Litijum-jonske baterije postale su ključna komponenta u porastu električne mobilnosti, ali predviđanje njihovog zdravlja i trajanje ograničava tehnologiju
Iako su se pokazale uspješnim, trajanje litijum-jonskih baterija se vremenom smanjuje, a ne samo zbog procesa starenja koji se dešava tokom punjenja i pražnjenja – poznatog kao „ciklično starenje“.
Ćelije litijum-jonske baterije takođe trpe degradaciju zbog takozvanog „kalendarskog starenja“, koje se dešava tokom skladištenja ili jednostavno kada se baterija ne koristi.
Određuju ga tri glavna faktora: stanje mirovanja (rest state of charge – SOC), temperatura mirovanja i trajanje vremena mirovanja baterije.
S obzirom na to da će električno vozilo većinu svog života provesti parkirano, predviđanje degradacije kapaciteta ćelija usljed kalendarskog starenja je ključno; može produžiti vijek baterije i otvoriti put mehanizmima koji bi čak mogli da zaobiđu ovaj fenomen.
Algoritmi predviđaju kalendarsko starenje
Iz tog razloga, naučnici koriste napredne algoritme mašinskog učenja kako bi precizno predvidjeli kalendarsko starenje.
U nedavnoj studiji koju je finansirao program EU Horizon 2020, tim naučnika je napravio korak dalje u istraživanju, upoređujući tačnost dva algoritma na širokom spektru komercijalnih hemija litijum-jonskih baterija.
Konkretno, izvukli su kalendarske podatke o starenju iz šest vrsta hemijskih ćelija baterija:
- litijum kobalt oksid (LCO)
- litijum gvožđe fosfat (LIP)
- litijum mangan oksid (LMO)
- litijum titan oksid (LTO)
- nikl kobalt aluminijum oksid (NCA)
- nikl-mangan-kobalt oksid (NMC)
Ove baterijske ćelije su kalendarski odležane u temperaturnim komorama na 50, 60 i 70 stepeni Celzijusa, koristeći visoke, srednje i niske napone.
Da bi predvidio starenje, tim je istražio efikasnost dva algoritma mašinskog učenja:
- ekstremno pojačavanje gradijenta (Extreme Gradient Boosting – XGBoost)
- vještačke neuronske mreže (artificial neural network – ANN)
Kako funkcionišu algoritmi?
Oba algoritma su odabrana zbog njihove sposobnosti da daju pouzdane rezultate, ali se značajno razlikuju u svom radu.
XGBoost je baziran na stablu odluka, najsavremeniji nadzirani algoritam mašinskog učenja koji se široko koristi u problemima regresije ili klasifikacije.
ANN je vještački adaptivni sistem koji koristi svoje osnovne elemente, zvane neuroni i veze, da transformiše svoje globalne ulaze u predviđeni izlaz.
Da bi procijenili njihov učinak, istraživači su koristili metriku srednje apsolutne procentualne greške (mean absolute percentage error – MAPE), koja mjeri prosječnu veličinu grešaka između predviđenih i izmjerenih vrijednosti. Jednostavno rečeno, što je manja MAPE vrijednost, to je veća tačnost predviđanja.
Kakvi su bili rezultati?
Testiranje algoritama je pokazalo da se XGBoost može koristiti za efikasno predviđanje kalendarskog starenja većine hemija sa značajno minimalnom srednjom apsolutnom greškom.
U međuvremenu, ANN daje zadovoljavajuće rezultate samo za ćelijske hemije LFP, LTO i NCA.
Sveukupne superiorne performanse XGB-a, a posebno u vezi sa hemijom baterija koje dominiraju u automobilskoj industriji (NCA, NMC, LFP), pokazuju da bi se mogao ugraditi u softver za aplikacije baterija za EV, kako bi se uspješno predvidjeli efekti kalendarskog starenja i obezbijedio bolji radni vijek baterija električnih vozila.
Sada ostaje da se vidi koje korake treba preduzeti da bi se nalazi istraživanja pretvorili u komercijalne primjene.
