Nuovo metodo migliora la stima della capacità delle batterie LFP nei veicoli elettrici
L’industria automobilistica globale è in piena transizione verso l’elettrificazione, e al centro di questa rivoluzione vi è la batteria. La sua salute, la sua capacità di immagazzinare energia e la sua longevità sono diventate le metriche fondamentali che definiscono l’esperienza del conducente, influenzando direttamente l’autonomia, la sicurezza e il valore residuo di un veicolo elettrico (EV). Tra le diverse tecnologie di batterie al litio disponibili, le batterie al fosfato di ferro e litio (LFP) hanno assunto un ruolo di primo piano negli ultimi anni. Apprezzate per la loro eccezionale stabilità termica, la lunga durata del ciclo di vita e i costi inferiori rispetto alle controparti al nichel-manganese-cobalto (NCM), le batterie LFP sono diventate la scelta preferita per un’ampia gamma di veicoli, in particolare in segmenti di mercato di massa e per applicazioni in flotta.
Tuttavia, questa chimica così promettente presenta una sfida tecnica specifica: la stima precisa della sua capacità residua, un indicatore chiave dello stato di salute (SOH). A differenza delle batterie NCM, che mostrano una curva di tensione chiara e distintiva in funzione dello stato di carica (SOC), le batterie LFP sono caratterizzate da una tensione estremamente piatta per gran parte del loro intervallo operativo. Questa caratteristica, sebbene sia un vantaggio per la sicurezza, rende estremamente difficile per i sistemi di gestione della batteria (BMS) stimare con precisione il SOC e, di conseguenza, la capacità totale della batteria. Un piccolo errore di tensione in una regione così piatta può tradursi in un grande errore di stima del SOC.
In un significativo progresso per il settore, un team di ricercatori guidato da Chen Xingguang dell’Università di Scienza e Tecnologia di Shanghai, in collaborazione con colleghi dell’Università di Tsinghua, ha sviluppato un nuovo metodo che affronta direttamente questo problema. Pubblicato sulla prestigiosa rivista Energy Storage Science and Technology, il loro lavoro presenta una soluzione innovativa per identificare con un’alta precisione la capacità delle batterie LFP in condizioni di guida reali, un ambiente molto più complesso e rumoroso di un laboratorio controllato.
La capacità di una batteria, misurata in ampere-ora (Ah), è l’indicatore più diretto del suo SOH. Rappresenta la quantità massima di energia che può immagazzinare e rilasciare. Quando questa capacità scende sotto l’80% del suo valore nominale, si considera che la batteria abbia raggiunto la fine della sua vita utile, il che si traduce in una drastica riduzione dell’autonomia del veicolo. Pertanto, una stima precisa della capacità non è solo un esercizio accademico; è fondamentale per la gestione delle flotte, la valutazione del valore residuo, la pianificazione della manutenzione e, in ultima analisi, per mantenere la fiducia del consumatore nella tecnologia elettrica.
Il problema principale è che la capacità non può essere misurata direttamente dai sensori a bordo. I BMS possono monitorare costantemente tensione, corrente e temperatura, ma non possono “leggere” la capacità massima. Questa deve essere inferita indirettamente attraverso algoritmi e modelli. I metodi esistenti possono essere raggruppati in tre categorie principali: misurazione diretta, approcci basati sui dati (data-driven) e metodi basati su modelli.
La misurazione diretta, sebbene sia lo standard aureo in laboratorio, implica scaricare completamente la batteria a un tasso controllato e poi ricaricarla, un processo che è inviabile per un veicolo in uso quotidiano. I metodi basati sui dati, come le reti neurali profonde, hanno mostrato un grande potenziale, ma hanno un punto debole critico: hanno bisogno di dati di addestramento con “etichette” di capacità note. Nel mondo reale, questi dati non esistono, poiché non c’è modo di misurare la capacità reale di una batteria in un EV mentre è sulla strada. Ciò ha limitato severamente l’applicazione pratica di queste sofisticate tecniche di intelligenza artificiale.
È qui che i metodi basati su modelli, come i modelli di circuito equivalente (ECM), offrono una via più praticabile. Un ECM simula il comportamento elettrico di una batteria utilizzando componenti come resistori e condensatori. Questi modelli sono computazionalmente efficienti e possono essere integrati direttamente nel software del BMS. Tuttavia, un ECM standard non include la capacità come parametro di input; la capacità viene assunta come un valore fisso. Per stimare la capacità, il modello deve trattarla come un parametro sconosciuto che deve essere “identificato” o aggiustato.
L’innovazione chiave del team di Chen Xingguang è stata quella di integrare il modello di integrazione degli ampere-ora (ampere-hour integration) con un ECM del primo ordine. L’integrazione degli ampere-ora è un metodo fondamentale per calcolare il SOC: integra semplicemente la corrente di carica o scarica nel tempo. Ma la precisione di questo calcolo dipende criticamente dalla conoscenza della capacità totale. I ricercatori hanno sfruttato questa dipendenza. Nel loro quadro ibrido, la capacità diventa una delle variabili che il modello deve trovare per far coincidere le sue previsioni con i dati del mondo reale.
Per trovare questa variabile, insieme ad altri parametri del modello come le resistenze interne, hanno utilizzato l’algoritmo di ottimizzazione dello sciame di particelle (PSO). Questo algoritmo funziona come uno “sciame” di soluzioni candidate che esplorano lo spazio dei parametri. Ogni “particella” aggiusta la sua traiettoria in base al suo miglior risultato personale e al miglior risultato trovato da tutto lo sciame. L’obiettivo è minimizzare la differenza tra la tensione terminale prevista dal modello e la tensione reale registrata dal BMS del veicolo.
Fino a questo punto, l’approccio è solido. Ma è nell’applicazione alle batterie LFP che il metodo originale del team incontra un ostacolo. Durante la ricarica lenta, comune nell’uso quotidiano, le batterie LFP mostrano un comportamento peculiare. Man mano che si avvicinano al 100% di carica, la loro tensione di circuito aperto (OCV) aumenta bruscamente. Tuttavia, durante una ricarica lenta, la corrente è bassa, il che significa che la caduta di tensione per polarizzazione è minima. Ciò crea un paradosso: il modello ECM, che si basa su una curva OCV-SOC misurata in laboratorio, prevede una tensione finale molto più bassa della tensione reale registrata dal veicolo, che raggiunge il limite di taglio. Questa discrepanza massiccia nella tensione finale genera un grande errore quadratico medio (RMSE), che destabilizza completamente l’algoritmo PSO e porta a stime di capacità errate e imprecise.
Inoltre, nella zona principale di carica, dove la tensione è piatta, piccoli errori nella forma della curva non contribuiscono significativamente al calcolo del RMSE totale, il che significa che l’algoritmo non viene “punito” a sufficienza per non catturare con precisione i sottili punti di transizione tra le due piattaforme di tensione caratteristiche delle batterie LFP.
Per superare queste sfide specifiche, il team non si è limitato ad applicare un metodo generico; ha sviluppato una strategia di ottimizzazione “specifico” progettata esclusivamente per le batterie LFP in condizioni di ricarica lenta. Questa strategia si basa su due pilastri fondamentali.
Il primo pilastro è il segmento intelligente dei dati. Invece di costringere il modello ad adattarsi a tutto il ciclo di carica, inclusa la problematica picco di tensione finale, i ricercatori propongono di troncare la curva di tensione appena prima che inizi questo aumento brusco. Eliminando questa “anomalia” dal processo di ottimizzazione, il RMSE generale si riduce drasticamente. Ciò consente all’algoritmo PSO di concentrarsi sull’aggiustamento dei parametri del modello, in particolare la capacità, nella regione principale di carica, dove il suo impatto è più diretto e significativo. È una soluzione elegante che riconosce che non tutti i dati sono ugualmente utili per l’obiettivo di identificazione dei parametri.
Il secondo pilastro è ancora più sofisticato e affronta il problema della piattezza della curva. Invece di dipendere esclusivamente dall’errore di tensione (asse Y), hanno introdotto una seconda dimensione di valutazione: la carica, o quantità di elettricità, misurata in ampere-ora (Ah), che è l’asse X. L’idea è rivoluzionaria: non si confronta solo se la tensione del modello corrisponde alla tensione reale, ma anche se la quantità di carica necessaria per raggiungere un determinato punto di tensione è la stessa in entrambi i casi.
Immaginiamo un grafico della tensione rispetto alla carica accumulata. Anche se due curve hanno la stessa forma generale, se una richiede più carica per passare da 3,30 V a 3,35 V dell’altra, ciò indica una differenza fondamentale, probabilmente nella capacità totale. Il nuovo algoritmo calcola un RMSE separato in questa dimensione di carica. La funzione di perdita finale è una combinazione ponderata di questi due errori: il RMSE di tensione e il RMSE di carica. Questo approccio bidimensionale costringe il modello a prestare attenzione all'”impronta” completa della batteria, non solo al suo profilo di tensione, il che è particolarmente efficace per catturare i punti di flesso tra le piattaforme delle batterie LFP.
La convalida di questo metodo è stata una sfida in sé, poiché i dati dei veicoli reali mancano di “etichette” di capacità. I ricercatori hanno impiegato un approccio doppio. In primo luogo, hanno identificato un piccolo numero di cicli di carica in cui il veicolo è rimasto inattivo per almeno un’ora prima e dopo la carica. Questo periodo di inattività permette alle tensioni di polarizzazione di dissiparsi completamente, il che significa che la tensione terminale misurata è essenzialmente l’OCV. Conoscendo la relazione OCV-SOC, sono stati in grado di calcolare con alta precisione la variazione di SOC e, insieme alla carica integrata, di determinare la capacità reale per quei segmenti specifici.
Dato che questi cicli “perfetti” sono rari, hanno utilizzato un secondo approccio: hanno assunto che i veicoli con meno di 5.000 chilometri di percorrenza abbiano una capacità molto vicina al suo valore nominale. Questa supposizione, comune nell’industria, ha fornito un set di dati di convalida più ampio.
Il metodo è stato testato con dati di due modelli diversi di veicoli elettrici con batterie LFP. I risultati sono stati impressionanti. Per il primo modello, l’errore percentuale assoluto medio (MAPE) era di soli 2,33%. Ciò significa che, in media, la stima del modello si discostava di meno del 2,5% dal valore di riferimento. Gli errori individuali variavano da un minimo dello 0,2% a un massimo del 6,9%, una gamma che dimostra un’alta precisione. Per il secondo modello, il MAPE era del 3,38%, con un errore massimo del 6,1%, che rimane un rendimento eccellente per un algoritmo che opera su dati del mondo reale, rumorosi e variabili.
Oltre ai numeri, l’analisi ha mostrato che le stime della capacità seguivano una chiara tendenza di degrado con il chilometraggio, il che conferma la validità del metodo. Un veicolo ha perso circa 15 Ah in 60.000 km, un altro ne ha persi 8 Ah in 20.000 km, allineandosi ai tassi di invecchiamento previsti.
Questo lavoro di Chen Xingguang, Shen Yifan, Shao Yuxin, Zheng Yuejiu, Sun Tao, Lai Xin, Shen Kai e Han Xuebing rappresenta un salto qualitativo. Non offre solo uno strumento di alta precisione, ma stabilisce anche un nuovo paradigma: lo sviluppo di algoritmi che non sono solo matematicamente sofisticati, ma sono anche profondamente informati dalla fisica e dalla chimica sottostanti della batteria. L’ottimizzazione specifica per le condizioni di ricarica lenta delle batterie LFP è un esempio perfetto di come la conoscenza del dominio può superare i limiti dei metodi generici. Il loro approccio ibrido, robusto e basato su principi, ha un enorme potenziale per essere implementato in sistemi BMS di prossima generazione, migliorando la precisione della stima dell’autonomia e della gestione della salute della batteria per milioni di conducenti.
Chen Xingguang, Shen Yifan, Shao Yuxin, Zheng Yuejiu, Sun Tao, Lai Xin, Shen Kai, Han Xuebing. Università di Scienza e Tecnologia di Shanghai e Università di Tsinghua. Energy Storage Science and Technology. doi: 10.19799/j.cnki.2095-4239.2024.0144