Dies liegt daran, dass es die Leistung der wiederverwendeten Batterie beeinflusst. In ihrem aktuellen Bericht zu diesem Thema, „Second-Life Batteries for Electric Vehicles 2023–2033“, analysiert IDTechEx die verschiedenen Methoden, die von verschiedenen Akteuren zur Modellierung und Abschätzung wichtiger Leistungsparameter ausgemusterter EV-Batterien verwendet werden.
Die wichtigsten Batterietests umfassen die Bestimmung des Gesundheitszustands (State of Health, SOH), des Innenwiderstands und der Restlebensdauer (Remaining Use Life, RUL). Die RUL schätzt die verbleibende Zeit, bis eine Batterie einen bestimmten Schwellenwert unterschreitet. Bei den meisten neuen Elektrofahrzeugbatterien entspricht dies am Ende ihrer Nutzungsdauer einer Kapazität von 70–80 %. Batterien mit hohem SOH und hoher RUL sowie niedrigem Innenwiderstand eignen sich am besten für die Zweitnutzung.
Zu den wichtigsten Akteuren, die diese Tests durchführen würden, gehören Recyclingunternehmen für gebrauchte Batterien und Batteriediagnostiker, die Leistungsmodelle entwickeln. Startups, die solche Modelle entwickeln, könnten bestehenden Recyclingunternehmen Daten zur Batterieleistung bereitstellen. Zukünftig könnten Automobilhersteller diese Technologien nutzen, um Vorschriften wie den EU-Batteriepass zu erfüllen, der die Bereitstellung von Informationen zum Batteriezustand für Recyclingunternehmen vorschreibt.
Zur Berechnung der Restlebensdauer (RUL) müsste eine Batterie mehreren Ladezyklen unterzogen und ihre Kapazitätsdegradationskurve bis zum Ausfallpunkt extrapoliert werden. Längere Zyklentests sind zeitaufwendig und beschleunigen die Alterung der Batterie. Zudem verläuft die Degradation nach einer bestimmten Anzahl von Zyklen nicht mehr linear, was die Genauigkeit des Tests verringert. Daher sind genauere und schnellere alternative Methoden zur Bestimmung der Restlebensdauer erforderlich.
Diese Ansätze umfassen datengetriebene Techniken wie maschinelles Lernen (ML), adaptive Filterung und stochastische Prozessmethoden sowie physikbasierte Modellierung. Beispielsweise entwickelt das kalifornische Startup ReJoule Lösungen für Batteriemanagement und -klassifizierung und bietet eine Technologie, die ML mit elektrochemischer Impedanzspektroskopie und statistischen Modellierungstechniken kombiniert. Das indische Startup Oorja Energy kombiniert physikbasierte und datengetriebene Techniken. Begrenzte experimentelle Daten werden in das angewandte physikalische Modell integriert, und ML-Algorithmen werden eingesetzt, um ein präzises Ergebnis zu erzielen. Der Vorteil liegt in der Zeitersparnis gegenüber der Entwicklung eines rein physikalisch basierten Modells.
Sowohl datengetriebene als auch physikbasierte Methoden haben ihre Vor- und Nachteile und stellen einen Kompromiss zwischen Modellierungsgeschwindigkeit und -genauigkeit dar. Maschinelle Lernverfahren (ML) können die Leistung einer großen Anzahl von Batterien schnell modellieren, neigen jedoch zu Überanpassung und sind auf bestimmte Batteriearchitekturen beschränkt. Zukünftig könnten rein physikbasierte Modelle unabhängig von der Batteriechemie sein. Dies käme verschiedenen Akteuren bei der effizienten Sortierung großer Mengen ausgemusterter EV-Batterien zugute, unabhängig von deren Bauart. Die physikbasierte Batteriemodellierung ist jedoch äußerst komplex, da sie Kenntnisse aller gängigen Materialien und Eigenschaften erfordert, um die verschiedenen Aspekte einer Batterie vollständig abzubilden. Viele der in einer Batterie verwendeten Materialien sind künstlich hergestellt, wodurch es schwierig ist, Faktoren wie die Anodenporosität zu bestimmen, ohne dass der Batteriehersteller diese Spezifikationen einem Automobilhersteller oder einem nachgelagerten Modellierer zur Verfügung stellt. Daher kann die Entwicklung physikbasierter Modelle zeitaufwändig sein, da die Modellierer diese batteriespezifischen Kennzahlen selbst berechnen und verstehen müssen.
Für Wiederaufbereiter ist es wichtig, die Leistung und die Restnutzungsdauer (Return on Use, RUL) ausgemusterter Elektrofahrzeugbatterien schnell und präzise zu messen. Aktuell entwickeln die meisten Diagnosetools datengetriebene Modelle, die mitunter durch andere Techniken mittels eines hybriden Modellierungsansatzes ergänzt werden. Dies ist eine kurzfristige Lösung für Wiederverwerter, die die Eignung ausgemusterter Elektrofahrzeugbatterien für Zweitnutzungsanwendungen prüfen möchten. Die datengetriebene Modellierung ist jedoch weiterhin auf bestimmte Batteriearchitekturen beschränkt, was ihre wirtschaftliche Rentabilität einschränkt, wenn sie nicht mit den ausgemusterten Elektrofahrzeugbatterien eines Wiederaufbereiters kompatibel ist. Offensichtlich sind eine stärkere Standardisierung von Elektrofahrzeugbatterien und/oder die Entwicklung batterieunabhängiger Modelle erforderlich, um dieses Hindernis zu überwinden und eine bessere technologische Kompatibilität im großen Maßstab zu ermöglichen.
Weitere Informationen zu Test- und Leistungsmodellierungsüberlegungen für ausgemusterte EV-Batterien finden Sie im neuen Bericht von IDTechEx mit dem Titel „Second-life Electric Vehicle Batteries 2023-2033“. Der Bericht enthält weiterführende Informationen zu folgenden Themen: die regulatorischen Rahmenbedingungen für Second-Life-Batterien, Entwicklungen in der Batterietechnologie, techno-ökonomische Analysen von Second-Life-Batterien, Aktivitäten wichtiger Akteure sowie 10-Jahres-Prognosen für den Second-Life-Batteriemarkt (installierte GWh) und die Verfügbarkeit von EV-Batterien.
Autor: Conrad Nichols, Technologieanalyst bei IDTechEx
