Im Bereich der Elektromobilität gewinnt die Lithium-Eisen-Phosphat-Batterie (LFP-Batterie) zunehmend an Bedeutung, vor allem aufgrund ihrer hohen Sicherheit und Langlebigkeit. Ein entscheidender Aspekt für die Nutzung von LFP-Batterien in Elektrofahrzeugen ist die genaue Schätzung des Ladezustands (State of Charge, SOC). Doch die spezifischen Eigenschaften von LFP-Batterien, insbesondere die flache OCV-SOC-Kurve (Open Circuit Voltage – State of Charge) im Bereich von 20 % bis 95 % SOC, stellen eine erhebliche Herausforderung für herkömmliche Schätzverfahren dar. Forscher der Shanghai Jiao Tong University und der Shanghai Qiyuan Green Power Technology Co., Ltd. haben nun eine innovative Methode entwickelt, die auf Deep-Learning-Techniken basiert und die Genauigkeit der SOC-Schätzung in realen Fahrbedingungen erheblich verbessert.
Die Herausforderungen bei der SOC-Schätzung für LFP-Batterien
LFP-Batterien zeichnen sich im Vergleich zu anderen Lithium-Ionen-Batterien durch eine hohe thermische Stabilität und eine geringere Neigung zu thermischen Laufzeiten aus, was sie zu einer idealen Energiequelle für Elektrofahrzeuge macht. Dennoch ist die genaue Bestimmung des SOCs eine der wichtigsten Aufgaben eines Batteriemanagementsystems (BMS). Das Problem liegt in der spezifischen Charakteristik der OCV-SOC-Kurve: Im Bereich von 20 % bis 95 % SOC ändert sich die Offenkreisspannung nur um etwa 0,15 V, obwohl der SOC um 75 % variiert. Diese flache Region macht es extrem schwierig, den SOC mit herkömmlichen modellbasierten Methoden genau zu schätzen.
Modellbasierte Ansätze, wie die Verwendung von erweiterten Kalman-Filtern (EKF), stossen hier an ihre Grenzen, weil kleine Abweichungen in der Spannungsmessung zu großen Fehlern in der SOC-Schätzung führen können. Datengetriebene Methoden hingegen sind oft auf laboreigene Bedingungen beschränkt und weisen Schwierigkeiten auf, wenn sie auf reale Fahrbedingungen übertragen werden. Zudem ist es schwierig, genaue Trainingsdaten aus der realen Welt zu beschaffen, da die von Onboard-BMS an die Cloud übermittelten SOC-Werte oft ungenau sind.
Bisherige Studien konzentrierten sich häufig auf kontrollierte Laboumgebungen, in denen Temperatur, Strom und Ladevorgang stabil gehalten werden. Diese Ansätze weisen jedoch oft Probleme auf, wenn sie in der realen Welt angewendet werden, wo Fahrbedingungen ständig wechseln – von extremen Temperaturen über variable Lade- und Entladezyklen bis hin zu unterschiedlichen Alterszuständen der Batterien.
Ein neues Deep-Learning-Verfahren: CNNGRUM-Modell
Um diese Herausforderungen zu meistern, haben die Forscher ein neuartiges hybrides Modell entwickelt, das als CNNGRUM bezeichnet wird. Es kombiniert die Stärken von Convolutional Neural Networks (CNN) und Gated Recurrent Units (GRU), um sowohl die komplexen räumlichen Beziehungen zwischen den Eingangsmerkmalen als auch die zeitlichen Abhängigkeiten in den Daten zu erfassen.
Merkmaleingabe und Datenaufbereitung
Das Modell nutzt vier Schlüsselmerkmale für die SOC-Schätzung: Strom, Spannung, Temperatur und die Akkuladungsmenge während des Ladevorgangs. Diese Merkmale werden in Form von Zeitreihen bereitgestellt, um dem Modell eine umfassende Sicht auf den Zustand der Batterie über die Zeit zu geben.
Um genaue Trainingsdaten zu erhalten, wurde eine Methode zur Korrektur des SOCs entwickelt, die auf der inversen Amperestunden-Integration basiert. Dabei wird von dem bekannten Voll ladungszustand (100 % SOC) ausgegangen, der dann rückwärts über den Ladevorgang integriert wird, um die SOC-Werte zu verschiedenen Zeitpunkten zu berechnen. Diese Methode nutzt die Tatsache, dass der Voll ladungszustand eine zuverlässige Referenz ist und dass der Ladevorgang im Vergleich zum Entladevorgang stabiler und vorhersehbarer ist. Dadurch können genaue SOC-Labels für die Trainingsdaten generiert werden, ohne auf ungenaue Onboard-BMS-Daten angewiesen zu sein.
Architektur des CNNGRUM-Modells
Das CNNGRUM-Modell besteht aus zwei unabhängigen Lernern – einem CNN und einem GRU-Netzwerk – sowie einem Meta-Lerner, der die Ergebnisse der beiden Netzwerke kombiniert.
- CNN-Teil: Das CNN ist darauf trainiert, komplexe räumliche Muster in den Eingangsmerkmalen zu erkennen. Es nutzt mehrere Convolutional-Schichten, um relevante Merkmale aus den Zeitreihen zu extrahieren, gefolgt von Pooling-Schichten zur Reduktion der Dimensionszahl und Fully-Connected-Schichten zur weiteren Verarbeitung. Dies ermöglicht es dem Modell, nichtlineare Beziehungen zwischen Strom, Spannung, Temperatur und SOC zu erfassen.
- GRU-Teil: Die GRU-Einheiten sind besonders gut darin, langfristige Abhängigkeiten in Zeitreihendaten zu verfolgen. Im Gegensatz zu herkömmlichen rekurrenten Neuronalen Netzwerken (RNN) verhindern sie das Problem des Gradientenverlusts oder -explosions, indem sie durch Update- und Reset-Gates steuern, welche Informationen beibehalten oder gelöscht werden. Dies ist entscheidend, um die dynamischen Veränderungen der Batterie über lange Zeiträume zu modellieren.
- Meta-Lerner: Dieser besteht aus zwei Fully-Connected-Schichten und kombiniert die Outputs des CNN und GRU, um den endgültigen SOC-Wert zu berechnen. Durch die Integration der beiden Netzwerke nutzt das Modell sowohl die räumlichen Mustererkennungsfähigkeiten des CNN als auch die Fähigkeit des GRU, zeitliche Abhängigkeiten zu erfassen, was zu einer höheren Genauigkeit führt als einzelne Netzwerke.
Validierung in der realen Welt: Impressive Ergebnisse
Das Modell wurde auf Daten von 20 Elektrofahrzeugen mit LFP-Batterien aus der realen Welt getestet, die über einen Zeitraum von zwei Monaten erhoben wurden. Die Fahrbedingungen umfassten Temperaturen zwischen 5 °C und 35 °C, verschiedene Anfangsladungszustände (25 % bis 50 % SOC) sowie Batterien mit unterschiedlichen Gesundheitszuständen (SOH: 0,925 bis 1,0).
Die Testergebnisse waren beeindruckend: Das CNNGRUM-Modell erreichte eine maximale absolute Abweichung von nur 2,85 %, einen root mean square error (RMSE) von 0,61 % und einen durchschnittlichen absoluten Fehler (MAE) von 0,42 %. Darüber hinaus lagen über 90 % der Fehler innerhalb eines Bereichs von -1 % bis +1 %, was eine hohe Stabilität der Schätzung unterstreicht.
Robustheit unter variablen Bedingungen
Die Untersuchung zeigte, dass das Modell auch unter extremen Bedingungen zuverlässig arbeitet. Bei niedrigen Temperaturen (z. B. 5 °C bis 10 °C), die bekanntermaßen die Leistung von Batterien beeinträchtigen, blieb der MAE unter 0,45 % und der RMSE unter 0,58 %. Auch bei unterschiedlichen Anfangsladungszuständen zeigte das Modell eine hohe Genauigkeit, mit einem MAE von weniger als 0,42 % und einem RMSE von weniger als 0,57 %.
Ein weiterer wichtiger Testfall war die Schätzung des SOCs für ältere Batterien mit verminderter Kapazität (SOH von 0,925 bis 0,975). Selbst hier blieben die Fehler gering, was die Fähigkeit des Modells unterstreicht, mit der Alterung der Batterien umzugehen und genaue Schätzungen auch bei langfristiger Nutzung zu liefern.
Vergleich mit anderen Modellen
Um die Leistung des CNNGRUM-Modells zu beurteilen, wurde es mit anderen verbreiteten Methoden verglichen: einem einfachen CNN, einem einfachen GRU und einem traditionellen gestapelten CNN-GRU-Modell.
- Im Vergleich zum einfachen CNN verbesserte sich der Anteil der Fehler im Bereich von 0 % bis 0,5 % von 60 % auf 77 %.
- Das GRU-Modell zeigte durchschnittliche Fehlerreduktionen von über 18 % gegenüber dem CNNGRUM.
- Das traditionelle CNN-GRU-Modell wies einen RMSE und MAE auf, die um 27 % bzw. 19 % höher waren als bei dem vorgeschlagenen CNNGRUM.
Diese Ergebnisse belegen, dass die hybride Architektur des CNNGRUM-Modells erfolgreich die Stärken beider Netzwerktechnologien kombiniert und so eine höhere Genauigkeit erreicht als einzelne Modelle oder traditionelle Kombinationen.
Bedeutung der Akkuladungsmenge als Merkmal
Ein weiterer Schlüsselaspekt der Studie war die Untersuchung der Bedeutung der Akkuladungsmenge als zusätzliches Merkmal. Durch ein Ablations-Experiment wurde gezeigt, dass das Entfernen dieser Merkmals zu einer signifikanten Verschlechterung der Schätzgenauigkeit führt: Der maximale absolute Fehler stieg um 4,03 %, der RMSE um 0,13 % und der MAE um 0,08 %.
Die Akkuladungsmenge liefert dem Modell Informationen über die kumulierte Ladung über einen längeren Zeitraum, was besonders hilfreich ist, um die flache OCV-SOC-Region zu überwinden. Während Strom, Spannung und Temperatur eher kurzfristige Zustandsinformationen liefern, kompensiert die Akkuladungsmenge diese Lücke, indem sie langfristige Trends in der Batterienutzung einfängt.
Praktische Anwendungen und zukünftige Perspektiven
Die vorgeschlagene Methode hat erhebliche praktische Implikationen für die Elektromobilität. Genauere SOC-Schätzungen ermöglichen es Fahrern, bessere Entscheidungen über Lade- und Fahrpläne zu treffen, reduzieren die Angst vor einem plötzlichen Leistungsverlust und verbessern insgesamt das Vertrauen in Elektrofahrzeuge.
Für Hersteller von Batteriemanagementsystemen bietet das CNNGRUM-Modell eine Möglichkeit, die Leistung ihrer Systeme in realen Bedingungen zu verbessern. Da das Modell auf Cloud-Daten trainiert werden kann und dann auf Onboard-BMS übertragen wird, lässt es sich flexibel an verschiedene Fahrbedingungen und Batterietypen anpassen.
Zukünftige Forschungen könnten sich auf die Erweiterung des Modells auf Entladevorgänge konzentrieren, die komplexer und variabler sind als Ladevorgänge. Zudem könnte die Integration weiterer Sensorik, wie z. B. Druck oder Gasanalysen, helfen, die Genauigkeit weiter zu steigern und gleichzeitig Sicherheitsaspekte, wie die Früherkennung von Batterienschäden, zu verbessern.
Ein weiterer vielversprechender Bereich ist die Kombination mit Vorhersagemodellen für Fahrprofile. Wenn das Modell in der Lage ist, zukünftige Fahrbedingungen vorherzusagen, könnte es die SOC-Schätzung proaktiv anpassen und so eine noch genauere Energieverwaltung ermöglichen.
Fazit
Die Entwicklung des CNNGRUM-Modells markiert einen wichtigen Schritt in der Verbesserung der SOC-Schätzung für LFP-Batterien in Elektrofahrzeugen. Durch die Kombination von CNN und GRU sowie die Nutzung von realen Fahrdatensätzen überwindet es die Grenzen herkömmlicher Methoden, die oft in kontrollierten Laboumgebungen beschränkt sind.
Die erzielten Genauigkeitswerte – mit einem maximalen absoluten Fehler von 2,85 % und durchschnittlichen Fehlern unter 0,5 % – demonstrieren, dass Deep-Learning-Techniken eine vielversprechende Lösung für die komplexen Probleme der Batteriemanagement sind. Insbesondere die Fähigkeit, mit variablen Temperaturen, Alterszuständen und Ladebedingungen umzugehen, macht das Verfahren zu einem praktisch relevanten Tool für die Elektromobilität.
Mit der weiteren Verbreitung von LFP-Batterien und der fortschreitenden Entwicklung von KI-basierten Verfahren wird die Genauigkeit der SOC-Schätzung sicherlich weiter zunehmen, was einen wesentlichen Beitrag zur Akzeptanz und Effizienz von Elektrofahrzeugen leisten wird. In einem Zeitalter, in dem die Nachhaltigkeit und Energieeffizienz im Vordergrund stehen, ist dies ein wichtiger Schritt auf dem Weg zu einer emissionsfreien Mobilität.