Genaue Vorhersage der Akkulaufzeit mit Modellen für maschinelles Lernen

• Ein neues Modell der künstlichen Intelligenz kann den Gesundheitszustand einer Batterie genau bestimmen.
• Es verwendet Daten, die in der Anfangsphase von der Batterie erfasst wurden, und sagt voraus, ob die Batterie eine lange oder kurze Lebensdauer haben würde.

Lithium-Ionen-Batterien werden aufgrund ihrer hohen Energiedichte, langen Lebensdauer und geringen Kosten in einem breiten Anwendungsbereich eingesetzt. In den letzten Jahren hat die Kommerzialisierung von Hybrid- und Elektrofahrzeugen eine steigende Nachfrage nach Qualitätsbatterien stimuliert. Daher wird die Analyse des „Gesundheitszustands“ der Batterie immer wichtiger.

Eines der Haupthindernisse bei der Entwicklung der Batterietechnologie ist jedoch die Überwachung und Prüfung des Batteriezustands, was viel Zeit in Anspruch nimmt und die Batterielebensdauer beeinflusst.

Ein Parameter namens State of Health (SOH) repräsentiert die Fähigkeit der Batterie, Energie relativ zu ihren Ideal- oder Anfangsbedingungen zu speichern. Bei einer neuen Batterie beträgt der SOH normalerweise 100 %, nimmt jedoch mit der Zeit ab. Die Bewertung des SOH ist wichtig für die sichere und korrekte Verwendung der Batterie. Es gibt jedoch keine Technik, die diesen Wert genau bestimmen kann, ohne die Batterielebensdauer zu beeinträchtigen.

SOH zu bestimmen ist nicht einfach

Der SOH einer Batterie ist mit zwei Faktoren verbunden, die mit der Alterung der Batterien auftreten –

1. Capacity Fade:fortschreitender Verlust der Speicherkapazität
2. Elektrischer Widerstand:fortschreitender Anstieg der Impedanz, der dazu führt, dass die Batterieleistung abnimmt.

Bei Lithium-Ionen-Batterien kommt es durch zahlreiche wechselwirkende Prozesse zu Impedanzerhöhung und Verlust der Speicherkapazität. Da diese Prozesse in ähnlichen Zeiträumen ablaufen, ist es sehr schwierig, sie unabhängig voneinander zu analysieren. Daher kann man nicht eine einzige direkte Messung verwenden, um den SOH zu bewerten.

Herkömmliche Techniken [zur Bestimmung von SOH] beinhalten die Bewertung der Wechselwirkungen zwischen den Elektroden der Batterie. Da dies die Batterie jedoch instabil macht, sind diese Techniken nicht akzeptabel.

Derzeit gibt es zwei Ansätze, um SOH weniger destruktiv zu bestimmen:adaptive Modelle und experimentelle Methoden. Der erste Ansatz verwendet Batterieleistungsdaten, um sich selbst anzupassen und Fehler zu verringern. Diese Art von Methoden muss jedoch an experimentellen Daten trainiert werden, bevor sie tatsächlich in einer Produktionsumgebung verwendet werden können.

Der zweite Ansatz hingegen kann verwendet werden, um bestimmte Ausfallmechanismen oder physikalische Prozesse zu bestimmen, die in einer Batterie ablaufen. Dies liefert eine gute Schätzung der zukünftigen Rate der Kapazitätsverschlechterung. Solche Methoden können jedoch zeitweilige Fehlfunktionen nicht erkennen.

KI kann die Lebensdauer von Batterien genau vorhersagen

Jetzt haben Forscher des MIT, der Stanford University und des Toyota Research Institute ein Modell der künstlichen Intelligenz (KI) entwickelt, das den SOH einer Batterie genau bestimmen kann.

Das Team erstellte einen umfassenden Datensatz, der die Leistung von 124 Lithium-Ionen-Batterien charakterisiert. Die Daten wurden aufgezeichnet, während die Batterien verschiedenen Schnellladebedingungen unterzogen wurden. Ein breites Spektrum an Lade- und Entladezyklen (250 – 2.300) wurde in die Daten aufgenommen.

Referenz:Natur | doi:10.1038/s41560-019-0356-8

Anschließend nutzten sie die Methode des maschinellen Lernens (ML), um die Daten zu untersuchen und Modelle zu generieren, die die Batterielebensdauer genau abschätzen können. Sie analysierten nur die ersten 100 Zyklen jeder Batterie (bevor es klare Anzeichen für einen Verlust der Speicherkapazität gab).

Geschätzte vs. beobachtete Batterielebensdauer | Die gestrichelte Linie zeigt, wo Schätzungen und Beobachtungen gleich sind, als Referenz | Mit freundlicher Genehmigung der Forscher 

Das beste von ML generierte Modell war in der Lage, die Zykluslebensdauer für 91 % der Batterien korrekt abzuschätzen. Die Forscher verwendeten diese Methode auch, um Daten nur aus den ersten 5 Zyklen jeder Batterie zu untersuchen. Diesmal galt es herauszufinden, ob Batterien eine lange oder kurze Lebensdauer haben (mehr als oder weniger als 550 Lade-Entlade-Zyklen). In diesem Fall hat das Modell für 95 % der Batterien korrekte Vorhersagen getroffen.

Obwohl die neuen Modelle effektiver waren als herkömmliche Methoden zur SOH-Bestimmung, waren sie bei der Vorhersage der Zyklenlebensdauer von Batterien, deren Speicherkapazitäten bereits teilweise erschöpft waren, weniger genau.

Lesen:Neuer Aluminium-Graphen-Akku kann in 5 Sekunden aufgeladen werden

Das Forschungsteam ist der Ansicht, dass ihr neuer Ansatz ein vielversprechender Weg ist, die Lebensdauer von Lithium-Ionen-Batterien abzuschätzen und bei der Entwicklung/Verbesserung aufkommender Batterietechnologie helfen könnte.