Onderzoekers van de Chalmers University of Technology in Zweden hebben een op kunstmatige intelligentie gebaseerde laadmethode ontwikkeld die de levensduur van batterijen in elektrische voertuigen kan verlengen zonder de laadtijd bij snelladen te vergroten.
De methode past de laadstroom tijdens elke snellaadsessie aan op basis van de chemische eigenschappen en de gezondheidstoestand van de batterij. In een recent gepubliceerde studie zagen de onderzoekers dat de aanpak de levensduur van de batterij met bijna 23 procent verlengde ten opzichte van gangbare laadmethoden, terwijl de laadtijd vrijwel gelijk bleef.
Snelladen is een belangrijke voorwaarde voor het gebruik van elektrische voertuigen, vooral bij lange ritten, taxi’s, bedrijfsvoertuigen en industrieel transport. Tegelijkertijd kan snelladen de slijtage van batterijen versnellen, doordat hoge laadstromen het risico op ongewenste chemische reacties in batterijcellen vergroten.
Een van de risico’s bij snelladen is zogenoemde lithium plating. Daarbij vormt zich metallisch lithium op een elektrode, in plaats van dat het lithium op de juiste manier wordt opgeslagen in de structuur van de batterij. Dat kan de capaciteit verminderen en in sommige gevallen ook gevolgen hebben voor de veiligheid. Volgens de onderzoekers neemt dit risico toe naarmate een batterij ouder wordt, terwijl veel huidige laadmethoden dezelfde stroom en spanning gebruiken ongeacht de conditie van de batterij.
Het onderzoek is uitgevoerd door Changfu Zou, hoogleraar aan de afdeling Electrical Engineering van Chalmers, samen met Meng Yuan, universitair docent aan Victoria University of Wellington in Nieuw-Zeeland en voormalig onderzoeker bij Chalmers. De studie, Lifelong Reinforcement Learning for Health-Aware Fast Charging of Lithium-Ion Batteries, is gepubliceerd in IEEE Transactions on Transportation Electrification.
De AI-strategie maakt gebruik van reinforcement learning, een vorm van machine learning waarbij een algoritme zijn keuzes verbetert op basis van feedback. De onderzoekers trainden het model in een gesimuleerde omgeving, gebaseerd op een van de meest gebruikte typen batterijen voor elektrische voertuigen. In die simulatie werden parameters meegenomen die invloed hebben op zowel de laadtijd als de gezondheid van de batterij.
Het model leerde de laadstroom aan te passen aan de actuele laadstatus en de algemene gezondheid van de batterij. Volgens de onderzoekers leidde dit tot minder langetermijndegradatie, zonder dat de laadsnelheid merkbaar afnam.
“We laten zien dat het mogelijk is om ongeveer even snel te laden als nu, maar met aanzienlijk minder langdurige degradatie van de batterij,” zei Yuan.
Volgens de onderzoekers kan de methode in principe via software-updates worden ingevoerd in batterijmanagementsystemen van voertuigen. Wel is kalibratie nodig voordat de aanpak breed kan worden toegepast op verschillende batterijtypen.
“Er zijn tegenwoordig niet zoveel verschillende batterijtypen, maar de methode moet wel worden gekalibreerd voordat iedereen haar kan gebruiken,” zei Zou. “Met transfer learning kunnen we benutten wat ons AI-model al heeft geleerd en het model daardoor sneller aanpassen aan nieuwe batterijen.”
De volgende stap is het testen van de laadstrategie op fysieke batterijen. Volgens de onderzoekers kan een langere batterijlevensduur bijdragen aan een bredere toepassing van elektrische voertuigen en aan lagere kosten voor garanties, restwaarde en het gebruik van batterijgrondstoffen.
