Neue Methode verbessert Sortiergenauigkeit gebrauchter E-Auto-Batterien
Mit dem weltweiten Boom der Elektromobilität ist das Lebenszyklusmanagement von Lithium-Ionen-Batterien zu einer zentralen Herausforderung für die nachhaltige Entwicklung geworden. Da Millionen von Elektrofahrzeugen das Ende ihrer Lebensdauer erreichen, wächst das Volumen ausgedienter Batterien in noch nie dagewesenem Tempo. Während das Recycling von Batterien eine entscheidende Lösung bleibt, gewinnt das Konzept der „Second-Life“- oder Echelon-Nutzung – die Weiterverwendung gebrauchter Batterien für weniger anspruchsvolle Anwendungen wie Energiespeichersysteme – als wirtschaftlich tragfähigere und umweltverträglichere Alternative an Bedeutung. Ein Hauptengpass bei der Verwirklichung dieses Potenzials liegt jedoch in der uneinheitlichen Leistung gebrauchter Batteriezellen, die aufgrund ihrer unterschiedlichen Nutzungsgeschichten stark in Kapazität, Innenwiderstand und Alterungseigenschaften variieren. Um Sicherheit, Langlebigkeit und Effizienz in Second-Life-Anwendungen zu gewährleisten, ist es unerlässlich, diese Zellen in hochgradig konsistente Gruppen zu sortieren – ein Prozess, der als Konsistenzsortierung bekannt ist.
Eine bahnbrechende Studie, die im Battery Bimonthly veröffentlicht wurde, stellt einen neuartigen und hocheffektiven Ansatz für diese Herausforderung vor. Unter der Leitung von Guangjin Zhao vom State Grid Henan Electric Power Research Institute und in Zusammenarbeit mit Gaojun Meng, Ruifeng Dong, Ling Su und Zheng Zhang vom Nanjing Institute of Technology hat das Forschungsteam eine Präzisionssortiermethode entwickelt, die Entladungskurvenanalyse und einen verbesserten Fuzzy-Clustering-Algorithmus nutzt. Ihre Arbeit mit dem Titel Forschung zur konsistenten Sortiermethode für gebrauchte Batterien basierend auf Entladungskurven und einem verbesserten Fuzzy-C-Means-Algorithmus präsentiert eine skalierbare, genaue und effiziente Lösung, die die kommerzielle Tragfähigkeit der Wiederverwendung von Batterien erheblich voranbringen könnte.
Die Dringlichkeit des Problems kann nicht hoch genug eingeschätzt werden. Wie Guangjin Zhao betont: „Die rasche Einführung von Elektrofahrzeugen, getrieben durch nationale ‚Dual-Carbon‘-Ziele, hat zu einer sich abzeichnenden Welle von Batterieaußerbetriebnahmen geführt. Ohne einen effizienten und zuverlässigen Sortiermechanismus bleibt das Versprechen der Second-Life-Nutzung weitgehend theoretisch.“ Aktuelle Sortierverfahren stützen sich oft auf einfache Metriken wie die Restkapazität oder den Innenwiderstand. Während diese Ein-Parameter-Methoden schnell und einfach zu implementieren sind, erfassen sie nicht das gesamte Spektrum des Gesundheits- und Alterungsverhaltens einer Batterie. Zwei Batterien mit identischen Kapazitäten können beispielsweise völlig unterschiedliche interne Degradationsmuster aufweisen, was bei einer Zusammenstellung zu abweichenden Leistungen führt. Diese Inkonsistenz kann die Alterung beschleunigen, die Systemeffizienz verringern und sogar Sicherheitsrisiken bei großangelegten Energiespeicherinstallationen darstellen.
Mehrparameter-Ansätze versuchen, diese Einschränkung zu addressieren, indem sie mehrere Metriken – wie Leerlaufspannung, Impedanz und Kapazitätsabbaurate – in den Sortierprozess einbeziehen. Obwohl umfassender, sind diese Methoden oft zeitaufwändig und kostspielig, da sie umfangreiche Zyklentests und anspruchsvolle Diagnosegeräte erfordern. Dies macht sie für großindustrielle Anwendungen unpraktikabel, bei denen Tausende von Batterien effizient verarbeitet werden müssen. Darüber hinaus übersehen viele bestehende Techniken das dynamische Verhalten von Batterien während des Betriebs und konzentrieren sich stattdessen auf statische Momentaufnahmen der Leistung.
Die Innovation des Forschungsteams liegt in der Verlagerung des Fokus von isolierten Parametern auf das gesamte Entladeprofil – eine reichhaltige Informationsquelle, die sowohl die statischen als auch die dynamischen Eigenschaften einer Batterie widerspiegelt. Die Entladungskurve, die die Spannung gegen die Zeit während einer kontrollierten Entladung aufträgt, dient als einzigartiger Fingerabdruck des elektrochemischen Verhaltens einer Batterie. Wenn Batterien altern, erhöht sich ihr Innenwiderstand und aktive Materialien degradieren, was zu subtilen aber messbaren Verschiebungen in der Form der Entladungskurve führt. Diese Veränderungen sind besonders deutlich in der Dauer des Spannungsplateaus, der Steigung der anfänglichen und finalen Entladephasen und dem gesamten Spannungsabfallprofil erkennbar.
Um diese komplexen Kurven in handlungsrelevante Daten zu übersetzen, entwickelte das Team einen optimierten Merkmalsextraktionsprozess. Anstatt die gesamte Kurve zu analysieren – was massive Datensätze erzeugen und zu rechnerischen Ineffizienzen führen würde – identifizierten sie sieben Schlüsselmerkmalspunkte, die die morphologischen Eigenschaften der Kurve am besten repräsentieren. Dazu gehören der Start- und Endpunkt der Entladung, der 50%-Zeitmittelpunkt und kritische Wendepunkte, die Übergänge zwischen verschiedenen Entladephasen markieren. Allerdings ist die Identifizierung präziser Wendepunkte durch Tangentenanalyse rechenintensiv und für Hochdurchsatz-Sortierung ungeeignet.
Um dies zu überwinden, führten die Forscher eine vereinfachte, aber hocheffektive Annäherung ein. Sie ersetzten die komplexen geometrischen Berechnungen durch feste prozentbasierte Zeitmarker: 3% für den ersten Wendepunkt, 10% für den Beginn des Spannungsplateaus, 90% für dessen Ende und 97% für den endgültigen Übergangspunkt. Diese pragmatische Anpassung reduziert die Bearbeitungszeit drastisch, während die Unterscheidungsfähigkeit der ursprünglichen Methode erhalten bleibt. Wie Gaojun Meng erläutert: „Unser Ziel war es, Genauigkeit mit Praktikabilität in Einklang zu bringen. Durch die Verwendung von zeitbasierten Referenzpunkten ermöglichen wir eine schnelle, automatisierte Merkmalsextraktion, ohne die Fähigkeit zu opfern, zwischen Batterien mit unterschiedlichen Alterungspfaden zu unterscheiden.“
Sobald die Merkmalspunkte extrahiert sind, werden sie in einen fortschrittlichen Clustering-Algorithmus eingespeist, um ähnliche Batterien zu gruppieren. Das Team setzte eine verbesserte Version des Fuzzy-C-Means (FCM)-Algorithmus ein, einer Machine-Learning-Technik, die jeder Batterie einen Zugehörigkeitsgrad zu mehreren Clustern zuweist, anstatt eine harte Klassifizierung zu erzwingen. Dies ist besonders nützlich im Kontext gebrauchter Batterien, bei denen die Leistungsverschlechterung ein gradueller und sich überschneidender Prozess ist. Eine Batterie kann Merkmale sowohl von mäßig als auch stark gealterten Gruppen aufweisen, und der Fuzzy-Ansatz ermöglicht eine nuanciertere und realistischere Gruppierung.
Allerdings sind traditionelle FCM-Algorithmen anfällig für Anfangsbedingungen und können zu suboptimalen Lösungen konvergieren, insbesondere bei heterogenen Datensätzen wie gebrauchten Batterien. Um dies zu addressieren, integrierten die Forscher einen Vorverarbeitungsschritt, bekannt als Subtraction Clustering (SUB), der die Dichteverteilung von Datenpunkten analysiert, um optimale anfängliche Clusterzentren zu identifizieren. Dieser hybride SUB-FCM-Ansatz gewährleistet eine schnellere Konvergenz und höhere Clustering-Genauigkeit, was ihn auch bei verrauschten oder unregelmäßigen Daten robust macht.
Die Wirksamkeit der vorgeschlagenen Methode wurde durch umfangreiche Experimente an einem Datensatz von 96 gebrauchten 18650 Lithium-Ionen-Zellen validiert, die alle reale Nutzung in Elektrofahrzeugen hinter sich hatten. Die Batterien wurden zunächst in zwei Kapazitätsbereiche kategorisiert: 2,0–2,5 Ah (hohe Kapazität) und 1,75–2,0 Ah (mittlere Kapazität). Innerhalb jeder Gruppe wurde der SUB-FCM-Algorithmus angewendet, um die Konsistenzsortierung basierend auf den vereinfachten Merkmalspunkten durchzuführen.
Die Ergebnisse waren frappierend. In der Hochkapazitätsgruppe wurden die 41 Batterien erfolgreich in drei distincte Gruppen geclustert. Die Analyse nach der Sortierung zeigte eine signifikante Reduzierung der Spannungsdispersion über alle Merkmalspunkte hinweg. Beispielsweise sank die maximale Spannungsdifferenz (ΔUmax) am anfänglichen Wendepunkt von 0,132 V vor der Sortierung auf unter 0,061 V nach der Sortierung. Ebenso verringerte sich die Standardabweichung (SDU) im leistungsstärksten Cluster von 0,048 V auf bis zu 0,005 V. Diese Verbesserungen deuten auf eine viel engere Gruppierung von Batterien mit ähnlichem elektrochemischen Verhalten hin, was entscheidend für eine gleichmäßige Stromverteilung und thermisches Management in einem Batteriepack ist.
In der Mittelkapazitätsgruppe identifizierte der Algorithmus vier distincte Cluster unter den 55 Batterien. Auch hier zeigten die Metriken nach der Sortierung eine deutliche Verbesserung der Konsistenz. Der durchschnittliche ΔUmax über alle Merkmalspunkte hinweg wurde um über 30% reduziert, und die SDU-Werte zeigten einen konsistenten Abwärtstrend. Bemerkenswerterweise variierte die mittlere Spannung (Uave) jedes Clusters erheblich, was unterschiedliche Alterungsniveaus und Innenwiderstände widerspiegelt. Dies ermöglichte eine klare Differenzierung zwischen den Gruppen und erlaubt es Anwendern, sortierte Batterien basierend auf Leistungsanforderungen geeigneten Anwendungen zuzuordnen.
Vielleicht am wichtigsten ist, dass sich die Methode als fähig erwies, Batterien mit ähnlichen Kapazitäten aber unterschiedlichen Alterungsmustern zu unterscheiden – eine Fähigkeit, die traditionellen Sortiertechniken oft fehlt. Beispielsweise könnten zwei Batterien mit der gleichen Nennkapazität eine haben, die hauptsächlich durch Kalenderalterung (Zeit und Temperatur) gealtert ist, und eine andere durch Zyklenalterung (häufige Tiefentladungen). Diese unterschiedlichen Degradationsmechanismen hinterlassen distincte Signaturen auf der Entladungskurve, die der merkmalsbasierte Ansatz erkennen und klassifizieren kann.
Die Implikationen dieser Forschung reichen weit über das Labor hinaus. Für Batterierecycler und Second-Life-Betreiber bietet die Methode eine skalierbare und kosteneffektive Lösung zur Verbesserung der Qualität und Zuverlässigkeit wiederverwendeter Batteriesysteme. Durch die Gewährleistung einer höheren Konsistenz innerhalb jeder Gruppe wird das Risiko eines vorzeitigen Ausfalls verringert, Garantiekosten minimiert und die gesamte Systemleistung verbessert. Dies wiederum stärkt das Verbrauchervertrauen in Second-Life-Produkte und beschleunigt die Marktakzeptanz.
Aus Nachhaltigkeitssicht ist die Wirkung ebenso bedeutsam. Effizientes Sortieren ermöglicht höhere Nutzungsraten gebrauchter Batterien, reduziert das Volumen an Abfall, der recycelt oder deponiert wird. Es verringert auch die Nachfrage nach neuen Rohmaterialien und verringert so den ökologischen Fußabdruck der Batterieproduktion. Da die globale Nachfrage nach Energiespeicherung weiter steigt – getrieben durch erneuerbare Integration, Netzstabilisierung und Backup-Strombedarf – wird die Fähigkeit, zuverlässige, kostengünstige Speicherlösungen auf Basis von Second-Life-Batterien einzusetzen, zunehmend wertvoll.
Branchenexperten haben die Erkenntnisse begrüßt. „Diese Arbeit stellt einen bedeutenden Schritt nach vorn im Batterielebenszyklusmanagement dar“, sagte ein unabhängiger Energiespeicheranalyst. „Die Integration von Entladungskurvenanalyse mit intelligenten Clustering-Algorithmen ist sowohl innovativ als auch praktisch. Sie addressiert ein reales Problem mit einer Lösung, die bereit für den industriellen Einsatz ist.“
Das Forschungsteam untersucht bereits Möglichkeiten zur weiteren Verfeinerung der Methode. Ein Schwerpunktbereich ist der Einfluss der Temperatur auf die Entladungseigenschaften. Wie in der Arbeit vermerkt, wurden alle Experimente unter konstanten Temperaturbedingungen durchgeführt. In realen Anwendungen sind Batterien jedoch schwankenden thermischen Umgebungen ausgesetzt, die Spannungsprofile und folglich die Sortiergenauigkeit beeinflussen können. Zukünftige Arbeiten werden Temperaturkompensationsmodelle untersuchen, um die Robustheit des Algorithmus unter verschiedenen Betriebsbedingungen zu verbessern.
Eine weitere vielversprechende Richtung ist die Integration von maschinellem Lernen für Echtzeit-Sortierung. Durch das Trainieren tiefer neuronaler Netze auf großen Datensätzen von Entladungskurven könnte es möglich sein, den gesamten Prozess – von der Datenerfassung bis zur endgültigen Klassifizierung – ohne manuelle Merkmalsentwicklung zu automatisieren. Dies könnte die Bearbeitungszeit weiter reduzieren und die Anpassungsfähigkeit an verschiedene Batteriechemien, wie Lithium-Eisenphosphat (LFP) oder Nickel-Mangan-Kobalt (NMC), verbessern.
Die Studie unterstreicht auch die Bedeutung von Standardisierung in der Batteriewiederverwendungsindustrie. Da immer mehr Akteure in den Markt eintreten, besteht ein wachsender Bedarf an gemeinsamen Protokollen und Leistungsmetriken, um Interoperabilität und Qualitätskontrolle zu gewährleisten. Die in dieser Arbeit vorgeschlagenen Merkmalspunkte und Bewertungsindizes – wie ΔUmax, SDU und Uave – könnten als grundlegende Elemente für zukünftige technische Standards dienen.
Zusammenfassend bietet die Arbeit von Guangjin Zhao, Gaojun Meng und ihren Kollegen eine leistungsstarke und praktische Lösung für eine der dringendsten Herausforderungen in den EV- und Energiespeichersektoren. Durch die Kombination von physikalischem Einblick mit fortschrittlicher Datenanalyse haben sie eine Methode entwickelt, die nicht nur die Sortiergenauigkeit verbessert, sondern auch den Weg für eine zirkulärere und nachhaltigere Batteriewirtschaft ebnet. Während die Welt zu sauberer Energie übergeht, werden Innovationen wie diese eine entscheidende Rolle dabei spielen, sicherzustellen, dass jede Kilowattstunde mit maximalem Potenzial genutzt wird.
Forschung zur konsistenten Sortiermethode für gebrauchte Batterien basierend auf Entladungskurven und einem verbesserten Fuzzy-C-Means-Algorithmus von Guangjin Zhao, Gaojun Meng, Ruifeng Dong, Ling Su, Zheng Zhang, veröffentlicht im Battery Bimonthly, DOI: 10.3969/j.issn.1002-087X.2024.09.016