Onderzoek accudegradatie: EV’s gaan aantoonbaar langer mee bij realistisch gebruik

Een grootschalige studie van Stanford University en SLAC National Accelerator Laboratory toont aan dat lithium-ionbatterijen in elektrische voertuigen tot wel 38% langer meegaan wanneer ze worden gebruikt onder dynamische belasting – dus onder realistische rijprofielen – in plaats van onder constante stroom zoals gebruikelijk is in laboratoriumtesten.

Realistische gebruikspatronen simuleren

In het onderzoek zijn 92 commerciële EV-cellen met NCA-chemie gedurende 24 maanden getest onder 47 verschillende ontlaadprofielen, waaronder synthetische en echte rijprofielen (zoals stadsritten en snelweggebruik). De onderzoekers hielden de gemiddelde stroomsterkte (C-rate) en spanningsvenster constant, maar lieten de belasting tijdens het rijden sterk variëren – net als in de praktijk gebeurt.

Het resultaat: bij gelijke gemiddelde belasting leverden dynamische profielen een duidelijk langere levensduur op, gemeten in equivalent full cycles (EFC). Met name bij lage C-rates (zoals C/10 of C/5) werd de impact van tijdsafhankelijke veroudering (calendar ageing) sterker zichtbaar en bleek realistische belasting voordelig. De best presterende profielen resulteerden in tot 38% meer EFC’s bij 85% State of Health (SoH), wat neerkomt op zeker 300.000 km in plaats van 200.000 km bij vergelijkbare degradatieniveaus​. Bedenk daarbij dat pas rond 70% sprake is van ernstige degradatie, waarbij eventueel aanspraak op garantie kan worden gedaan (de batterijcellen zijn dan nog wel geschikt voor second life-toepassingen zoals stationaire opslag).

Dynamische pieken helpen juist

Een opvallende bevinding is dat lagefrequente stroompulsen (gemiddeld 8,2 mHz) en tijdelijke pieken in stroomsterkte juist bijdragen aan een langere levensduur. Deze omstandigheden bootsen bijvoorbeeld regeneratief remmen of stadsverkeer na. De negatieve elektrode bleek gevoeliger voor hoge piekstromen, terwijl de positieve elektrode vooral degradeert door langdurige rust bij een hoge laadtoestand (SoC).

Machine learning werd ingezet om de invloed van variabelen zoals piekstroom, frequentiecomponenten en rustmomenten op de degradatie te analyseren. Hiermee kon nauwkeurig worden vastgesteld welke kenmerken van rijgedrag bijdragen aan snellere of tragere degradatie van lithiuminventaris en elektrodecapaciteiten.

Relevantie voor batterijontwerp en -testen

De onderzoekers zetten vraagtekens bij de gangbare praktijk om batterijen uitsluitend onder constante stroom te testen. Die benadering blijkt in veel gevallen te conservatief: ze onderschat hoe lang batterijen in realistische gebruiksscenario’s meegaan. Volgens het team is het cruciaal dat toekomstige batterijchemieën, batterijmanagementsystemen en accucellen worden getest met rijprofielen die dichter bij de praktijk liggen. Alleen dan krijgen fabrikanten en gebruikers een betrouwbaar beeld van prestaties, levensduur en degradatiepatronen. En die blijken dus positiever dan aanvankelijk gedacht.

De data en modellen zijn open toegankelijk via Stanford’s Digital Repository:
https://purl.stanford.edu/td676xr4322

Volledige paper in Nature Energy:
https://doi.org/10.1038/s41560-024-01675-8