Mi a probléma a mai elektromos autó töltési rendszereivel?

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 elektromos autó akkumulátorainak, különösen a lítium-ion típusoknak más kezelésre van szükségük élettartamuk 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 felgyülemlő elektrokémiai feszültségek veszélyesebben hatnak az anód 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 helyes 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 kockázatot figyelmen kívül hagyják. 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 kutatói 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 helyzethez.

Teszteredmények: 23%-os élettartam-növekedés

Az elektromos autó 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%-át megtartani. A szimulációs tesztek azt mutatták, hogy az AI-vezérelt stratégia a szokásos gyorstöltési protokollokhoz képest körülbelül 23%-kal több ciklust ér meg.

Az eredmények azt sugallják, hogy az elektromos autó akkumulátorának élettartama jelentősen meghosszabbítható anélkül, hogy a felhasználók az átlagos töltési időben számottevő többletet szenvednének el. A módszer szimulációs validálása igazolta az elméleti előnyöket, azonban a fizikai akkumulátoron végzett próbák még hátra vannak.

Szoftverfrissítés helyett hardvercsere?

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 elektromos autóba, nem kell drága hardvermódosítás. Ez azt jelenti, hogy az intézmény által nyíltan kutatott módszer potenciálisan a meglévő flottára is alkalmazható lehet.

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

Az elektromos autó ipar szélesebb perspektívája

Az akkumulátor élettartama az elektromos autó teljes életciklusa gazdaságosságának és fenntarthatóságának egyik legfontosabb tényezője. Minél tovább működik az eredeti akkumulátor, annál költséghatékonyabb és környezetbarátabb az elektromos autó. Az akkumulátorcsere szükséges energiabefektetése és anyagi költsége 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 elektromosautó-technológia jelenlegi fejlődési útját: nem feltétlenül radikális forradalmak, hanem okos szoftveroptimalizáció és adatközpontú megközelítés.

Következő lépések: fizikai tesztelés és gyakorlati alkalmazás

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

Az eredmények publikálása (IEEE Transactions on Transportation Electrification) megtörtént, 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!