Mi a probléma a mai elektromosauto töltési rendszerekkel?

A jelenlegi gyorstöltési protokollok egy alapvető problémával küzdenek: ugyanazokat a töltési paramétereket alkalmazzák az új és az évek óta használt akkumulátorokra is. Az akkumulátor öregedésével azonban a gyors töltés okozta degradáció jelentősen megváltozik. Az elektromosauto akkumulátoroknak, különösen a lítium-ion típusoknak más kezelésre van szükségük az élete során, de a mai töltők erre nem képesek reagálni.

Ez a statikus megközelítés az akkumulátor kémiai összetételében bekövetkező változásokat nem veszi figyelembe. Amikor az elem öregszik, a gyorstöltés során felgyülemló elektrokémiai feszültségek veszélyesebben hatnak az anode szerkezetére.

A lítium-lerakódás veszélye

A legkritikusabb probléma, amely a gyors töltésből eredhet, a lítium-lerakódás, más néven lítium-plating jelensége. Ez akkor fordul elő, amikor az elektromosan feltöltendő lítium-ionok helyesen beépülés helyett metallikus lítium formájában lerakódnak az elektróda felszínén. Ez nem csak az akkumulátor kapacitását csökkenti, hanem szélsőséges esetekben rövidzárlatot is okozhat.

Az öregedő akkumulátorok nagyobb kockázatot jelentenek erre a veszélyre, azonban a standard töltési protokollok ezt a növekvő rizikót ignorálják. Az új Chalmers-módszer éppen ezt a hiányosságot hidalja át, és az akkumulátor korára és pillanatnyi állapotára reagáló intelligens töltést valósít meg.

Hogyan működik az AI-vezérelt töltési stratégia?

A Chalmers kutatók egy mesterséges intelligencia modellt tanítottak arra, hogy valós időben alkalmazkodjon az akkumulátor töltési szükségleteihez. Az algoritmus két kritikus információra támaszkodik:

• Az akkumulátor pillanatnyi töltöttségi szintje (state of charge)
• Az akkumulátor egészségi állapota, amely az idővel összegyűlt degradációt mutatja (state of health)

Az erősítéses tanulás módszere lehetővé teszi az AI számára, hogy önállóan megtanulja az optimális töltési áram alkalmazását különböző akkumulátor-állapotok mellett. A rendszer nem egy előre meghatározott görbe szerint működik, hanem folyamatosan adaptálódik az adott helyzetre.

Teszt eredmények: 23%-os élettartam-növekedés

Az elektromosauto iparban az akkumulátor élettartamát az úgynevezett ciklus-élettartammal mérik, amely azt jelzi, hogy hány töltési-kisütési ciklusig képes az elem az eredeti kapacitása legalább 80%-ét megtartani. A szimulációs tesztek azt mutatták, hogy az AI-vezérelt stratégia a szokásos gyorstöltési protokollok után körülbelül 23%-kal több ciklust ér meg.

Az eredmények azt sugallják, hogy az elektromosauto akkumulátor élettartama jelentősen meghosszabbítható anélkül, hogy a felhasználók az átlagos töltési időben nagyobb többletet szenvedelnének. A módszer szimulációs validálása igazolta az elméleti előnyöket, azonban a fizikai akkumulátoron végzett próbák még hátra vannak.

Szoftverfrissítés helyett hardver csere?

Az egyik legnagyobb előnye ennek az innovációnak, hogy az akkumulátor-kezelő rendszerek (BMS) egyszerű szoftverfrissítésként kaphatják meg az új töltési algoritmust. Nem szükséges új elektronikus komponenseket beépíteni az elektromosautóba, nem kell drága hardver-módosítás. Ez azt jelenti, hogy az intézmény nyíltan kutatott módszer potenciálisan a meglévő flottára is alkalmazható lehet.

A megvalósítást azonban szükséges kalibrálni az egyes akkumulátor-kémiai összetételekre. A kutatócsoport azt sugallja, hogy az úgynevezett transzfer-tanulás segítségével felgyorsítható az alkalmazkodás folyamata. Ez azt jelenti, hogy az egyszer betanított modell viszonylag könnyen átléptethető más akkumulátor-típusokra, újra-tanítás helyett.

Az elektromosauto ipar szélesebb perspektívája

Az akkumulátor-élettartam egyik legfontosabb tényezője az elektromos autó teljes életciklusának gazdaságosságának és fenntarthatóságának. Minél tovább működik az eredeti akkumulátor, annál költséghatékonyabb és környezetbarátabb az elektromosauto. Az akkumulátor-cseréhez szükséges energiabefektetés és anyagi költség jelentős, ezért az élettartam meghosszabbítása nem csupán gazdasági, hanem ökológiai kérdés is.

A Chalmers kutatása azt mutatja, hogy az intelligens szoftveres megoldások képesek kezelni azokat a kihívásokat, amelyeket a mai egyszerűbb protokollok már nem képesek megoldani. Ez a fajta innováció jellemzi az elektromosauto-technológia jelenlegi fejlődési útját: nem feltétlenül radikális forradalmak, hanem okos szoftveroptimalizáció és adatcentrikus közelítés.

Következő lépések: fizikai tesztelés és gyakorlati alkalmazás

Az eddig elvégzett szimulációs vizsgálatok ígéretesek, azonban a valódi akkumulátorokon végzendő laboratóriumi és gyakorlati tesztek nélkülözhetetlen a módszer validálásához. A Chalmers Műszaki Egyetem kutatócsoportja a következő szakaszban fizikai akkumulátorcellák töltésével kísérletezik majd, hogy potenciális problémákat feltárjon, és a szoftver robusztusságát megerősítse.

Az eredmények publikálása (IEEE Transactions on Transportation Electrification) és az elméleti alapok szilárdak, de a gyakorlati megvalósítás az autógyárakkal és akkumulátor-gyártókkal közös fejlesztést igényelhet. Az intézmény által ajánlott transzfer-tanulási módszer gyorsíthatja az ipari bevezetést, mivel az eltérő akkumulátor-kémiákat nem szükséges teljesen újra betanítani.

Kapcsolódó elektromos autós tartalmak

További friss elektromos autós hírek és hasznos információk találhatók az Elektromosautó.hu oldalán. Érdemes megnézni az autós hírek és a zöld hírek rovatot is.

Csatlakozz a közösséghez: Facebook csoportunkban aktív vita folyik az elektromos autózásról. Kövesd az Elektromosautó.hu Facebook oldalát és az Instagram oldalunkat is a legfrissebb EV hírekért!