Nuovo algoritmo per batterie EV più precise
Nel panorama in continua evoluzione dei veicoli elettrici (VE), dove prestazioni, sicurezza e longevità del powertrain sono parametri fondamentali, persiste una sfida critica: stimare con precisione la capacità di potenza in tempo reale dei sistemi a batteria agli ioni di litio. Questa capacità, nota come Stato di Potenza (State of Power, SOP), determina quanta energia può essere prelevata per l’accelerazione o assorbita durante la frenata rigenerativa in un dato momento. Sottovalutarla limita innecessariamente le prestazioni del veicolo; sovrastimarla rischia di danneggiare la batteria o innescare spegnimenti di sicurezza. Ora, un significativo progresso in questo campo è emerso da uno sforzo di ricerca collaborativo, che introduce un nuovo algoritmo progettato per offrire un’accuratezza e una robustezza senza precedenti su tutto lo spettro operativo della batteria.
La ricerca, guidata da Li Qiang di Weichai Power Co., Ltd., in collaborazione con un team della School of Mechanical Engineering dell’Università di Tecnologia di Pechino—comprendente Zhang Kaixuan, Yuan Wenwen, Xu Yahan, Yang Ruixin e Fang Yu—ha prodotto una soluzione potente. Il loro lavoro, pubblicato sulla prestigiosa rivista Transactions of China Electrotechnical Society, descrive un metodo sofisticato progettato per superare le complessità intrinseche del comportamento della batteria. Le batterie non sono componenti statici; le loro prestazioni si degradano nel tempo, fluttuano con la temperatura e rispondono in modo non lineare ai carichi elettrici. Queste caratteristiche dinamiche e variabili nel tempo hanno reso la stima precisa e in tempo reale del SOP un collo di bottiglia tecnico persistente per i Sistemi di Gestione della Batteria (BMS), il cervello elettronico che governa ogni aspetto del funzionamento di un pacco batteria.
Gli approcci tradizionali alla stima del SOP sono spesso risultati insufficienti nelle applicazioni reali. Il metodo della mappa caratteristica si basa su tabelle di ricerca preprogrammate derivate da test offline. Sebbene computazionalmente semplice, questo metodo non riesce ad adattarsi allo stato mutevole della batteria man mano che invecchia o opera in condizioni non testate, portando a previsioni inaccurate. I modelli basati sui dati trattano la batteria come una “scatola nera” e imparano da vaste serie di dati. La loro precisione dipende in larga misura dalla qualità e quantità dei dati di addestramento. Ottenere un flusso affidabile e continuo di dati di riferimento per il SOP per l’addestramento è estremamente difficile, rendendo questi modelli meno pratici per un uso online e in tempo reale. La terza categoria, la stima basata su multipli vincoli, utilizza un modello dinamico della batteria per calcolare la corrente massima consentita in base a limiti come tensione, stato di carica (SOC) e temperatura, quindi moltiplica questa corrente per la tensione terminale per ottenere la potenza. L’accuratezza di questo metodo dipende fortemente dalla fedeltà del modello della batteria sottostante e dalla precisione con cui i suoi parametri interni—come resistenza interna e capacità—possono essere identificati in tempo reale. I metodi precedenti hanno spesso avuto difficoltà a tracciare questi parametri man mano che cambiano lentamente con l’invecchiamento e le variazioni di temperatura, portando a errori cumulativi.
La nuova metodologia sviluppata da Li Qiang e dai suoi colleghi affronta direttamente questa sfida centrale della deriva dei parametri. La loro soluzione si basa su una rigorosa selezione del modello e sulla comprensione a livello di sistema. Il team ha iniziato valutando dodici comuni modelli di circuito equivalente (ECM), che sono rappresentazioni matematiche del comportamento elettrico della batteria. Dopo test estensivi, inclusi il test standard Hybrid Pulse Power Characteristic (HPPC) e cicli di guida dinamici come UDDS e DST, hanno selezionato il modello RC di primo ordine (modello di Thevenin). Questo modello, che include una tensione a circuito aperto, una resistenza ohmica e una rete RC per rappresentare gli effetti di polarizzazione, è stato scelto per il suo equilibrio ottimale tra alta precisione nella previsione della tensione e bassa richiesta computazionale—essenziale per l’implementazione in un BMS con risorse limitate.
Un’innovazione chiave risiede nella transizione da un modello di cella singola a un sistema completo del pacco batteria. Invece di modellare ogni singola cella, cosa che sarebbe proibitiva dal punto di vista computazionale, i ricercatori hanno sviluppato un modello del pacco “a distribuzione uniforme di celle a doppia caratteristica”. Questo modello si concentra sulle due celle più critiche del pacco: quella con la tensione più alta e quella con la tensione più bassa in un dato momento. Assumendo una distribuzione uniforme degli stati delle celle attraverso il pacco, il sistema complesso può essere efficacemente semplificato. Il BMS deve monitorare solo la tensione totale del pacco e le tensioni di queste due celle rappresentative. Questa semplificazione elegante consente all’algoritmo di precisione elevata per la cella singola di essere scalato per gestire un intero pacco con un sovraccarico computazionale minimo, un vantaggio cruciale per le applicazioni commerciali.
Al centro del progresso c’è il nuovo algoritmo del “Filtro di Kalman Doppio Esteso (DEKF) con finestra scorrevole a multipla scala temporale”. Il filtro di Kalman è uno strumento matematico potente utilizzato per stimare lo stato di un sistema dinamico a partire da misurazioni rumorose. Il Filtro di Kalman Doppio Esteso (DEKF) utilizza due filtri interconnessi: uno per stimare gli stati istantanei della batteria (come SOC e tensione di polarizzazione) e un altro per stimare i parametri del modello che cambiano lentamente (come resistenze e capacità interne). L’aspetto “a multipla scala temporale” è il perfezionamento critico. Riconosce che lo stato della batteria (ad esempio, SOC) può cambiare rapidamente con il carico, mentre i suoi parametri fondamentali (ad esempio, resistenza interna) cambiano molto lentamente nel corso di ore, giorni o settimane a causa dell’invecchiamento e delle variazioni di temperatura. L’algoritmo opera su due scale temporali diverse: una scala “stretta” per aggiornamenti rapidi dello stato e una scala “larga” per aggiornamenti infrequenti dei parametri. Questo impedisce che il rumore dello stato, che cambia rapidamente, corrompa la stima dei parametri che cambiano lentamente, un problema comune nelle implementazioni standard del DEKF che porta a instabilità ed errori.
Il componente “finestra scorrevole” migliora ulteriormente la robustezza e l’accuratezza dell’algoritmo. Invece di affidarsi a un singolo punto dati, il filtro di stima dei parametri analizza una finestra di dati recenti—300 punti dati consecutivi nella loro implementazione. Questo effetto di media attenua i transitori rumorosi e gli errori di misurazione, portando a una stima dei parametri più stabile e affidabile. L’algoritmo è anche progettato per essere auto-aggiornante. Incorporando i risultati di test periodici di potenza di picco—procedure standardizzate che misurano la capacità di potenza effettiva della batteria in diversi stati—la libreria dei parametri del modello viene continuamente affinata. Questo crea un ciclo di retroazione in cui l’algoritmo impara dalle prestazioni del mondo reale, abilitando una stima “lenta e variabile nel tempo” dei parametri che traccia con precisione l’invecchiamento e le caratteristiche mutevoli della batteria per tutta la sua vita utile.
Per calcolare il SOP stesso, il team ha impiegato un approccio sofisticato centrato sul concetto di potenza costante. Invece di fare un semplice calcolo istantaneo, l’algoritmo prevede se un determinato livello di potenza costante può essere mantenuto per un periodo specifico (ad esempio, 10 secondi) senza violare i limiti di tensione. Questo comporta una simulazione in avanti della risposta di tensione della batteria durante quel periodo. Poiché questa relazione è complessa e non lineare, i ricercatori hanno utilizzato un “metodo di bisezione” (una forma di ricerca binaria). L’algoritmo inizia con una supposizione iniziale per la potenza massima, simula la tensione risultante, la confronta con i limiti di tensione sicuri, quindi aggiusta iterativamente la sua ipotesi di potenza—su o giù—finché non converge sulla vera potenza massima sostenibile con alta precisione. Questo metodo assicura che il SOP stimato rifletta un livello di potenza pratico e utilizzabile, non solo un picco teorico istantaneo.
Il vero test di qualsiasi algoritmo BMS è la sua prestazione in condizioni reali. Per validare il loro metodo, il team di ricerca è andato oltre le semplici simulazioni e ha costruito una piattaforma di test hardware-in-the-loop (HIL) completa. Questa configurazione sofisticata integra componenti fisici reali—come un pacco batteria da 150Ah composto da tre celle da 50Ah in parallelo di ioni di litio ternari, hardware di ciclismo per batterie ad alta precisione di ARBIN e una camera termica programmabile—con un ambiente di simulazione in tempo reale che gira su una scheda di controllo principale dedicata MPC5644. Questo permette di testare l’algoritmo contro il comportamento reale della batteria in condizioni controllate ma realistiche, fornendo una validazione molto più rigorosa di una pura simulazione software.
La campagna sperimentale è stata eccezionalmente approfondita. Il team ha condotto test estensivi su un pacco batteria nuovo e uno invecchiato, sottoponendoli a una vasta gamma di condizioni nel corso di un periodo di sei mesi. Questo ha incluso quattro diverse temperature (-10°C, 0°C, 25°C e 45°C) e quattro cicli di guida impegnativi (NEDC, UDDS, US06 e WLTC), simulando tutto, dalla guida in città alle manovre aggressive in autostrada. La piattaforma HIL ha eseguito questi complessi protocolli di test, raccogliendo vaste quantità di dati su tensione, corrente, temperatura e le stime interne dell’algoritmo.
I risultati di questa rigorosa validazione sono stati impressionanti. Per la stima dello stato di carica (SOC), un parametro critico di per sé, l’algoritmo ha dimostrato un’eccezionale accuratezza. In 14 diversi scenari di test sul pacco batteria nuovo, l’errore massimo di stima del SOC è stato notevolmente basso al 2,192%. Ancora più impegnativo, sul pacco batteria invecchiato, dove i cambiamenti interni sono più pronunciati, l’errore massimo è stato solo del 2,82%. Questi risultati sono ben all’interno dei severi requisiti dell’industria per l’accuratezza del BMS.
La prestazione nella stima del SOP è stata ancora più convincente. La metrica primaria per l’accuratezza del SOP è l'”errore di tensione equivalente”, che misura la differenza tra la tensione prevista alla fine di una scarica o carica di potenza di picco e la tensione effettiva misurata. Un piccolo errore indica che l’algoritmo ha correttamente previsto il limite di potenza. I ricercatori hanno valutato questo aspetto a diversi livelli di SOC (dal 3% al 95%) e attraverso quattro temperature. I risultati, riassunti nei loro dati, mostrano che in ogni singolo punto di test in cui erano disponibili dati, l’errore di tensione equivalente era inferiore a 40 millivolt (mV). In molti casi, era molto inferiore, spesso sotto i 20 mV. Un errore di 40 mV su una cella tipica da 3-4 volt rappresenta un’accuratezza superiore al 98%, considerata eccellente per le applicazioni BMS nel mondo reale. Questo livello di precisione significa che il BMS può spingere con sicurezza la batteria più vicino ai suoi veri limiti fisici, massimizzando le prestazioni del veicolo e l’efficienza della frenata rigenerativa senza compromettere la sicurezza.
Le implicazioni di questa ricerca sono significative per l’intero settore dei veicoli elettrici. Una stima accurata del SOP permette strategie di gestione dell’energia più aggressive ed efficienti. Durante l’accelerazione, il veicolo può erogare tutto il suo potenziale di potenza. Durante la frenata rigenerativa, può recuperare più energia cinetica, aumentando l’autonomia. Permette anche previsioni più precise dell’autonomia e delle prestazioni del veicolo, migliorando l’esperienza del conducente. Inoltre, prevenendo che la batteria venga spinta oltre i suoi limiti di funzionamento sicuri, l’algoritmo contribuisce a una maggiore durata e sicurezza, affrontando due delle maggiori preoccupazioni dei consumatori di veicoli elettrici.
Il lavoro di Li Qiang e del suo team rappresenta un grande passo avanti nella tecnologia BMS. Combinando un modello della batteria attentamente selezionato, un approccio a livello di sistema scalabile e un algoritmo DEKF altamente sofisticato a multipla scala temporale con una finestra scorrevole, hanno creato una soluzione non solo accurata ma anche robusta e adattabile. Gestisce con successo la natura complessa e variabile nel tempo del funzionamento della batteria reale attraverso la temperatura, l’invecchiamento e diverse condizioni di guida. Sebbene i ricercatori notino che le prestazioni a temperature molto basse (sotto i -20°C) rimangono una sfida a causa degli effetti di polarizzazione estremi, il loro attuale lavoro stabilisce un nuovo punto di riferimento per la stima del SOP. Questa ricerca, pubblicata su Transactions of China Electrotechnical Society (DOI:10.19595/j.cnki.1000-6753.tces.230086), fornisce uno strumento potente per gli ingegneri BMS e apre la strada a veicoli elettrici più sicuri, efficienti e performanti. Li Qiang, Zhang Kaixuan, Yuan Wenwen, Xu Yahan, Yang Ruixin, Fang Yu, Transactions of China Electrotechnical Society, DOI:10.19595/j.cnki.1000-6753.tces.230086