Nuovo Modello Migliora la Precisione della Stima della Carica delle Batterie per Veicoli Elettrici
Nel panorama in rapida evoluzione della mobilità elettrica, una delle sfide più critiche rimane la stima precisa dello stato di carica (SOC) delle batterie agli ioni di litio. Il monitoraggio accurato del SOC non è un mero dettaglio tecnico: incide direttamente sull’autonomia del veicolo, sulla sicurezza, sulla longevità della batteria e sulla fiducia complessiva degli utenti nei veicoli elettrici (EV). Nonostante i significativi progressi nella tecnologia e nei sistemi di gestione delle batterie, raggiungere una stima del SOC ad alta precisione in condizioni di guida dinamiche continua a rappresentare una sfida per ingegneri e ricercatori a livello globale.
Uno studio rivoluzionario condotto da Wu Shengli e Guo Qi della Scuola di Trasporti e Trasporti dell’Università di Chongqing Jiaotong, in collaborazione con Xing Wenting della Scuola di Scienze Gestionali e Ingegneria dell’Università di Tecnologia e Business di Chongqing, ha introdotto un approccio innovativo che migliora significativamente sia l’accuratezza che l’efficienza computazionale della stima del SOC. Pubblicato nel numero di settembre 2024 di Energy Storage Science and Technology, la loro ricerca presenta un modello frazionario variabile resistenza-capacità (FVOM) combinato con un algoritmo di filtraggio potenziato, stabilendo un nuovo punto di riferimento per la previsione in tempo reale dello stato della batteria.
Il significato di questo lavoro risiede nella sua capacità di affrontare limitazioni di lunga data nelle tecniche tradizionali di modellazione delle batterie. I convenzionali modelli a circuito equivalente (ECM), ampiamente utilizzati per la stima del SOC, si basano su combinazioni di resistori e condensatori per simulare il comportamento dinamico delle batterie. Sebbene modelli semplici come le configurazioni Rint o Thevenin siano efficienti dal punto di vista computazionale, spesso mancano della precisione necessaria in condizioni di carico complesse. D’altro canto, modelli di ordine superiore con più reti RC possono ottenere una migliore accuratezza, ma al costo di una maggiore complessità e di un onere computazionale aumentato, rendendoli meno adatti all’implementazione a bordo nei veicoli elettrici reali.
Questo compromesso tra fedeltà del modello e praticità è stato un collo di bottiglia persistente nella progettazione del sistema di gestione della batteria (BMS). Poiché i veicoli elettrici affrontano modelli di guida sempre più variabili, dal traffico urbano stop-and-go alle rapide accelerazioni in autostrada, i modelli di batteria devono adattarsi rapidamente e con precisione ai cambiamenti transitori di corrente e temperatura. L’incapacità di farlo può portare a letture inaccurate del SOC, che possono tradursi in spegnimenti improvvisi, autonomia ridotta o persino rischi di sovraccarico e fuga termica.
Consapevoli di queste sfide, il team di ricerca si è rivolto al calcolo frazionario, un quadro matematico che estende i derivati e gli integrali tradizionali di ordine intero a ordini non interi. A differenza dei modelli classici che assumono risposte esponenziali idealizzate, i modelli di ordine frazionario possono catturare più naturalmente le caratteristiche distribuite e dipendenti dalla memoria dei processi elettrochimici all’interno delle batterie agli ioni di litio. Ciò include fenomeni come la diffusione ionica negli elettrodi porosi e il trasferimento di carica superficiale, che mostrano dinamiche di legge di potenza piuttosto che un semplice decadimento esponenziale.
Tuttavia, sebbene studi precedenti abbiano esplorato modelli di ordine frazionario, molti adottano strutture di ordine fisso, presupponendo che il comportamento dinamico della batteria rimanga coerente attraverso diversi stati di carica. Questa supposizione, sostengono gli autori, non riflette la realtà. Le batterie agli ioni di litio mostrano una forte non linearità, specialmente a livelli di SOC bassi e alti, dove la polarizzazione elettrochimica e i gradienti di concentrazione cambiano drasticamente. Un modello universale, quindi, non può rappresentare in modo ottimale l’intero spettro del comportamento della batteria.
Per superare questa limitazione, Wu, Guo e Xing hanno proposto un approccio a ordine variabile: quello che chiamano modello frazionario variabile resistenza-capacità (FVOM). Invece di utilizzare un singolo ordine frazionario fisso, il loro modello modifica dinamicamente la sua struttura in base al SOC corrente. Nello specifico, il modello passa da una configurazione frazionaria RC del primo ordine (FOM-1RC) a una versione del secondo ordine (FOM-2RC), a seconda di quale fornisca la migliore corrispondenza a un dato livello di SOC.
L’innovazione chiave risiede nel modo in cui viene selezionato l’ordine ottimale del modello. Piuttosto che affidarsi a regole euristiche o a una sintonizzazione manuale, il team ha utilizzato il Criterio di Informazione di Akaike (AIC), uno strumento statistico progettato per bilanciare l’accuratezza del modello con la complessità. Calcolando il valore AIC per entrambi i modelli FOM-1RC e FOM-2RC in diversi intervalli di SOC, hanno identificato la configurazione che fornisce la massima accuratezza predittiva senza inutili sovraccarichi computazionali.
I loro risultati hanno rivelato uno schema chiaro: nell’intervallo di SOC medio (tra il 10% e il 90%), il modello FOM-1RC più semplice funziona quasi altrettanto bene del più complesso FOM-2RC, rendendolo la scelta preferita per bilanciare efficienza e precisione. Tuttavia, agli estremi, al di sotto del 10% e al di sopra del 90% di SOC, il comportamento della batteria diventa altamente non lineare e le dinamiche aggiuntive catturate dal modello FOM-2RC sono essenziali per mantenere l’accuratezza.
Questo meccanismo di commutazione adattativa consente al modello FVOM di rimanere leggero durante la maggior parte dell’intervallo operativo della batteria, fornendo comunque un’alta fedeltà quando è più necessario. Supera efficacemente il tradizionale compromesso tra semplicità e accuratezza, offrendo un’alternativa più intelligente e reattiva ai modelli statici.
Ma costruire un modello migliore è solo metà della battaglia. Anche il modello più accurato non riuscirà a fornire stime affidabili del SOC se l’algoritmo di stima non è in grado di gestire il rumore del mondo reale, i disturbi e i cambiamenti improvvisi delle condizioni di guida. Per affrontare questo problema, i ricercatori hanno sviluppato una versione migliorata del Filtro di Kalman Esteso Frazionario (FEKF), un algoritmo ampiamente utilizzato per la stima dello stato nei sistemi non lineari.
Gli algoritmi FEKF standard si basano su aggiornamenti ricorsivi che incorporano nuove misurazioni nel tempo. Tuttavia, possono diventare lenti o persino divergere quando affrontano cambiamenti bruschi, come un’improvvisa accelerazione o una frenata rigenerativa, perché attribuiscono troppo peso ai dati storici e non abbastanza alle osservazioni correnti. Questa inerzia può ritardare la risposta del filtro e degradare l’accuratezza della stima.
Per contrastare questo effetto, il team ha introdotto un meccanismo di “strong tracking” incorporando un fattore di attenuazione variabile nel tempo nel passo di previsione del filtro. Questo fattore regola dinamicamente la matrice di covarianza dello stato, aumentando efficacemente l’influenza delle misurazioni recenti e riducendo l’impatto delle informazioni obsolete. Il risultato è uno stimatore più agile e reattivo che può adattarsi rapidamente ai cambiamenti rapidi del comportamento della batteria.
L’algoritmo, denominato Strong Tracking Fractional Extended Kalman Filter (STF-FEKF), è stato testato rigorosamente sotto tre diversi cicli di guida: l’Urban Dynamometer Driving Schedule (UDDS), il New European Driving Cycle (NEDC) e l’Extra-Urban Driving Cycle (EUDC). Questi profili simulano una vasta gamma di condizioni reali, dagli spostamenti urbani alla guida in autostrada, consentendo una valutazione completa delle prestazioni del modello.
I risultati sono stati convincenti. In condizioni di scarica a impulsi, uno scenario che imita le elevate richieste di corrente della guida aggressiva, il modello FVOM ha ridotto l’errore di tensione assoluto medio da 0,0197 V a 0,0160 V, rappresentando un miglioramento del 18,8% nell’accuratezza della previsione. Ancora più importante, tutti gli errori di tensione sono rimasti al di sotto di 50 mV, ben entro i limiti accettabili per le applicazioni BMS.
Quando combinato con lo stimatore STF-FEKF, i miglioramenti nella stima del SOC sono stati ugualmente impressionanti. In tutti e tre i cicli di guida, il nuovo metodo ha costantemente superato l’approccio FEKF convenzionale. L’errore assoluto medio (AAE) e l’errore quadratico medio (RMSE) sono stati entrambi significativamente ridotti, con errori di stima del SOC di picco rimasti al di sotto del 2%, rispetto a un massimo del 3,2% nel metodo standard.
Forse la prova più significativa è stata la capacità dell’algoritmo di riprendersi rapidamente da errori di stima iniziali. Nelle simulazioni in cui il SOC iniziale era impostato all’80%, uno scenario comune quando un veicolo viene collegato con una carica parziale, l’algoritmo STF-FEKF è rapidamente convergito al valore SOC reale entro pochi minuti, dimostrando robustezza e affidabilità anche sotto un’inizializzazione non ottimale.
Dal punto di vista ingegneristico, le implicazioni di questa ricerca sono sostanziali. Per i produttori di automobili e di batterie, il modello FVOM offre un percorso verso progetti di BMS più intelligenti e adattativi. Consentendo una stima più accurata del SOC senza costi computazionali eccessivi, potrebbe portare a una maggiore durata della batteria, a una migliore previsione dell’autonomia e a una sicurezza enhanced, tutti fattori critici per l’adozione dei veicoli elettrici da parte dei consumatori.
Inoltre, l’uso del calcolo frazionario e della selezione adattativa del modello rappresenta un cambiamento verso approcci di modellazione più basati sulla fisica. Piuttosto che trattare la batteria come una scatola nera, il modello FVOM cattura le dinamiche elettrochimiche sottostanti in un modo che è sia matematicamente rigoroso che praticamente implementabile.
Lo studio evidenzia anche l’importanza della collaborazione interdisciplinare nel far avanzare la tecnologia dei veicoli elettrici. Wu Shengli, la cui formazione include la gestione dei veicoli elettrici e l’elaborazione dei segnali, ha portato competenze nella modellazione e nel controllo dei sistemi. Guo Qi ha contribuito allo sviluppo algoritmico e alla validazione sperimentale, mentre il focus di Xing Wenting sulle scienze gestionali e ingegneristiche ha aiutato a inquadrare il problema in contesti operativi più ampi. Insieme, le loro competenze combinate hanno consentito un approccio olistico che collega teoria e applicazione.
Guardando al futuro, i ricercatori suggeriscono diverse direzioni per il lavoro futuro. Una è l’estensione del modello FVOM per tenere conto delle variazioni di temperatura, che influenzano significativamente le prestazioni e l’invecchiamento della batteria. Un’altra è l’integrazione di modelli di invecchiamento per tracciare la diminuzione della capacità nel tempo, consentendo al BMS di adeguare le sue stime del SOC man mano che la batteria si degrada. Inoltre, il team sta esplorando il potenziale per l’implementazione in tempo reale su hardware embedded, aprendo la strada alla diffusione nei veicoli commerciali.
Esperti indipendenti del settore hanno elogiato lo studio per il suo rigore metodologico e la sua rilevanza pratica. “Ciò che distingue questo lavoro è il suo equilibrio tra innovazione e applicabilità”, ha dichiarato un ingegnere di sistemi di batterie di un importante produttore di veicoli elettrici che ha revisionato l’articolo. “Non stanno solo proponendo un modello teorico; lo hanno validato in condizioni realistiche e hanno mostrato miglioramenti misurabili. È esattamente ciò di cui l’industria ha bisogno.”
La pubblicazione di questa ricerca su Energy Storage Science and Technology, una rivista sottoposta a revisione paritaria nota per la sua attenzione alle tecnologie energetiche applicate, sottolinea la sua importanza all’interno della comunità scientifica. Con il crescente investimento globale nei trasporti elettrificati e nello stoccaggio di energia su scala di rete, i progressi nella modellazione delle batterie sono più importanti che mai.
Mentre i governi spingono per i trasporti a zero emissioni e i consumatori richiedono maggiore autonomia e affidabilità, la pressione sulla tecnologia delle batterie si intensificherà solo. Soluzioni come il modello FVOM rappresentano un passo avanti critico, non attraverso materiali o chimiche rivoluzionarie, ma attraverso software più intelligenti e adattativi che sbloccano il pieno potenziale dell’hardware esistente.
In essenza, Wu Shengli, Guo Qi e Xing Wenting hanno dimostrato che a volte le innovazioni più impattanti non derivano dal reinventare la batteria, ma dal ripensare come la comprendiamo e gestiamo. Il loro lavoro esemplifica come una modellazione matematica avanzata, quando basata su dati del mondo reale e vincoli ingegneristici, possa guidare progressi significativi nella mobilità sostenibile.
Per i conducenti, i benefici potrebbero essere invisibili: nessuna spia sul cruscotto, nessun allarme, solo una batteria più affidabile e di lunga durata che funziona come previsto, miglio dopo miglio. E nel mondo dei veicoli elettrici, dove l’ansia da autonomia e il degrado della batteria rimangono preoccupazioni primarie, quel tipo di fiducia silenziosa è inestimabile.
La strada verso una migliore gestione della batteria non è un singolo balzo, ma una serie di passaggi attenti e basati sull’evidenza. Questo studio, con la sua elegante combinazione di calcolo frazionario, selezione statistica del modello e filtraggio adattativo, segna un significativo passo in avanti, uno che potrebbe presto trovare la sua strada nella prossima generazione di veicoli elettrici.
Wu Shengli, Guo Qi, Xing Wenting, Università di Chongqing Jiaotong, Università di Tecnologia e Business di Chongqing, Energy Storage Science and Technology, doi: 10.19799/j.cnki.2095-4239.2024.0174