AI ger elbilsbatterier 23 procent längre liv – utan att öka laddtiden

Snabbladdning förkortar bilbatteriers livslängd, men är samtidigt nödvändig på längre resor med elbilar. Nu har forskare tagit fram en ny AI-metod som anpassar snabbladdningen efter batteriets hälsa. Deras studie visar att batterilivslängden kan ökas med nästan 23 procent, utan att förlänga laddningstiden.

När privatpersoner eller företag överväger att skaffa elfordon är möjligheten till snabbladdning en viktig faktor.

– För exempelvis taxibilar eller tunga fordon i industrin betyder tillgången till snabbladdning naturligtvis mycket, men också för personbilstrafiken. Även om privatbilister oftast laddar sina elbilar hemma är möjligheten till snabbladdning utanför hemmet en förutsättning för att välja elbil, eftersom det underlättar pendling och all körning på längre sträckor, säger Changfu Zou, professor vid institutionen för elektroteknik vid Chalmers.

Dagens elbilsbatterier har en livslängd på cirka 8–15 år beroende på användning och laddning och flera undersökningar av den europeiska elbilsmarknaden visar att konsumenter som överväger att köpa en elbil oroar sig över batteriernas begränsade livslängd.

Kravet på effektiv snabbladdning står dessutom i konflikt med batterihälsan, eftersom sådan laddning är påfrestande för batterierna och kortar livslängden.

Den här utmaningen har forskare vid Chalmers tekniska högskola och Victoria University i Nya Zeeland tagit sig an och deras studie visar de att det går att öka batteriernas livslängd utan att öka laddningshastigheten nämnvärt – med hjälp av artificiell intelligens (AI).

Anpassar laddningen efter batteriets hälsa

Forskarna har tagit fram en AI-baserad laddningsstrategi som anpassar strömmen vid varje snabbladdning efter det aktuella batteriets kemi och ”hälsotillstånd.” Den anpassade laddningen förlänger batteriets livslängd med cirka 23 procent jämfört med dagens standardmetod. Samtidigt är laddningstiden opåverkad.

– Vi visar att det går att ladda i stort sett lika snabbt som i dag, men med betydligt mindre långsiktig degradering av batteriet, säger Meng Yuan, biträdande lektor vid Victoria University i Nya Zeeland.

När ett batteri laddas snabbt pressas stora strömflöden in i de olika cellerna, vilket bland annat orsakar större risk för kemiska sidoreaktioner. En av de mest problematiska är så kallad litiumplätering, där metalliskt litium fälls ut på elektroden i stället för att lagras korrekt i batteriets struktur. Detta kan försämra kapaciteten och i värsta fall påverka säkerheten, då ojämnheter i litiumets struktur i värsta fall kan orsaka kortslutning.

– Risken för litiumplätering ökar i takt med batteriets ålder. Ändå använder dagens standardmetoder för laddning samma ström och spänning, oavsett om batteriet är nytt eller har använts i flera år, säger Meng Yuan.

Kort laddtid och mindre slitage

Den AI-baserade laddningsstrategin bygger på så kallad förstärkningsinlärning*, där de rätta åtgärderna belönas och därmed förstärks. Träningsmiljön bestod av en modell av ett av de vanligaste elbilsbatterierna på marknaden, samt en simulering av de parametrar som har inverkan på både laddtid och batterihälsa.

AI-modellen tränades på att anpassa laddningen efter hur upp- eller urladdat batteriet var vid laddningstillfället. Den behövde också ta hänsyn till batteriets allmänna hälsotillstånd, eftersom det är avgörande för både kapacitet och elektrokemi. Resultatet blev en laddningsstrategi som både håller laddtiden kort och minimerar skadliga reaktioner.

– Vår studie visar att en smart anpassning av strömmen under laddningen, där stor hänsyn tas till batteriets föränderliga elektrokemiska tillstånd, kan maximera både dess prestanda och livslängd, säger Changfu Zou.

*Förstärkningsinlärning är en metod inom maskininlärning där en algoritm lär sig genom att interagera med en miljö, och successivt förbättra sina beslut utifrån den återkoppling den får.

Enkel att införa – men anpassning krävs

Den nya laddningsstrategin är enligt forskarna både enkel och kostnadseffektiv att införa: i princip skulle den kunna implementeras genom mjukvaruuppdateringar i fordonens batterihanteringssystem. En viss anpassning behövs dock för att metoden ska kunna användas generellt.

– Det finns inte så många olika batterityper idag, men det behövs kalibreringar av metoden för att den ska kunna användas av alla. Med så kallad transfer learning, överförelseinlärning, kan vi dra nytta av det som vår AI-modell redan har lärt sig, och därmed snabbare anpassa AI-modellen efter nya batterier, säger Changfu Zou.

Nästa steg är att testa metoden direkt på fysiska batterier. Forskarna hoppas att den AI-baserade laddningsstrategin ska bli en av pusselbitarna i elektrifieringen av transportsektorn.

– För att minska utsläppen och ställa om till ett fossilfritt samhälle betyder det mycket att människor är beredda att gå över till elbilar. Då är möjligheten till snabbladdning, i kombination med en ökad livslängd på batterierna, viktiga drivkrafter, säger Meng Yuan.

– Och för fordonsindustrin kan en ökad livslängd med nästan 23 procent innebära lägre garantikostnader, bättre andrahandsvärde och effektivare användning av kritiska råvaror, säger Changfu Zou.

Vetenskaplig artikel:

Lifelong Reinforcement Learning for Health-Aware Fast Charging of Lithium-Ion Batteries, IEEE Transactions on Transportation Electrification.