Az elektromos autók iránt érdeklődők között szinte nincs olyan, aki ne tette volna fel magának a kérdést: vajon mennyit ér majd az autó akkumulátora öt, tíz vagy tizenöt év múlva. A göteborgi Chalmers Műszaki Egyetem kutatói most olyan választ tettek le az asztalra, amely érdemben átírhatja ezt a számítást. Új, mesterséges intelligenciára épülő töltési módszerükkel a tanulmány szerint az akkumulátorok élettartama közel 23 százalékkal meghosszabbítható — méghozzá úgy, hogy a töltési idő gyakorlatilag nem növekszik. A megoldás különlegessége, hogy nem új cellákat, nem új akkumulátor-kémiát követel, hanem szoftveres logikát.
A félelem, amit eddig nem lehetett kikerülni
Az akkumulátor-degradáció kérdése az elektromos autózás egyik leggyakrabban hangoztatott aggálya, és nem alaptalanul: bár a friss kutatások szerint az akkumulátorok kopása az első 100 000 kilométer alatt sok esetben kisebb a korábban vártnál, a hajtóakkumulátorok állapota — szakszóval a State of Health, röviden SoH — az autó öregedésével és futásteljesítményének növekedésével elkerülhetetlenül romlik. Ennek következménye, hogy a használható akkumulátorkapacitás fokozatosan csökken a gyártó által megadott értékekhez képest, és ez közvetlenül érinti mind a hatótávot, mind a használtautó-piaci értéket. A Chalmers kutatói pontosan erre a problémára kerestek megoldást, és a fókuszt nem véletlenül helyezték a DC gyorstöltésre.
Miért éppen a gyorstöltés a kritikus pont
A DC gyorstöltés közismerten gyorsabban gyorsítja az akkumulátorok öregedését, mint a lassabb, váltakozó áramú AC töltés, ugyanakkor a mindennapi használhatóság szempontjából megkerülhetetlen. „Például a taxik vagy az ipari felhasználású nehézgépjárművek esetében a gyorstöltéshez való hozzáférés nagyon sokat jelent, de ugyanez igaz a személyautókra is” — mondta Changfu Zou, a Chalmers Műszaki Egyetem Villamosmérnöki Tanszékének professzora. Hozzátette: bár a magánfelhasználók általában otthon töltik az autójukat, az otthonon kívüli gyorstöltés elérhetősége kulcsfontosságú tényező, mert ez teszi lehetővé az ingázást és a hosszabb utakat. Vagyis a gyorstöltést nem lehet egyszerűen „elkerülni” az akkumulátor védelme érdekében — meg kell tanulni okosabban használni.
Mit csinál pontosan a mesterséges intelligencia
Egy nemrég megjelent tanulmányban Zou, valamint Meng Yuan, az új-zélandi Victoria University of Wellington adjunktusa és a Chalmers korábbi kutatója, kimutatta, hogy a mesterséges intelligencia képes meghosszabbítani az akkumulátorok élettartamát anélkül, hogy érdemben növelné a töltési időt. Az MI-alapú töltési módszer a jelenlegi standard eljárásokhoz képest körülbelül 23 százalékkal növeli az akkumulátor élettartamát, miközben a töltési idő szinte változatlan marad. „Megmutattuk, hogy nagyjából ugyanolyan gyorsan lehet tölteni, mint ma, de az akkumulátor hosszú távú degradációja jelentősen kisebb lehet” — fogalmazott Meng Yuan. A módszer kulcsa, hogy a töltési paramétereket nem statikusan, hanem dinamikusan állítja be — mindig az akkumulátor aktuális állapotához igazítva.
A láthatatlan ellenség: a lítiumbevonat-képződés
A gyorstöltés komoly terhelést jelent az akkumulátorok számára, mivel nagy áramerősségű elektromos energiát kényszerít át az egyes cellákon, ami növeli a nem kívánt kémiai mellékreakciók kockázatát. Különösen problémás jelenség a lítiumbevonat-képződés — angolul lithium plating —, amelynek során a fémes lítium az elektródán rakódik le ahelyett, hogy megfelelően beépülne az akkumulátor szerkezetébe. Ez nem csupán a kapacitást csökkenti, hanem biztonsági kockázatot is jelenthet, mert az egyenetlen lítiumeloszlás legrosszabb esetben rövidzárlatot okozhat. „A lítiumbevonat-képződés kockázata az akkumulátor öregedésével nő. A jelenlegi szabványos töltési módszerek azonban ugyanazt az áramerősséget és feszültséget használják, függetlenül attól, hogy az akkumulátor új, vagy már évek óta használatban van” — mutatott rá Meng Yuan, és ezzel pontosan azt a paradoxont nevezte meg, amelyet az új módszer feloldani igyekszik.
Megerősítéses tanulás a tölcsér végén
Az új MI-alapú töltési stratégia megerősítéses tanulásra (reinforcement learning) épül, amelyben a megfelelő döntéseket az algoritmus jutalmazza és megerősíti. Az MI-modellt arra képezték ki, hogy a töltési folyamatot az akkumulátor töltöttségi szintjéhez, vagyis a State of Charge-hoz (SoC) igazítsa, miközben figyelembe veszi az akkumulátor általános állapotát is. Ez azért meghatározó, mert az akkumulátor pillanatnyi állapota mind a kapacitás, mind az elektrokémiai teljesítmény szempontjából döntő szerepet játszik. Az eredmény egy olyan töltési stratégia, amely csökkenti a töltési időt, miközben minimalizálja a káros mellékreakciókat — vagyis a két, eddig egymással szembefutó cél egyidejű teljesítésére kínál utat.
