Neue Methode zur präzisen Kapazitätsbestimmung von LiFePO4-Akkus im Fahrzeugeinsatz
Die präzise Überwachung des Batteriezustands bleibt eine der zentralen Herausforderungen bei der Weiterentwicklung der Elektromobilität. Während Lithium-Ionen-Akkus zunehmend die treibende Kraft hinter modernen Elektrofahrzeugen (EVs) sind, hängt ihre Leistung, Sicherheit und Lebensdauer maßgeblich von der Fähigkeit ab, ihren Gesundheitszustand (State of Health, SOH) zuverlässig einzuschätzen. Als einer der wichtigsten Indikatoren für diesen Zustand gilt die verbleibende Kapazität, die direkt die Reichweite des Fahrzeugs beeinflusst. Doch die genaue Bestimmung dieser Kapazität unter realen Fahrbedingungen ist nach wie vor eine komplexe Aufgabe – insbesondere bei Lithium-Eisenphosphat-Batterien (LiFePO4 oder LFP), die aufgrund ihrer hohen Sicherheit und Kosteneffizienz in vielen Fahrzeugen zum Einsatz kommen.
In einer neuen, bahnbrechenden Studie, die im renommierten Fachjournal Energy Storage Science and Technology veröffentlicht wurde, stellen Forscher eine innovative Methode vor, die genau dieses Problem adressiert. Das Team um Chen Xingguang von der Universität für Wissenschaft und Technologie Shanghai (University of Shanghai for Science and Technology) und der Tsinghua-Universität hat ein hybrides Verfahren entwickelt, das physikalische Modellierung mit intelligenten Optimierungsalgorithmen verbindet, um die Kapazität von LFP-Zellen im realen Fahrzeugeinsatz mit hoher Genauigkeit zu identifizieren. Die Ergebnisse stellen einen wichtigen Schritt vorwärts dar, nicht nur für die akademische Forschung, sondern auch für die praktische Anwendung in der Automobilindustrie.
Die Studie rückt in den Fokus der wachsenden Bedeutung intelligenter Batteriemanagementsysteme (BMS), die nicht nur die Leistung optimieren, sondern auch frühzeitig Verschleiß erkennen und sicherheitskritische Zustände verhindern müssen. Während traditionelle Kapazitätsmessungen in Laboren unter kontrollierten Bedingungen durchgeführt werden, sind solche Verfahren für den täglichen Betrieb von Fahrzeugen nicht praktikabel. Die Forscher betonen daher den dringenden Bedarf an Methoden, die auf den Daten basieren, die ohnehin kontinuierlich vom BMS erfasst werden – Spannung, Strom, Temperatur und Ladezustand (SOC).
„Die Herausforderung liegt darin, aus diesen Rohdaten eine verlässliche Aussage über die tatsächliche Kapazität zu gewinnen“, erklärt Chen Xingguang, der die Studie als Doktorand leitete. „Insbesondere bei LFP-Batterien ist dies besonders schwierig, weil ihre Spannungskurve über einen großen Teil des Ladebereichs extrem flach verläuft – ein sogenanntes Spannungsplateau. Das macht es fast unmöglich, anhand der Spannung allein den genauen Ladezustand oder den Kapazitätsverlust zu bestimmen.“
Um dieser Schwierigkeit zu begegnen, setzt die neue Methode auf eine Kombination aus dem sogenannten Ah-Integrationsverfahren und einem äquivalenten Schaltkreismodell (Equivalent Circuit Model, ECM). Das ECM simuliert das elektrische Verhalten der Batterie durch elektrische Bauteile wie Widerstände und Kondensatoren und ermöglicht so die Vorhersage der Klemmenspannung. Die entscheidende Innovation der Forschergruppe besteht darin, die Batteriekapazität selbst als einen der Parameter zu definieren, der im Modell angepasst und identifiziert wird.
Dieser Ansatz ermöglicht eine direkte Verbindung zwischen den physikalischen Messdaten und dem internen Zustand der Batterie. „Indem wir die Kapazität als variablen Parameter in das Modell integrieren, können wir die Simulation so lange anpassen, bis die berechnete Spannungskurve exakt mit der tatsächlich gemessenen Spannung übereinstimmt“, erläutert Zheng Yuejiu, Professor an der Universität für Wissenschaft und Technologie Shanghai und einer der korrespondierenden Autoren der Studie. „Wenn die Kurven übereinstimmen, haben wir den richtigen Kapazitätswert gefunden.“
Die Anpassung der Parameter – darunter Anfangs-SOC, Kapazität, Innenwiderstand und Polarisationsverhalten – erfolgt durch den Einsatz des Particle-Swarm-Optimization-Algorithmus (PSO). Dieser Algorithmus, inspiriert vom Schwarmverhalten von Vögeln, sucht iterativ nach der besten Kombination von Parametern, indem er eine große Anzahl von „Partikeln“ durch den Lösungsraum bewegt. Jeder Partikel repräsentiert eine mögliche Parameterkombination, und durch einen Prozess der ständigen Anpassung an lokale und globale Optima nähert sich der Schwarm der besten Lösung an.
In der Praxis stießen die Forscher jedoch auf ein bekanntes Problem: Bei LFP-Batterien, insbesondere beim langsamen Laden („Slow Charging“), funktioniert dieser Ansatz nicht optimal. Die flache Spannungskurve im mittleren Ladebereich führt dazu, dass kleine Fehler in der Modellierung kaum Auswirkungen auf den üblicherweise verwendeten Fehlerwert – die quadratische Abweichung zwischen gemessener und berechneter Spannung (RMSE) – haben. Gleichzeitig ist der letzte Ladeabschnitt, in dem die Spannung stark ansteigt, für das Modell schwer zu reproduzieren, da die zugrunde liegende Open-Circuit-Voltage (OCV) bei 100 % SOC deutlich niedriger ist als die Abschaltschwelle, und der geringe Ladestrom beim langsamen Laden nur eine kleine Polarisierung verursacht.
„Das führt dazu, dass der Optimierungsalgorithmus sich entweder auf den schwierig zu modellierenden Endbereich konzentriert und dabei den mittleren Bereich vernachlässigt, oder umgekehrt“, beschreibt Shen Yifan, einer der Mitautoren. „Das Ergebnis ist eine schlechte Gesamtanpassung und eine ungenaue Kapazitätsbestimmung.“
Um dieses Dilemma zu lösen, entwickelte das Team eine spezifische Optimierungsstrategie, die gezielt auf die Besonderheiten von LFP-Batterien beim langsamen Laden zugeschnitten ist. Diese Strategie besteht aus zwei zentralen Elementen. Das erste ist die gezielte Ausschaltung des letzten Ladeabschnitts aus dem Optimierungsprozess. „Wir erkennen, dass der steile Spannungsanstieg am Ende des Ladevorgangs auf sehr komplexen elektrochemischen Effekten beruht, die mit unserem relativ einfachen ECM-Modell nur unzureichend erfasst werden können“, so Sun Tao, Associate Professor und Mitautor. „Statt versuchen zu wollen, diesen Bereich perfekt zu modellieren, schneiden wir ihn einfach ab und konzentrieren uns auf den mittleren Ladebereich, wo unser Modell zuverlässiger arbeitet.“
Das zweite und entscheidende Element ist die Einführung einer neuartigen, zweidimensionalen Zielfunktion. Anstatt nur den Spannungsfehler (y-Achse) zu minimieren, integriert die neue Methode zusätzlich den Fehler in der aufgenommenen Ladung (x-Achse). „Wir berechnen nicht nur, wie gut die Spannungskurven übereinstimmen, sondern auch, wie gut die modellierte Ladungsmenge mit der tatsächlich aufgenommenen Ladung übereinstimmt“, erläutert Lai Xin. „Dieser ladungsbasierte Fehlerwert zwingt den Algorithmus, auch die flachen Plateaubereiche genau zu reproduzieren, weil dort die genaue Zuordnung von Spannung und Ladung entscheidend ist.“
Diese duale Zielfunktion stellt sicher, dass der PSO-Algorithmus eine ausgewogene Lösung findet, die sowohl die Spannungsdynamik als auch die zugrunde liegende Energiemenge korrekt abbildet. „Diese Kombination aus Datenabschneiden und zweidimensionaler Optimierung ist der Schlüssel zu unserer hohen Genauigkeit“, betont Shen Kai.
Die Wirksamkeit der Methode wurde anhand von realen Fahrzeugdaten zweier unterschiedlicher EV-Modelle getestet, die beide mit LFP-Batterien ausgestattet waren. Die Daten stammten aus einer Cloud-basierten Fahrzeugüberwachungsplattform und enthielten hochfrequente Messungen von Spannung, Strom, Temperatur und SOC über längere Zeiträume. Um die Genauigkeit der Methode zu überprüfen, standen jedoch keine direkten Kapazitätsmessungen zur Verfügung – ein typisches Problem bei realen Fahrzeugdaten.
Um dieses Problem zu umgehen, entwickelten die Forscher zwei unabhängige Validierungsansätze. Der erste, Label-1, nutzte seltene Ladevorgänge, bei denen das Fahrzeug vor und nach dem Laden mindestens eine Stunde ruhte. In diesen Ruhephasen verschwinden die Polarisierungseffekte, und die Klemmenspannung entspricht der Open-Circuit-Spannung (OCV). Mithilfe der bekannten OCV-SOC-Kennlinie konnten die Forscher den genauen Ladezustand zu Beginn und Ende des Ladevorgangs bestimmen und daraus die tatsächliche Kapazitätsänderung berechnen.
Da solche idealen, ruhenden Ladevorgänge in der realen Nutzung selten sind, verwendeten die Forscher einen zweiten Ansatz, Label-2. Sie gingen davon aus, dass Fahrzeuge mit einer geringen Laufleistung (unter 5.000 km) noch ihre nominelle Kapazität besitzen. Diese Annahme ermöglichte es, eine viel größere Anzahl von Ladevorgängen zur Validierung zu nutzen.
Die Ergebnisse waren beeindruckend. Für das erste Fahrzeugmodell (Model-1) betrug der mittlere absolute prozentuale Fehler (MAPE) bei der Kapazitätsbestimmung nur 2,33 %. Die individuellen Fehler lagen zwischen einem minimalen 0,2 % und einem maximalen 6,9 %. Das zweite Modell (Model-2) zeigte einen MAPE von 3,38 % mit einem Spitzenwert von 6,10 %. Diese Werte liegen weit unter den Fehlern, die mit herkömmlichen Methoden unter ähnlichen Bedingungen erzielt werden.
„Diese Genauigkeit ist für praktische Anwendungen im Fahrzeug mehr als ausreichend“, sagt Han Xuebing, Professor am State Key Laboratory of Automotive Safety and Energy der Tsinghua-Universität. „Sie ermöglicht eine deutlich realistischere Reichweitenanzeige, verbessert die Planung von Ladevorgängen und hilft Herstellern, die Lebensdauer und den Wert ihrer Batterien besser einzuschätzen.“
Die Bedeutung dieser Forschung liegt nicht nur in der erreichten Genauigkeit, sondern auch in ihrer direkten Anwendbarkeit. Im Gegensatz zu vielen datengetriebenen Ansätzen, die auf künstlicher Intelligenz basieren und riesige Mengen an gekennzeichneten Trainingsdaten benötigen, die in der Realität nicht verfügbar sind, setzt diese Methode auf ein physikbasiertes Modell. Dies macht sie transparenter, robuster gegenüber Datenrauschen und weniger anfällig für Überanpassung.
„Wir haben uns bewusst gegen einen reinen Black-Box-Ansatz entschieden“, betont Chen Xingguang. „Unsere Methode ist nachvollziehbar und basiert auf etablierten physikalischen Prinzipien. Das ist für die Automobilindustrie von entscheidender Bedeutung, wenn es um Sicherheit und Zertifizierung geht.“
Die vorgestellte Methode hat das Potenzial, die nächste Generation intelligenter BMS zu revolutionieren. Sie könnte nicht nur für die Überwachung der Batteriegesundheit im Fahrzeug eingesetzt werden, sondern auch für die sekundäre Nutzung von Batterien (z. B. in stationären Speichern) oder die Bewertung des Restwerts von Gebrauchtwagen. Die Forscher planen, die Methode in Zukunft um den Einfluss der Temperatur zu erweitern, da diese ein wesentlicher Faktor für die Alterung von Batterien ist.
Chen Xingguang, Shen Yifan, Shao Yuxin, Zheng Yuejiu, Sun Tao, Lai Xin, Shen Kai, Han Xuebing, University of Shanghai for Science and Technology and Tsinghua University, Energy Storage Science and Technology, doi:10.19799/j.cnki.2095-4239.2024.0144