Präzisere SOC-Schätzung für E-Auto-Batterien dank neuem KI-Modell
Die Zukunft der Elektromobilität hängt nicht nur von Reichweite, Ladeinfrastruktur oder Fahrzeugdesign ab, sondern zunehmend auch von der Intelligenz, mit der die Fahrzeugbatterie verwaltet wird. Ein entscheidender Parameter dabei ist der State of Charge (SOC) – die genaue Angabe, wie viel Energie in der Batterie noch verfügbar ist. Falsche SOC-Berechnungen führen nicht nur zu ungenauen Reichweitenanzeigen und unnötiger Reichweitenangst, sondern können auch die Lebensdauer der Batterie beeinträchtigen oder im Extremfall Sicherheitsrisiken bergen. Genau hier setzt eine bahnbrechende Forschungsarbeit an, die kürzlich in der Fachzeitschrift Northeast Electric Power Technology veröffentlicht wurde.
Ein Team von Ingenieuren des State Grid Jingmen Power Supply Company hat ein neuartiges Modell entwickelt, das die Genauigkeit der SOC-Schätzung bei Lithium-Eisenphosphat-Batterien (LFP) erheblich verbessert. Die Methode, bekannt unter dem Namen ISSA-KELM, kombiniert moderne maschinelle Lernalgorithmen mit gezielten Optimierungsstrategien und stellt damit einen bedeutenden Fortschritt in der Batteriediagnostik dar. Die Autoren – Chen Baihan, Yang Wei, Wan Wenxin und Liu Chuang – stellen mit ihrer Arbeit nicht nur eine technische Neuerung vor, sondern liefern auch einen praktischen Ansatz, der unmittelbar in realen Fahrzeugen Anwendung finden könnte.
Die Bedeutung einer präzisen SOC-Ermittlung kann kaum überschätzt werden. Im Alltag eines Elektrofahrers entscheidet die angezeigte Restreichweite über die Planung einer Fahrt, das Vertrauen in das Fahrzeug und letztlich über die Akzeptanz der Technologie. Auf technischer Ebene ist die SOC-Bestimmung jedoch alles andere als trivial. Traditionelle Methoden wie die Strom-Zeit-Integration (Ah-Zähler) oder die Messung der Leerlaufspannung stoßen schnell an ihre Grenzen. Temperaturschwankungen, Alterungseffekte der Batteriezellen, variable Lastprofile und Messrauschen verfälschen die Ergebnisse. Selbst fortschrittliche Ansätze wie der Kalman-Filter, der auf physikalischen Modellen basiert, erfordern komplexe Kalibrierungen und sind anfällig für Modellfehler.
Vor diesem Hintergrund rücken datenbasierte Verfahren immer stärker in den Fokus. Künstliche Intelligenz und maschinelles Lernen ermöglichen es, aus großen Mengen realer Betriebsdaten zu lernen und Zusammenhänge zu erkennen, die mit klassischen Methoden schwer oder gar nicht erfassbar sind. Die Forschergruppe aus Jingmen setzt dabei auf eine spezielle Form des Extreme Learning Machine (ELM), einem neuronalen Netzwerk mit extrem schneller Lerngeschwindigkeit und guter Generalisierungsfähigkeit. Allerdings hängt die Leistung eines solchen Modells stark von der richtigen Wahl bestimmter Parameter ab – insbesondere des Kernkoeffizienten und des Strafterms. Die manuelle Optimierung dieser Parameter ist zeitaufwendig und oft suboptimal.
Hier kommt der entscheidende Innovationsbeitrag der Studie zum Tragen: Die Autoren verwenden einen verbesserten Optimierungsalgorithmus namens ISSA – Improved Sparrow Search Algorithm – um die Parameter des Kernel Extreme Learning Machine (KELM) automatisch und effizient zu finden. Der Ursprungsalgorithmus, inspiriert vom Nahrungsverhalten und der Fluchtstrategie von Spatzen, zeichnet sich durch schnelle Konvergenz und gute Stabilität aus. Doch auch er kann in lokalen Optima stecken bleiben, besonders bei komplexen, mehrdimensionalen Optimierungsproblemen wie der SOC-Schätzung.
Um diese Schwäche zu beheben, haben Chen Baihan und sein Team drei wesentliche Verbesserungen am ursprünglichen Spatzen-Algorithmus vorgenommen. Erstens nutzen sie die sogenannte „Logistic-Chaos-Initialisierung“. Statt die Startpositionen der „Spatzen“ im Suchraum zufällig zu verteilen, werden sie durch eine chaotische Abbildung gleichmäßiger über den gesamten Raum gestreut. Dies erhöht die Diversität der Anfangspopulation und verbessert die globale Suchfähigkeit des Algorithmus von Beginn an. Es ist vergleichbar damit, eine Suchmannschaft nicht zufällig, sondern systematisch über ein großes Gelände zu verteilen, um keine Bereiche zu übersehen.
Zweitens integrieren die Forscher ein „nichtlinear abnehmendes Trägheitsgewicht“. Dieses Konzept stammt aus der Schwarmintelligenz und hilft, den Spagat zwischen der Erkundung neuer, unbekannter Bereiche (Exploration) und der gezielten Suche um bereits vielversprechende Lösungen (Exploitation) zu bewältigen. Zu Beginn des Suchprozesses ist das Gewicht hoch, was größere Sprünge im Suchraum erlaubt und eine breite Erkundung fördert. Im Laufe der Iterationen nimmt es nichtlinear ab, wodurch der Algorithmus feinere Anpassungen vornehmen und sich auf die beste gefundene Lösung zubewegen kann. Diese dynamische Anpassung verhindert, dass der Algorithmus zu früh in einer suboptimalen Lösung „feststeckt“.
Drittens und vielleicht am kreativsten ist die Integration des „Levy-Fluges“ in die Bewegungsstrategie der Wächter-Spatzen. Der Levy-Flug ist ein mathematisches Modell, das auf natürlichen Suchverhalten basiert – etwa bei Vögeln oder Insekten – und durch eine Kombination aus vielen kurzen Schritten und gelegentlichen sehr langen Sprüngen gekennzeichnet ist. Diese Strategie hat sich als besonders effizient erwiesen, um in unbekannten oder komplexen Umgebungen nach Ressourcen zu suchen. Indem die Forscher diesen Mechanismus in den ISSA-Algorithmus einbauen, erhöht sich die Wahrscheinlichkeit erheblich, dass der Algorithmus aus lokalen Optima „ausbricht“ und den globalen Optimalwert findet. Es ist, als würde ein Suchtrupp, der in einer Sackgasse steckt, plötzlich einen weiten Sprung in ein völlig neues Gebiet machen, wo die Chancen auf Erfolg wieder steigen.
Das Ergebnis dieser dreifachen Verbesserung ist ein erheblich leistungsfähigerer Optimierungsalgorithmus. In den Simulationen zeigte der ISSA, dass er das KELM-Modell in nur 57 Iterationen so weit optimierte, dass der mittlere quadratische Fehler (Root Mean Square Error, RMSE) auf 0.0113 sank. Im Vergleich dazu benötigte der ursprüngliche SSA-Algorithmus 109 Iterationen, um einen RMSE von 0.0155 zu erreichen. Diese Zahlen verdeutlichen nicht nur die schnellere Konvergenz, sondern auch die höhere Qualität der gefundenen Lösung.
Das vollständige ISSA-KELM-Modell wurde anschließend auf reale Daten einer einzelnen LFP-Batteriezelle getestet, die mit einem Neware-Batterietester aufgezeichnet wurden. Die Zelle hatte eine Nennkapazität von 1,75 Ah und eine Nennspannung von 4,2 V – typische Werte für Zellen, die in größeren Batteriepacks von Elektrofahrzeugen verwendet werden. Von insgesamt 400 Datensätzen wurden 380 für das Training des Modells verwendet, die verbleibenden 20 dienten als Testset, um die Vorhersagegenauigkeit objektiv zu bewerten.
Die Eingangsgrößen für das Modell waren die drei leicht messbaren Parameter: Spannung, Strom und Temperatur. Die Ausgabe war der geschätzte SOC-Wert. Vor der Verarbeitung wurden alle Eingabewerte normalisiert, um sicherzustellen, dass keine einzelne Variable das Lernverhalten übermäßig beeinflusst. Nachdem das Modell trainiert war, wurde seine Leistung mit zwei etablierten Vergleichsmethoden verglichen: dem SSA-KELM-Modell (mit dem unverbesserten Algorithmus) und dem PSO-LSSVM-Modell, das auf einem anderen Optimierungsverfahren (Particle Swarm Optimization) basiert und in der Batterieforschung weit verbreitet ist.
Die Ergebnisse waren eindeutig und beeindruckend. Das ISSA-KELM-Modell erzielte bei der Vorhersage des Testsets einen maximalen relativen Fehler von 6,232 %. Dieser Wert ist entscheidend, da er die größte Abweichung zwischen geschätztem und tatsächlichem SOC angibt – also den worst-case-Szenario, der für die Sicherheit und Zuverlässigkeit eines Fahrzeugs von höchster Bedeutung ist. Zum Vergleich: Das SSA-KELM-Modell lag bei 8,643 % und das PSO-LSSVM-Modell bei einem deutlich höheren Wert von 13,150 %. Eine solche Abweichung könnte bedeuten, dass ein Fahrer glaubt, noch 10 % Reichweite zu haben, tatsächlich aber bereits kurz vor der vollständigen Entladung steht.
Noch wichtiger ist jedoch die durchschnittliche Genauigkeit. Hier erreichte das ISSA-KELM-Modell einen mittleren absoluten prozentualen Fehler (MAPE) von 3,964 %. Dieser Wert spiegelt die typische Abweichung wider und zeigt, dass die SOC-Anzeige im Fahrzeug in der Regel extrem genau ist. Für den Endverbraucher bedeutet dies ein hohes Maß an Vertrauen in die angezeigte Reichweite und eine erhebliche Reduzierung der sogenannten „Reichweitenangst“.
Der mittlere quadratische Fehler (RMSE) von 0,0197 unterstreicht die hervorragende Stabilität des Modells. Ein niedriger RMSE zeigt an, dass die Vorhersagen nicht nur im Durchschnitt genau sind, sondern auch konsistent über alle Testpunkte hinweg. Grafisch betrachtet folgte die Kurve der geschätzten SOC-Werte der Kurve der tatsächlichen Werte so eng, dass die Abweichungen kaum sichtbar waren. Besonders in dynamischen Phasen, wie beim Übergang von Laden zu Entladen oder bei plötzlichen Laständerungen, zeigte das ISSA-KELM-Modell eine bemerkenswerte Robustheit, während die Vergleichsmodelle deutliche Sprünge oder Verzögerungen aufwiesen.
Ein entscheidender Vorteil des ISSA-KELM-Ansatzes liegt in seiner Praxistauglichkeit. Im Gegensatz zu tiefen neuronalen Netzen, die enorme Rechenleistung erfordern und lange Trainingszeiten haben, ist das KELM-Modell von Natur aus leichtgewichtig und schnell. Die Kombination aus schnellem Lernen und effizienter Optimierung macht es ideal für die Echtzeit-Anwendung in Batteriemanagementsystemen (BMS) direkt im Fahrzeug. Moderne BMS verfügen über begrenzte Rechenressourcen, weshalb Effizienz und Geschwindigkeit entscheidende Kriterien sind.
Darüber hinaus benötigt das Modell nur die drei Standard-Sensoren – Spannung, Strom und Temperatur – die in jedem Elektrofahrzeug bereits vorhanden sind. Es erfordert keine komplexen elektrochemischen Modelle, die mühsam kalibriert werden müssen, und auch keine Ruhephasen zur Messung der Leerlaufspannung, die in der Praxis oft nicht möglich sind. Diese Einfachheit und die Nutzung vorhandener Daten machen die Implementierung kostengünstig und unkompliziert.
Die Auswirkungen dieser Forschung gehen weit über die einzelne Fahrzeuganzeige hinaus. Präzise SOC-Daten sind die Grundlage für viele fortschrittliche Anwendungen. In der Flottenlogistik ermöglichen sie eine optimierte Routenplanung und Ladeplanung. Für intelligente Ladesysteme (Smart Charging) sind sie unerlässlich, um Fahrzeuge dann zu laden, wenn erneuerbare Energien im Überfluss vorhanden sind, und so den Stromverbrauch zu entkuppeln. Im Bereich Vehicle-to-Grid (V2G) – wo Elektrofahrzeuge als mobile Energiespeicher fungieren – ist eine exakte Kenntnis des verfügbaren SOC absolut kritisch. Ein Fehler von nur wenigen Prozent könnte bedeuten, dass ein Fahrzeug zu stark entladen wird, was die Batterie schädigt, oder dass es nicht genügend Energie ins Netz einspeisen kann, wenn diese benötigt wird.
Auch aus Sicht der Nachhaltigkeit ist die präzise SOC-Schätzung von großer Bedeutung. Durch die Vermeidung von Tiefentladungen und die Optimierung von Ladezyklen kann die Lebensdauer der Batterie erheblich verlängert werden. Da Batterien der teuerste Teil eines Elektrofahrzeugs sind, trägt dies direkt zur Wirtschaftlichkeit und zum Umweltvorteil der Technologie bei. Längere Batterielebensdauer bedeutet weniger Ressourcenverbrauch und weniger Elektroschrott.
Die Studie konzentrierte sich bewusst auf LFP-Batterien, die aufgrund ihrer hohen Sicherheit, ihres geringen Kobaltgehalts und ihrer langen Lebensdauer zunehmend in der Automobilindustrie eingesetzt werden, insbesondere in Fahrzeugen im mittleren Preissegment. Die Methode selbst ist jedoch nicht auf diese Chemie beschränkt. Die Forscher weisen darauf hin, dass der Ansatz mit angepassten Trainingsdaten und Parameterbereichen auch auf andere Lithium-Ionen-Chemien wie NMC (Nickel-Mangan-Kobalt) oder NCA (Nickel-Kobalt-Aluminium) übertragen werden könnte, die in Hochleistungsfahrzeugen verwendet werden. Zukünftige Forschung könnte sich darauf konzentrieren, zusätzliche Faktoren wie den Alterungszustand (State of Health, SOH) oder den Innenwiderstand der Batterie in das Modell einzubeziehen, um die Schätzung noch weiter zu verfeinern.
Zusammenfassend lässt sich sagen, dass die von Chen Baihan und seinem Team vorgestellene ISSA-KELM-Methode einen signifikanten Sprung in der Genauigkeit und Zuverlässigkeit der SOC-Schätzung darstellt. Sie vereint die Stärken moderner KI mit cleveren, naturinspirierten Optimierungsstrategien und liefert ein Ergebnis, das nicht nur in der Theorie überzeugt, sondern auch hohe Praxisrelevanz besitzt. In einer Zeit, in der die Elektromobilität vor der Herausforderung steht, Vertrauen bei den Nutzern aufzubauen und ihre volle Potenzial auszuschöpfen, sind solche technologischen Durchbrüche von entscheidender Bedeutung. Sie machen Elektrofahrzeuge nicht nur sauberer, sondern auch intelligenter, sicherer und verlässlicher.
Chen Baihan, Yang Wei, Wan Wenxin, Liu Chuang, State Grid Jingmen Power Supply Company, Northeast Electric Power Technology, DOI: 10.12061/j.issn.1004-7913.2024.08.001