30.08.2022 - University of Cambridge

Maschinelles Lernen sagt voraus, wie man das Beste aus den Batterien von Elektrofahrzeugen herausholen kann

Forscher arbeiten nun mit Batterieherstellern zusammen, um die Entwicklung von sichereren und langlebigeren Batterien der nächsten Generation zu beschleunigen

Forscher haben einen Algorithmus für maschinelles Lernen entwickelt, der dazu beitragen könnte, die Ladezeiten zu verkürzen und die Batterielebensdauer von Elektrofahrzeugen zu verlängern, indem er vorhersagt, wie sich unterschiedliche Fahrmuster auf die Batterieleistung auswirken und so die Sicherheit und Zuverlässigkeit verbessern.

Die Forscher von der Universität Cambridge sagen, dass ihr Algorithmus Fahrern, Herstellern und Unternehmen dabei helfen könnte, das Beste aus den Batterien von Elektrofahrzeugen herauszuholen, indem sie Routen und Fahrmuster vorschlagen, die die Batterieabnutzung und die Ladezeiten minimieren.

Das Team entwickelte eine nicht-invasive Methode, um Batterien zu untersuchen und einen ganzheitlichen Überblick über den Zustand der Batterien zu erhalten. Diese Ergebnisse wurden dann in einen Algorithmus für maschinelles Lernen eingespeist, der vorhersagen kann, wie sich verschiedene Fahrmuster auf den künftigen Zustand der Batterie auswirken.

Bei einer kommerziellen Entwicklung könnte der Algorithmus beispielsweise dazu verwendet werden, Routen zu empfehlen, die den Fahrer in der kürzesten Zeit von einem Punkt zum anderen bringen, ohne die Batterie zu schädigen, oder den schnellsten Weg zu empfehlen, um die Batterie aufzuladen, ohne sie zu schädigen. Die Ergebnisse werden in der Zeitschrift Nature Communications veröffentlicht.

Der Zustand einer Batterie, ob in einem Smartphone oder einem Auto, ist weitaus komplexer als eine einzelne Zahl auf einem Bildschirm. "Die Gesundheit eines Akkus ist, wie die menschliche Gesundheit, eine mehrdimensionale Angelegenheit, die sich auf viele verschiedene Arten verschlechtern kann", sagt die Erstautorin Penelope Jones vom Cavendish Laboratory in Cambridge. "Die meisten Methoden zur Überwachung des Batteriezustands gehen davon aus, dass eine Batterie immer auf die gleiche Weise benutzt wird. Aber das ist nicht die Art und Weise, wie wir Batterien im wirklichen Leben verwenden. Wenn ich auf meinem Handy eine Fernsehsendung streame, wird sich der Akku viel schneller entladen, als wenn ich ihn für Nachrichten verwende. Bei Elektroautos ist es das Gleiche - wie man fährt, wirkt sich darauf aus, wie sich die Batterie entlädt.

"Die meisten von uns tauschen ihre Handys aus, bevor die Batterie so weit abgenutzt ist, dass sie unbrauchbar wird, aber bei Autos müssen die Batterien fünf, zehn oder mehr Jahre halten", sagte Dr. Alpha Lee, der die Forschung leitete. "Die Batteriekapazität kann sich in dieser Zeit drastisch verändern, deshalb wollten wir eine bessere Methode zur Überprüfung des Batteriezustands entwickeln.

Die Forscher entwickelten eine nicht-invasive Sonde, die hochdimensionale elektrische Impulse in eine Batterie sendet und die Reaktion misst, wodurch eine Reihe von "Biomarkern" für den Zustand der Batterie ermittelt wird. Diese Methode ist schonend für die Batterie und führt nicht zu ihrer weiteren Verschlechterung.

Die elektrischen Signale der Batterie wurden in eine Beschreibung des Batteriezustands umgewandelt, die in einen Algorithmus für maschinelles Lernen eingespeist wurde. Der Algorithmus war in der Lage vorherzusagen, wie die Batterie im nächsten Lade-Entlade-Zyklus reagieren würde, je nachdem, wie schnell die Batterie geladen wurde und wie schnell das Auto bei der nächsten Fahrt fahren würde. Tests mit 88 handelsüblichen Batterien zeigten, dass der Algorithmus keine Informationen über die vorherige Nutzung der Batterie benötigt, um eine genaue Vorhersage zu treffen.

Das Experiment konzentrierte sich auf Lithium-Kobalt-Oxid-Zellen (LCO), die in wiederaufladbaren Batterien weit verbreitet sind, aber die Methode lässt sich auf die verschiedenen Arten von Batterien übertragen, die heute in Elektrofahrzeugen verwendet werden.

"Diese Methode könnte in vielen Bereichen der Lieferkette, sei es beim Hersteller, beim Endverbraucher oder beim Recycler, einen Mehrwert schaffen, da sie es ermöglicht, den Zustand der Batterie über eine einzelne Zahl hinaus zu erfassen, und weil sie vorausschauend ist", so Lee. "Es könnte die Zeit für die Entwicklung neuer Batterietypen verkürzen, weil wir vorhersagen können, wie sie sich unter verschiedenen Betriebsbedingungen verschlechtern werden.

Die Forscher sagen, dass ihre Methode nicht nur für Hersteller und Fahrer, sondern auch für Unternehmen nützlich sein könnte, die große Flotten von Elektrofahrzeugen betreiben, wie etwa Logistikunternehmen. "Der von uns entwickelte Ansatz könnte Unternehmen dabei helfen, die Nutzung ihrer Fahrzeuge zu optimieren, um die Gesamtlebensdauer der Batterien in der Flotte zu verbessern", so Lee. "Mit einem solchen Rahmenwerk gibt es so viel Potenzial".

"Die Entwicklung dieses Frameworks war so aufregend, weil es so viele der heutigen Herausforderungen im Bereich der Batterien lösen könnte", so Jones. "Es ist eine großartige Zeit, um im Bereich der Batterieforschung tätig zu sein, die so wichtig ist, um den Klimawandel zu bekämpfen, indem man sich von fossilen Brennstoffen abwendet.

Die Forscher arbeiten nun mit Batterieherstellern zusammen, um die Entwicklung von sichereren und langlebigeren Batterien der nächsten Generation zu beschleunigen. Außerdem untersuchen sie, wie ihr Framework für die Entwicklung optimaler Schnellladeprotokolle genutzt werden könnte, um die Ladezeiten von Elektrofahrzeugen zu verkürzen, ohne dass es zu einer Verschlechterung kommt.

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.

Fakten, Hintergründe, Dossiers
Mehr über University of Cambridge