Intelligente Batterietechnologie weiß, ob Ihr Elektrofahrzeug es nach Hause schaffen wird

KI-Modell hilft zu bestimmen, ob Autobatterien Aufgaben erfüllen können

10.10.2025

Symbolisches Bild

AI-generated image

Anzeigen

Ultraschnelle, zerstörungsfreie Analyse von Flüssigkeiten und Feststoffen

Rohstoffe sofort identifizieren – ohne Wartezeit

Oxidationsstabilität in Ölen und Fetten präzise bestimmen

Derzeitige Batteriemanagementsysteme melden zwar, dass ein Auto zu 40 % aufgeladen ist, aber der Fahrer muss raten, ob er mit laufender Heizung 100 Kilometer über Hügel fahren kann. Ingenieure der Universität von Kalifornien, Riverside, wollen dem Rätselraten ein Ende bereiten.

Sie haben eine neue Diagnosemethode namens State of Mission (SOM) entwickelt, mit der eine praktische Frage beantwortet werden soll: Kann diese Batterie in ihrem aktuellen Zustand sicher und erfolgreich eine bestimmte Aufgabe erfüllen? SOM verwendet sowohl Batteriedaten als auch Umgebungsfaktoren wie Verkehrsmuster, Höhenunterschiede oder Umgebungstemperatur, um aufgabenspezifische Vorhersagen in Echtzeit zu erstellen.

"SOM füllt diese Lücke", sagt Mihri Ozkan, ein UCR-Ingenieurprofessor, der an der Entwicklung des Systems beteiligt war. "Es ist eine einsatzbezogene Maßnahme, die Daten und Physik kombiniert, um vorherzusagen, ob die Batterie eine geplante Aufgabe unter realen Bedingungen erfüllen kann."

Was wäre, wenn ein gängiges Element statt eines knappen, teuren Elements eine Schlüsselkomponente in Batterien für Elektroautos wäre?

Eisen könnte der Schlüssel zu günstigeren, umweltfreundlicheren Lithium-Ionen-Batterien sein

News lesen

Einzelheiten zu dem System wurden in der Zeitschrift iScience veröffentlicht. Das Besondere an SOM ist sein hybrider Ansatz. Im Gegensatz zu starren physikalischen Gleichungen, die sich nicht an veränderte Szenarien anpassen können, oder zu Modellen des maschinellen Lernens, die Ergebnisse generieren, ohne sie zu erklären, haben sie ein System entwickelt, das die Stärken beider Ansätze kombiniert.

Das Modell lernt daraus, wie sich Batterien im Laufe der Zeit aufladen, entladen und erwärmen, aber es beachtet auch die Gesetze der Elektrochemie und der Thermodynamik. Dank dieser doppelten Intelligenz kann es selbst unter Stress, wie einem plötzlichen Temperaturabfall oder einer steilen Steigung, zuverlässige Vorhersagen treffen.

"Durch diese Kombination erhalten wir das Beste aus beiden Welten: ein Modell, das flexibel aus Daten lernt, aber immer in der physikalischen Realität verankert bleibt", sagt Cengiz Ozkan, ein UCR-Ingenieurprofessor, der die Forschung mit geleitet hat. "Das macht die Vorhersagen nicht nur genauer, sondern auch vertrauenswürdiger".

Um ihr System zu testen, verwendete das Team öffentlich verfügbare Batteriedatensätze der NASA und der Universität Oxford. Diese enthielten reale Nutzungsmuster einschließlich Lade- und Entladezyklen, Temperaturverschiebungen, Strom- und Spannungsdaten im Zeitverlauf sowie langfristige Leistungstrends.

Im Vergleich zu herkömmlichen Batteriediagnosemethoden konnte das Modell die Vorhersagefehler bei der Spannung um 0,018 Volt, bei der Temperatur um 1,37 Grad Celsius und beim Ladezustand um 2,42 % deutlich reduzieren.

Anstelle einer einfachen Schätzung des Ladezustands in Prozent bietet SOM eine intelligentere, zukunftsorientierte Ausgabe. Es kann einem Fahrer mitteilen, dass er eine geplante Strecke zurücklegen kann, aber möglicherweise auf halber Strecke nachladen muss, oder dass ein Drohnenflug bei bestimmten Windverhältnissen nicht durchführbar ist.

"Es wandelt abstrakte Batteriedaten in umsetzbare Entscheidungen um und verbessert so die Sicherheit, Zuverlässigkeit und Planung von Fahrzeugen, Drohnen und allen Anwendungen, bei denen die Energie an eine reale Aufgabe angepasst werden muss", so Mihri Ozkan.

Das Modell befindet sich noch in der Entwicklung.

"Im Moment liegt die größte Einschränkung in der Komplexität der Berechnungen", sagte sie. "Das System erfordert mehr Rechenleistung als die heutigen leichtgewichtigen, eingebetteten Batteriemanagementsysteme normalerweise bieten.

Dennoch sind die Forscher optimistisch. Sie gehen davon aus, dass das Modell bei weiterer Optimierung schon bald in Elektrofahrzeugen, unbemannten Luftfahrtsystemen, Netzspeicheranwendungen und anderen Anwendungen eingesetzt werden könnte.

Für die Zukunft plant das Team, SOM in Feldumgebungen zu testen und seine Fähigkeiten zu erweitern, um mit anderen Batterietypen wie Natrium-Ionen-, Festkörper- oder Durchflussbatterien zu arbeiten.

"Unser Ansatz ist so konzipiert, dass er verallgemeinerbar ist", so Cengiz Ozkan. "Dieselbe hybride Methodik kann einsatzbezogene Vorhersagen liefern, die die Zuverlässigkeit, Sicherheit und Effizienz in einem breiten Spektrum von Energietechnologien verbessern, von Autos und Drohnen bis hin zu Hausbatteriesystemen und sogar Weltraummissionen."

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.