Innovazione nel Posizionamento per la Ricarica Senza Fili dei Veicoli Elettrici
Con la crescente diffusione globale dei veicoli elettrici, l’attenzione verso il potenziamento delle infrastrutture di ricarica si è intensificata. Tra le tecnologie più promettenti spicca il trasferimento di energia senza fili, che offre un’alternativa seamless e user-friendly rispetto ai sistemi tradizionali con connettore. Tuttavia, una sfida persistente ne ha limitato l’adozione su larga scala: il preciso allineamento tra la bobina ricevente del veicolo e il trasmettitore a terra. Un disallineamento può ridurre significativamente l’efficienza di ricarica, rendendo cruciale un posizionamento accurato. Uno studio recente pubblicato su Electrical Measurement & Instrumentation introduce una soluzione innovativa basata sull’intelligenza artificiale per risolvere questo problema, aprendo la strada a una ricarica wireless più affidabile ed efficiente per i veicoli elettrici.
La ricerca, guidata da Pan Zhixin di Jiangsu Fangtian Electric Power Technology Co., Ltd., in collaborazione con esperti di State Grid Jiangsu Electric Power Co., Ltd. e Southeast University, presenta un approccio rivoluzionario basato su reti neurali Backpropagation (BP). Questo metodo consente il rilevamento in tempo reale della posizione della bobina ricevente rispetto a quella trasmittente, offrendo un feedback essenziale per sistemi di guida del conducente o parcheggio autonomo. I risultati sono stati dettagliati nel numero di febbraio 2024 della rivista, con il titolo “Research on coil positioning technology based on BP neural network”, attirando l’attenzione sia del mondo accademico che industriale.
Al centro dei moderni sistemi di ricarica wireless per veicoli elettrici vi è il principio della risonanza a accoppiamento magnetico, che permette il trasferimento efficiente di energia attraverso campi elettromagnetici su brevi distanze aeree. Per una prestazione ottimale, le bobine primaria (trasmettitore) e secondaria (ricevitore) devono essere allineate con precisione—generalmente entro una tolleranza di 10 cm—per mantenere un’efficienza di trasferimento energetico spesso superiore all’80%. Sebbene esistano ausili meccanici, come guide visive o sistemi di parcheggio assistito da sensori, questi metodi sono spesso imprecisi o costosi. Inoltre, l’allineamento manuale rimane poco pratico per gli utenti quotidiani, specialmente nelle stazioni di ricarica pubbliche dove velocità e convenienza sono fondamentali.
Le soluzioni esistenti hanno esplorato varie tecniche di sensing. Alcune si affidano a sensori magnetoresistivi posizionati attorno al pad di ricarica per rilevare variazioni del campo magnetico spaziale. Altre utilizzano sistemi ausiliari come tag RFID integrati nel telaio del veicolo. Tuttavia, questi approcci spesso richiedono hardware aggiuntivo, aumentano la complessità del sistema e i costi di produzione. Inoltre, molti non forniscono dati posizionali bidimensionali completi necessari per la regolazione fine dell’allineamento sugli assi x e y.
L’innovazione del team supera questi limiti sfruttando il machine learning per interpretare segnali provenienti da semplici bobine di rilevamento integrate nell’infrastruttura di ricarica. Queste piccole bobine induttive catturano le fluttuazioni di tensione indotte dal campo elettromagnetico generato dal trasmettitore principale. Poiché l’intensità e la distribuzione di questo campo variano in base alla posizione relativa della bobina ricevente, le tensioni indotte fungono da indicatori indiretti della posizione spaziale. La relazione tra le letture di tensione e le coordinate fisiche, tuttavia, è altamente non lineare e complessa—troppo intricata per una modellizzazione matematica convenzionale.
È qui che entra in gioco la rete neurale BP. A differenza degli algoritmi basati su regole, le reti neurali eccellono nell’identificare pattern in grandi dataset e nell’approssimare funzioni complesse senza richiedere equazioni esplicite. Addestrando la rete su un dataset di posizioni note e corrispondenti input di tensione, essa impara a prevedere posizioni sconosciute con notevole accuratezza. In sostanza, il sistema tratta la localizzazione della bobina come un problema di apprendimento supervisionato: dati quattro input di tensione da bobine di rilevamento posizionate strategicamente, la rete restituisce le coordinate stimate x e y del ricevitore.
Per convalidare il loro concept, i ricercatori hanno condotto studi sia simulati che sperimentali. Utilizzando ANSYS Maxwell, uno strumento di analisi agli elementi finiti ampiamente utilizzato nella progettazione elettromagnetica, hanno modellato un tipico sistema di ricarica wireless compensato LCC-S—una topologia favorita per la sua capacità di fornire corrente costante sul lato primario e tensione di uscita stabile sul secondario. Le bobine trasmittente e ricevente erano di forma quadrata, con lati rispettivamente di 550 mm e 450 mm, e una separazione verticale standard di 20 cm, simulando un’altezza da terra realistico del veicolo.
È stata definita una griglia di 1.600 punti su un’area di 20 cm × 20 cm centrata sulla bobina trasmittente, con misurazioni effettuate ogni 0,5 cm. Da questa mappa completa, sono stati selezionati 25 punti dati rappresentativi per l’addestramento della rete neurale. Di questi, 17 sono stati utilizzati per l’addestramento effettivo, mentre 4 sono serviti per la validazione e altri 4 per il test finale. È stata impiegata la MATLAB Deep Learning Toolbox, utilizzando l’algoritmo Levenberg-Marquardt—una tecnica di ottimizzazione avanzata nota per la sua rapida convergenza in reti di dimensioni piccole e medie.
Una decisione chiave nella progettazione di una rete neurale è determinare il numero di neuroni nello strato nascosto, che influisce direttamente sulla capacità del modello e sul carico computazionale. Troppi pochi neuroni possono portare a underfitting, mentre troppi possono causare overfitting e tempi di elaborazione più lunghi. Guidati da regole empiriche che suggeriscono un intervallo tra √(n + r) + a (dove n è il numero di input, r il numero di output e a un piccolo intero), il team ha testato configurazioni con 5, 10 e 15 neuroni nascosti. Sorprendentemente, la configurazione più semplice—con soli cinque neuroni—ha prodotto le migliori prestazioni, raggiungendo un errore di posizionamento medio di soli 0,907 cm nelle simulazioni. Aumentare il numero di neuroni non ha migliorato l’accuratezza, indicando che la complessità del problema può essere catturata in modo efficiente senza calcoli eccessivi.
Incoraggiati da questi risultati, il team è passato alla sperimentazione fisica. È stato costruito un banco di prova reale con lo stesso circuito LCC-S alimentato da una sorgente CA da 390V operante a frequenza di risonanza. Quattro bobine di rilevamento sono state montate sotto il trasmettitore, ciascuna collegata a un circuito di condizionamento del segnale comprendente diodi per la rettifica a semionda, filtri RC per il picco e divisori resistivi per scalare le tensioni in modo adatto alla conversione analogico-digitale del microcontrollore. L’acquisizione dati è stata gestita tramite un processore single-chip, che alimentava i valori di tensione grezzi nella rete BP pre-addestrata in esecuzione su un computer host.
Il protocollo sperimentale ha rispecchiato la configurazione di simulazione: gli stessi 25 punti di calibrazione sono stati misurati manualmente, quindi utilizzati per addestrare la rete. Sono state valutate cinque nuove posizioni di test, inclusi punti decentrati come (-2,5 cm, -7,5 cm) e (7,0 cm, 3,5 cm). Il sistema ha previsto con successo tutte le posizioni con una precisione a livello di centimetro, sebbene siano state osservate lievi deviazioni rispetto ai risultati della simulazione. Ad esempio, nel punto (-2,5, -7,5), la rete ha stimato (-4,14, -8,4), risultando in un errore di circa 1,8 cm. Discrepanze simili si sono verificate altrove, attribuite principalmente al rumore di misura, a piccoli errori di posizionamento manuale e a non idealità nel circuito analogico.
Nonostante queste variazioni, la complessiva coerenza tra i risultati simulati e reali ha confermato la robustezza del metodo. Come mostrato nei grafici comparativi della distribuzione degli errori, gli errori sperimentali sono rimasti entro limiti accettabili, rafforzando la fattibilità di implementare un tale sistema in applicazioni commerciali. Notevolmente, l’intero processo—dal campionamento della tensione alla stima delle coordinate—è avvenuto rapidamente, consentendo un feedback quasi in tempo reale ideale per l’integrazione con sistemi di parcheggio automatizzati.
Ciò che distingue questo approccio è il suo equilibrio tra semplicità, economicità e prestazioni. A differenza delle alternative che richiedono array di sensori a effetto Hall o infrastrutture RFID esterne, questa soluzione utilizza solo elementi induttivi passivi già compatibili con l’hardware di ricarica esistente. Non c’è bisogno di trasmettitori aggiuntivi, telecamere o moduli ultrasonici. L’intelligenza risiede interamente nel software, rendendo gli aggiornamenti e le ricalibrazioni semplici tramite update del firmware.
Inoltre, l’affidarsi alle reti neurali BP porta un’adattabilità intrinseca. Se le condizioni ambientali cambiano—come variazioni di temperatura che influenzano la resistenza della bobina o oggetti metallici vicini che distorcono il campo magnetico—la rete può essere ri-addestrata con dati aggiornati per mantenere l’accuratezza. Questo contrasta nettamente con i modelli a parametri fissi che si degradano nel tempo senza ricalibrazione manuale.
Da un punto di vista pratico, integrare questa tecnologia negli attuali architetture di veicoli elettrici richiederebbe modifiche minime. I produttori di veicoli potrebbero incorporare la rete neurale addestrata nell’unità di controllo della ricarica di bordo, mentre gli operatori delle stazioni di ricarica potrebbero implementare il circuito di rilevamento durante l’installazione del pad. Il feedback potrebbe quindi essere trasmesso visivamente attraverso il display della dashboard, acusticamente tramite avvisi, o automaticamente attraverso protocolli di comunicazione veicolo-infrastruttura che abilitano manovre di parcheggio automatico.
Le implicazioni vanno oltre la convenienza del consumatore. Gli operatori di flotte che gestiscono autobus elettrici o furgoni per le consegne trarrebbero significativi benefici, poiché un allineamento rapido e coerente riduce i tempi di inattività e massimizza l’efficienza operativa. Gli hub di ricarica pubblici potrebbero vedere una maggiore produttività, riducendo la congestione e migliorando la soddisfazione degli utenti. Inoltre, un allineamento preciso garantisce il massimo trasferimento di energia, minimizzando il calore disperso e prolungando la durata dei componenti—considerazioni chiave per la sostenibilità a lungo termine.
La sicurezza è un’altra dimensione migliorata dal posizionamento accurato. Quando le bobine sono disallineate, i campi elettromagnetici dispersi possono aumentare, potenzialmente interferendo con pacemaker o altri dispositivi elettronici sensibili. Gli standard normativi, come quelli stabiliti dalla International Electrotechnical Commission (IEC), impongono limiti severi sulle emissioni elettromagnetiche. Assicurando un accoppiamento ottimale, questo metodo guidato dall’IA aiuta a mantenere le emissioni entro soglie di sicurezza, contribuendo a un’accettazione più ampia della ricarica wireless negli ambienti urbani.
Sebbene l’implementazione attuale si concentri sullo spostamento planare, lavori futuri potrebbero espandersi per includere la distanza verticale (asse z) e l’orientamento angolare (beccheggio e imbardata), fornendo un tracciamento a sei gradi di libertà completo. Questo sarebbe particolarmente utile per superfici irregolari o vialetti in pendenza. Incorporare capacità di apprendimento dinamico—dove la rete si affina continuamente basandosi su dati in tempo reale—potrebbe ulteriormente migliorare la resilienza contro l’usura e la deriva ambientale.
Un’altra direzione coinvolge array di trasmettitori multi-bobina, dove più bobine sovrapposte consentono una maggiore flessibilità spaziale. In tali configurazioni, conoscere l’esatta posizione del ricevitore abilita l’attivazione selettiva della sub-bobina più vicina, aumentando l’efficienza e riducendo le perdite in standby. Il framework di rete neurale BP descritto qui fornisce una solida base per tali strategie di commutazione intelligente.
La risposta dell’industria allo studio è stata positiva. Gli esperti notano che, sebbene la ricarica wireless sia stata a lungo vista come una caratteristica premium, avanzamenti come questo la avvicinano alla fattibilità mainstream. Gli enti di standardizzazione, tra cui SAE International e il Wireless Power Consortium, stanno sviluppando attivamente linee guida per l’interoperabilità, e l’incorporazione del posizionamento basato sull’IA potrebbe diventare parte delle specifiche future.
In conclusione, la ricerca condotta da Pan Zhixin, Yang Xiaomei, Wang Chengliang, Fei Yijun, Xu Qingqiang e Li Chengyun rappresenta un significativo balzo in avanti nella tecnologia di ricarica wireless per veicoli elettrici. Combinando principi elettromagnetici fondamentali con il moderno machine learning, hanno creato una soluzione scalabile, accurata ed economicamente sostenibile a una delle sfide più durature del settore. Il loro lavoro dimostra come la collaborazione interdisciplinare—che abbraccia ingegneria energetica, elaborazione dei segnali e intelligenza artificiale—possa produrre innovazioni pratiche con un impatto di vasta portata.
Mentre le città in tutto il mondo accelerano la transizione verso i trasporti elettrificati, le tecnologie che semplificano e ottimizzano l’esperienza di ricarica saranno cruciali. Questo sistema di posizionamento basato su reti neurali BP non solo migliora le prestazioni tecniche, ma accresce anche la fiducia e l’engagement degli utenti, rimuovendo una barriera psicologica significativa all’adozione. Con un continuo affinamento e implementazione, potrebbe presto diventare una caratteristica standard nei sistemi di ricarica wireless di prossima generazione.
Pan Zhixin, Yang Xiaomei, Wang Chengliang, Fei Yijun, Xu Qingqiang, Li Chengyun; Jiangsu Fangtian Electric Power Technology Co., Ltd., State Grid Jiangsu Electric Power Co., Ltd., Southeast University; Electrical Measurement & Instrumentation; DOI: 10.19753/j.issn1001-1390.2024.02.029