Az elektromosautó akkumulátor élettartamának kihívása

Az elektromosautók terjedésével egyre fontosabbá válik az akkumulátor-technológia megbízhatósága. A gyorstöltés, bár szükséges az autók gyakorlati hasznosságához, jelentős terhet helyez az akkumulátor-cellákra. A magas elektromos áram hatására kémiai mellékreakciók lépnek fel az akkumulátor belsejében, amelyek felgyorsítják az elhasználódást. Az elektromosautó-akkumulátorok tipikus élettartama jelenleg 8–15 év között mozog, ám sok fogyasztó még mindig szkeptikus ezekkel az adatokkal szemben. Az európai piac kutatásai azt mutatják, hogy az akkumulátor megbízhatósága a vásárlási döntések egyik legfontosabb tényezője.

A szakemberek régóta kutatják, hogyan lehetne a töltési sebesség fenntartása mellett csökkenteni az akkumulátor igénybevételét. Ez az ellentét – gyors töltés kontra hosszú élettartam – hosszú ideig megoldatlan kihívásnak tűnt.

Az AI-alapú töltési stratégia működése

A Chalmers Egyetem és az Új-Zélandi Wellington Egyetem kutatói egy olyan mesterségesintelligencia-modellt fejlesztettek, amely valóban képes megtörni ezt az ellentmondást. Az AI-rendszer megerősítéses tanuláson alapul – egy olyan gépi tanulási megközelítésen, amely során az algoritmus a környezettel (az akkumulátorral) való interakció során fokozatosan javítja döntéseit.

A kulcsötlet rendkívül egyszerű: az AI-modell folyamatosan figyeli az akkumulátor pillanatnyi töltöttségi szintjét és általános egészségi állapotát, majd ennek alapján valós időben szabályozza az elektromos áram erősségét. Ez merőben eltér a hagyományos töltési módszertől, amely fix feszültség- és áramkorlátokat használ az akkumulátor korától és állapotától függetlenül.

A kutatási eredmények beszélnek magukért

Az IEEE Transactions on Transportation Electrification folyóiratban közölt tanulmány figyelemre méltó eredményeket mutatott. Az AI-alapú töltési stratégia az ún. ekvivalens teljes ciklusok (EFC) számában 22,9 százalékos meghosszabbodást ért el a szokásos töltéshez képest. Az EFC az akkumulátor töltési és kisütési ciklusainak száma, amely után a kapacitás az eredeti érték 80 százalékára csökken – ezt az elektromosautó-ipar jellemzően az élettartam végének tekinti.

Ami talán még fontosabb: a töltési idő szinte változatlan maradt. Az új módszer átlagosan 24,12 percet vett igénybe, szemben a hagyományos töltés 24,15 percével. Ez azt jelenti, hogy az elektromosautó-tulajdonosok gyorsabb töltés helyett hosszabb akkumulátor-élettartamot nyernek, anélkül hogy az időt feláldoznák.

Az akkumulátor egészségének szimultán monitorozása

Az AI-modell működésének középpontjában az akkumulátor valós idejű állapot-előrejelzése áll. A kutatók által létrehozott rendszer folyamatosan értékeli, hogy az akkumulátor belső kémiája milyen állapotban van. Ez lehetővé teszi, hogy az algoritmus olyan töltési görbét alkalmazzon, amely minimalizálja a káros elektrokémiai folyamatokat.

Changfu Zou, a Chalmers Egyetem Elektrotechnika Tanszékének professzora így fogalmazott: a gyorstöltés valódi szűk keresztmetszete nem egyszerűen az áramerősség-korlátozás, hanem az akkumulátor belsejében végbemenő dinamikus elektrokémiai folyamatok. Az AI-modell és a fizikai megértés kombinációjával az iparág egyre közelebb kerül az egészségtudatos töltési stratégiákhoz.

Az implementáció gyakorlati előnyei

A kutatás egyik legígéretesebb aspektusa a megvalósítás egyszerűsége. Az új töltési módszer nem igényelne új hardvert vagy drága beépítéseket az elektromosautókba. Az implementáció szoftveres frissítés formájában megtörténhetne az akkumulátor-kezelő rendszerekben. Ez azt jelenti, hogy az elektromosautó-gyártók akár meglévő járműflottáikra is alkalmazhatnák ezeket a fejlesztéseket.

A költséghatékonyság és az egyszerű megvalósíthatóság miatt a módszer valós piaci potenciállal bír. A kutatók ugyanakkor hangsúlyozzák, hogy a szélesebb körű alkalmazáshoz néhány kiigazításra szükség van.

A következő lépések és kiterjeszthetőség

Bár az AI-modell elméleti szinten és szimulációkban kiemelkedően teljesített, a kutatók legközelebbi célja a fizikai akkumulátorok közvetlen tesztelésére való átmenet. Ez a szakasz döntő lesz ahhoz, hogy a laboratóriumi eredmények valós felhasználási körülmények között is működőképesnek bizonyuljanak.

A másik kihívás a sokféle akkumulátor-típusra való kiterjesztés. Manapság még viszonylag korlátozott az elektromosautó-piacon használt akkumulátor-kémiák száma, de ezt az általánosítást el kell végezni. A kutatók az ún. transzfertanulás módszerét alkalmazzák: az AI-modell által már elsajátított tudást felhasználva az rendszer gyorsabban adaptálható lesz az új akkumulátor-típusokhoz.

Az elektromosautó-ipar perspektívája

Ez a kutatás jelentős lépés az elektromosautók gyakorlatiasabbá tételében. Az akkumulátor-élettartam meghosszabbítása közvetlenül csökkenti az elektromosautó teljes élettartamra vetített költségét, amely a vásárlási döntésekben kritikus tényező, különösen az akkumulátor-csere potenciális költsége miatt. Az olyan fejlesztések, mint ez az AI-alapú töltés, hozzájárulnak ahhoz, hogy az elektromosautók még versenyképesebbé váljanak a hagyományos belső égésű motorokkal szemben.

• AI-alapú adaptív töltés – az akkumulátor aktuális állapotához igazított elektromos áram
• 22,9 százalékos élettartam-növekedés – az ekvivalens teljes ciklusok számában
• Szinte azonos töltési idő – nincs szükség kompromisszumra a sebesség tekintetében
• Szoftveres implementáció – költséghatékony és meglévő járműflottára alkalmazható
• Megerősítéses tanulás – az algoritmus folyamatosan tanul az akkumulátor viselkedéséből

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!