Nuovo algoritmo adattativo migliora la precisione della stima dello stato delle batterie per veicoli elettrici
Nel panorama in rapida evoluzione della mobilità elettrica, dove l’ansia da autonomia e la longevità delle batterie rimangono preoccupazioni primarie sia per i consumatori che per i produttori, emerge una svolta tecnologica nei sistemi di gestione delle batterie (BMS) dal Politecnico di Chongqing. Un team di ricerca guidato dal dottor Yingzhe Kan ha introdotto un innovativo algoritmo adattativo che migliora significativamente l’accuratezza della stima dello stato di carica (SOC) delle batterie agli ioni di litio – un parametro critico per le prestazioni del veicolo, l’efficienza energetica e l’esperienza utente.
Pubblicato sul Journal of Chongqing University of Technology (Natural Science), lo studio presenta una fusione innovativa di tecniche di identificazione dei parametri in tempo reale e stima dello stato, progettata per superare i limiti dei metodi convenzionali. Poiché i veicoli elettrici operano in condizioni di guida diverse – dagli spostamenti urbani alla crociera autostradale – le caratteristiche interne delle loro batterie cambiano dinamicamente. I modelli batteristici tradizionali, che si basano su parametri fissi derivati da test offline, spesso non riescono a catturare questi comportamenti transitori, portando a imprecisioni nella previsione del SOC. Questa discrepanza non solo mina la fiducia del guidatore, ma limita anche l’efficacia delle strategie di gestione energetica.
Il dottor Kan, esperto in veicoli a nuova energia e sistemi di propulsione avanzati, ha sottolineato l’importanza di adattarsi alla variabilità del mondo reale. “Il comportamento della batteria è intrinsecamente non lineare e variabile nel tempo”, ha spiegato. “Utilizzare modelli statici in ambienti dinamici porta ad errori accumulati. Il nostro obiettivo era sviluppare un metodo che apprenda e si adatti continuamente, garantendo che il BMS operi sempre con informazioni aggiornate sulle condizioni della batteria”.
L’innovazione principale risiede nell’integrazione di un fattore di dimenticanza auto-regolante all’interno di un framework recursive least squares (RLS) – denominato Adaptive Forgetting Factor Recursive Least Squares (AFFRLS) – combinato con il Filtro di Kalman Esteso (EKF) per la stima del SOC. A differenza dei metodi RLS tradizionali che applicano un fattore di dimenticanza fisso, questo nuovo approccio regola dinamicamente il fattore in base agli errori di previsione in tempo reale. Quando l’output del modello devia significativamente dalle misurazioni effettive, l’algoritmo riduce l’influenza dei dati più vecchi, ponendo maggiore enfasi sulle osservazioni recenti. Al contrario, quando le previsioni sono stabili e accurate, mantiene una maggiore memoria dei dati storici, bilanciando reattività e stabilità.
Questo meccanismo adattativo consente al sistema di rispondere rapidamente a cambiamenti improvvisi del carico, della temperatura o degli effetti di invecchiamento, tutti fattori che influenzano l’impedenza, la capacità e la tensione a circuito aperto (OCV) della batteria. Ricalibrando continuamente i parametri del modello a circuito equivalente – in particolare la resistenza ohmica, le resistenze di polarizzazione e le capacità – il metodo AFFRLS-EKF garantisce che il modello sottostante rimanga rappresentativo dello stato fisico attuale della batteria.
Il team di ricerca, comprendente il ricercatore laureato Min Yang e i colleghi Huaze Sun e Yunfei Xie, ha condotto un’ampia validazione sperimentale utilizzando una cella agli ioni di litio ternaria da 19Ah sotto molteplici cicli di guida. Questi includevano il test di caratterizzazione della potenza impulsiva ibrida (HPPC), il test di stress dinamico (DST) e scenari di scarica a corrente costante intermittente – ciascuno progettato per simulare diversi aspetti della guida reale, dall’accelerazione aggressiva alla crociera costante.
I risultati hanno dimostrato prestazioni eccezionali in tutte le condizioni di test. Sotto il ciclo HPPC, l’errore massimo di stima del SOC è rimasto inferiore allo 0,65%, mentre i test DST e di scarica intermittente hanno prodotto errori rispettivamente dello 0,55% e dello 0,57%. In ogni caso, l’errore è rimasto entro l’1%, un miglioramento significativo rispetto ai metodi RLS-EKF convenzionali, che hanno mostrato errori fino al 2% in condizioni simili. Questo livello di precisione supera i benchmark del settore e avvicina i veicoli elettrici all’ideale della previsione di autonomia “veritiera” – un fattore chiave per l’adozione da parte dei consumatori.
Uno degli aspetti più convincenti del nuovo algoritmo è la sua capacità di mantenere un’elevata accuratezza senza sacrificare l’efficienza computazionale. Molte tecniche di stima avanzate, come i filtri particellari o i modelli di deep learning, offrono una precisione migliorata al costo di maggiori richieste di elaborazione – rendendole impraticabili per l’hardware BMS embedded. Il metodo AFFRLS-EKF, tuttavia, opera efficientemente su microcontrollori standard, consentendo l’implementazione in tempo reale senza richiedere risorse computazionali di alto livello.
Yang, la cui ricerca si concentra sulla dinamica delle batterie e sui sistemi di controllo, ha evidenziato le implicazioni pratiche. “Ciò che distingue questo metodo è il suo equilibrio tra accuratezza e fattibilità. Non richiede enormi set di dati o connettività cloud. Tutto avviene a bordo, in tempo reale, utilizzando solo misurazioni di tensione e corrente già disponibili in ogni veicolo elettrico”.
Il modello a circuito equivalente a doppia polarizzazione utilizzato nello studio raggiunge un attento equilibrio tra complessità e fedeltà. Sebbene modelli più elaborati con multiple reti RC possano offrire una precisione più elevata, comportano un sovraccarico computazionale aumentato e un’interdipendenza dei parametri, complicando l’identificazione. La struttura dual-RC cattura le cadute di tensione essenziali transitorie e legate alla diffusione, rimanendo allo stesso tempo gestibile per la stima online.
Cruciale per il successo di qualsiasi stimatore SOC è l’accuratezza della relazione SOC-OCV. Il team ha eseguito test dettagliati di caratterizzazione della potenza impulsiva ibrida a 25°C, raccogliendo dati di rilassamento della tensione dopo ogni decremento del 10% del SOC. Utilizzando un adattamento polinomiale di settimo ordine, hanno stabilito una mappatura precisa tra SOC e tensione a circuito aperto – un elemento fondamentale che ancora l’intero processo di stima.
Durante il funzionamento, l’algoritmo funziona in un ciclo chiuso: il modulo AFFRLS aggiorna continuamente i parametri del modello utilizzando i dati di tensione e corrente in entrata; questi parametri aggiornati vengono quindi alimentati nell’EKF, che calcola la stima SOC corrente. L’EKF tiene conto sia del rumore di processo (incertezze nella dinamica del sistema) che del rumore di misura (imprecisioni dei sensori), affinando la sua stima ad ogni iterazione.
Questa architettura di feedback crea un sistema auto-correttivo. Se la deriva del sensore o il degrado del modello iniziano a influenzare l’accuratezza, la fase di identificazione dei parametri rileva l’anomalia e si adatta di conseguenza. Nel tempo, ciò consente al BMS di compensare non solo i transitori operativi ma anche gli effetti di invecchiamento a lungo termine come la diminuzione della capacità e la crescita della resistenza interna – indicatori chiave della salute della batteria.
Le implicazioni vanno oltre la mera accuratezza del SOC. Con una stima dello stato più affidabile, i produttori di veicoli possono ottimizzare la gestione termale, estendere la vita della batteria attraverso protocolli di ricarica più delicati e migliorare l’efficienza della frenatura rigenerativa. I dati SOC accurati consentono anche un precondizionamento più intelligente della batteria prima della ricarica rapida, riducendo lo stress e migliorando i tassi di accettazione della carica.
Inoltre, una stima precisa del SOC migliora la sicurezza. Sovrastimare la carica residua può portare a spegnimenti improvvisi, mentre la sottostima può causare limitazioni non necessarie alle prestazioni. In casi estremi, il monitoraggio impreciso dello stato può contribuire a sovraccarichi o scariche profonde – condizioni che accelerano il degrado e aumentano il rischio di fuga termica.
Da una prospettiva di ingegneria dei sistemi, il metodo AFFRLS-EKF esemplifica la tendenza verso il controllo intelligente e adattativo nell’elettronica automobilistica. Man mano che i veicoli diventano più connessi e autonomi, cresce la domanda di componenti auto-consapevoli e auto-regolanti. Questo algoritmo rappresenta un passo verso sistemi batteristici veramente cognitivi – quelli che apprendono dall’esperienza e si adattano ai modelli di utilizzo individuali.
La ricerca sottolinea anche l’importanza della collaborazione interdisciplinare. Il team ha combinato competenze in ingegneria meccanica, teoria del controllo, elettrochimica ed elaborazione dei segnali per affrontare un problema che si trova all’intersezione tra fisica e computazione. Il loro lavoro riflette un cambiamento più ampio nella R&D automobilistica, dove le innovazioni emergono sempre più dalla convergenza di domini tradizionalmente separati.
La risposta del settore ai risultati è stata cautamente ottimistica. Sebbene il metodo sia stato validato in ambienti di laboratorio, la diffusione nel mondo reale richiederà ampi test di durata in diverse condizioni ambientali – incluse temperature estreme, umidità e vibrazioni. Inoltre, l’integrazione con le architetture BMS esistenti e la conformità agli standard di sicurezza funzionale automobilistici (come ISO 26262) saranno necessarie prima di un’adozione diffusa.
Tuttavia, i potenziali benefici sono sostanziali. Per i consumatori, significa display dell’autonomia più affidabili, maggiore durata della batteria e migliore fiducia nella guida. Per i produttori di automobili, offre un percorso per ridurre il sovradimensionamento delle batterie – una pratica comune utilizzata per compensare l’incertezza di stima – riducendo così peso e costo del veicolo. Per gli operatori di flotte, il tracciamento accurato del SOC consente una migliore pianificazione del percorso e della ricarica, migliorando l’efficienza operativa.
L’adattabilità del metodo lo rende adatto anche per applicazioni di seconda vita, come lo stoccaggio stazionario di energia, dove le batterie dei veicoli elettrici ritirati vengono riutilizzate. In questi scenari, la capacità di valutare accuratamente lo stato di pacchi batteria invecchiati ed eterogenei è cruciale per sicurezza e prestazioni.
Guardando avanti, il team di ricerca sta esplorando estensioni dell’algoritmo per stimare stati aggiuntivi della batteria, inclusi lo stato di salute (SOH) e lo stato di energia (SOE). I lavori preliminari suggeriscono che lo stesso framework di identificazione adattativa può essere applicato per tracciare nel tempo la diminuzione della capacità e la crescita della resistenza interna, fornendo un quadro completo delle condizioni della batteria.
Un’altra area di indagine riguarda la compensazione della temperatura. Il comportamento della batteria varia significativamente con la temperatura, e le future versioni dell’algoritmo potrebbero incorporare modellazione termica in tempo reale per mantenere l’accuratezza in un’ampia gamma operativa – dagli inverni sotto zero alle estati torride.
La pubblicazione di questa ricerca in una rivista peer-reviewed segna una pietra miliare significativa, ma il percorso dalla scoperta accademica al prodotto commerciale è spesso lungo e complesso. Il team ha depositato divulgazioni preliminari di proprietà intellettuale ed è in discussioni con diversi fornitori automobilistici per una potenziale collaborazione.
Mentre le vendite globali di veicoli elettrici continuano a salire – superando i 14 milioni di unità nel 2023 secondo gli analisti del settore – la necessità di una gestione delle batterie più intelligente ed efficiente si intensificherà solo. Innovazioni come quella sviluppata al Politecnico di Chongqing non sono solo realizzazioni tecniche; sono abilitatori di un futuro di trasporto sostenibile.
In un’era in cui il software definisce sempre più le capacità del veicolo, questo algoritmo adattativo esemplifica come gli algoritmi intelligenti possano estrarre il massimo valore dall’hardware esistente. È un promemoria che a volte i progressi più impattanti non sono nella costruzione di batterie più grandi, ma nel comprenderle meglio.
Il successo del metodo AFFRLS-EKF evidenzia anche il ruolo crescente delle istituzioni cinesi nell’avanzare la tecnologia dei veicoli elettrici. Con un forte supporto governativo per i veicoli a nuova energia e un mercato interno in rapida espansione, i centri di ricerca in tutta la Cina stanno dando contributi significativi alla scienza delle batterie, al controllo dei motori e alle infrastrutture di ricarica.
Il dottor Kan ha espresso ottimismo sull’impatto più ampio del lavoro. “Non stiamo solo migliorando un numero sul cruscotto. Stiamo costruendo fiducia tra il guidatore e la macchina. Quando le persone vedono che la previsione dell’autonomia della loro auto è costantemente accurata, iniziano a farvi affidamento. Questa fiducia è essenziale per l’adozione di massa dei veicoli elettrici”.
Mentre l’industria automobilistica passa dai motori a combustione interna ai gruppi propulsori elettrificati, il ruolo della batteria diventerà solo più importante. E con esso, la necessità di metodi sofisticati, affidabili e adattativi per la stima dello stato diventerà fondamentale. Il lavoro di Kan, Yang, Sun e Xie rappresenta un passo significativo in quella direzione – avvicinando la promessa di una mobilità elettrica seamless, prevedibile ed efficiente alla realtà.
Yingzhe Kan, Min Yang, Huaze Sun, Yunfei Xie, Scuola di Ingegneria Meccanica, Politecnico di Chongqing. Journal of Chongqing University of Technology (Natural Science), doi:10.3969/j.issn.1674-8425(z).2024.11.003