form des maschinellen Lernens, bei der ein Algorithmus durch Interaktion mit einer Umgebung lernt und seine Entscheidungen schrittweise verbessert. In diesem Fall ist die „Umgebung“ die Batterie. Das KI-System wird darauf trainiert, eine Ladestrategie zu finden, die die Ladezeit kurz hält und gleichzeitig schädliche Degradationsmechanismen minimiert. Indem der Algorithmus für gute langfristige Ergebnisse belohnt wird, lernt er, den Ladestrom dynamisch anzupassen.
Das Ergebnis ist ein flexibles Ladeprofil, das sich an den aktuellen Gesundheitszustand der Batterie anpasst.
State of Health als Grundlage
Ein Schlüsselbegriff in der Studie ist der State of Health (SoH), der angibt, wie viel von der ursprünglichen Kapazität der Batterie noch vorhanden ist. Eine neue Batterie hat einen SoH von 100 Prozent. Wenn die Kapazität auf 80 Prozent sinkt, gilt sie in EV-Anwendungen oft als am Ende ihrer Nutzungsdauer angelangt.
Die Forscher entwickelten eine Methode, die die Ladeabschaltspannung mit dem Gesundheitszustand der Batterie verknüpft. Diese Zuordnung wurde experimentell abgeleitet und unter Verwendung von Dreielektrodenzellen in einer temperaturgeregelten Umgebung validiert. Die Gesamtbewertung des Lebenszyklus wurde anschließend in einer hochpräzisen Simulationsumgebung durchgeführt.
Potenzial für eine softwarebasierte Umsetzung
Ein wichtiger Vorteil des Ansatzes besteht darin, dass das trainierte KI-Modell im Betrieb keine speziellen Laborsensoren benötigt. Grundsätzlich könnte die Strategie daher durch Software-Updates in bestehenden Batteriemanagementsystemen umgesetzt werden.
Für Fahrzeughersteller könnte eine Verlängerung der Lebensdauer um fast 23 Prozent geringere Garantierisiken, einen höheren Restwert und eine effizientere Nutzung kritischer Rohstoffe bedeuten.
Nächste Schritte in der Forschung
Da der Zusammenhang zwischen Ladespannung und Batteriezustand von der Temperatur und der Zellchemie abhängt, muss die Methode für verschiedene Batterietypen charakterisiert werden. Das Forschungsteam untersucht daher den Einsatz von Transferlernen, um die Anpassung an verschiedene Chemien zu beschleunigen und den experimentellen Aufwand zu reduzieren.
Der nächste Schritt besteht darin, den trainierten KI-Regler direkt an physischen Batterien zu testen.
