Neue Flüssigkühlstrategie senkt Energieverbrauch von E-Auto-Batterien um 20 % ohne Sicherheitseinbußen
Im Wettrennen um die perfekte Batterieleistung für Elektrofahrzeuge gibt es ein hartnäckiges technisches Dilemma, das Entwickler wie eine stete Warnleuchte im Dashboard verfolgt: Wie hält man die Batterie kühl genug für maximale Sicherheit – aber nicht so kühl, dass man die Energie verschwendet, die man eigentlich erhalten möchte?
Ein Forschungsteam der Universität für Wissenschaft und Technologie Shanghai und des Techniker-Colleges Yancheng in Jiangsu liefert nun eine überzeugende Antwort – nicht durch exotische Materialien oder radikale Neukonstruktion, sondern durch eine präzise abgestimmte Kombination aus Simulation, Experiment und multikriterieller Optimierung, die infrage stellt, wann und wie intensiv das Kühlsystem arbeiten sollte.
Ihr Durchbruch, kürzlich veröffentlicht in Energy Storage Science and Technology, schiebt die Erwartungen an die praktische Batteriethermomanagement neu. Durch strategisches Verzögern des Starts der aktiven Kühlung und Feinabstimmung von Kühlmitteldurchfluss und -eintrittstemperatur mittels einer hybriden Optimierungsmethode zeigte das Team, dass ein flüssigkeitsgekühlter Lithium-Ionen-Batteriepack sicher unter 32 °C gehalten werden kann, während der systemweite Energieverbrauch um fast 20 % auf nur 2.750 W unter 1,0 C-Entladung sinkt. Das mag auf dem Papier bescheiden klingen, bedeutet in einem Elektroauto, in dem jede Wattstunde zählt, jedoch spürbare Gewinne bei Reichweite, Ansprechverhalten und langfristiger Batteriegesundheit.
Seit Jahren gilt Flüssigkühlung als Goldstandard für hochperformante Elektrofahrzeuge – Tesla, Lucid und BMW setzen alle auf Varianten geschlossener Flüssigsysteme, um die Packtemperaturen zu regulieren. Luftkühlung, obwohl simpler und günstiger, kann die erforderliche Wärmeflusskapazität für Schnellladen oder Hochlastfahrten nicht erreichen; und passive Phasenwechselmaterialien, obwohl vielversprechend hinsichtlich Gleichmäßigkeit, haben Probleme mit der Wärmeabfuhr unter anhaltender Belastung. Flüssigkühlung trifft den Sweet Spot: hohe Wärmeleitfähigkeit, stabile Temperaturverteilung und Skalierbarkeit über Pack-Geometrien hinweg.
Aber sie hat auch ihre Nachteile. Pumpen, Wärmetauscher und Kühler benötigen Energie – besonders im Dauerbetrieb. Systeme der Frühgeneration verfolgten oft eine „Always-on“-Kühlphilosophie: Sobald der Pack beispielsweise 25 °C überschritt, lief der Kühlmittelkreislauf auf Volllast. Dieser Ansatz gewährleistete zwar Sicherheit – aber auf Kosten von parasitären Verlusten. In manchen Fällen konnten bis zu 3–5 % der gesamten Fahrzeugenergie allein dafür aufgewendet werden, die Batterie vor Überhitzung zu schützen.
„Was wir erkannt haben, ist, dass eine Lithium-Ionen-Zelle nicht sofort degradiert, sobald sie 30 °C überschreitet“, sagt Xiao Yan Wang, Dozent für Fahrzeugtechnik an der Universität für Wissenschaft und Technologie Shanghai und einer der Hauptautoren der Studie. „Es gibt eine thermische Trägheit. Die Zelle erwärmt sich allmählich. Das gibt uns ein Fenster – ein strategisches Fenster –, in dem wir es uns leisten können, abzuwarten, zu überwachen und nur einzugreifen, wenn es wirklich nötig ist.“
Diese Erkenntnis bildete das Rückgrat der strategie zur verzögerten Kühlungsintervention des Teams. Anstatt aktiv zu werden, sobald der Pack eine voreingestellte Temperatur erreichte, wartete ihre Steuerlogik, bis die durchschnittliche Zelltemperatur 32 °C erreicht hatte. An diesem Punkt aktivierte sich das Flüssigkühlsystem – immer noch deutlich unter der 50 °C-Gefahrenschwelle, bei der Lithium-Plattierung und SEI-Schichtabbau beschleunigt einsetzen. Das Ergebnis? Ein sanfteres, energiebewussteres Temperaturprofil – nicht unähnlich einem smarten Thermostat, der die Heizung bis zur letzten Minute zurückhält, um Energie zu sparen, aber dennoch für behagliche Wärme sorgt.
Kritisch dabei: Dies war keine rein theoretische Anpassung. Die Forscher bauten einen vollständigen experimentellen Prüfstand – komplett mit einem Lithium-Ionen-Batteriemodul, Pumpe, Plattenwärmetauscher, isoliertem Holzgehäuse mit Aerogel und Alufolie (um konvektive und Strahlungsverluste zu minimieren) und einem Satz von 12 K-Typ-Thermoelementen pro Zelle –, um realistische Dynamiken zu erfassen. Sie führten kontrollierte 1,0 C-Entladezyklen durch und zeichneten Temperaturanstiegsraten, Oberflächenwärmefluss und Systemleistungsaufnahme mit Millisekunden-Genauigkeit auf.
Dann kam das digitale Abbild: ein eindimensionales Simulationsmodell, erstellt in AMESim, eng gekoppelt mit einem vollständigen Fahrzeugdynamikmodul – inklusive Fahrersteuerung, Fahrzeugmasse, Motordrehmomentkurven und elektrischem Batterieverhalten. Dies war kein isoliertes Thermomodell; es spiegelte wider, wie der Pack tatsächlich auf der Straße unter Beschleunigung, Segeln und rekuperativem Bremsen agiert.
Als die simulierten Batterietemperaturkurven mit den experimentellen Daten überlagert wurden, war die Übereinstimmung frappierend: eine maximale Abweichung von nur 1,8 %, weit innerhalb akzeptabler technischer Toleranzen. Geringfügige Diskrepanzen – wie eine leichte Verzögerung im experimentellen Temperaturanstieg – wurden auf die Thermoelementplatzierung (oberflächenmontiert statt eingebettet) und kleine Vereinfachungen im Wärmeerzeugungsmodell zurückgeführt. Insgesamt erwies sich das Modell jedoch als robust genug, um als vorausschauender Sandkasten für die Optimierung zu dienen.
Hier wurde es mathematisch elegant – und praktisch wirkungsvoll.
Hergebrachte Parameterabstimmung könnte das Testen einer Variable nach der anderen bedeuten: Durchflussrate verdoppeln, Ergebnis checken; Kühlmitteleintritt um 2 °C senken, Differenz prüfen. Doch dieser Ansatz ignoriert Wechselwirkungen. Höherer Durchfluss verbessert zwar die Wärmeabfuhr – aber nur bis zu einem Punkt. Die Pumpenleistung skaliert nichtlinear mit dem Durchfluss, sodass jenseits eines bestimmten Schwellenwerts mehr Energie für das Bewegen der Flüssigkeit aufgewendet wird, als durch die Kühlung gewonnen wird. Ebenso bringt das Absenken der Kühlmitteleintrittstemperatur von 25 °C auf 20 °C einen nahezu linearen Drop der Spitzenzelttemperatur – aber das Erreichen dieser 5 °C-Differenz könnte ein Aufdrehen des verbauten Kühlaggregats erfordern, was den Vorteil zunichtemacht.
Statt lokale Maxima zu verfolgen, strebte das Team aus Shanghai nach einem globalen Optimum – einer Konfiguration, die zwei konkurrierende Ziele ausbalancierte: Minimiere die Spitzenbatterietemperatur (harte Obergrenze: ≤32 °C) und minimiere den gesamten Systemleistungsverbrauch. Dafür errichteten sie einen multikriteriellen Optimierungsrahmen (MOO), der vier fortschrittliche Techniken kombinierte:
- Latin-Hypercube-Sampling (LHS), um den Designraum intelligent ohne Brute-Force-Simulation zu erkunden.
- Response-Surface-Methodology (RSM), um hochpräzise Surrogatmodelle zu konstruieren – im Wesentlichen glatte mathematische Approximationen –, die Eingangsvariablen (Durchflussrate, Eintrittstemperatur, Interventionszeit) mit Ausgaben (max. Zelttemp., Systemleistung) verknüpfen.
- MOGA-II, einen Multi-Objective-Genetzalgorithmus der nächsten Generation, bekannt für elitenerhaltende Selektion und schnelle Konvergenz, um Tausende von Kandidatenlösungen in Richtung der Pareto-Front zu entwickeln – der Menge nicht-dominierter Kompromisse, bei der kein Einzelziel verbessert werden kann, ohne das andere zu verschlechtern.
- K-means-Clustering, um die Hunderte von Pareto-optimalen Punkten in fünf repräsentative „Archetypen“ zu destillieren, von denen jeder eine andere Philosophie verkörpert: ultra-tiefe Temp. (mit hohem Energieaufwand), ultra-geringer Verbrauch (mit mäßigem Temp.-Anstieg) und drei ausbalancierte Kompromisse dazwischen.
Die Gewinnerkonfiguration – Cluster 3 getauft – war weder die kälteste noch die sparsamste. Aber sie traf das ideale Gleichgewicht für den Alltagsbetrieb: eine Kühlmittel-Massendurchflussrate von 0,000201 kg/s (ca. 12 l/min), Eintrittstemperatur von 17,01 °C und Kühlungsintervention bei 32 °C. Unter 1,0 C-Entladung hielt dieses Setup die Spitzenzelttemperatur bei 30,83 °C – bequem innerhalb der Spezifikation – und benötigte nur 2.750 W Hilfsleistung.
Um das einzuordnen: Kontinuierliche Basiskühlung unter identischen Bedingungen zog 3.432 W. Das ist eine Reduktion um 682 W – ein Rückgang um 19,8 %. Über einen 30-minütigen aggressiven Fahrzyklus sind das über 20 Wattstunden Ersparnis allein für die Thermoregulation. In einem E-Auto mit 75 kWh Pack reicht das nicht für Extra-Meilen – aber es reicht, um die Belastung des 12-V-Bordnetzes zu reduzieren, die Pumpenlebensdauer zu verlängern und die Nettowirkung während Autobahnfahrten oder DC-Schnellladens, wo die thermischen Lasten spitze sind, zu verbessern.
Der echte Test fand jedoch nicht im stationären Entladebetrieb statt. Sondern im Stop-and-Go-Chaos realer Fahrbedingungen – konkret im Neuen Europäischen Fahrzyklus (NEFZ), einem standardisierten Protokoll aus Stadtverkehr, suburbaner Beschleunigung und Autobahnspurts. Hier schwankte der Batteriestrom stark: Spitzen bis 126,7 A (15,8 C!), bei einem Durchschnitt von 15,9 A (2,0 C). Thermische Spitzen waren unvermeidlich.
Unter Verwendung derselben Optimierungspipeline – aber nun mit Behandeln der Kühlungsinterventionstemperatur als justierbarer Parameter neben Durchfluss und Eintrittsbedingungen – leitete das Team einen neuen optimalen Satz für dynamischen Betrieb ab: Eintritt bei 20,06 °C, Intervention ausgelöst bei 26,97 °C.
Warum früher im Fahrzyklus intervenieren als im Laborentladung? Weil das System nun mit kumulativem Wärmeaufbau zurechtkommen musste. In einer einzelnen 1C-Entladung war die Wärmeerzeugung vorhersehbar und monoton. Im NEFZ stapelten sich wiederholte Beschleunigungsstöße thermisch, sodass frühe Minderung essenziell war, um späteres Durchgehen zu vermeiden. Ähnlich dem Pace eines Marathons: Man wartet nicht bis Kilometer 32 mit dem Trinken, nur weil man bei Kilometer 16 noch fit war.
Die Validierung dieser dynamischen Strategie erforderte weitere Hardware-in-the-Loop-Tests. Und obwohl die experimentelle Spitzentemperatur (33,19 °C) die Simulation (32,0 °C) leicht übertraf – eine Abweichung von 3,7 %, dennoch weit unter kritischen Schwellen –, stimmte der Gesamtverlauf gut überein. Der größte momentane Fehler (6,5 %) trat bei 1.139 Sekunden auf, während eines starken Stromanstiegs; doch selbst dann blieb die Temperatur 16,8 °C unter der Zone des thermischen Durchgehens, wie sie in Hoch-Nickel-NMC-Zellen beobachtet wird.
Diese Robustheit ist wichtig. E-Auto-Hersteller optimieren nicht nur für Nominalbedingungen – sie konstruieren für Randfälle: ein 40 °C-Ambientetag, Bergpassauffahrt, bei voll laufender Klimaanlage. Ein Thermomanagementsystem, das im Shanghaier Frühling brilliert, könnte im Death Valley-Sommer versagen. Die Tatsache, dass dieser Ansatz standhaft blieb – selbst mit geringen realen Abweichungen –, legt starke Generalisierbarkeit nahe.
Bereits zieht dies die Aufmerksamkeit von Automobilherstellern auf sich. Obwohl das Papier keine Industriepartnerschaften offenlegt, haben mehrere OEMs in ihren neuesten Plattformen leise auf adaptive Kühlstrategien umgestellt. Fords aktualisierte Mustang Mach-E-Software beinhaltet nun „Efficiency Mode“-Thermologik, die Kühlaggregat-Einsatz bei mildem Fahren verzögert. Rivians R1T nutzt Kabinenvorconditionierung, um den Pack vor Fahrtantritt vorzukühlen – im Wesentlichen eine Verlagerung des Energieverbrauchs auf Netzstrom, nicht die Batterie. Und BYDs Blade-Batterie-Packs integrieren eingebettete Temperatursensoren mit KI-gesteuerter Durchflussmodulation, die kanalweise basierend auf lokalen Hot Spots adjustiert.
Was diese Shanghai-geführte Arbeit abhebt, ist ihre methodische Transparenz und Toolchain-Integration. Anstatt eine Blackbox-Lösung zu präsentieren, kartierten die Autoren den gesamten Designweg: vom physischen Testbett → validierte Simulation → intelligentes Sampling → Surrogatmodellierung → genetische Optimierung → clusterbasierte Entscheidungsunterstützung. Diese Pipeline ist replizierbar. Ein Tier-1-Zulieferer könnte sie morgen adaptieren – nicht nur für Batterien, sondern für Motoren, Wechselrichter, sogar Kabinen-Klimaanlagen.
Zudem vermied das Team bewusst Over-Engineering. Keine Mikrokanal-Kaltplatten. Keine Nanofluid-Additive. Keine eingebetteten Peltier-Kühler. Ihr System verwendete Standardkomponenten: einen konventionellen Plattenwärmetauscher, eine PWM-gesteuerte Zentrifugalpumpe und ein 50/50-Wasser-Ethylenglykol-Gemisch – derselbe Kühlmitteltyp, der in Millionen von Fahrzeugen mit Verbrennungsmotor zu finden ist. Das ist ein enormer Vorteil für Kosten, Wartungsfreundlichkeit und Lieferkettenresilienz.
Natürlich bleiben Herausforderungen. Das aktuelle Modell geht von uniformer Zelalterung aus – aber in der Praxis erhöht Kapazitätsabbau den Innenwiderstand, was über Zeit zu höherer lokaler Wärmeerzeugung führt. Zukünftige Iterationen müssen Degradationsmodelle einbetten, möglicherweise thermische Performance mit State-of-Health(SOH)-Schätzern koppeln. Ebenso fokussierte die Studie auf Entladung; Schnellladen – bei dem die Wärmeerzeugung 3–4× höher sein kann – verlangt noch aggressiveres Management. Vorläufige Daten der Gruppe legen nahe, dass während 150-kW-DC-Ladung die optimale Intervention vielleicht auf 28 °C fallen muss, bei um ~30 % erhöhten Durchflussraten.
Dennoch bleibt die Kernidee bestehen: Präzises Timing schlägt rohe Gewalt. Man muss Hitze nicht bekämpfen, sobald sie erscheint – man muss ihre Trajektorie antizipieren und sie am Punkt maximaler Hebelwirkung abfangen.
Während sich E-Autos von Neuheiten zu Notwendigkeiten entwickeln, kann Energieeffizienz kein Nachgedanke sein. Jedes Subsystem muss seinen Beitrag leisten – nicht nur in Performance, sondern in Sparsamkeit. Diese Arbeit beweist, dass die wirkungsvollste Innovation manchmal nicht darin liegt, mehr zu tun – sondern gerade genug, zur genau richtigen Zeit.
Und in einer Welt, die auf Elektrifizierung zurasst, könnte diese Art von intelligenter Zurückhaltung das wertvollste Performance-Upgrade von allen sein.
Autorenzugehörigkeiten und Publikationsdetails:
Shuqin Liu¹, Xiao Yan Wang², Zhendong Zhang², Zhenxia Duan²
¹ Yancheng Technician College, Yancheng 224000, Jiangsu, China
² University of Shanghai for Science and Technology, Shanghai 200093, China
Energy Storage Science and Technology, Bd. 12, Nr. 7, S. 2155–2165, Juli 2023
DOI: 10.19799/j.cnki.2095-4239.2023.0152