Batterieladung trifft maschinelles Lernen

Algorithmen helfen beim Testen von Hardware, den besten Weg zum schnellen Aufladen zu finden.

Batterien neigen dazu, viele Kompromisse mit sich zu bringen. Sie können eine hohe Kapazität haben, aber es bedeutet mehr Gewicht und eine langsamere Ladung. Oder Sie können schnell aufladen und sehen, wie die Lebensdauer Ihres Akkus mit jedem Zyklus abfällt. Es gibt Möglichkeiten, die Leistung zu optimieren – die schnellste Aufladung, die Sie tun können, ohne die Akkulaufzeit zu reduzieren – aber das variiert von Produkt zu Produkt und erfordert umfangreiche Tests, um zu identifizieren.

Aber vielleicht ist diese Prüfung nicht so umfangreich, dank eines neuen Systems in der Zeitschrift Nature beschrieben. Das System verwendet eine Kombination aus maschinellem Lernen und Bayes’schen Rückschluss, um schnell null in auf das optimale Lademuster für jede Batterie, wodurch die Menge der erforderlichen Tests erheblich zu reduzieren.

Nicht so schnell

Schnelles Laden ist offensichtlich nützlich für alles, von Telefonen bis hin zu Autos. Aber wenn eine Batterie schnell aufgeladen wird, speichert sie ihre Ionen nicht ganz so effizient. Die Gesamtkapazität wird sinken, und es besteht das Potenzial für bleibende Schäden, da ein Teil des Lithiums ausfällt und für die zukünftige Verwendung nicht mehr verfügbar ist.

Es gibt jedoch Möglichkeiten, das Ladeprofil zu ändern, um dieses Problem zu vermeiden. Zum Beispiel könnte es möglich sein, langsam mit dem Laden zu beginnen und einen geordneten Lithiumspeicher zu erzeugen und dann auf schnelles Laden umzuschalten, das darauf aufbaut, bevor die Laderate wieder verlangsamt wird, um das letzte Bisschen Lithium effizient einzupacken. Moderne Ladegeräte verfügen über genügend Rechenleistung, um einen Ladevorgang zu verwalten, der entwickelt wurde, um die Geschwindigkeit gegen die Batterieleistung zu optimieren. Alle Batterien sehen Leistungsabfall im Laufe der Zeit, aber das richtige Profil wird es minimieren.

Das Problem besteht darin, das richtige Ladeprofil zu identifizieren. Im Moment müssen wir es nur finden, empirische Tests durchzuführen: eine Reihe von Batterien durch viele Lade-/Entladezyklen laufen lassen und überwachen, wie sich ihre Leistung im Laufe der Zeit ändert. Da es viele potenzielle Ladeprofile gibt und der Leistungsabfall allmählich erfolgt, erfordert der Prozess, dass Hunderte von Batterien durch genügend Lade-/Entladezyklen geschickt werden müssen, um sie in die Nähe ihres End-of-Life-Punkts zu bringen. Erschwerend kommt hinzu, dass das Profil für jeden Akkutyp unterschiedlich ist, so dass das Erlernen, welche Art von Aufladen gut für Ihr Handy funktioniert, uns nicht unbedingt sagen wird, wie wir ein Telefon von einem anderen Hersteller aufladen können.

Die neue Arbeit, die von einer großen Zusammenarbeit durchgeführt wurde, war ein Versuch, die Zeit zu verkürzen, die mit dem Testen einer bestimmten Batterie verbunden war.

Lernen Bayesianer

Das Setup, das die Forscher verwenden, beinhaltet Standard-Batterie-Test-Hardware, so dass sie mehrere Batterien durch wiederholte Lade-/Entladezyklen gleichzeitig senden können. Aber darüber hinaus findet der großteil der Aktion in Software statt.

Eine wichtige Softwarekomponente wird als Bayesian Optimizer oder BO bezeichnet. Die BO gleicht zwei konkurrierende Interessen aus: Das beste Ladeprofil zu finden bedeutet, so viele Profile wie möglich zu testen, und das beste Profil wird wahrscheinlich irgendwo in der Nähe eines Profils liegen, das Sie bereits als gut identifiziert haben. Behandeln Sie dieses Gleichgewicht schlecht und Sie werden am Ende erkunden alle Bereiche rund um eine anständige Lösung, aber verpassen Sie eine Reihe von besseren Lösungen an anderer Stelle in der Reihe von Ladeprofilen.

Bayessche Statistiken wurden entwickelt, um Vorabinformationen zu berücksichtigen, damit sie die Erkenntnisse aus den ersten Testrunden nutzen können, um sicherzustellen, dass beide zukünftigen Runden gleichzeitig mehr Lösungen erkunden und gleichzeitig zusätzliche Tests in der Nähe der besten konzentrieren können. Lösungen aus früheren Runden.

Allein würde ein Bayesian-Optimierer einfach die Effizienz erhöhen, mit der eine Reihe von Ladeprofilen getestet wird – gut, aber nicht besonders spannend. Aber in diesem Fall, die Forscher gekoppelt es mit einem maschinellen Lernalgorithmus, der das Spannungsprofil während der Entladungen gesehen nimmt und verwendet, dass die zukünftige Lebensdauer der Batterie vorherzusagen. In früheren Arbeiten konnte dieser Algorithmus die Lebensdauerleistung mit nur 100 Datenzyklen erfolgreich vorhersagen. Dies hat zur Folge, dass das Testen eines Satzes von Batterien von 40 Tagen auf 16 Tage verkürzt wird.

Das ist gut für eine einzige Testrunde. Aber denken Sie daran, dass das Ziel ist, sowohl die meisten der Satz von Ladungsprofilen zu erkunden und alle Profile rund um die erfolgreichen Lösungen in der ersten Runde gefunden testen. Nur ein paar Runden dieser Art von Tests zu machen, könnte bedeuten, dass fast ein halbes Jahr damit verbracht wird, das beste Ladeprofil zu identifizieren. Und bis sechs Monate sind die meisten Unternehmen bereit, an einem neuen Produktdesign zu arbeiten – oft mit einer anderen Batterie.

Reale Tests

Um zu zeigen, dass das System tatsächlich funktioniert, verwendete das Forschungsteam ein 48-Batterie-Testgerät und testete einen Satz von 224 Schnellladeprofilen, die eine 17-minütige Ladung durchführten. Dies verkürzt in der Regel die Lebensdauer der Batterie dramatisch. Nach nur zwei Testrunden mit 100 Zyklen konnten die Forscher die allgemeinen Umrisse der besten Lösungen verstehen und die meisten der in Betracht gezogenen potenziellen Profile untersucht.

Wie sich herausstellt, waren in diesem Fall die besten Lösungen lineare Ladeprofile, bei denen die Laderate während des gesamten Zyklus konstant gehalten wurde. Wie bereits erwähnt, wird dies jedoch wahrscheinlich anders sein, wenn eine andere Batterie verwendet wird. Und selbst eine einzige Batteriewie Lithium-Ionen kann sich in Bezug auf seine physikalische Struktur, den verwendeten Elektrolyten, die Elektrodenchemie usw. dramatisch unterscheiden. Schließlich gibt es eindeutig Anwendungen, bei denen unterschiedliche Ladeprofile am Ende priorisiert werden. Ein Elektroauto benötigt während der Fahrt möglicherweise schnelles Aufladen, aber wenn es zu Hause geparkt wird, könnte es besser mit einem Profil, das die Akkulebensdauer optimiert. Es gibt keinen Grund, warum dieses Test-Setup nicht beides verarbeiten konnte.

Eines der auffälligsten Dinge darüber ist, dass, selbst wenn all diese Optimierungsarbeit durchgeführt wird, es am Ende für die meisten Benutzer völlig unsichtbar sein wird. Während Benutzer bemerken, dass ihr Gerät schneller aufgeladen wird, als sie es gewohnt sind, wissen sie nichts über die Elektronik in ihrer Ladehardware, die das Ladeprofil ändert, während sie Feedback zum Batteriestatus erhalten.

Click here for more information