Modello Avanzato Migliora Previsione Vita Batterie EV
Un team di ricercatori ha sviluppato un innovativo framework basato sull’intelligenza artificiale che migliora significativamente l’accuratezza nella previsione della vita residua utile (RUL) delle batterie agli ioni di litio in condizioni reali di guida. Questa svolta, dettagliata in uno studio recente, utilizza l’apprendimento multi-task per affrontare le complesse sfide del monitoraggio della salute delle batterie, particolarmente sottoposte a stress meccanici ed elettrochimici durante l’operatività dei veicoli.
Il gruppo di ricerca, guidato da Weiliang Wang di State Grid Jiangsu Electric Power Co., Ltd., in collaborazione con accademici di Tianjin University, Tianjin University of Technology, State Grid Tianjin Electric Power Company, Pinggao Group Energy Storage Technology Co., e State Grid Jilin Electric Power Co., ha creato un modello predittivo che raggiunge una precisione senza precedenti: errore assoluto medio (MAE) inferiore all’1,4%, errore percentuale assoluto medio (MAPE) sotto lo 0,06% e errore quadratico medio (RMSE) minore dell’1,20%. Questi risultati superano nettamente gli approcci basati sui dati esistenti come la regressione a vettori di supporto (SVR), le macchine a apprendimento estremo (ELM), gli alberi decisionali con gradient boosting (GBDT), XGBoost e persino i modelli LightGBM standard.
Il cuore di questa innovazione risiede nell’integrazione sofisticata di diagnostica elettrochimica e machine learning. A differenza dei metodi convenzionali che si basano esclusivamente sul decadimento di capacità o sulle curve di tensione – metriche difficili da misurare in tempo reale o molto sensibili al rumore – il nuovo modello incorpora approfondite conoscenze fisiche sui meccanismi di degradazione delle batterie. Nello specifico, il team ha quantificato tre principali modalità di invecchiamento utilizzando l’analisi di capacità incrementale-tensione differenziale (IC-DV): perdita di conduttività (LC), perdita di materiale attivo (LAM) e perdita di ioni litio (LLI). Contemporaneamente, hanno estratto quattro parametri chiave di impedenza dalla spettroscopia di impedenza elettrochimica (EIS): resistenza ohmica, resistenza al trasferimento di carica, resistenza dell’interfaccia elettrolita solido (SEI) e impedenza di diffusione di Warburg.
Queste caratteristiche forniscono una visione multidimensionale della salute interna della batteria, catturando sia i percorsi di degradazione elettronica che ionica. Tuttavia, integrare dati così ricchi in un modello predittivo introduce complessità e il rischio di overfitting – specialmente quando i dati di addestramento sono limitati, come spesso accade negli studi sull’invecchiamento delle batterie. Per superare questo problema, i ricercatori hanno utilizzato l’apprendimento multi-task (MTL), un paradigma in cui più attività di previsione correlate vengono addestrate congiuntamente, consentendo al modello di condividere rappresentazioni e migliorare la generalizzazione.
In questo contesto, ogni “attività” corrisponde alla previsione RUL in una specifica condizione di vibrazione – precisamente, vibrazioni statiche (controllo), sull’asse X, sull’asse Y e sull’asse Z – simulando gli stress meccanici multidirezionali sperimentati dalle batterie EV durante la guida reale. Analizzando le correlazioni tra le caratteristiche attraverso queste attività, il framework MTL identifica modelli condivisi preservando allo stesso tempo le specificità di ogni task. Ciò non solo migliora l’accuratezza predittiva ma riduce anche la necessità di dati sperimentali estesi e specifici per condizione, abbattendo così i costi dei test e accelerando l’implementazione del modello.
Il motore predittivo principale è costruito su LightGBM, un framework di gradient boosting altamente efficiente noto per velocità e scalabilità. Tuttavia, il team ne ha significativamente migliorato la robustezza sostituendo la funzione di perdita standard con una funzione di perdita adattiva robusta (AR loss). Questa funzione modificata regola dinamicamente la sua sensibilità agli errori di previsione in base all’entità del residuo, attenuando efficacemente l’influenza dei valori anomali e delle misurazioni rumorose – problemi comuni nei dati reali delle batterie. Di conseguenza, il modello mantiene stabilità e accuratezza anche quando affronta input sensoriali imperfetti o incompleti.
Per validare il loro approccio, i ricercatori hanno condotto estesi esperimenti di invecchiamento su celle commerciali al nichel cobalto manganese ossido di litio (NCM)/grafite con una capacità nominale di 2.400 mAh. Le batterie sono state sottoposte a un profilo di guida realistico che includeva fasi di inattività (0C), velocità costante (1C), accelerazione (2C) e decelerazione (0,5C), mentre venivano contemporaneamente esposte a vibrazioni controllate lungo tre assi ortogonali utilizzando una tavola vibrante a sei gradi di libertà. Questo setup simula fedelmente gli stress elettrochimici e meccanici combinati incontrati nell’operatività reale dei veicoli elettrici.
I risultati sono stati convincenti. Tutte le condizioni di vibrazione hanno accelerato il degrado della batteria rispetto al controllo statico, con le vibrazioni sull’asse Z che causano l’invecchiamento più severo – evidenziato da LAM del 36,94% e LLI del 35,12% a fine vita. Crucialmente, il modello proposto ha costantemente superato tutti gli algoritmi di riferimento in tutte e quattro le condizioni, dimostrando non solo un’accuratezza superiore ma anche una notevole robustezza a vari ambienti di stress.
Questo progresso ha implicazioni profonde per il futuro dei sistemi di gestione delle batterie EV (BMS). La previsione accurata del RUL consente una pianificazione della manutenzione proattiva, previene guasti imprevisti, estende la vita utile della batteria e migliora la sicurezza generale del veicolo. Per i gestori di flotte e i produttori automobilistici, si traduce in tempi di fermo ridotti, costi di garanzia inferiori e maggiore soddisfazione del cliente. Inoltre, consentendo una stima più precisa dello stato di salute, la tecnologia supporta applicazioni di seconda vita per le batterie EV ritirate nello stoccaggio energetico stazionario – una componente critica dell’economia circolare.
Dal punto di vista scientifico, lo studio colma il divario tra elettrochimica fondamentale e machine learning applicato. Piuttosto che trattare la batteria come una “scatola nera”, il modello sfrutta la conoscenza specifica del dominio per guidare l’ingegnerizzazione delle caratteristiche e l’architettura del modello. Questo approccio data-driven informato dalla fisica esemplifica la prossima generazione di sistemi diagnostici intelligenti – che rispetta la scienza sottostante mentre sfrutta la potenza dell’IA moderna.
La ricerca sottolinea anche l’importanza della progettazione sperimentale nello sviluppo dell’IA per batterie. Variando sistematicamente le condizioni di stress meccanico e correlandole con le firme elettrochimiche, il team ha creato un set di dati ricco e ad alta fedeltà che cattura la vera complessità dell’invecchiamento delle batterie in uso. Tali dataset sono preziosi per addestrare modelli che generalizzano oltre le condizioni di laboratorio verso implementazioni nel mondo reale.
Guardando avanti, gli autori riconoscono che è necessario ulteriore lavoro per estendere il modello a diverse chimiche delle batterie, intervalli di temperatura e protocolli di ricarica. Sottolineano inoltre la necessità di validazione in scenari di guida ancora più dinamici, incluso il traffico urbano stop-and-go e la crociera autostradale ad alta velocità. Tuttavia, l’attuale framework fornisce una solida base per il software BMS di prossima generazione.
Gli esperti del settore notano che con l’adozione di veicoli elettrici in accelerazione a livello globale, la domanda di analisi intelligenti delle batterie si intensificherà solo. Gli organismi di regolamentazione nell’Unione Europea e negli Stati Uniti stanno già considerando mandati per la segnalazione della salute delle batterie e la trasparenza della durata di vita. Tecnologie come quelle descritte in questo studio potrebbero diventare strumenti essenziali per la conformità, offrendo sia ai produttori che ai consumatori informazioni affidabili e interpretabili sulla longevità delle batterie.
Inoltre, la strategia di apprendimento multi-task impiegata qui ha un’applicabilità più ampia oltre le batterie. Potrebbe essere adattata per prevedere la vita residua di altri componenti critici nei veicoli elettrici – come motori, inverter ed elettronica di potenza – sotto vari stress operativi. Questo approccio olistico alla gestione della salute del veicolo rappresenta un cambio di paradigma dalle riparazioni reattive alla resilienza predittiva.
In conclusione, questa ricerca segna un passo fondamentale verso una mobilità elettrica più intelligente, sicura e sostenibile. Fondendo una profonda comprensione elettrochimica con l’apprendimento automatico all’avanguardia, il team ha fornito una soluzione pratica e ad alte prestazioni a una delle sfide più persistenti nella tecnologia delle batterie. Mentre i veicoli elettrici continuano a trasformare il panorama dei trasporti, innovazioni come questa saranno determinanti per garantire che le loro fonti di alimentazione rimangano affidabili, efficienti e degne di fiducia throughout their operational lives.
Autori: Weiliang Wang¹, Huiqiao Liu²,³, Tianyu Zhang⁴, Peng Ruan⁵, Jin Xu⁶, Qian Xiao³
Affiliazioni:
¹ State Grid Jiangsu Electric Power Co., Ltd., Nanjing 210024, Cina
² Zhonghuan Information College, Tianjin University of Technology, Tianjin 300380, Cina
³ Key Laboratory of Smart Grid of Ministry of Education (Tianjin University), Tianjin 300072, Cina
⁴ State Grid Tianjin Electric Power Company Economic and Technological Research Institute, Tianjin 300171, Cina
⁵ Pinggao Group Energy Storage Technology Co., Ltd., Tianjin 300300, Cina
⁶ Changchun Power Supply Company of State Grid Jilin Electric Power Co., Ltd., Changchun 130021, Cina
Pubblicato in: Electric Power Construction, Vol. 45, No. 11, Novembre 2024
DOI: 10.12204/j.issn.1000-7229.2024.11.003