Metodo Innovativo per la Stima della Capacità delle Batterie LFP nei Veicoli Elettrici
Nel panorama in continua evoluzione della mobilità elettrica, la capacità di monitorare con precisione lo stato di salute (SOH) delle batterie rappresenta un fattore determinante per la sicurezza, l’affidabilità e l’efficienza dei veicoli elettrici (VE). Tra i parametri chiave per valutare il SOH, la capacità residua della batteria riveste un ruolo centrale, poiché influisce direttamente sull’autonomia e sulle prestazioni nel tempo. Tuttavia, stimare con accuratezza questa capacità in condizioni di guida reali rimane una delle sfide più complesse per ingegneri e ricercatori, specialmente quando si tratta di batterie al litio-ferro-fosfato (LiFePO₄ o LFP), sempre più diffuse per la loro sicurezza e stabilità termica.
Un recente studio pubblicato sulla rivista Energy Storage Science and Technology presenta un approccio rivoluzionario per affrontare questa sfida. Il lavoro, condotto da Chen Xingguang e da un team di ricercatori dell’Università di Scienza e Tecnologia di Shanghai (University of Shanghai for Science and Technology) e dell’Università di Tsinghua, introduce un metodo innovativo che combina modellazione fisica e algoritmi di ottimizzazione avanzati per identificare la capacità delle batterie LFP direttamente nei veicoli in uso. Il risultato è una soluzione pratica, altamente precisa e adatta all’applicazione industriale, in grado di superare le limitazioni intrinseche della chimica LFP.
Le batterie LFP, pur essendo più sicure e economiche rispetto alle controparti a base di nichel-manganese-cobalto (NCM), presentano una caratteristica che complica notevolmente la stima del loro stato: una curva di tensione estremamente piatta durante gran parte del ciclo di carica. Questo “plateau di tensione” rende difficile correlare la tensione ai terminali con il livello di carica (SOC) o con la capacità residua, poiché piccole variazioni di tensione possono corrispondere a grandi differenze di capacità. Questo problema è particolarmente acuto durante la ricarica lenta (slow charging), dove gli effetti di polarizzazione sono minimi, rendendo ancora più difficile per i modelli tradizionali adattarsi ai dati reali.
Per risolvere questa complessità, il team ha sviluppato un framework ibrido che integra il modello di circuito equivalente (ECM) con l’algoritmo di ottimizzazione per sciami di particelle (PSO). L’ECM è uno strumento consolidato nell’ingegneria delle batterie, utilizzato per simulare il comportamento elettrico di una cella attraverso una rete di resistori, condensatori e una sorgente di tensione. L’innovazione chiave del nuovo metodo consiste nel trattare la capacità della batteria non come un valore fisso, ma come un parametro da identificare dinamicamente.
“L’idea di fondo è semplice ma potente”, ha spiegato Chen Xingguang, primo autore dello studio. “Se possiamo modellare il comportamento elettrico della batteria e poi aggiustare i parametri del modello finché la tensione simulata non coincide con quella effettivamente misurata dal sistema di gestione della batteria (BMS), allora possiamo dedurre con grande precisione la capacità reale.”
Il processo di adattamento è gestito dall’algoritmo PSO, una tecnica computazionale ispirata al comportamento collettivo di stormi di uccelli o sciami di insetti. L’algoritmo inizia con un insieme di soluzioni potenziali, ognuna rappresentante una diversa combinazione di valori per i parametri del modello: SOC iniziale, capacità, resistenza interna e dinamica di polarizzazione. Attraverso un processo iterativo, lo sciame di particelle esplora lo spazio delle soluzioni, convergendo verso il set di parametri che minimizza l’errore tra la tensione prevista dal modello e quella registrata dal veicolo.
Tuttavia, i ricercatori hanno presto scoperto che l’applicazione diretta del PSO ai dati di carica lenta delle batterie LFP produceva risultati insoddisfacenti. La piattezza della curva di tensione significa che piccoli errori nella stima del SOC o della capacità hanno un impatto minimo sull’errore quadratico medio (RMSE) della tensione, rendendo difficile per l’algoritmo “apprendere” correttamente. Inoltre, nella fase finale della carica, quando la tensione aumenta rapidamente, il modello ECM tradizionale fatica a replicare questo comportamento a causa della complessa interazione tra la tensione a circuito aperto (OCV) e gli effetti di polarizzazione, specialmente con correnti di carica basse.
“L’algoritmo tendeva a concentrarsi sulla regione finale di carica, dove l’errore di tensione è più visibile, trascurando le sottigliezze del comportamento nella zona piatta, che è invece dove avviene la maggior parte del processo di carica”, ha osservato Shen Yifan, uno dei coautori. “Questo squilibrio portava a stime della capacità inaccurate.”
Per affrontare questo problema, il team ha introdotto una strategia di ottimizzazione specifica per le condizioni di carica lenta delle batterie LFP. Questa strategia si basa su due pilastri fondamentali. Il primo è l’esclusione del segmento finale del ciclo di carica dal processo di ottimizzazione. Riconoscendo che la regione di rapido aumento della tensione alla fine della carica è intrinsecamente difficile da modellare con precisione, i ricercatori hanno deciso di troncare la curva di tensione prima di questo punto. Questo permette all’algoritmo di concentrarsi sulla regione centrale del ciclo di carica, dove il comportamento della batteria è più prevedibile e il modello ECM è più robusto.
Il secondo pilastro è l’introduzione di una funzione di perdita bidimensionale. Invece di minimizzare unicamente l’errore di tensione (asse Y), il nuovo metodo incorpora anche l’errore nella carica accumulata (asse X). “Calcoliamo non solo quanto bene si adatta la curva di tensione, ma anche quanto bene il modello predice la quantità di energia effettivamente immessa nella batteria”, ha spiegato Sun Tao. “Questa metrica aggiuntiva agisce come un ancoraggio, costringendo l’algoritmo a prestare attenzione alla piattaforma piatta, perché qualsiasi errore nella stima della capacità si tradurrà direttamente in una discrepanza nella carica accumulata.”
Questa doppia dimensione di ottimizzazione è ciò che eleva la precisione del metodo. Costringendo il modello a essere fedele sia nel dominio della tensione che in quello dell’energia, l’algoritmo PSO è obbligato a trovare una soluzione coerente con la fisica sottostante della batteria, non solo con il suo comportamento superficiale.
Il metodo è stato validato in modo esaustivo utilizzando dati reali provenienti da due diversi modelli di veicoli elettrici equipaggiati con batterie LFP. I dati, ottenuti da una piattaforma di telemetria cloud, includevano misurazioni ad alta frequenza di tensione, corrente, temperatura e SOC durante migliaia di cicli di carica. Dato che non esiste un’etichetta diretta di “capacità” nei dati dei veicoli reali, il team ha dovuto sviluppare un approccio di validazione indiretto.
La prima strategia, denominata Label-1, si basava su cicli di carica in cui il veicolo rimaneva fermo prima e dopo il processo di carica. Durante questi periodi di riposo, gli effetti di polarizzazione scompaiono e la tensione ai terminali della cella si equalizza con la sua tensione a circuito aperto (OCV). Utilizzando la relazione nota tra OCV e SOC, i ricercatori sono stati in grado di calcolare con alta precisione il SOC iniziale e finale e, di conseguenza, determinare la capacità reale del ciclo. Sebbene questo metodo sia altamente affidabile, tali eventi di carica con riposo sono rari nell’uso quotidiano del veicolo.
Per aumentare la dimensione del campione di validazione, i ricercatori hanno implementato una seconda strategia, Label-2. Hanno assunto che i veicoli con un basso chilometraggio (meno di 5000 km) conservino ancora la loro capacità nominale, poiché l’invecchiamento della batteria è minimo nelle prime fasi. Questa supposizione ragionevole ha permesso di validare l’algoritmo su una quantità molto maggiore di cicli di carica.
I risultati sono stati impressionanti. Per il primo modello di veicolo (Model-1), l’errore percentuale assoluto medio (MAPE) nella stima della capacità è stato di soli 2,33%, con errori individuali che variavano da un minimo dello 0,2% a un massimo del 6,9%. Il secondo modello (Model-2) ha mostrato un MAPE leggermente superiore del 3,38%, con un errore massimo del 6,10%. Questi livelli di precisione sono notevoli, specialmente considerando la difficoltà intrinseca di stimare la capacità delle batterie LFP in condizioni del mondo reale.
“Questi risultati dimostrano che il nostro metodo non è solo teoricamente solido, ma anche pratico e robusto”, ha affermato Lai Xin. “La capacità di mantenere un errore inferiore al 4% su due diverse piattaforme di veicoli è una prova della sua applicabilità generale.”
Le implicazioni di questa ricerca sono profonde. Per i produttori di automobili, una stima precisa della capacità consente un’indicazione di autonomia più affidabile, strategie di ricarica più intelligenti e una gestione delle garanzie più efficace. Per gli operatori di flotte, facilita una migliore pianificazione della manutenzione e una valutazione più precisa del valore residuo dei veicoli. E per i consumatori, significa una maggiore fiducia nelle prestazioni e nella longevità del loro investimento.
L’approccio si distingue anche per la sua aderenza ai principi di trasparenza e interpretabilità. In un campo sempre più dominato dai modelli di intelligenza artificiale a scatola nera, che richiedono enormi volumi di dati etichettati (qualcosa che è praticamente inesistente nel caso della capacità delle batterie), questo metodo basato su modelli fisici offre un’alternativa chiara, comprensibile e affidabile. Non si basa su pattern nascosti appresi da dati massicci, ma su principi di ingegneria ben consolidati.
Il team sta già esplorando futuri miglioramenti, come l’integrazione dell’effetto della temperatura nel modello e l’applicazione di filtri come quello di Kalman per rendere più fluide le stime e ridurre il rumore. Tuttavia, il nucleo della loro innovazione – la combinazione di un modello fisico con un’ottimizzazione intelligente e specifica per la sfida LFP – rappresenta un passo significativo verso una gestione delle batterie più intelligente, sicura ed efficiente.
Chen Xingguang, Shen Yifan, Shao Yuxin, Zheng Yuejiu, Sun Tao, Lai Xin, Shen Kai, Han Xuebing, University of Shanghai for Science and Technology and Tsinghua University, Energy Storage Science and Technology, doi:10.19799/j.cnki.2095-4239.2024.0144