Innovazioni nel monitoraggio batterie per veicoli elettrici
Mentre l’industria dei veicoli elettrici accelera verso l’adozione mainstream, una delle sfide più pressanti rimane la valutazione accurata e in tempo reale dello stato di salute delle batterie. Il pacco batterie agli ioni di litio rappresenta il cuore di qualsiasi veicolo elettrico, e le sue prestazioni influenzano direttamente l’autonomia, la sicurezza e la longevità. Tuttavia, il monitoraggio dello Stato di Salute (SOH) di queste batterie durante l’uso quotidiano è da tempo un ostacolo tecnico, specialmente quando si fa affidamento su dati di ricarica incompleti o frammentari. Un nuovo algoritmo sviluppato dai ricercatori dell’Università di Scienza e Tecnologia di Harbin è pronto a trasformare il modo in cui viene stimata la salute delle batterie in condizioni reali.
In uno studio pubblicato sulla Transactions of China Electrotechnical Society, la dottoressa Xianhua Song e il suo studente laureato Quanzheng Yao hanno introdotto un metodo innovativo in grado di stimare il SOH della batteria con un’accuratezza senza precedenti utilizzando solo cicli di ricarica parziali – dati comunemente registrati durante l’uso quotidiano dei veicoli elettrici. Questo progresso potrebbe migliorare significativamente i sistemi di gestione della batteria (BMS), consentendo previsioni più affidabili dell’autonomia, strategie di ricarica ottimizzate e una maggiore durata della batteria.
La ricerca affronta una limitazione critica nelle attuali diagnostiche delle batterie: la maggior parte delle tecniche di stima del SOH richiede cicli completi di carica-scarica per generare dati affidabili. Tuttavia, nella pratica, i proprietari di veicoli elettrici raramente esauriscono completamente le batterie o le ricaricano da zero al massimo. Piuttosto, effettuano “ricariche segmentate” – dal 30% all’80%, o dal 50% al 100%, a seconda delle esigenze quotidiane. Questo comportamento crea una lacuna nei dati utilizzabili, rendendo i modelli tradizionali di SOH meno efficaci nelle applicazioni in tempo reale.
Per superare questa sfida, Song e Yao hanno sviluppato un framework ibrido di machine learning e filtraggio denominato DEKF-WNN-WLSTM. L’acronimo sta per Dual Extended Kalman Filter-Wavelet Neural Network-Wavelet Long Short-Term Memory Neural Network. Sebbene il nome possa sembrare complesso, il principio sottostante è elegantemente progettato per estrarre la massima informazione da input minimi.
Il modello sfrutta i punti di forza di multiple tecniche computazionali avanzate. Inizia con l’Extended Kalman Filter (EKF), un algoritmo consolidato utilizzato nella stima di sistemi non lineari. L’EKF è particolarmente efficace nel monitoraggio di sistemi dinamici come le batterie, dove gli stati interni cambiano nel tempo a causa dell’invecchiamento, della temperatura e dei modelli di utilizzo. Tuttavia, i metodi tradizionali basati su EKF spesso soffrono di accumulo di errori e richiedono frequenti ricalibrazioni utilizzando dati di cicli completi.
L’innovazione di Song e Yao risiede nel potenziamento dell’EKF con due reti neurali specializzate: una Wavelet Neural Network (WNN) e una Wavelet Long Short-Term Memory (WLSTM). Queste reti non sono modelli standard di deep learning; sono ingegnerizzate per gestire le caratteristiche uniche dei dati delle batterie, che spesso contengono rumore, non linearità e modelli di degrado dipendenti dal tempo.
La WNN apporta robustezza e estrazione di caratteristiche ad alta risoluzione. Sostituendo le funzioni di attivazione convenzionali con funzioni wavelet – strumenti matematici adatti all’analisi di segnali su diverse scale – la rete può rilevare sottili cambiamenti nei profili di tensione e corrente che indicano l’invecchiamento della batteria. Ciò è particolarmente utile durante la ricarica parziale, dove piccole variazioni nella curva di ricarica possono rivelare informazioni significative sulla perdita di capacità.
Il componente WLSTM, d’altro canto, eccelle nella cattura di dipendenze a lungo termine nei dati sequenziali. A differenza delle reti neurali standard che potrebbero “dimenticare” input precedenti, la WLSTM conserva informazioni storiche critiche, consentendole di modellare il degrado graduale di una batteria nel corso di centinaia di cicli. Integrando funzioni wavelet nei gate della LSTM, il modello raggiunge una comprensione più granulare della dinamica temporale, migliorando la sua accuratezza predittiva.
Ciò che distingue questa ricerca è l’architettura a doppio filtro. Il primo EKF stima il tempo di ricarica completo basandosi su dati frammentari, mentre il secondo EKF corregge continuamente l’errore di stima apprendendo dalle discrepanze passate. Questo meccanismo di autocorrezione previene la deriva che tipicamente affligge le previsioni a lungo termine. Addestrando le reti WNN-WLSTM su un ciclo di ricarica completo e tre cicli parziali, il modello impara a generalizzare attraverso diversi modelli di utilizzo senza richiedere ripetute ricariche complete.
Il team ha testato il proprio algoritmo utilizzando dati reali da batterie agli ioni di litio ternarie fornite da Shenzhen Neware Electronic Co., Ltd. Il set di dati includeva oltre 180 cicli di carica-scarica in condizioni di corrente costante, simulando un tipico utilizzo dei veicoli elettrici. I risultati sono stati sorprendenti: l’errore relativo medio nella stima del tempo di ricarica completo era solo dell’1,01%, significativamente inferiore all’1,76% raggiunto da un metodo EKF-GPR precedentemente pubblicato. Ancora più importante, l’errore è rimasto stabile nel tempo, dimostrando la capacità del modello di resistere a inesattezze cumulative.
Per i produttori di veicoli elettrici e gli operatori di flotte, una tale precisione ha implicazioni di vasta portata. Una stima accurata del SOH consente una migliore gestione della garanzia della batteria, applicazioni più efficienti per una seconda vita delle batterie dei veicoli elettrici ritirate e migliori valutazioni del valore di rivendita. Aumenta inoltre la fiducia dei guidatori fornendo stime realistiche dell’autonomia che tengono conto del reale degrado della batteria, non solo di modelli idealizzati.
Dal punto di vista tecnologico, il modello DEKF-WNN-WLSTM rappresenta un cambiamento verso diagnostiche batteriche adattive e guidate dai dati. A differenza dei modelli basati sulla fisica che si affidano a parametri elettrochimici dettagliati – spesso difficili da misurare e soggetti a variazioni – il nuovo metodo apprende direttamente dai dati operativi. Ciò lo rende più scalabile e più facile da implementare su diverse chimiche delle batterie e piattaforme veicolari.
Inoltre, la dipendenza del modello da frammenti di ricarica quotidiani significa che può operare continuamente in background, aggiornando le stime del SOH ad ogni ricarica. Questa capacità in tempo reale è essenziale per funzionalità avanzate dei BMS come la ricarica adattiva, dove il sistema regola la velocità e la tensione di ricarica in base allo stato di salute attuale della batteria per minimizzare lo stress e prolungare la durata di vita.
Le implicazioni si estendono oltre i singoli veicoli. Man mano che le smart grid e le tecnologie vehicle-to-grid (V2G) guadagnano trazione, dati accurati sulla salute della batteria diventano cruciali per la stabilità della rete e la partecipazione al mercato energetico. Le utility e gli aggregatori necessitano di informazioni affidabili sulla capacità disponibile e sullo stato di degrado delle batterie dei veicoli elettrici prima di includerli in programmi di demand response. Un modello come DEKF-WNN-WLSTM potrebbe fornire quella trasparenza, consentendo un’integrazione più sicura ed efficiente dei veicoli elettrici nell’ecosistema energetico.
Un altro vantaggio del metodo è la sua efficienza computazionale. Nonostante la sua sofisticatezza, il modello è progettato per funzionare su sistemi embedded con potenza di elaborazione limitata. I ricercatori hanno utilizzato MATLAB e Python con TensorFlow/Keras per implementare le reti neurali, interfacciandole con le routine del filtro di Kalman. Questo approccio modulare consente l’integrazione nelle architetture BMS esistenti senza richiedere una completa revisione hardware.
Sicurezza e affidabilità sono anch’esse migliorate. Riducendo la necessità di cicli completi di scarica periodici – che possono accelerare l’usura della batteria – il modello promuove un funzionamento più sicuro e sostenibile. Minimizza inoltre l’intervento dell’utente; i guidatori non devono più eseguire routine speciali di calibrazione per mantenere letture accurate del SOH.
Guardando avanti, la ricerca apre diverse strade per lo sviluppo futuro. Una direzione è l’estensione del modello ad altri tipi di batterie, come quelle al litio ferro fosfato (LFP) o a stato solido, che hanno caratteristiche di degrado diverse. Un’altra è l’incorporazione di dati aggiuntivi da sensori, come temperatura e resistenza interna, per affinare ulteriormente le stime.
C’è anche un potenziale per l’implementazione cloud, dove dati anonimi delle batterie di migliaia di veicoli potrebbero essere aggregati per addestrare modelli ancora più robusti. Un tale sistema potrebbe rilevare primi segni di difetti di fabbricazione o fattori di stress ambientale, consentendo richiami proattivi o campagne di servizio.
Dal punto di vista politico, un monitoraggio accurato del SOH supporta la transizione verso un’economia circolare nel settore automobilistico. Man mano che i governi spingono per una maggiore adozione di veicoli elettrici e normative più severe sulle emissioni, garantire longevità e riciclabilità delle batterie diventa fondamentale. Il tracciamento trasparente della salute responsabilizza i consumatori, facilita i modelli di noleggio batterie e rafforza la business case per le infrastrutture di scambio batterie.
Il lavoro di Song e Yao evidenzia inoltre la crescente importanza della ricerca interdisciplinare nel far avanzare la tecnologia dei veicoli elettrici. Il loro approccio combina elaborazione dei segnali, teoria del controllo e deep learning – campi che convergono sempre più per risolvere complessi problemi ingegneristici. Sottolinea il ruolo delle istituzioni accademiche nel guidare l’innovazione che complementa lo sviluppo guidato dall’industria.
Per l’Università di Scienza e Tecnologia di Harbin, questo studio rafforza la sua posizione di leader nelle applicazioni di monitoraggio intelligente e machine learning. L’esperienza della dottoressa Song nell’informatica quantistica e nella sicurezza delle immagini può sembrare lontana dalla diagnostica delle batterie, ma il suo background nella modellazione di sistemi complessi fornisce una prospettiva unica che collega diversi domini.
Nel contesto più ampio della decarbonizzazione globale, ogni miglioramento nell’efficienza e nella durata delle batterie contribuisce a ridurre l’impronta ambientale dei trasporti. Estendendo la vita utile delle batterie e ottimizzandone le prestazioni, tecnologie come DEKF-WNN-WLSTM aiutano a massimizzare il ritorno sull’energia e sulle risorse investite nella loro produzione.
Man mano che i veicoli elettrici si integrano maggiormente nella vita quotidiana, la domanda di sistemi batteria più intelligenti e reattivi crescerà solamente. La capacità di comprendere la salute di una batteria non solo in laboratorio, ma nel mondo reale, sotto reali condizioni di guida, non è più un lusso – è una necessità. La ricerca di Song e Yao fornisce un potente strumento verso quel obiettivo, stabilendo un nuovo punto di riferimento per le diagnostiche batterie in tempo reale.
L’industria automobilistica si trova a un bivio, dove il software e l’intelligenza artificiale stanno diventando tanto critici quanto l’ingegneria meccanica. La gestione della batteria non riguarda più solo prevenire il sovraccarico o la fuga termica; riguarda intelligenza predittiva, controllo adattivo e ottimizzazione per tutta la vita. Il modello DEKF-WNN-WLSTM esemplifica questo cambiamento, trasformando dati grezzi di ricarica in intuizioni azionabili che avvantaggiano guidatori, produttori e il pianeta.
In conclusione, la svolta di Xianhua Song e Quanzheng Yao offre una soluzione pratica, accurata e scalabile a una delle sfide più persistenti nella mobilità elettrica. Sfruttando la potenza del machine learning ibrido e del filtraggio avanzato, il loro metodo abilita la stima in tempo reale del SOH utilizzando solo i dati di ricarica parziali generati dall’uso quotidiano. Ciò elimina la necessità di test di cicli completi intrusivi e riduce la dipendenza da complessi modelli elettrochimici. Il risultato è un approccio più affidabile, user-friendly e sostenibile al monitoraggio della salute della batteria – uno che potrebbe presto diventare standard nei veicoli elettrici di prossima generazione.
Pubblicato su Transactions of China Electrotechnical Society Autori: Xianhua Song, Quanzheng Yao Istituzione: Università di Scienza e Tecnologia di Harbin DOI: 10.19595/j.cnki.1000-6753.tces.222241