AI-Powered Charging Boosts EV Battery Life by 23%

•該 AI 策略特別採用了強化學習 (reinforcement learning) 方法，透過獎勵正確行為來學習和改進決策，以適應電池的即時狀態和需求。
•此充電協議主要解決了快充過程中導致電池容量下降和安全隱患的鋰析出 (lithium plating) 現象，即金屬鋰沉積在電極而非正確嵌入陽極結構，透過動態調整電流來抑制其發生。
•這項突破性研究由瑞典查爾姆斯理工大學 (Chalmers University of Technology) 的 Changfu Zou 教授和紐西蘭威靈頓維多利亞大學 (Victoria University of Wellington) 的 Meng Yuan 助理教授共同開發。
•該技術的實施成本效益高，原則上可透過軟體更新現有的電動車電池管理系統 (BMS) 來實現，無需額外硬體改動。
•電池壽命的延長是以等效完整循環次數 (Equivalent Full Cycles, EFCs) 來衡量，即電池容量降至原始值 80% 之前的充放電循環次數，而非簡單的時間長度。

該 AI 演算法基於強化學習 (reinforcement learning) 框架，其中一個提及的具體框架是 Twin Delayed Deep Deterministic Policy Gradient (TD3)。
AI 模型透過大量模擬充放電過程進行訓練，學習根據電池的荷電狀態 (State of Charge, SoC) 和整體健康狀態 (State of Health, SoH) 動態調整充電電流。
技術核心在於建立負極過電位 (anode overpotential) 與電池健康狀態 (SoH) 之間的映射關係，以此作為充電電壓的動態上限，確保充電壓力始終控制在鋰析出閾值以內。
傳統充電方法通常採用固定電流和電壓限制，不考慮電池的老化程度，而 AI 策略則能「因材施教」，電池越老，AI 越保守地調整充電參數。
該方法旨在抑制鋰析出 (lithium plating) 等有害電化學副反應，這些反應會導致電池容量下降和潛在的安全問題。
該策略已在通用電動車電池模型的模擬中進行測試，並顯示出顯著的壽命延長效果。
部署方式為透過軟體更新現有的電池管理系統 (BMS)，但需要針對不同的電池化學成分進行校準，研究人員建議可利用遷移學習 (transfer learning) 加速此過程。

電動車的電池保固成本將顯著降低。

延長電池壽命可減少保固期內的電池更換需求，從而降低汽車製造商的成本。

消費者對電動車電池壽命的「里程焦慮」將會減輕。

延長電池壽命且不影響快充速度，將提升消費者購買電動車的信心和意願。

電動車二手市場的價值將會提升。

電池壽命的延長意味著二手電動車的電池性能更佳，殘值更高，有助於推動電動車的普及。

2026-05-12

瑞典查爾姆斯理工大學與紐西蘭威靈頓維多利亞大學的研究團隊宣布開發出 AI 驅動的快充策略，可延長電動車電池壽命 23%。

2026-05-13

該研究成果「Lifelong Reinforcement Learning for Health-Aware Fast Charging of Lithium-Ion Batteries」在《IEEE 交通電氣化匯刊》上發表，並被多家媒體報導。

AI 驅動充電技術提升電動車電池壽命達 23%