Tre innovazioni che ridisegnano l’intelligenza delle batterie per veicoli elettrici nel 2025
Mentre i veicoli elettrici consolidano il loro ruolo come pilastro della mobilità globale, la corsa al perfezionamento delle batterie agli ioni di litio si intensifica oltre i parametri convenzionali di autonomia e velocità di ricarica. Emerge con crescente importanza una rivoluzione sottostante: l’intelligenza in tempo reale e multi-stato che governa il comportamento delle batterie sotto stress termico, sollecitazioni dinamiche e processi di invecchiamento. Uno studio recente, condotto in Cina, spinge ora l’innovazione oltre i limiti consolidati, proponendo un framework unificato in grado di monitorare simultaneamente lo stato di carica (SOC), lo stato di salute (SOH) e, soprattutto, lo stato termico (SOT) della batteria, con una precisione senza precedenti anche in condizioni estreme.
Questo non rappresenta un progresso incrementale, bensì un salto strutturale. Per anni, i sistemi di gestione della batteria (BMS) si sono basati su modelli semplificati che ignoravano la dinamica termica o la trattavano come una correzione statica. Le conseguenze? Margini di sicurezza eccessivamente conservativi, riduzione della capacità utilizzabile in climi freddi e accelerazione del degrado in ambienti caldi, con ripercussioni negative sulle prestazioni per i costruttori, sull’autonomia per gli utenti e sul valore del ciclo di vita per gli operatori di flotte. La nuova metodologia, sviluppata dai ricercatori dell’Università di Tiangong e di Neusoft Reach Automotive Technology, affronta direttamente queste limitazioni fondendo l’elettrofisica e la termodinamica in un’architettura adattiva che evolve con la batteria stessa.
Cuore di questa innovazione è il cosiddetto modello ARST, acronimo di Autoregression-Single State Thermal. A differenza degli approcci convenzionali che abbinano circuiti resistor-capacitore (RC) a modelli termici, l’ARST sostituisce il nucleo elettrico con un modello di circuito equivalente autoregressivo (AR-ECM). Questo cambiamento non è solo questione di terminologia tecnica; è una risposta a un difetto fondamentale dei progetti legacy. I modelli RC tradizionali faticano a catturare l’intero spettro della risposta dinamica di una batteria, specialmente sotto profili di corrente ad alta frequenza e ampiezza tipici della guida reale di un veicolo elettrico, come accelerazioni brusche o frenate rigenerative in discesa. L’AR-ECM, al contrario, utilizza la predizione su serie temporali per modellare il comportamento della tensione con una fedeltà molto maggiore, specialmente negli stati transitori dove si verificano la maggior parte degli errori di stima.
La vera svolta, tuttavia, non risiede solo nella modellazione, ma nell’apprendimento del modello. Invece di affidarsi esclusivamente a dati di laboratorio offline raccolti da un numero limitato di celle “rappresentative”, il framework ARST impiega una struttura a doppio filtro che affina continuamente la sua comprensione in tempo reale. Un filtro stima gli stati fondamentali della batteria — SOC, SOH e SOT — mentre l’altro aggiorna simultaneamente i parametri interni del modello, come la resistenza interna, i coefficienti di scambio termico e le curve di tensione a circuito aperto. Questi due processi si influenzano a vicenda: stime più accurate degli stati portano a una regolazione più precisa dei parametri, che a sua volta affina le previsioni future degli stati. Questa adattabilità a ciclo chiuso è cruciale perché nessuna batteria è identica a un’altra. Le tolleranze di produzione, le variazioni microstrutturali e la storia d’uso creano una “individualità della batteria” che i modelli statici non possono considerare. L’ARST non presume uniformità; la compensa.
Le implicazioni per le applicazioni automotive sono profonde. Si consideri un veicolo elettrico che transita da una mattina sottozero a Minneapolis a un pomeriggio a 40°C a Phoenix — tutto in un solo giorno. Un BMS tradizionale potrebbe calcolare erroneamente l’energia disponibile con un errore del 10% o superiore a causa dell’accoppiamento termo-elettrochimico non modellato, innescando un’ansia da autonomia ingiustificata o, peggio, una limitazione di potenza inaspettata. Il sistema basato su ARST, validato in un range di temperature da 0°C a 50°C utilizzando cicli di guida standard del settore come HWFET e DST, mantiene gli errori di stima del SOC al di sotto dello 0,8% — un miglioramento del 25-30% rispetto ai comparatori allo stato dell’arte. Ancora più notevole è il suo monitoraggio del SOH, che rimane stabile nonostante ampie escursioni termiche che tipicamente confondono la stima della capacità.
Questa precisione non è ottenuta tramite calcoli brute-force. Al contrario, il team ha operato un bilanciamento deliberato nella modellazione termica: ha adottato un modello termico a stato singolo concentrato (SSTM) invece di alternative più complesse a multi-nodo. Per le celle cilindriche 18650 — ancora ampiamente utilizzate nei veicoli elettrici performanti e nello stoccaggio di energia — il gradiente termico interno è trascurabile anche sotto carico elevato, come dimostrato da ricerche precedenti. Accettando questa realtà fisica, il modello evita complessità non necessarie, preservando le prestazioni a bassa latenza richieste dai sistemi di controllo veicolare in tempo reale. Il risultato è una soluzione sia più accurata che più implementabile rispetto a molte alternative accademiche.
I dati di validazione raccontano una storia convincente. In test diretti contro due metodi benchmark leader — uno basato puramente su dinamiche elettriche, un altro che utilizza un accoppiamento RC-termico convenzionale — l’approccio ARST ha costantemente superato entrambi in tutte le metriche. Sotto il ciclo HWFET ad alto stress a 0°C, dove i transienti termici sono severi e la stima del SOC è notoriamente difficile, l’ARST ha ridotto l’errore di previsione della tensione di oltre il 30% rispetto al modello basato su RC. A 50°C, dove l’accumulo di calore accelera il degrado e distorce le signature di tensione, la sua stima del SOT è rimasta entro 0,12°C dal valore reale — consentendo strategie di gestione termica più aggressive ma sicure.
Per i costruttori automobilistici, questo si traduce in benefici tangibili. Un SOC più accurato significa che meno capacità di “buffer” deve essere riservata per sicurezza, aumentando efficacemente l’autonomia utilizzabile senza aggiungere celle. Un migliore tracciamento del SOH consente decisioni più intelligenti sul ritiro delle batterie per applicazioni di seconda vita o una provisione di garanzia più precisa. E la consapevolezza in tempo reale del SOT abilita aggiustamenti dinamici alle curve di ricarica, ai limiti di coppia del motore e al precondizionamento dell’abitacolo — tutto coordinato per massimizzare la longevità della batteria. In un mercato dove un vantaggio del 5% nell’autonomia può influenzare la scelta dei consumatori, e dove i costi di sostituzione della batteria rimangono una preoccupazione primaria per i proprietari, questa intelligenza non è solo preziosa: è una necessità competitiva.
Criticamente, il metodo affronta anche una lacuna di lunga data nella ricerca accademica: la scarsità di algoritmi che stimano congiuntamente tre o più stati della batteria. La maggior parte dei lavori precedenti si è concentrata su coppie SOC-SOH, spesso trattando la temperatura come una condizione al contorno fissa. Ma come dimostra questo studio, trascurare il SOT crea un punto cieco che propaga l’errore attraverso l’intera catena di stima. Il calore influisce sulla cinetica di reazione, che altera la tensione, che confonde gli algoritmi del SOC, che quindi giudicano erroneamente il degrado. È una cascata di incertezza. Ponendo il SOT sullo stesso piano di SOC e SOH — e modellando esplicitamente la loro interdipendenza — il framework ARST chiude questo ciclo.
La strategia del team di “inizializzazione con informazioni a priori + correzione online” migliora ulteriormente la robustezza. I parametri iniziali sono derivati da dataset pubblicamente disponibili (includendo celle di Panasonic e A123), garantendo un’ampia applicabilità. Ma invece di bloccare questi valori, il sistema li tratta come punti di partenza — costantemente raffinati dai dati operativi reali. Questo approccio ibrido bilancia la necessità di una rapida implementazione con l’adattabilità a lungo termine, una caratteristica cruciale per batterie che possono operare per un decennio o più attraverso climi e pattern d’uso diversi.
Da una prospettiva di sistema, l’architettura a doppio filtro è elegantemente scalabile. Non richiede sensori esotici — solo letture standard di tensione, corrente, temperatura ambiente e una singola lettura della temperatura superficiale. Questa compatibilità con l’hardware esistente abbassa la barriera all’adozione. Inoltre, il carico computazionale, sebbene superiore al semplice conteggio di Coulomb, rimane entro le capacità dei moderni microcontrollori di grado automobilistico, specialmente mentre i produttori di chip integrano sempre più unità dedicate all’elaborazione del segnale per compiti BMS.
Guardando avanti, i ricercatori riconoscono delle limitazioni — principalmente il fatto che l’attuale formulazione SSTM è ottimizzata per piccole celle cilindriche. I formati a pouch e prismatici, che dominano le piattaforme EV più recenti, presentano gradienti termici interni più complessi e potrebbero richiedere modelli termici distribuiti. I lavori futuri, suggeriscono, potrebbero esplorare approcci ibridi che combinino AR-ECM con reti termiche spazialmente risolte, o persino integrare l’apprendimento automatico per catturare effetti di accoppiamento non lineari che resistono alla modellazione first-principles.
Tuttavia, anche nella sua forma attuale, il framework ARST rappresenta un passo significativo verso quella che l’industria chiama gestione della batteria con “gemello digitale” — dove il modello software rispecchia la cella fisica non solo alla nascita, ma durante tutta la sua vita. Man mano che i veicoli elettrici evolvono da prodotti meccanici a piattaforme definite dal software, questa intelligenza adattiva diventerà essenziale tanto quanto le celle stesse.
Per gli investitori, questo sviluppo segnala una crescente sofisticazione nella catena di fornitura cinese per i veicoli elettrici — non solo nella produzione di celle, ma nel software embedded che ne sblocca il pieno potenziale. Per gli ingegneri, offre una blueprint pratica per il design delle prossime generazioni di BMS. E per i guidatori, promette un futuro in cui la batteria non solo alimenta l’auto, ma la comprende veramente.
Autori: Liu Fang¹, Liu Xinhui¹, Su Weixing¹, Wang Wanru¹, Bu Fantao²
Affiliazioni:
¹ Tianjin Key Laboratory of Autonomous Intelligence Technology and Systems (Tiangong University), Distretto di Xiqing, Tianjin 300387, Cina
² Neusoft Reach Automotive Technology, Co., Ltd., Shenyang 110000, Cina
Rivista: Proceedings of the CSEE*
DOI: 10.13334/j.0258-8013.pcsee.232858