Für Elektroautos: Neues System soll Batterien besser verstehen

Wie fit ist ein Akku wirklich noch, wenn er in einem Elektroauto Tausende Ladezyklen hinter sich hat. Sensoren können das nicht direkt messen. Forschende müssen den sogenannten State of Health, kurz SOH, aus Werten wie Spannung, Strom und Ladeverhalten ableiten. Ein Forschungsteam hat dafür eine Methode namens PI-CTG entwickelt. Sie kombiniert zwei KI-Architekturen mit physikalischen Plausibilitätsregeln. Im Labortest erreicht das Verfahren einen durchschnittlichen Schätzfehler von 0,7768 Prozent bei einem Bestimmtheitsmaß von 0,973. Die KI für Elektroauto-Akkus Das Modell misst nicht direkt, wie stark ein Akku verschlissen ist. Es schätzt die Kapazität, also wie viel Energie die Zelle im Vergleich zum Neuzustand noch speichert. Dafür nutzt es fünf Merkmale aus der Ladespannungskurve und der sogenannten Inkrementalkapazitätskurve. Dazu zählen etwa die Dauer der Konstantstromladephase und die Lage des Spitzenwerts der Inkrementalkapazität. Altert eine Zelle, verkürzt sich die Ladezeit typischerweise. Gleichzeitig schwächt sich der Spitzenwert ab und verschiebt sich zu höheren Spannungen. Beide Effekte gehen auf zunehmende Polarisation und den Verlust aktiven Materials zurück. Der Clou liegt in der Kombination: Der Transformer-Teil lernt, wie die fünf Merkmale zusammenhängen. Das Gated Recurrent Unit (GRU)-Netzwerk verfolgt, wie sich die Alterung über viele Ladezyklen hinweg entwickelt. Eine Cross-Attention-Komponente führt beide Perspektiven zusammen. Zusätzlich zwingen zwei physikinformierte Regeln das Modell dazu, plausible Alterungsverläufe zu liefern. Eine davon verhindert etwa, dass die geschätzte Kapazität langfristig plötzlich wieder ansteigt. Ein vollständiges elektrochemisches Modell der Batterie bauen die Forschenden damit aber nicht. Sie setzen stattdessen weiche Konsistenzbedingungen ein, die nur während des Trainings wirken. Veröffentlicht haben Yanyu Huang, Jianwei Huang, Wensheng Yu und Xiaoxian Yang von der Quanzhou Normal University sowie der Naval University of Engineering in China ihre Studie Anfang August im Fachjournal Scientific Reports. Der Verlag stuft das Paper aktuell noch als frühen, unredigierten Zugang ein, die endgültige Fassung durchläuft demnach noch eine weitere Bearbeitung. Deutlich weniger Fehler Im Vergleich zu einfacheren Modellen zeigt sich der Fortschritt deutlich. Die Forschenden messen die Genauigkeit mit dem sogenannten Root Mean Squared Error (RMSE), der angibt, wie stark die Vorhersage im Schnitt vom tatsächlichen Akkuzustand abweicht. Je kleiner der Wert, desto präziser die Schätzung. Ein reines GRU-Modell kommt hier auf 0,0228, ein reiner Transformer auf 0,0199. Kombinieren die Forschenden beide Architekturen ohne physikalische Zwangsbedingungen, sinkt der Wert auf 0,0132. Erst die physikinformierten Regeln drücken ihn auf 0,0072. Umgerechnet auf die Prozentskala des Akkuzustands entspricht das einer durchschnittlichen Abweichung von nur 0,72 Prozentpunkten. Das Team testet das Verfahren an sechs Zellen aus drei öffentlichen Labordatensätzen: den kleinen Pouch-Zellen der Universität Oxford, portablen Zellen der University of Maryland und NASA-Testzellen. In einem weiteren Experiment trainieren die Forschenden das Modell an einer Zelle und testen es an einer zweiten, unbekannten Zelle desselben Datensatzes. Auch das gelingt mit guten Werten. Alle drei Übertragungstests bleiben aber innerhalb des jeweils gleichen Datensatzes. Einen Wechsel zwischen verschiedenen Datenquellen prüft das Team nicht. Topaktuell Nicht direkt übertragbar Die Forschenden testen PI-CTG also an einzelnen Laborzellen, nicht an einem kompletten Batteriepack aus einem realen Fahrzeug. Sie nennen selbst Temperatur, Lade- und Entladerate sowie den Transfer zwischen unterschiedlichen Batteriechemien und Ladeprotokollen als offene Punkte für künftige Arbeiten. Temperatur fließt bislang gar nicht als Eingabegröße ein, obwohl sie im Fahrzeugalltag durch Jahreszeiten und Klimatisierung stark schwankt. Wie real dieser Unterschied ist, zeigt mitunter die Studie eines Teams der Stanford University und Volkswagen im Fachjournal Joule. Sie werten rund 3.750 Stunden Batteriemanagement-Daten aus einem realen Elektroauto über ein Jahr aus. Dabei stellen sie fest, dass saisonale Temperaturschwankungen gängige Gesundheitsindikatoren stark beeinflussen, ein Effekt, den kontrollierte Labortests kaum abbilden. Auch das Ladeverhalten selbst unterscheidet sich: PI-CTG basiert auf sauberen Konstantstrom-Konstantspannungs-Ladekurven, doch im Fahrzeugalltag greift das Batteriemanagement ein und die Lademuster fallen unregelmäßiger aus. Verlässliche SOH-Werte sind essenziell Physikinformierte SOH-Schätzung per KI selbst ist zudem nicht neu. Bereits 2024 stellt ein Team um Fangfang Wang mit einer Veröffentlichung in Nature Communications ein physikinformiertes neuronales Netz vor, das die Forschenden an 387 Batterien testen und das einen durchschnittlichen Fehler von 0,87 Prozent erreicht. Die Werte beider Studien lassen sich wegen unterschiedlicher Datensätze und Testprotokolle nicht direkt vergleichen. Die eigentliche Neuerung von PI-CTG liegt daher eher in der Kombination aus fünf interpretierbaren Lademerkmalen, der Cross-Attention-Fusion und den beiden Alterungs-Konsistenzregeln. Für Fahrer*innen gebrauchter Elektroautos hängt am Gesundheitszustand des Akkus einiges. Dazu zählen Restreichweite, Wiederverkaufswert und die Eignung für eine Zweitnutzung als stationärer Speicher. Die Verordnung (EU) 2024/1257, bekannt als Euro 7, verlangt inzwischen auch Vorgaben zur Haltbarkeit und Zustandsüberwachung von Fahrzeugbatterien. Das dürfte den Bedarf an präzisen Schätzverfahren wie PI-CTG in Zukunft erhöhen. Bis ein solches Modell tatsächlich in einem Elektroauto zum Einsatz kommt, braucht es aber noch weitere Tests unter realen Bedingungen. Quellen: „Lithium-ion battery SOH estimation based on degradation physics constraints and crossattention Transformer-GRU“ (Sci. Rep., 2026); „Analysis and key findings from real-world electric vehicle field data“ (Joule, 2023); „Physics-informed neural network for lithiumion battery degradation stable modeling and prognosis“ (Nat. Commun., 2023); Amtsblatt der Europäischen Union, 2024/1257