Nuovo Metodo di Stima dello Stato della Batteria Migliora le Prestazioni dei Veicoli Elettrici a Temperature Estreme
Nel panorama in rapida evoluzione dei veicoli elettrici, dove prestazioni, sicurezza e longevità sono fondamentali, un innovativo metodo per stimare gli stati critici delle batterie agli ioni di litio è emerso da un team di ricercatori dell’Università di Tiangong. Questa innovazione, guidata dalla Professoressa Liu Fang e dai suoi colleghi, promette di migliorare significativamente l’accuratezza e l’affidabilità dei sistemi di gestione della batteria (BMS), specialmente nelle condizioni impegnative di ampi range di temperatura e modelli di guida imprevedibili.
La ricerca, intitolata Metodo di Stima Congiunta Online degli Stati Chiave della Batteria al Litio Basato su un Nuovo Modello di Accoppiamento Elettro-Termico, è stata recentemente pubblicata sulla prestigiosa rivista Proceedings of the CSEE. Affronta una sfida fondamentale nel settore dei veicoli elettrici: la complessa interazione tra lo stato elettrico, termico e di salute di una batteria, che i modelli tradizionali spesso non riescono a catturare con sufficiente precisione. Man mano che i veicoli elettrici vengono guidati in climi diversi—dagli inverni gelidi delle regioni settentrionali alle estati torride dei deserti—le loro batterie subiscono significative fluttuazioni termiche. Questi cambiamenti di temperatura influenzano profondamente la chimica interna della batteria, incidendo sul suo livello di carica (Stato di Carica, SOC), sulla sua capacità residua durante il ciclo di vita (Stato di Salute, SOH) e sulla sua temperatura corrente (Stato di Temperatura, SOT). Ignorare questi accoppiamenti dinamici può portare a letture inaccurate, uso inefficiente dell’energia, ridotta durata della batteria e potenziali rischi per la sicurezza.
Le attuali tecniche all’avanguardia per la gestione della batteria si concentrano tipicamente sulla stima di solo due di questi stati, più comunemente SOC e SOH. Sebbene efficaci in ambienti stabili, questo approccio diventa inadeguato quando la temperatura è una variabile importante. Una batteria troppo fredda non può erogare la sua piena potenza, mentre una troppo calda rischia la fuga termica. I modelli elettro-termici esistenti, che tentano di collegare il comportamento elettrico e termico, spesso si basano su tabelle di dati statiche pre-programmate. Queste tabelle, derivate da test di laboratorio su alcuni campioni di batterie, presuppongono che tutte le batterie dello stesso tipo si comportino in modo identico. Tuttavia, nel mondo reale, le variazioni di produzione fanno sì che non esistano due batterie esattamente uguali. Questo “problema di consistenza” può introdurre errori significativi quando un modello costruito per una batteria viene applicato a un’altra, anche dello stesso lotto di produzione. Inoltre, con l’invecchiamento di una batteria, la sua resistenza interna e le caratteristiche di generazione del calore cambiano, rendendo i modelli statici sempre più inaccurati nel tempo.
Riconoscendo queste limitazioni, il team del Tianjin Key Laboratory of Autonomous Intelligence Technology and Systems ha sviluppato un approccio nuovo e rivoluzionario. La loro soluzione è un nuovo modello di accoppiamento elettro-termico che hanno chiamato ARST (Autoregression-Single State Thermal). Questo modello non è un insieme statico di regole, ma un sistema dinamico e auto-correttivo progettato per adattarsi alle condizioni uniche e sempre mutevoli di una batteria del mondo reale.
Il nucleo del modello ARST risiede nella sua innovativa fusione di due componenti distinti. Il primo è un modello elettrico avanzato chiamato Modello a Circuito Equivalente Autoregressivo (AR-ECM). A differenza dei tradizionali modelli RC (resistore-condensatore) comunemente utilizzati nei BMS, che faticano a simulare con accuratezza la risposta della batteria ai rapidi cambiamenti di corrente ad alta frequenza tipici di una guida aggressiva o della frenata rigenerativa, l’AR-ECM eccelle nel tracciare queste complesse caratteristiche elettriche dinamiche. Pu rappresentare in modo più fedele il comportamento della batteria in un’ampia gamma di scenari di guida, dalla crociera tranquilla all’accelerazione improvvisa.
La seconda componente è un Modello Termico a Lumped a Stato Singolo (SSTM), che si concentra sulla temperatura della batteria. Data la dimensione compatta delle comuni celle cilindriche 18650, i ricercatori hanno determinato che un modello termico semplificato, che tratta l’intera cella come se avesse una temperatura media unica, raggiunge il perfetto equilibrio tra efficienza computazionale e accuratezza. Questo è cruciale per un BMS di un veicolo elettrico, che deve effettuare migliaia di calcoli al secondo senza sovraccaricare la potenza di elaborazione del veicolo.
La vera genialità del modello ARST, tuttavia, non è solo nella sua struttura ma nel modo in cui apprende e si adatta. I ricercatori hanno implementato una sofisticata strategia di “inizializzazione delle informazioni a priori-correzione online”. Ciò significa che il modello non parte da zero. Invece, viene prima inizializzato con una ricchezza di “informazioni a priori”—un database completo di come i parametri chiave della batteria, come la sua resistenza interna e la capacità termica, cambiano con la temperatura, il livello di carica e l’età. Questi dati sono raccolti da ampi test di laboratorio su batterie campione.
Tuttavia, il modello non si ferma qui. Una volta implementato in un veicolo reale, entra in un ciclo continuo di apprendimento online e auto-correzione. Questo è ottenuto attraverso un algoritmo a doppio filtro, un potente framework computazionale che opera in background. Un filtro è dedicato alla stima degli stati correnti della batteria—il suo SOC, SOH e SOT. L’altro filtro ha il compito di affinare continuamente i parametri interni del modello stesso. Questi due filtri comunicano costantemente, condividendo informazioni. Le stime di stato del primo filtro vengono utilizzate per migliorare le stime dei parametri nel secondo, e i parametri migliorati dal secondo filtro vengono utilizzati per rendere le stime di stato nel primo ancora più accurate. Questo crea un potente ciclo di feedback, permettendo al modello di “apprendere” le caratteristiche specifiche della singola batteria che sta monitorando, compensando le differenze di produzione e gli effetti dell’invecchiamento.
Questa capacità di correzione online è un punto di svolta. Significa che il modello può adattarsi dinamicamente alla “personalità” unica di ogni batteria, garantendo che le sue previsioni rimangano accurate per l’intero ciclo di vita del veicolo. Ad esempio, se una particolare cella della batteria si surriscalda leggermente più del previsto durante una guida ad alta velocità, il modello ARST rileverà questa discrepanza, regolerà i suoi parametri termici interni e utilizzerà questa nuova conoscenza per fare previsioni più accurate per la guida successiva. Questa adattabilità continua è ciò che permette al modello di raggiungere un livello di precisione che i modelli statici preconfezionati semplicemente non possono eguagliare.
Per convalidare le loro affermazioni, il team di ricerca ha condotto esperimenti rigorosi utilizzando dataset di batterie pubblicamente disponibili di due noti produttori: A123 e Panasonic NCR. Hanno testato il modello ARST sotto due impegnativi cicli di guida dinamica: il Dynamic Stress Test (DST), che simula una guida urbana aggressiva con frequenti fermate e partenze, e l’Highway Fuel Economy Test (HWFET), che imita la crociera ad alta velocità. Questi test sono stati eseguiti in un ampio range di temperature, da 0°C a 50°C, per simulare condizioni estreme del mondo reale.
I risultati sono stati convincenti. Rispetto a un modello che faceva affidamento solo sulle informazioni “a priori” iniziali senza correzione online, il modello ARST completo ha dimostrato un miglioramento sostanziale nell’accuratezza. Il suo errore di previsione della tensione è stato ridotto in media di 4,3 millivolt e il suo errore di previsione della temperatura è stato ridotto di 0,016°C in tutte le condizioni di test. Ciò dimostra che il processo continuo di apprendimento online è essenziale per mantenere un’alta precisione.
Ancora più impressionante è stato il confronto con un modello elettro-termico all’avanguardia di uno studio leader del 2023, che utilizzava un tradizionale circuito RC per la sua componente elettrica e parametri termici fissi. In test testa a testa diretti, il modello ARST ha superato questo benchmark in ogni categoria. Le sue previsioni di tensione erano significativamente più accurate, in particolare durante i rapidi cambiamenti di corrente del ciclo DST, grazie al superiore tracciamento dinamico dell’AR-ECM. Anche le sue previsioni di temperatura erano più stabili, specialmente durante la prolungata scarica ad alta corrente del ciclo HWFET, perché i suoi parametri termici potevano adattarsi all’aumento della temperatura, a differenza dei parametri fissi del modello concorrente.
L’impatto di questo modello migliorato sulle stime finali dello stato è stato profondo. Per la stima del SOC, l’algoritmo basato su ARST ha raggiunto un errore quadratico medio (RMSE) di appena lo 0,81%. Questo è un miglioramento significativo rispetto all’errore dell’1,27% di un modello che ignorava gli effetti della temperatura e all’errore dell’1,09% del modello elettro-termico a parametri fissi. Per la stima del SOH, l’RMSE medio era dell’1,33%, superando ancora una volta le alternative. Soprattutto, la stima del SOT era eccezionalmente accurata, con un errore medio di soli 0,114°C, dimostrando la robusta capacità di tracciamento termico del modello.
Questi numeri si traducono in benefici tangibili per i conducenti e i produttori di veicoli elettrici. Una stima più accurata del SOC significa che i conducenti possono fidarsi del display dell’autonomia, riducendo l'”ansia da autonomia” e permettendo una pianificazione dei viaggi più efficiente. Una stima più precisa del SOH permette un migliore monitoraggio a lungo termine della salute della batteria, abilitando la manutenzione predittiva e fornendo un quadro più accurato del valore residuo del veicolo. E con una stima altamente accurata del SOT, il BMS può prendere decisioni più intelligenti riguardo alla erogazione di potenza e alla gestione termica. Ad esempio, può impedire al conducente di richiedere un’accelerazione massima quando la batteria è troppo fredda, proteggendo la cella, o può attivare in modo più efficiente il sistema di raffreddamento quando la batteria si sta surriscaldando, preservando prestazioni e longevità.
Le implicazioni di questa ricerca vanno oltre il semplice miglioramento di una singola metrica. Riuscendo a ottenere la stima congiunta online di tre stati critici—SOC, SOH e SOT—il modello ARST rappresenta un significativo balzo in avanti nella tecnologia BMS. Fornisce una visione più olistica e integrata delle condizioni della batteria, essenziale per la prossima generazione di veicoli elettrici. Man mano che i veicoli diventano più autonomi e connessi, il BMS dovrà comunicare non solo con il conducente ma con il computer centrale del veicolo, l’infrastruttura di ricarica e persino la rete elettrica. Un BMS alimentato da un modello come ARST può fornire dati più ricchi e affidabili, abilitando una gestione energetica più intelligente, strategie di ricarica ottimizzate e protocolli di sicurezza migliorati.
Inoltre, la metodologia ha il potenziale di ridurre i costi e supportare la tendenza verso la leggerezza dei veicoli. Poiché il modello ARST è così accurato, potrebbe permettere ai progettisti di creare pacchi batteria con margini di sicurezza più ridotti. Attualmente, i BMS spesso operano in modo conservativo per tenere conto degli errori di stima, il che significa che la capacità completa della batteria non viene sempre utilizzata. Un modello più preciso potrebbe sbloccare in sicurezza più energia disponibile della batteria, aumentando efficacemente l’autonomia del veicolo senza aggiungere peso fisico o costi. Questo è un vantaggio cruciale in un’industria in cui ogni chilogrammo e ogni dollaro contano.
Sebbene l’attuale implementazione del modello ARST sia ottimizzata per la comune cella cilindrica 18650, il team di ricerca riconosce che formati di batteria diversi, come le grandi celle a pouch utilizzate in molti veicoli elettrici moderni, presentano sfide termiche differenti. Il team, incluso la Professoressa Associata Wang Wanru, ha già delineato lavori futuri per esplorare modelli termici distribuiti più complessi che potrebbero essere fusi con l’AR-ECM per queste applicazioni. Sono anche interessati a investigare come le tecniche di intelligenza artificiale potrebbero essere utilizzate per modellare gli accoppiamenti altamente non lineari all’interno della batteria.
In conclusione, il lavoro della Professoressa Liu Fang, Liu Xinhui, Su Weixing, Wang Wanru dell’Università di Tiangong, e di Bu Fantao della Neusoft Reach Automotive Technology, rappresenta un progresso significativo nella stima dello stato della batteria. Il loro modello ARST, con la sua innovativa struttura a doppio filtro e la capacità di apprendimento online, affronta efficacemente le carenze critiche dei metodi esistenti. Fornendo una comprensione più accurata, adattiva e completa delle condizioni di una batteria agli ioni di litio in condizioni estreme del mondo reale, questa ricerca apre la strada a veicoli elettrici più sicuri, efficienti e affidabili. Mentre la transizione globale verso i trasporti elettrificati accelera, innovazioni come questa non sono solo conquiste accademiche; sono mattoni essenziali per un futuro sostenibile.
Liu Fang, Liu Xinhui, Su Weixing, Wang Wanru, Bu Fantao. Metodo di Stima Congiunta Online degli Stati Chiave della Batteria al Litio Basato su un Nuovo Modello di Accoppiamento Elettro-Termico. Proceedings of the CSEE. DOI: 10.13334/j.0258-8013.pcsee.232858