Chalmersstudie: AI-teknik ger batterier ökad livslängd

En rad studier de senaste åren har visat att elbilarnas batterier håller betydligt längre och bättre än vad som antogs i elbilismens barndom. Men, som hos alla batterier förlorar även de i våra elbilar en del av sin kapacitet över tid och snabbladdning anses slita mer på cellerna än långsamladdning med låg effekt. Orsaken är […]

En rad studier de senaste åren har visat att elbilarnas batterier håller betydligt längre och bättre än vad som antogs i elbilismens barndom. Men, som hos alla batterier förlorar även de i våra elbilar en del av sin kapacitet över tid och snabbladdning anses slita mer på cellerna än långsamladdning med låg effekt. Orsaken är att den högre effekten pressar in mer ström i cellerna, något som bland annat kan leda till så kallad litiumplätering. Något som försämrar batteriets kapacitet och även kan leda till kortslutning.

Men professor Changfu Zou vid Chalmers tekniska högskola i Göteborg visar nu i en studie hur en uppdatering av bilens mjukvara kan förlänga livslängden hos ett batteri som snabbladdas ofta med 23 procent. Studien har genomförts tillsammans med Meng Yuan, tidigare forskare vid Chalmers och idag biträdande lektor vid Victoria University i Nya Zeeland.

Lösningen är en laddningsstrategi som med hjälp av en AI-metod anpassar strömmen vid snabbladdning till både batteriets kemi och dess hälsotillstånd. Skillnaden i laddtid uppges vara endast några sekunder.

– 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.

Metoden bygger på förstärkningsinlärning, vilket innebär att de rätta åtgärderna belönas och förstärks. AI-modellen som används har tränats på att anpassa laddningen efter vilken laddstatus batteriet har och dess hälsotillstånd. Genom det minskas riskerna för skadliga kemiska sidoreaktioner som till exempel litiumplätering, samtidigt som tiden för att ladda inte ökar.

– 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.

En fördel med AI-metoden som presenteras är att den är enkel att implementera i befintliga bilars batterihanteringssystem genom en uppdatering.

– Det finns inte så många olika batterityper i dag, men det behövs kalibreringar av metoden för att den ska kunna användas av alla. Med så kallad transfer learning, överföringsinlärning, 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 nu att testa tekniken på fysiska batterier och förhoppningen är att AI-metoden ska kunna bidra till att öka elektrifieringen av transporter.