Neue Batteriezustandsschätzung verbessert Elektroautoleistung
Im dynamischen Bereich der Elektrofahrzeuge, wo Leistung, Sicherheit und Langlebigkeit oberste Priorität haben, hat ein Forschungsteam der Tiangong Universität eine bahnbrechende Methode zur Schätzung kritischer Zustände von Lithium-Ionen-Batterien entwickelt. Diese Innovation unter der Leitung von Professorin Liu Fang und ihren Kollegen verspricht eine erhebliche Steigerung der Genauigkeit und Zuverlässigkeit von Batteriemanagementsystemen (BMS), insbesondere unter anspruchsvollen Bedingungen wie großen Temperaturschwankungen und unvorhersehbaren Fahrprofilen.
Die unter dem Titel „Online Joint Estimation Method for Key States of Lithium Battery Based on a New Electro-thermal Coupling Model“ veröffentlichte Forschung erschien kürzlich in dem renommierten Journal „Proceedings of the CSEE“. Sie adressiert eine grundlegende Herausforderung der E-Mobilitätsbranche: das komplexe Zusammenspiel zwischen elektrischen, thermischen und Alterungszuständen einer Batterie, das traditionelle Modelle oft nicht präzise genug erfassen können. Da Elektrofahrzeuge in verschiedenen Klimazonen unterwegs sind – von eisigen Wintern in nördlichen Regionen bis zu glühenden Sommern in Wüsten – unterliegen ihre Batterien erheblichen thermischen Schwankungen. Diese Temperaturveränderungen beeinflussen die innere Chemie der Batterie erheblich und wirken sich auf den Ladungszustand (State of Charge, SOC), die verbleibende Kapazität über die Lebensdauer (State of Health, SOH) und die aktuelle Temperatur (State of Temperature, SOT) aus. Die Vernachlässigung dieser dynamischen Wechselwirkungen kann zu ungenauen Messwerten, ineffizienter Energienutzung, reduzierter Batterielebensdauer und potenziellen Sicherheitsrisiken führen.
Aktuelle state-of-the-art Batteriemanagementtechniken konzentrieren sich typischerweise auf die Schätzung nur zweier Zustände, meistens SOC und SOH. Während dieser Ansatz in stabilen Umgebungen effektiv ist, wird er unzureichend, sobald die Temperatur eine Hauptvariable darstellt. Eine zu kalte Batterie kann ihre volle Leistung nicht abgeben, während eine zu heiße Batterie das Risiko eines thermischen Durchgehens birgt. Bestehende elektro-thermische Modelle, die versuchen, elektrisches und thermisches Verhalten zu verknüpfen, basieren oft auf vorprogrammierten, statischen Datentabellen. Diese Tabellen, abgeleitet von Labortests an einigen Beispielbatterien, setzen voraus, dass alle Batterien desselben Typs identisch funktionieren. In der realen Welt jedoch führen Herstellungstoleranzen dazu, dass keine zwei Batterien genau gleich sind. Dieses „Konsistenzproblem“ kann erhebliche Fehler verursachen, wenn ein für eine Batterie entwickeltes Modell auf eine andere angewendet wird, selbst aus derselben Produktionscharge. Darüber hinaus verändern sich mit der Alterung einer Batterie ihr Innenwiderstand und ihre Wärmeentwicklungseigenschaften, was statische Modelle über die Zeit zunehmend ungenau macht.
In Anerkennung dieser Limitierungen hat das Team des Tianjin Key Laboratory of Autonomous Intelligence Technology and Systems einen revolutionären neuen Ansatz entwickelt. Ihre Lösung ist ein neuartiges elektro-thermisches Kopplungsmodell namens ARST (Autoregression-Single State Thermal). Dieses Modell ist kein statischer Regelkatalog, sondern ein dynamisches, sich selbst korrigierendes System, das sich an die einzigartigen und sich ständig ändernden Bedingungen einer realen Batterie anpasst.
Der Kern des ARST-Modells liegt in der innovativen Fusion zweier distinctiver Komponenten. Die erste ist ein fortschrittliches elektrisches Modell, genannt Autoregressive Equivalent Circuit Model (AR-ECM). Im Gegensatz zu den traditionellen RC (Widerstand-Kondensator) Modellen, die üblicherweise in BMS verwendet werden und Schwierigkeiten haben, die Reaktion einer Batterie auf schnelle, hochfrequente Stromänderungen – typisch für aggressives Fahren oder rekuperatives Bremsen – genau zu simulieren, excelliert das AR-ECM in der Verfolgung dieser komplexen, dynamischen elektrischen Charakteristika. Es kann das Batterieverhalten über ein breites Spektrum von Fahrszenarien, vom sanften Cruisen bis zur plötzlichen Beschleunigung, authentischer abbilden.
Die zweite Komponente ist ein Single State Lumped Thermal Model (SSTM), das sich auf die Temperatur der Batterie konzentriert. Angesichts der kompakten Größe gängiger 18650 Rundzellen entschieden die Forscher, dass ein vereinfachtes thermisches Modell, das die gesamte Zelle als eine einzige, durchschnittliche Temperatur behandelt, die perfekte Balance zwischen Recheneffizienz und Genauigkeit bietet. Dies ist entscheidend für das BMS eines Elektrofahrzeugs, das tausende Berechnungen pro Sekunde durchführen muss, ohne die Prozessorleistung des Fahrzeugs zu überlasten.
Die wahre Genialität des ARST-Modells liegt jedoch nicht nur in seiner Struktur, sondern darin, wie es lernt und sich anpasst. Die Forscher haben eine ausgeklügelte „Priori-Informationen-Initialisierungs-Online-Korrektur“-Strategie implementiert. Dies bedeutet, das Modell startet nicht bei Null. Stattdessen wird es zunächst mit einer Fülle von „Priori-Informationen“ initialisiert – einer umfassenden Datenbank, wie sich die Schlüsselparameter der Batterie, wie ihr Innenwiderstand und ihre Wärmekapazität, mit Temperatur, Ladungszustand und Alter ändern. Diese Daten stammen aus umfangreichen Labortests an Beispielbatterien.
Doch das Modell hört hier nicht auf. Einmal in einem echten Fahrzeug im Einsatz, tritt es in einen kontinuierlichen Zyklus des Online-Lernens und der Selbstkorrektur ein. Dies wird durch einen Dual-Filter-Struktur-Algorithmus erreicht, ein leistungsstarkes Rechenframework, das im Hintergrund operiert. Ein Filter ist der Schätzung der aktuellen Zustände der Batterie – SOC, SOH und SOT – gewidmet. Der andere Filter ist damit beauftragt, die eigenen internen Parameter des Modells kontinuierlich zu verfeinern. Diese beiden Filter kommunizieren ständig und tauschen Informationen aus. Die Zustandsschätzungen des ersten Filters werden verwendet, um die Parameterschätzungen im zweiten zu verbessern, und die verbesserten Parameter des zweiten Filters werden genutzt, um die Zustandsschätzungen im ersten noch genauer zu machen. Dies erzeugt eine mächtige Feedback-Schleife, die es dem Modell ermöglicht, die spezifischen Charakteristika der individuellen Batterie, die es überwacht, zu „erlernen“ und so Herstellungsunterschiede und Alterungseffekte auszugleichen.
Diese Online-Korrekturfähigkeit ist ein Game-Changer. Sie bedeutet, dass das Modell sich dynamisch an die einzigartige „Persönlichkeit“ jeder Batterie anpassen kann und so sicherstellt, dass seine Vorhersagen über den gesamten Lebenszyklus des Fahrzeugs genau bleiben. Erwärmt sich beispielsweise eine bestimmte Batteriezelle während einer Hochgeschwindigkeitsfahrt etwas stärker als erwartet, wird das ARST-Modell diese Diskrepanz erkennen, seine internen thermischen Parameter anpassen und dieses neue Wissen für genauere Vorhersagen bei der nächsten Fahrt nutzen. Diese kontinuierliche Anpassung ermöglicht es dem Modell, ein Maß an Präzision zu erreichen, das statische, Standardmodelle einfach nicht erreichen können.
Um ihre Behauptungen zu validieren, führte das Forschungsteam rigorose Experimente mit öffentlich verfügbaren Batteriedatensätzen zweier bekannter Hersteller durch: A123 und Panasonic NCR. Sie testeten das ARST-Modell unter zwei anspruchsvollen dynamischen Fahrzyklen: dem Dynamic Stress Test (DST), der aggressives Stadtfahren mit häufigen Stopps und Starts simuliert, und dem Highway Fuel Economy Test (HWFET), der Hochgeschwindigkeitsfahrten nachahmt. Diese Tests wurden über einen weiten Temperaturbereich von 0°C bis 50°C durchgeführt, um reale Extreme zu simulieren.
Die Ergebnisse waren überzeugend. Im Vergleich zu einem Modell, das sich ausschließlich auf die initialen „Priori-Informationen“ ohne Online-Korrektur verließ, zeigte das vollständige ARST-Modell eine substantielle Verbesserung der Genauigkeit. Sein Spannungsprognosefehler wurde über alle Testbedingungen hinweg um durchschnittlich 4,3 Millivolt reduziert und sein Temperaturprognosefehler um 0,016°C gesenkt. Dies beweist, dass der kontinuierliche Online-Lernprozess essentiell für die Aufrechterhaltung hoher Präzision ist.
Noch beeindruckender war der Vergleich mit einem state-of-the-art elektro-thermischen Modell aus einer führenden Studie von 2023, das eine traditionelle RC-Schaltung für seine elektrische Komponente und feste thermische Parameter verwendete. In direkten Vergleichstests übertraf das ARST-Modell diesen Benchmark in jeder Kategorie. Seine Spannungsprognosen waren signifikant genauer, insbesondere während der schnellen Stromänderungen des DST-Zyklus, dank der überlegenen dynamischen Verfolgung des AR-ECM. Seine Temperaturprognosen waren ebenfalls stabiler, besonders während der langandauernden Hochstromentladung des HWFET-Zyklus, weil seine thermischen Parameter sich der steigenden Temperatur anpassen konnten, anders als die festen Parameter des konkurrierenden Modells.
Die Auswirkung dieses verbesserten Modells auf die finalen Zustandsschätzungen war tiefgreifend. Für die SOC-Schätzung erreichte der ARST-basierte Algorithmus einen durchschnittlichen quadratischen Mittelwertfehler (RMSE) von nur 0,81%. Dies ist eine signifikante Verbesserung gegenüber dem 1,27% Fehler eines Modells, das Temperatureffekte ignorierte, und dem 1,09% Fehler des elektro-thermischen Modells mit festen Parametern. Für die SOH-Schätzung betrug der durchschnittliche RMSE 1,33%, womit es erneut die Alternativen übertraf. Besonders bemerkenswert war die SOT-Schätzung, die mit einem durchschnittlichen Fehler von nur 0,114°C außergewöhnlich genau war und die robuste thermische Verfolgungsfähigkeit des Modells demonstrierte.
Diese Zahlen übertragen sich in reale Vorteile für Elektrofahrzeugfahrer und -hersteller. Eine genauere SOC-Schätzung bedeutet, dass Fahrer ihrer Reichweitenanzeige vertrauen können, was „Reichweitenangst“ reduziert und eine effizientere Reiseplanung ermöglicht. Eine präzisere SOH-Schätzung ermöglicht ein besseres Langzeit-Batteriegesundheitsmonitoring, erlaubt vorausschauende Wartung und gibt ein genaueres Bild des Restwerts des Fahrzeugs. Und mit einer hochgenauen SOT-Schätzung kann das BMS intelligentere Entscheidungen über Leistungsabgabe und Thermomanagement treffen. Es kann beispielsweise verhindern, dass der Fahrer maximale Beschleunigung anfordert, wenn die Batterie zu kalt ist, und so die Zelle schützen, oder es kann das Kühlsystem effizienter aktivieren, wenn die Batterie sich erhitzt, und so Leistung und Langlebigkeit bewahren.
Die Implikationen dieser Forschung gehen über die Verbesserung einer einzelnen Metrik hinaus. Durch die erfolgreiche gemeinsame Online-Schätzung dreier kritischer Zustände – SOC, SOH und SOT – repräsentiert das ARST-Modell einen signifikanten Sprung nach vorn in der BMS-Technologie. Es bietet eine ganzheitlichere und integriertere Sicht auf den Zustand der Batterie, die für die nächste Generation von Elektrofahrzeugen essentiell ist. Da Fahrzeuge autonomer und vernetzter werden, muss das BMS nicht nur mit dem Fahrer, sondern mit dem Zentralcomputer des Fahrzeugs, der Ladeinfrastruktur und sogar dem Stromnetz kommunizieren. Ein BMS, das von einem Modell wie ARST angetrieben wird, kann reichhaltigere, zuverlässigere Daten bereitstellen, was smarteres Energiemanagement, optimierte Ladestrategien und verbesserte Sicherheitsprotokolle ermöglicht.
Darüber hinaus hat die Methodik das Potenzial, Kosten zu reduzieren und den Trend zum Leichtbau von Fahrzeugen zu unterstützen. Weil das ARST-Modell so genau ist, könnte es Ingenieuren erlauben, Batteriepacks mit geringeren Sicherheitsspielräumen zu designen. Derzeit operieren BMS oft konservativ, um Schätzfehler auszugleichen, was bedeutet, dass die volle Kapazität der Batterie nicht immer genutzt wird. Ein präziseres Modell könnte sicher mehr von der verfügbaren Energie der Batterie freischalten, was effektiv die Reichweite des Fahrzeugs erhöht, ohne physikalisches Gewicht oder Kosten hinzuzufügen. Dies ist ein kritischer Vorteil in einer Branche, in der jedes Kilogramm und jeder Dollar zählt.
Während die aktuelle Implementierung des ARST-Modells für die gängige 18650 Rundzelle optimiert ist, räumt das Forschungsteam ein, dass verschiedene Batterieformate, wie große Pouch-Zellen, die in vielen modernen Elektrofahrzeugen verwendet werden, unterschiedliche thermische Herausforderungen darstellen. Das Team, einschließlich Associate Professor Wang Wanru, hat bereits zukünftige Arbeiten skizziert, um komplexere, verteilte thermische Modelle zu erforschen, die mit dem AR-ECM für diese Anwendungen fusioniert werden könnten. Sie sind auch daran interessiert zu untersuchen, wie KI-Techniken genutzt werden könnten, um die hochgradig nicht-linearen Kopplungen innerhalb der Batterie zu modellieren.
Zusammenfassend stellt die Arbeit von Liu Fang, Liu Xinhui, Su Weixing, Wang Wanru von der Tiangong Universität und Bu Fantao von Neusoft Reach Automotive Technology einen großen Fortschritt in der Batteriezustandsschätzung dar. Ihr ARST-Modell mit seiner innovativen Dual-Filter-Struktur und Online-Lernfähigkeit adressiert effektiv die kritischen Schwachstellen existierender Methoden. Indem es ein genaueres, adaptiveres und umfassenderes Verständnis des Zustands einer Lithium-Ionen-Batterie unter realen, extremen Bedingungen liefert, ebnet diese Forschung den Weg für sicherere, effizientere und zuverlässigere Elektrofahrzeuge. Während der globale Übergang zur elektrifizierten Mobilität sich beschleunigt, sind Innovationen wie diese nicht nur akademische Errungenschaften; sie sind essentielle Bausteine für eine nachhaltige Zukunft.
Liu Fang, Liu Xinhui, Su Weixing, Wang Wanru, Bu Fantao. Online Joint Estimation Method for Key States of Lithium Battery Based on a New Electro-thermal Coupling Model. Proceedings of the CSEE. DOI: 10.13334/j.0258-8013.pcsee.232858