Neue Methode verbessert die Kapazitätsbestimmung bei LFP-Batterien in Elektrofahrzeugen
Die Elektromobilität befindet sich in einer entscheidenden Phase ihrer Entwicklung. Während die Nachfrage nach emissionsfreien Fahrzeugen weltweit steigt, rücken die Leistung und Zuverlässigkeit der Antriebsbatterien zunehmend in den Fokus. Lithium-Ionen-Batterien sind seit Jahren die dominierende Technologie, wobei sich zwei Hauptchemien durchgesetzt haben: die energiedichten Nickel-Mangan-Kobalt-Oxid-Batterien (NCM) und die sichereren, langlebigeren Lithium-Eisenphosphat-Batterien (LFP). In den letzten Jahren gewinnt LFP aufgrund seiner thermischen Stabilität, geringeren Kosten und höheren Sicherheit an Bedeutung – insbesondere bei Fahrzeugen im mittleren Preissegment und in Flottenanwendungen. Doch diese Vorteile gehen mit einer technischen Herausforderung einher: Die genaue Bestimmung der verbleibenden Kapazität, ein zentraler Indikator für die Gesundheit (State of Health, SOH) der Batterie, ist bei LFP-Batterien deutlich komplizierter als bei anderen Typen.
Ein Forschungsteam unter der Leitung von Chen Xingguang von der Universität für Wissenschaft und Technologie Shanghai hat nun eine innovative Methode vorgestellt, die diese Hürde überwindet. Die Studie, veröffentlicht in der renommierten Fachzeitschrift Energy Storage Science and Technology, beschreibt einen neuartigen Ansatz zur Kapazitätsidentifikation direkt unter realen Fahrzeugbedingungen. Die Methode kombiniert ein etabliertes Modellierungsverfahren mit einer spezifischen Optimierungsstrategie, die gezielt auf die einzigartigen elektrischen Eigenschaften von LFP-Batterien zugeschnitten ist. Das Ergebnis ist eine signifikante Steigerung der Genauigkeit und Robustheit bei der Schätzung der Batteriekapazität – eine entscheidende Voraussetzung für die Weiterentwicklung intelligenter Batteriemanagementsysteme (BMS) und die Verbesserung des Verbrauchervertrauens in Elektrofahrzeuge.
Die Kapazität einer Batterie ist das Maß dafür, wie viel elektrische Energie sie speichern kann. Im Laufe der Zeit nimmt diese Kapazität aufgrund chemischer Alterungsprozesse ab, was sich direkt in einer verkürzten Reichweite des Fahrzeugs bemerkbar macht. Hersteller definieren oft ein Ende der Lebensdauer, wenn die Kapazität auf 80 Prozent des ursprünglichen Nennwerts gefallen ist. Eine präzise Kenntnis dieses Parameters ist daher für Fahrer, Servicepartner und Hersteller von größter Bedeutung. Sie ermöglicht eine realistische Einschätzung der Reichweite, eine proaktive Wartung, eine fundierte Bewertung des Restwerts beim Verkauf und trägt zur Sicherheit bei, da stark gealterte Batterien anfälliger für kritische Zustände sind.
Das Problem: Kapazität ist keine direkt messbare Größe. Im Gegensatz zu Spannung oder Strom, die von Sensoren im BMS kontinuierlich erfasst werden, kann die Kapazität nicht einfach abgelesen werden. Stattdessen muss sie indirekt geschätzt werden, was eine Reihe von methodischen Ansätzen erfordert, die jeweils mit eigenen Vor- und Nachteilen behaftet sind. Die traditionellste Methode ist die direkte Messung durch vollständige Lade- und Entladezyklen unter kontrollierten Laborbedingungen. Diese Methode liefert die höchste Genauigkeit, ist aber für ein Fahrzeug im täglichen Einsatz völlig unpraktikabel, da sie viel Zeit in Anspruch nimmt und den Fahrer einschränken würde.
Alternativ kommen datengestützte Verfahren zum Einsatz, wie maschinelles Lernen und künstliche Intelligenz. Diese Modelle können Muster in großen Datenmengen erkennen und eine Beziehung zwischen beobachtbaren Signalen und der Batteriekapazität herstellen. Allerdings leiden diese Ansätze an einem fundamentalen Mangel: dem Fehlen von „Labels“ oder „Wahrheitswerten“ im realen Fahrzeugbetrieb. Um ein Modell zu trainieren, das lernt, die Kapazität vorherzusagen, benötigt man Beispieldaten, bei denen sowohl die Sensorwerte als auch die tatsächliche Kapazität bekannt sind. Letztere ist jedoch im Feld nicht verfügbar, was die Entwicklung und Validierung solcher Modelle extrem erschwert.
Daher bleibt die modellbasierte Methode eine der vielversprechendsten Wege für die Integration in serienmäßige BMS. Hierbei wird das elektrische Verhalten der Batterie durch ein mathematisches Modell nachgebildet. Ein besonders verbreitetes Modell ist das äquivalente Schaltkreismodell (Equivalent Circuit Model, ECM). Es simuliert die Dynamik der Batterie mit Hilfe von elektrischen Bauelementen wie Widerständen, Kondensatoren und einer Spannungsquelle. Diese Modelle sind rechentechnisch effizient und bieten ein gutes Gleichgewicht zwischen Genauigkeit und praktischer Anwendbarkeit. Sie werden bereits erfolgreich zur Schätzung des Ladezustands (State of Charge, SOC) und der Leistungsfähigkeit (State of Power, SOP) eingesetzt.
Die Herausforderung für die Kapazitätsschätzung liegt darin, dass die Kapazität selbst kein direkter Parameter in einem Standard-ECM ist. Um dieses Problem zu lösen, entwickelten Chen Xingguang und sein Team einen hybriden Ansatz. Sie koppelten das ECM mit dem sogenannten Amperestunden-Integrationsverfahren (Ampere-hour integration). Dieses Verfahren berechnet den Ladezustand, indem der über die Zeit integrierte Stromfluss ermittelt wird. Die Genauigkeit dieser Methode hängt jedoch direkt von der Kenntnis der Gesamtkapazität ab. Die Forscher nutzten diesen Zusammenhang, um die Kapazität als einen der unbekannten Parameter zu definieren, der durch den Vergleich des Modellausgangs mit realen Fahrzeugdaten identifiziert werden muss.
Als Optimierungsalgorithmus wählten sie die Particle Swarm Optimization (PSO), eine rechenbasierte Methode, die von der Schwarmintelligenz von Vögeln oder Fischen inspiriert ist. PSO sendet eine „Schwarm“ von Lösungskandidaten („Partikeln“) durch den Parameterraum. Jeder Partikel bewegt sich basierend auf seiner eigenen besten bisherigen Position und der besten Position des gesamten Schwarms. Das Ziel ist es, die Kombination von Parametern zu finden – darunter die Kapazität, der ohmsche Widerstand, der Polarisationswiderstand und andere – die die Ausgangsspannung des ECMs am besten an die tatsächlich vom Fahrzeug gesammelte Spannung anpasst. Der Erfolg dieses Verfahrens hängt entscheidend von der Wahl der Zielfunktion ab, die den Unterschied zwischen Modell und Realität quantifiziert. Typischerweise wird der mittlere quadratische Fehler (RMSE) der Spannung verwendet.
An dieser Stelle stößt die Methode jedoch auf die größte Hürde bei LFP-Batterien: ihre charakteristische Spannungskurve. Während NCM-Batterien eine relativ glatte und kontinuierliche Spannungsänderung über den gesamten Ladezustand aufweisen, zeigen LFP-Batterien zwei ausgeprägte, flache Spannungsplattformen. Zwischen etwa 20 und 90 Prozent Ladezustand bleibt die Spannung nahezu konstant, typischerweise um 3,2 bis 3,3 Volt. Diese thermodynamische Stabilität ist ein Vorteil für die Sicherheit, erschwert aber die Zustandsschätzung erheblich, da kleine Änderungen im Ladezustand kaum zu messbaren Spannungsänderungen führen. Ein Modell kann daher nur schwer zwischen einem Ladezustand von 40 und 60 Prozent unterscheiden, was die Genauigkeit der SOC- und damit auch der Kapazitätsschätzung beeinträchtigt.
Ein noch größeres Problem tritt am Ende des Ladevorgangs auf, insbesondere beim langsamen Laden („Slow Charging“). Wenn die LFP-Zelle fast vollständig geladen ist, kommt es zu einem plötzlichen und steilen Anstieg der Spannung. Dieser „Knick“ oder „Schulter“ in der Kurve ist auf den Abschluss eines Phasenübergangs im Kathodenmaterial zurückzuführen. In einem realen Fahrzeug wird die Ladung bei Erreichen der maximalen Zellenspannung (z. B. 3,65 V) beendet. Das Problem für das ECM-Modell ist, dass die Spannung, die es vorhersagt, aus zwei Komponenten besteht: der Open-Circuit-Voltage (OCV), die dem thermodynamischen Gleichgewicht entspricht, und der Polarisierungsspannung, die durch den Stromfluss verursacht wird.
Beim langsamen Laden ist der Ladestrom sehr gering (z. B. 0,1C oder 0,2C), was bedeutet, dass die Polarisierungsspannung minimal ist. Gleichzeitig zeigen experimentelle OCV-SOC-Kurven, dass die OCV von LFP-Zellen bei 100 Prozent Ladezustand oft deutlich unter der Abschaltschwelle liegt. Wenn das ECM-Modell mit einer solchen OCV-Kurve kalibriert ist, wird es eine Endspannung vorhersagen, die erheblich niedriger ist als die tatsächlich gemessene Spannung, die durch die Kombination aus OCV und dem plötzlichen Anstieg am Ende verursacht wird. Dies führt zu einem großen Spannungs-RMSE, was den PSO-Algorithmus in die Irre führt und zu ungenauen oder instabilen Kapazitätsschätzungen führt.
Genau hier setzt die bahnbrechende Innovation der Forscher an. Sie erkannten, dass ein einheitlicher Ansatz für alle Ladezustände nicht funktioniert. Stattdessen entwickelten sie eine spezifische Optimierungsstrategie, die gezielt auf die zwei problematischen Bereiche der LFP-Ladekurve abzielt.
Der erste Teil der Strategie ist die gezielte Ausschaltung des Endbereichs. Statt den gesamten Ladevorgang in die Optimierung einzubeziehen, schneiden sie den letzten Teil der Ladekurve ab, bevor der steile Spannungsanstieg beginnt. Die Grenze wird dabei an dem Punkt gesetzt, an dem die OCV bei 100 Prozent Ladezustand plus der minimalen Polarisierungsspannung erreicht ist. Indem dieser „Ausreißer“-Bereich entfernt wird, wird der RMSE signifikant reduziert, und der PSO-Algorithmus kann sich auf die genaue Anpassung des Modells im Hauptladebereich konzentrieren, wo die Kapazität den größten Einfluss auf die Kurvenform hat.
Der zweite Teil der Strategie ist noch eleganter und adressiert das Problem der flachen Plattformen. Da der Spannungs-RMSE in diesen Bereichen aufgrund der geringen absoluten Spannungsänderung ohnehin klein ist, wird ein grober Fehler im Ladezustand nicht ausreichend bestraft. Die Forscher führten daher eine zweidimensionale Zielfunktion ein. Neben dem RMSE in der Spannungsdimension (y-Achse) berechnen sie auch einen RMSE in der Ladungsdimension (x-Achse). Diese Dimension wird durch die integrierte Ladung (in Amperestunden) während des Ladevorgangs gebildet. Die Idee ist, nicht nur zu prüfen, ob die Modellspannung der gemessenen Spannung entspricht, sondern auch, ob die Menge an zugeführter Energie zum richtigen Zeitpunkt übereinstimmt.
Stellen Sie sich eine Kurve vor, die die Spannung über der geladenen Menge (Ah) aufträgt. Selbst wenn zwei Kurven in der Spannung leicht versetzt sind, kann der Unterschied in der benötigten Ladung, um einen bestimmten Spannungspunkt zu erreichen, ein viel deutlicheres Signal für einen Fehler im Modell sein. Diese zweidimensionale Betrachtung zwingt das Modell, die charakteristischen „Knicke“ zwischen den beiden Plattformen präzise nachzubilden, was direkt mit der Gesamtkapazität zusammenhängt. Die relative Gewichtung beider RMSE-Werte kann durch einen Parameter angepasst werden, um den Fokus je nach Anwendungsfall zu verschieben.
Die Validierung dieser Methode war eine der größten Herausforderungen der Studie. Da echte Fahrzeugdaten keine „wahren“ Kapazitätswerte enthalten, mussten die Forscher kreative Wege finden, um ihre Methode zu testen. Sie nutzten zwei Ansätze. Der erste, strengere Ansatz, nutzte Ladevorgänge, bei denen das Fahrzeug vor und nach dem Laden mindestens eine Stunde lang stillstand. In dieser Ruhephase baut sich die Polarisierungsspannung ab, und die gemessene Zellenspannung entspricht der OCV. Durch Ablesen der OCV am Anfang und Ende des Ladevorgangs kann über die bekannte OCV-SOC-Beziehung der genaue Ladezustandsunterschied (ΔSOC) bestimmt werden. Zusammen mit der integrierten Ladung (ΔQ) ergibt sich die „wahre“ Kapazität nach der Formel Cap = ΔQ / ΔSOC. Diese als „Label-1“ bezeichneten Datenpunkte sind äußerst genau, aber in realen Fahrzeugflotten sehr selten, da Fahrer selten lange genug warten, um eine vollständige Depolarisation zu ermöglichen.
Um eine ausreichende Menge an Testdaten zu erhalten, nutzten sie einen zweiten Ansatz: Für Fahrzeuge mit einer sehr geringen Laufleistung (unter 5.000 km) nahmen sie an, dass die Kapazität noch nahezu ihrem Nennwert entspricht. Diese als „Label-2“ bezeichnete Annahme ist in der Branche weit verbreitet und basiert auf der Beobachtung, dass der größte Teil der Alterung in den ersten Jahren des Betriebs auftritt. Durch die Kombination beider Ansätze konnten sie die Methode an Daten von zwei verschiedenen Fahrzeugmodellen mit LFP-Batterien testen.
Die Ergebnisse waren beeindruckend. Für das erste Fahrzeugmodell lag der mittlere absolute prozentuale Fehler (MAPE) bei nur 2,33 %. Das bedeutet, dass die geschätzte Kapazität im Durchschnitt weniger als 2,5 Prozent von der „wahren“ Kapazität abwich. Der maximale Fehler betrug 6,9 Prozent, während einige Schätzungen mit nur 0,2 Prozent Abweichung fast perfekt waren. Für das zweite Modell betrug der MAPE 3,38 Prozent, was immer noch eine außerordentlich hohe Genauigkeit für eine Methode darstellt, die auf verrauschten, realen Fahrzeugdaten basiert. Die geschätzten Kapazitätswerte zeigten außerdem einen logischen Abwärtstrend mit zunehmender Laufleistung, was die Plausibilität der Methode unterstreicht.
Diese Arbeit von Chen Xingguang, Shen Yifan, Shao Yuxin, Zheng Yuejiu, Sun Tao, Lai Xin, Shen Kai und Han Xuebing von der Universität für Wissenschaft und Technologie Shanghai und der Tsinghua-Universität stellt einen bedeutenden Fortschritt dar. Sie bietet nicht nur eine hochpräzise Methode für die Kapazitätsschätzung, sondern demonstriert auch, wie tiefes Verständnis der elektrochemischen Eigenschaften einer Batterie genutzt werden kann, um reine Algorithmen zu verbessern. Die spezifische Optimierung für LFP-Batterien unter Langsamladung ist ein Paradebeispiel für maßgeschneiderte Ingenieurskunst. Die Methode ist rechenleistungsfähig genug, um in zukünftige Generationen von BMS implementiert zu werden, und hat das Potenzial, die Zuverlässigkeit und den Nutzen von Millionen von Elektrofahrzeugen zu erhöhen.
Chen Xingguang, Shen Yifan, Shao Yuxin, Zheng Yuejiu, Sun Tao, Lai Xin, Shen Kai, Han Xuebing. University of Shanghai for Science and Technology und Tsinghua University. Energy Storage Science and Technology. doi: 10.19799/j.cnki.2095-4239.2024.0144