I race til å gjøre elbiler (EV) mer pålidelige, rimelige og brukervennlige har en utfordring lenge forvirret ingeniører: å nøyaktig måle hvor mye lading som er igjen i litiumjernfosfat (LFP)-batterier — arbeidshestene som driver millioner av elbiler over hele verden. I motsetning til andre litiumionbatterier har LFP-batterier en flat spenningskurve, noe som gjør det notorisk vanskelig å måle deres ladningstilstand (SOC), den kritiske metrikken som forteller sjåfører hvor mye rekkevidde de har igjen. Men et nytt dyp læringssystem utviklet av et team med forskere fra Shanghai Jiao Tong-universitetet og Shanghai Qiyuan Green Power Technology Co., Ltd. endrer det, og leverer enestående nøyaktighet under virkelige forhold.
Dette gjennombruddet kan være en game-changer for elbilindustrien, og løser et sentralt problem for både produsenter og forbrukere. Når adopasjonen av elbiler øker — globale salg forventes å nå 35 millioner innen 2030, ifølge International Energy Agency — er pålidelige batteristyringssystemer (BMS) viktigere enn noensinne. Et BMS som ikke kan rapportere SOC nøyaktig skaper ikke bare sjåførangst, men risikerer også å skade batteriene over tid, forkorte levetiden deres og øke kostnadene.
LFP-fordelene — og dens Achilles hiel
LFP-batterier har blitt en favoritt blant bilprodusenter av gode grunner. De er tryggere enn nikkel-kobolt-mangan (NCM)-batterier, mindre utsatt for overoppheting eller brann, og eravhenger av mer rikelig tilgjengelige, billigere materialer. Disse faktorene har gjort dem til en hovedstamme i elbiler fra merker som Tesla, BYD og Ford, spesielt i inngangs- og midtreklasse-modeller.
Men deres største styrke når det gjelder kjemi skaper en unik utfordring for SOC-estimering. Den åpne kretsspenningen (OCV) til et LFP-batteri — i hovedsak spenningen når den ikke er i bruk — endrer seg nesten ikke mellom 20 % og 95 % SOC. I dette området utgjør en 75 % endring i SOC bare en spenningsendring på 0,15 volt, noe som gjør det nesten umulig for tradisjonelle systemer å skille mellom et batteri som er 30 % ladet og ett som er 70 % ladet.
«Tenk deg å prøve å lese et drivstoffmåler som forblir nesten det samme fra en fjerdedel tank til tre fjerdedeler full,» sier Dr. Lin Yang, professor i maskinteknikk ved Shanghai Jiao Tong-universitetet og ledende forsker på prosjektet. «Det er problemet vi løser. Sjåfører trenger å stole på elbilens rekkevidde, og bilprodusenter trenger systemer som kan beskytte batteriene mot overladning eller dyp utladning.»
Tradisjonelle metoder for å estimere SOC faller kort her. Amperetime (Ah)-integrasjonsmetoden, som spores ladeflyten inn og ut av batteriet, fungerer i teorien, men akkumulerer feil over tid, spesielt under virkelige forhold der temperatur, kjøreekspertiser og batteriåpning kaster ut beregningene. Metoder for åpen kretsspenning krever at batteriet står inaktivt i timer — uegnet for et kjøretøy i daglig bruk. Modellsbaserte tilnærminger, som bruker matematiske modeller til å simulere batterioppførsel, sliter med den flate spenningskurven, ettersom små feil i spenningsforutsigelser leder til store SOC-feil.
Data-drevne metoder, som bruker maskinlæring til å oppdage mønster i batteridata, har vist lovende resultater i laboratorier. Men de fleste av disse studiene eravhenger av kontrollert, stabile forhold — konstant temperatur, jevne ladningsprotokoller — som ikke gjenspeiler kaoset i virkeligheten: brennende varme sommardager, frysekalde vintre, stopp-og-gå-trafikk og batterier som forringes over år med bruk. Verre enn det: SOC-dataene registrert av et kjøretøys BMS og sendt til skyen er ofte upresis, noe som gjør dem ubrukelige for å trene AI-modeller.
En virkelighetsløsning: Fra skydata til nøyaktige etiketter
Teamets gjennombrudd starter med en enkel, men kritisk innsikt: For å bygge et system som fungerer i virkeligheten, må du trene det på virkelighetsdata — gode virkelighetsdata.
De vendte seg til skybaserte data fra 20 elbiler drevet av en kinesisk batteribyttesasjon-operatør. Disse bilene brukte LFP-batterier med en nominell kapasitet på 228 Ah, og deres BMS registrerte alle detaljer: strøm, spenning, temperatur og ladningsmønster, prøvetatt hvert 10. sekund over to måneder. Datsettet inkluderte batterier i ulike helse tilstander — noen nye (100 % helse), andre litt forringet (97,5 % og 92,5 % helse) — og opererte i temperaturer fra 5°C til 35°C (41°F til 95°F).
Men rå data er ubrukelig uten nøyaktige SOC-etiketter. For å løse dette utviklet teamet en «reverse ampere-time-integrasjonsteknikk». Sånn fungerer den: Når et LFP-batteri når sin ladningsgrense spenning, er det fullt ladet — 100 % SOC. Fra dette pålidelige referansepunktet arbeidet teamet baklengs, og trakk fra ladeinnholdet (målt i amperetimer) på hvert tidspunkt for å beregne SOC for hvert øyeblikk i ladningssyklusen.
Denne metoden unngår feilene med forovergående ampere-time-integrasjon fordi den starter fra et solitt referansepunkt (100 % SOC) og eravhenger av den jevne, kontrollerte naturen til ladning. «Ladning er forutsigelig,» forklarer Meng Yizhen, en masterstudent i teamet. «Strømmen reguleres av ladningsstrategien, og det fullt ladde punktet er entydig. Det gir oss en ren, pålidelig måte å merk every datapunkt med sin sanne SOC.»
Resultatet? Et datsett på 1000 ladningsykluser, hver med presise SOC-etiketter — ingen laboratorieforhold nødvendig. Denne «selvovervåkte» tilnærmingen, der modellen lærer fra data den hjelper til å merke, eliminerer behovet for feilfylte BMS-data.
CNNGRUM: Kombinerer det beste av to AI-verdener
Med høy kvalitet data på plass, satte teamet i gang å bygge en maskinlæringsmodell som kunne forstå det. De ønsket noe som kunne håndtere to viktige aspekter av batterioppførsel: de komplekse relasjonene mellom strøm, spenning, temperatur og SOC (romlige mønster), og hvordan disse relasjonene endres over tid (tidsmønster).
Deres løsning: en hybridmodell kalt CNNGRUM, som slår sammen to kraftige AI-verktøy: konvolusjonelle nevrale nettverk (CNN) og portede tilbakekoblingsenheter (GRU).
CNN er stjerner på å oppdage romlige mønster. Tenk på dem som AI-ekvivalentet av en detektiv som scanner et krimscene for spor. I dette tilfellet er «sporene» de subtile måtene strøm, spenning og temperatur samhandler for å signalisere SOC. Teamets CNN bruker lag med filtere til å sortere gjennom dataene, først hente opp enkle mønster (f.eks. hvordan spenningen synker når strømmen stiger) og deretter kombinere dem til mer komplekse innsikter (f.eks. hvordan temperatur forsterker effekten i et aldring batteri).
GRU-er derimot er flinke til å håndtere sekvenser — data som utvikler seg over tid. De er en type tilbakekoblingsnevrale nettverk designet for å unngå «glemmehukommelsen» til eldre modeller, som sliter med å huske viktige detaljer fra minutter eller timer tidligere. I et batteri er SOC en historie fortalt over tid: en kald morgen påvirker ladningshastigheten, noe som påvirker hvordan spenningen stiger, noe som igjen påvirker SOC-estimater timer senere. GRU-er sporer disse langsiktige avhengighetene, ved å bruke «porter» for å bestemme hvilken informasjon som skal beholdes og hva som skal kastes.
Avgjørende er at CNNGRUM ikke bare stapper disse to modellene sammen (en vanlig tilnærming i AI). I stedet lar den dem jobbe uavhengig, før den kombinerer innsiktene via en «meta-lærerin» — et lite nevralt nettverk som veier styrkene til hver. «Det er som å ha to eksperter,» sier Yang. «En er flink til å lese øyeblikksdetaljene, den andre til å forstå det store bildet over tid. Meta-læreren vet når hun skal stole på hver av dem.»
Modellens inndata er ikke bare strøm, spenning og temperatur. Teamet la til en fjerde egenskap: «amperetime-integral over ladningsprosessen», som spores det totale ladningsinnholdet som er lagt til batteriet siden starten av syklusen. Dette fungerer som en langsiktig hukommelse, og fanger opp hvor mye energi som er lagt til over timer — kritisk for å unngå den kortsiktige synligheten til data tatt i 10-sekunders vinduer.
For å trene modellen ga teamet den «glidende vinduer» med data: 90 påfølgende 10-sekunders målinger (15 minutter med data) for hver av de fire egenskapene. Modellen lærte å forutsigere SOC på slutten av hvert vindu. De delte de 1000 ladningsyklusene inn i trening (600 sykluser), validering (250 sykluser) og testing (150 sykluser), og sikret at det ikke var overlapp mellom dem for å unngå «juks».
Resultater: Nøyaktighet som står imot virkeligheten
Når teamet testet CNNGRUM på de 150 virkelighetsladningsyklusene, var resultatene slående.
Modellens maksimale absolutte feil var bare 2,85 % — noe som betyr at den verste tilfelle var avvik med mindre enn 3 % av batteriets totale kapasitet. For et 60 kWh-batteri er det en feil på mindre enn 1,8 kWh, noe som oversettes til omtrent 6–8 miles rekkevidde i en typisk elbil. Dens rødder kvadratisk middelfeil (RMSE), en måling av gjennomsnittsfeil, var 0,61 %, og dens gjennomsnitlige absolutte feil (MAE) var 0,42 %. Mer enn 90 % av forutsigelsene var innenfor ±1 % av den sanne SOC.
Men det som virkelig teller er hvordan modellen yter under tøffe forhold — og her skinte den.
I kalde temperaturer (5°C til 10°C, eller 41°F til 50°F), hvor batterier sliter og de fleste systemer svikter, beholdt CNNGRUMs MAE seg under 0,45 %, og RMSE under 0,58 %. For batterier med lavere helse (92,5 % SOH), som har redusert kapasitet og uforutsigelig oppførsel, holdt modellen fortsatt feilene små. Selv når den startet med ulike initiale SOC-nivåer (25 % til 50 %), beveget feilen seg knapt: MAE under 0,42 %, RMSE under 0,57 %.
«Disse tallene er ikke bare gode — de er praktiske,» sier Liuzhisheng, en medforfatter og professor i maskinteknikk ved Shanghai Jiao Tong-universitetet. «En sjåfør bryr seg ikke om laboratorienøyaktighet. Han bryr seg om at rekkeviddeestimatene er pålidelige under alle forhold. Denne modellen leverer det.»
Hvorfor den er bedre: Å slå konkurrenten
For å bevise CNNGRUMs overlegenhet satte teamet den mot tre populære alternativer: en frittstående CNN-modell, en frittstående GRU-modell og en tradisjonell «staplet» CNN-GRU-modell, som bruker CNN-er først for å ekstrahere romlige egenskaper, før den gir disse til GRU-er for å håndtere tid.
Resultatene, publisert i teamets analyse, var klare.
Den frittstående CNN-modellen, mens den var flink til å oppdage mønster, sliter med timingen på batteriendringer, noe som førte til høyere feil. Dens RMSE var 0,82 %, og MAE 0,59 % — en økning på 34 % og 40 % sammenlignet med CNNGRUM henholdsvis. Den frittstående GRU-modellen, som er flink til tidssekvenser men misser romlige nyanser, gikk verre: RMSE 0,91 %, MAE 0,63 %.
Den tradisjonelle staplede CNN-GRU-modellen, som høres lik CNNGRUM ut, underpresterte også. Dens RMSE var 0,78 % (27 % høyere enn CNNGRUM), og MAE 0,49 % (19 % høyere). Hvorfor? Fordi stapling tvinger GRU-en til å jobbe med egenskaper som allerede er filtrert av CNN-en, noe som mister kritiske detaljer. CNNGRUMs «uavhengige lærere»-tilnærming lar begge modeller se fullstendige data, før den kombinerer resultatene — og fanger opp flere innsikter.
Kanskje mest påfallende var en «ablasjonstest», hvor teamet fjernet «amperetime-integral»-egenskapen for å se hvor viktig den var. Feilene skjøt opp: maksimal absolut feil steg fra 2,85 % til 7,05 %, RMSE fra 0,61 % til 0,74 %, og MAE fra 0,42 % til 0,50 %. «Den egenskapen er som en langsiktig hukommelse,» sier Yang. «Strøm, spenning og temperatur forteller deg hva som skjer nå. Amperetime-integralet forteller deg hvordan du kom hit.»
Hva dette betyr for elbilindustrien
Konsekvensene av denne forskningen strekker seg langt utover akademiske tidsskrifter. For bilprodusenter kunne et mer nøyaktig SOC-system redusere garanti-krav relatert til batteriproblemer og forbedre kundetilfredshet. For sjåfører kunne det endelig avslutte «rekkeviddeangst» — frykten for å løpe tom for lading — ved å gjøre rekkeviddeestimatene pålidelige under alle forhold.
LFP-batteriprodusenter har også noe å vinne. Når prisen på litium svinger, gjør LFPs lavere avhengighet av metallet det til en kostnadseffektiv alternativ til NCM-batterier. Men dens adopasjon har vært holdt tilbake, delvis på grunn av SOC-estimeringsutfordringer. En bevist, virkelighetsløsning kunne akselerere LFPs bruk i mainstream elbiler, og drive ned kjøretøypriser.
Batteribyttesasjonsoperatører, som den som leverte teamets data, kunne se operasjonelle gevinster. Nøyaktige SOC-etiketter gjør det lettere å matche batterier til kjøretøy, og sikrer at sjåfører får konsistent rekkevidde og at batteriene brukes effektivt. For flåteoperatører — taxier, leveringsbiler, leiebiler — hjelper pålidelige SOC-data med å planlegge ruter, redusere nedetid og forlenge batterilevetid ved å unngå dyp utladning.
Modellens design gjør den også praktisk for virkelighetsbruk. Den er trent på skydata, men er let nok til å kjøre på et kjøretøys BMS, noe som betyr at den ikke trenger konstant internettilgang. Den hybride tilnærmingen — å bruke AI for ladning (når data er rene) og