Das Fachgebiet Elektrische Energiespeichertechnik (EET) der TU Berlin hat seinen Forschungsschwerpunkt in der Charakterisierung und Alterungsvermessung von verschiedenen Batterietechnologien. Der Hauptfokus liegt auf Lithium-Ionen-Batterien. Die Kernkompetenzen der Alterungsvermessung liegen bei Lithium-Plating und der zyklischen als auch kalendarischen Alterung. Weiterhin sind die Zustandsbestimmung von Batteriemodulen, die Verwendung von Batterien in Second-Life-Anwendungen, die Entwicklung von Batteriemodellen, die Post-Mortem Analyse von Zellen und der Bau von Testzellen in der aktuellen Forschung vertreten. Zur Ausstattung des Fachgebiets zählen Zelltester verschiedener Hersteller und Größen (Knopfzellen bis kleine Batteriepacks), Klimakammern und Öfen, EIS Messgeräte, sowie eine Glove-Box mit integriertem Laser-Scanning-Mikroskop unter Schutzatmosphäre.

Für die Nutzung von Batterien in Elektrofahrzeugen ist das Verständnis der Alterungsmechanismen, die Alterungsmodellierung und die Prädiktion und Bestimmung des Alterungszustands unerlässlich.

Lithium-Plating ist einer der Alterungsmechanismen die am Fachgebiet EET mittels verschiedener Verfahren, die von elektrischen Messungen und Testzellbau bis hin zu Post-Mortem Analysen mit Hilfe von Lasermikroskopie, Focused-Ion-Beam und XPS reichen, untersucht. Im Verbundprojekt OSLiB sollen Methoden entwickelt werden, um verschiedenste Sicherheitsrisiken in LIBs im Betrieb zu erkennen und das FG EET wird sich dabei auf die in-operando Detektion von Lithium-Plating fokussieren.

Mit fortschreitender Alterung einer Batterie kann es zu einer deutlichen Beschleunigung der Alterung kommen, was eine frühzeitige drastische Reichweitenverminderung in einem Fahrzeug zur Folge hätte.  Dieses Verhalten wird häufig Knickverhalten oder auch Kniepunkt genannt. Um früher reagieren zu können bedarf es der Prädiktion des Verhaltens. Im Verbundprojekt FeBaL untersucht das Fachgebiet das Knickverhalten von verschiedenen Zelltechnologien und entwickelt eine Methode zur Prädiktion des Knickverhaltens auf Basis des vorangegangenen Alterungspfades um das in dem Projekt zu entwickelnde „Battery Neural Network“ zu optimieren.

Projektbeteiligungen