Ny forskning: AI kan förlänga elbilsbatteriers livslängd med nästan 23 procent
Forskare vid Chalmers tekniska högskola har utvecklat en AI-baserad laddningsstrategi som kan förlänga livslängden för litiumjonbatterier i elfordon med nära 23 procent – utan att öka laddningstiden.
I den nya studien visar forskarna hur artificiell intelligens kan användas för att minska batterislitage vid snabbladdning, ett område som länge varit en central utmaning för elfordonsindustrin.
Metoden bygger på förstärkningsinlärning, där AI-systemet tränas för att dynamiskt anpassa laddströmmen efter batteriets aktuella hälsotillstånd, så kallad State of Health (SoH). Målet är att kombinera kort laddningstid med minimerad degradering.
– 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, på Chalmers hemsida.
I tester ökade forskarna batteriets livslängd med 22,9 procent jämfört med konventionella laddningsmetoder. Samtidigt var laddningstiden i princip oförändrad: 24,12 minuter jämfört med 24,15 minuter för standardmetoden.
Forskarna mätte livslängden i så kallade ekvivalenta fullcykler (EFC), vilket beskriver hur många kompletta laddnings- och urladdningscykler ett batteri klarar av innan kapaciteten sjunker till 80 procent av ursprungsvärdet.
Enligt forskarna adresserar tekniken särskilt problemet med litiumplätering – där metalliskt litium avsätts på elektroden i stället för att lagras korrekt i batteriets struktur. Det är en form av degraderingsmekanism som uppstår vid hög belastning under snabbladdning och som kan minska både kapacitet och säkerhet.
– 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.
Enligt forskarna är en viktig fördel att den tränade AI-modellen inte kräver avancerade laboratoriesensorer under drift. Strategin skulle därmed potentiellt kunna implementeras via mjukvaruuppdateringar i befintliga batterihanteringssystem.
Forskargruppen arbetar nu vidare med att anpassa modellen till olika batterikemier och temperaturförhållanden, samt att testa tekniken direkt på fysiska battericeller.
Studien finns publicerad under titeln Lifelong Reinforcement Learning for Health-Aware Fast Charging of Lithium-ion Batteries.
