Fraunhofer-Institut für Verkehrs- und Infrastruktursysteme IVIDer Markt für die Elektromobilität hat sich in den letzten Jahren rasant entwickelt, wobei die Batterie weiterhin das teuerste Bauteil in einem Elektrofahrzeug und somit ein wertvoller Asset ist. Um einen wirtschaftlichen Betrieb der Fahrzeuge sicherzustellen und einen Zweitmarkt für gebrauchte Batterien zu etablieren, ist die Bewertung des Batteriezustandes von hoher Bedeutung.
Die derzeit etablierten Methoden zur Batteriediagnose basieren durchgehend auf aufwändigen Labormessungen einzelner Batteriezellen oder Module, die die Realität nicht hinreichend widerspiegeln. Bereits in einem früheren Forschungsprojekt (FeBal: Felddatenbasierte Batteriediagnose und Lebensdauerprognose) hat das Fraunhofer IVI einen Ansatz entwickelt, sowohl die Kapazitätsschätzung als auch die Lebensdauerprognose von Fahrzeugbatterien mit Hilfe von Felddaten zu optimieren. Das Modell reduziert den Umfang von Labormessungen und erlaubt die fahrzeugübergreifende Schätzung der aktuellen Batteriekapazität. Dadurch können verschiedene Degradationseffekte mit unterschiedlichen Einsatzprofilen verknüpft werden.
Validierung in größerem Umfang
Diese, gerade mit Blick auf die Anwendung und Verwertung, vielversprechenden Ergebnisse konnten zunächst nur auf Basis der Daten einer Busflotte erzielt werden. Diese Flotte umfasste einen bestimmten Fahrzeugtyp, wobei alle Fahrzeuge dieselbe Linie bedienten, was zu einem relativ homogenen Lastzyklus führt. Hier setzt das Projekt VALA an, indem es die Qualität der Analyseergebnisse auch für andere Einsatzprofile, Fahrzeugtypen und Anwendungen nachweisen und somit das Konzept in größerem Umfang validieren will.
Die Lebensdauerprognose von Fahrzeugbatterien basiert wesentlich auf der Angabe der bisher erreichten Zyklenzahl unter Referenzbedingungen. Allerdings ist die Aussagekraft dieses Wertes unter realen Einsatzbedingungen fragwürdig. Das tatsächliche Anwendungsszenario sowie die Folge von Inhomogenen Betriebsbedingungen für die Zellen in der Batterie werden nicht berücksichtigt. Es scheint daher offensichtlich, Felddaten sinnvoll zu nutzen, um die Genauigkeit von Lebensdauerprognosen zu verbessern.
Felddaten für eine verbesserte Prognose
Das Projekt VALA verfolgt daher den Ansatz, das Batterieverhalten mit Hilfe von neuronalen Netzen aus Felddaten zu lernen. Das im Rahmen der Arbeiten entwickelte Flottenmodell
- kombiniert ein Batteriemodell zur Spannungsvorhersage mit einem Alterungsmodell für Innenwiderstand und Kapazität,
- macht es möglich, die Einsatzdauer der Batterie unter gegebenen Szenarien zu bestimmen und
- erlaubt die Anpassung der Einsatzszenarien.
Im Fokus steht immer die maßgebliche Verlängerung der Batterienutzung. Insgesamt hebt der Ansatz die Aussagekraft der Batteriediagnose auf ein neues Level und erhöht damit deren Zuverlässigkeit sowie Kundenakzeptanz deutlich. Als Resultat lassen sich beispielsweise die Einsatzplanungsprozesse von Logistik- und Verkehrsflotten optimieren, gezieltere Garantiebedingungen aufstellen und genauere Restwertbestimmungen realisieren.
