Wir stellen eine Innovation in der Verwaltung der Leistung von Lithium-Ionen-Batterien vor, einem Schlüsselelement im Übergang zu nachhaltiger Energie. Unser Team von der School of Engineering, Technology und Design an der Canterbury Christ Church University in Großbritannien hat sich darauf konzentriert, Maschinen-/Deep-Learning einzusetzen, um die Zustandsbestimmung (SOC) von Lithium-Ionen-Batterien zu verbessern, insbesondere solcher, die für Second-Life-Anwendungen weiterverwendet werden.
Die effiziente und sichere Betriebsweise von Lithium-Ionen-Batterien ist entscheidend, um die Abhängigkeit von fossilen Brennstoffen zu verringern, die Verbreitung von Elektrofahrzeugen zu unterstützen und erneuerbare Energiequellen zur Versorgung von Infrastrukturen zu ermöglichen. Eine zentrale Herausforderung in diesem Bereich ist die genaue Bestimmung des SOC. Eine falsche Schätzung des SOC kann zu Überladung oder Tiefentladung führen, was die Leistung und Lebensdauer der Batterie erheblich beeinträchtigen kann.
SOC fungiert als Kraftstoffanzeige für eine Batterie. So wie es unerwünscht ist, unerwartet den Treibstoff zu verbrauchen, ist es entscheidend, zu verhindern, dass eine Batterie entleert oder über die sicheren Grenzen hinausgeladen wird. Eine genaue SOC-Schätzung ist entscheidend, um die Langlebigkeit und Sicherheit von Batterien zu gewährleisten, insbesondere in Elektrofahrzeugen und Energiespeichersystemen im großen Maßstab.
Unsere kürzlich veröffentlichte Studie im Journal of Energy Storage befasst sich mit dieser Herausforderung durch einen neuartigen Ansatz. Wir haben ein Cluster-Based Learning Model (CBLM) entwickelt, das K-Means-Clustering mit Long Short-Term Memory (LSTM)-Netzwerken integriert. Das Clustering ermöglicht die Gruppierung ähnlicher Datenpunkte und erleichtert die Vorhersage von Mustern. Durch die Kombination von Clustering mit LSTM, das sich besonders gut zur Handhabung von Sequenzen und Zeitreihendaten eignet, wird die Genauigkeit der SOC-Schätzungen signifikant verbessert. Ein Schlüsselfeature dieses Modells ist der dynamische Auswahlmechanismus für die Zentrumsnähe, der in Echtzeit basierend auf den Betriebsdaten der Batterie das geeignetste Clustermodell auswählt.
Die Methode wurde anhand von Daten einer Tesla Model 32,170 Lithium-Ionen-Batteriezelle getestet. Die Ergebnisse waren bemerkenswert und erzielten einen Root Mean Square Error (RMSE) von 0,65% und einen Mean Absolute Error (MAE) von 0,51%. Diese Methode übertraf bestehende Techniken, indem sie Fehler um mehr als 60% reduzierte, was Robustheit und Zuverlässigkeit für den Einsatz in der Praxis zeigt. Um die praktischen Auswirkungen zu verstehen, wurde eine weitere Untersuchung des Einflusses der verbesserten SOC-Schätzung auf die Batteriegesundheit und wirtschaftliche Leistung durchgeführt. Das CBLM-Modell wurde mit dem Standard-LSTM-Modell unter Verwendung eines Degradationsmodells für Second-Life-EV-Batterien in einer Energiearbitrage-Anwendung verglichen.
Die verbesserte SOC-Schätzungsmethode zeigte signifikante Verbesserungen bei der Aufrechterhaltung der Batteriegesundheit über längere Zeiträume und bei verschiedenen Temperaturen, insbesondere in Szenarien mit hoher Tiefenentladung und -ladung. Wirtschaftlich gesehen steigerte diese Methode die Rentabilität über einen Zeitraum von sieben Jahren, insbesondere bei Szenarien mit hoher Tiefenentladung und führte zu erheblichen Kosteneinsparungen. Eine genaue SOC-Schätzung gewährleistet die Zuverlässigkeit und Sicherheit von Batterien in Elektrofahrzeugen, verbessert die Effizienz von Energiespeichersystemen und erleichtert die effektive Wiederverwendung von Second-Life-Batterien, wodurch ihre Lebensdauer verlängert und der Abfall reduziert wird. Die Anpassungsfähigkeit dieses Ansatzes ermöglicht seine Anwendung in verschiedenen Betriebsumgebungen und macht ihn zu einem vielseitigen Werkzeug in der Suche nach nachhaltigen Energielösungen.
Dieser Fortschritt markiert einen bedeutenden Schritt in Richtung einer nachhaltigen Energiezukunft. Eine Zusammenarbeit mit Industriepartnern wird angestrebt, um diese Innovation aus dem Labor in die Praxis umzusetzen. Zusammenfassend trägt die Verbesserung der SOC-Schätzung dazu bei, Batterien intelligenter, zuverlässiger und sicherer zu machen und somit eine Welt voranzubringen, die von sauberer Energie angetrieben wird.