Snabbladdning utan att förkorta batteriets livslängd är en av de stora utmaningarna i elektrifieringen av transportsektorn. Forskare vid Chalmers tekniska högskola visar nu att det är möjligt att kombinera snabb laddning med avsevärt minskat batterislitage — med hjälp av artificiell intelligens.
Fotograf: Victoria University of Wellington
I en ny studie presenterar forskarna en AI-baserad laddningsstrategi som förlänger batteriets livslängd med 22,9 procent jämfört med dagens standardmetod — utan att öka laddningstiden.
– Vi visar att det är möjligt att ladda lika snabbt som idag, men med betydligt mindre långsiktig degradering, säger Meng Yuan, forskare vid institutionen för elektroteknik på Chalmers.
Fler laddcykler
Batteriets livslängd mättes i så kallade ekvivalenta fullcykler (EFC), vilket innebär hur många fullständiga laddnings- och urladdningscykler batteriet klarar innan kapaciteten sjunker till 80 procent av ursprungsvärdet. Denna gräns betraktas vanligtvis som slutet på livslängden för elfordon.
Med den nya metoden uppnåddes en livslängdsökning på 22,9 procent i EFC jämfört med konventionell laddning. Samtidigt var laddningstiden i princip oförändrad: i genomsnitt 24,12 minuter, jämfört med 24,15 minuter för standardmetoden.
Varför skadar snabbladdning batterier?
När ett batteri laddas snabbt pressas höga strömmar in i cellen, vilket kan orsaka oönskade sidoreaktioner. En av de mest kritiska är litiumplätering, där metalliskt litium avsätts på elektroden i stället för att lagras korrekt i batteriets struktur.
Litiumplätering minskar kapaciteten, ökar det interna motståndet och kan i allvarliga fall påverka säkerheten. Risken ökar i takt med att batteriet åldras.
Konventionella laddningsstrategier använder fasta gränser för spänning och ström, oavsett om batteriet är nytt eller har använts i flera år.
– Batterier förändras över tid. Men laddningsstrategier gör det vanligtvis inte, förklarar Meng Yuan.
Fotograf: Chalmers tekniska högskola
– Detta arbete visar att den verkliga flaskhalsen för snabbladdning inte bara är strömbegränsningar, utan det föränderliga elektrokemiska tillståndet inuti batteriet. Genom att integrera AI med fysikbaserad förståelse tar vi ett steg närmare hälsomedvetna laddningsstrategier som maximerar både prestanda och livslängd, säger Changfu Zou, professor vid institutionen för elektroteknik på Chalmers.
Vad är förstärkningsinlärning?
Den nya metoden bygger på förstärkningsinlärning, en typ av maskininlärning där en algoritm lär sig genom att interagera med en miljö och gradvis förbättra sina beslut.
I detta fall är “miljön” batteriet. AI-systemet tränas för att hitta en laddningsstrategi som håller laddningstiden kort samtidigt som skadliga degraderingsmekanismer minimeras. Genom att belönas för goda långsiktiga resultat lär sig algoritmen att dynamiskt anpassa laddströmmen.
Resultatet är en flexibel laddningsprofil som justeras efter batteriets aktuella hälsotillstånd.
Vad betyder SoH?
Ett centralt begrepp i studien är State of Health (SoH), som beskriver hur mycket av batteriets ursprungliga kapacitet som återstår. Ett nytt batteri har 100 procent SoH. När kapaciteten sjunker till 80 procent anses det ofta ha nått slutet av sin användbara livslängd i elfordon.
Forskarna utvecklade en metod som kopplar laddningens avstängningsspänning till batteriets hälsa. Sambandet togs fram experimentellt och validerades med tre-elektrodsceller i en temperaturkontrollerad miljö.
Den övergripande livscykelutvärderingen genomfördes sedan i en högupplöst simuleringsmiljö.
Potential för mjukvarubaserad implementering
En viktig fördel med metoden är att den tränade AI-modellen inte kräver specialiserade laboratoriesensorer under drift. I princip skulle strategin därför kunna implementeras via mjukvaruuppdateringar i befintliga batterihanteringssystem.
För fordonstillverkare kan en livslängdsökning på nästan 23 procent innebära minskade garantirisker, förbättrat andrahandsvärde och effektivare användning av kritiska råmaterial.
Nästa steg i forskningen
Eftersom sambandet mellan laddningsspänning och batterihälsa beror på temperatur och cellkemi måste metoden anpassas för olika batterityper. Forskargruppen undersöker därför användningen av transfer learning för att påskynda anpassningen mellan olika kemier och minska det experimentella arbetet.
Nästa steg är att testa den tränade AI-regulatorn direkt på fysiska batterier.
Lifelong Reinforcement Learning for Health-Aware Fast Charging of Lithium-ion Batteries
För mer information, kontakta:
Meng Yuan, forskare vid institutionen för elektroteknik, Chalmers
meng.yuan@chalmers.se
Changfu Zou, professor vid institutionen för elektroteknik, Chalmers
+46317723392
Changfu.zou@chalmers.se
För mer information, kontakta:
- Professor (N1), System- och reglerteknik, Elektroteknik