Modello di Fusione Avanzata Migliora la Precisione del SOC delle Batterie agli Ioni di Litio per i Veicoli Elettrici
In un significativo balzo in avanti per la gestione delle batterie dei veicoli elettrici (EV), i ricercatori del State Key Laboratory of Space Power Sources hanno svelato un approccio innovativo per stimare lo stato di carica (SOC) delle batterie agli ioni di litio con una precisione e una robustezza senza precedenti. Il metodo, dettagliato in un recente articolo pubblicato su Energy Storage Science and Technology, combina la semplicità della modellazione a circuito equivalente con la profondità dei principi elettrochimici per superare i compromessi di lunga data tra accuratezza e complessità computazionale.
Mentre la spinta globale verso l’elettrificazione si intensifica, la stima accurata del SOC è emersa come una pietra angolare per le prestazioni, la sicurezza e la longevità dei veicoli elettrici. Valutare erroneamente la carica residua di una batteria può portare a spegnimenti improvvisi, autonomia ridotta, degrado accelerato o persino a fuga termica. I metodi tradizionali, che vanno dalle misurazioni della tensione a circuito aperto (OCV) all’integrazione amperora, si sono rivelati inadeguati in condizioni dinamiche del mondo reale a causa della loro sensibilità alle condizioni iniziali, alla deriva dei sensori o ai tempi di risposta lenti.
Gli approcci basati su modelli hanno guadagnato terreno, in particolare quelli che utilizzano modelli a circuito equivalente (ECM), che rappresentano il comportamento della batteria attraverso componenti elettrici semplificati come resistori e condensatori. Sebbene efficienti dal punto di vista computazionale e facili da implementare nei sistemi di gestione della batteria (BMS), gli ECM standard spesso non riescono a catturare le dinamiche elettrochimiche sfumate all’interno della cella, specialmente durante la ricarica rapida, la scarica ad alto carico o i cambiamenti improvvisi del carico.
Il team di ricerca, guidato da Qingbo Li, Maohui Zhang, Ying Luo, Taolin Lyu e Jingying Xie dello Shanghai Institute of Space Power Sources, ha affrontato questa limitazione in modo diretto. La loro innovazione si concentra su un modello RC del primo ordine raffinato, già una scelta popolare per il suo equilibrio tra semplicità e fedeltà, ma potenziato con un termine di correzione basato sulla fisica derivato dalla teoria della diffusione in fase solida, un meccanismo fondamentale nell’elettrochimica degli ioni di litio.
Al centro del loro approccio c’è un’intuizione critica: gli ECM convenzionali utilizzano la concentrazione media del litio nelle particelle dell’elettrodo per determinare l’OCV, mentre la tensione effettiva della cella è governata dalla concentrazione superficiale. Questa discrepanza introduce errori sistematici, specialmente a livelli di SOC bassi o alti e sotto carichi dinamici. Introducendo un termine dinamico di compensazione dell’errore che modella la differenza tra concentrazione superficiale e media, basato sulle costanti di tempo di diffusione e sulla cronologia della corrente, il team colma efficacemente il divario tra modelli circuitali empirici e modelli elettrochimici rigorosi come il framework pseudo-bidimensionale (P2D).
Questo modello di fusione mantiene il basso sovraccarico computazionale di una rete RC del primo ordine migliorando significativamente l’accuratezza della previsione della tensione in tutto l’intervallo del SOC. In termini pratici, ciò significa che un BMS può prendere decisioni più intelligenti sui limiti di ricarica, la erogazione di potenza e la gestione termica senza richiedere processori ad alte prestazioni o calibrazioni estese.
Ma un modello accurato è buono solo quanto i suoi parametri. Riconoscendo che l’identificazione dei parametri è spesso un collo di bottiglia nell’implementazione reale, i ricercatori hanno sviluppato una strategia di identificazione dei parametri disaccoppiata (DPI) che semplifica notevolmente il processo di calibrazione. Invece di trattare tutti i parametri del modello come variabili interdipendenti da ottimizzare simultaneamente, un compito soggetto a minimi locali e ad alto costo computazionale, hanno separato il problema in componenti analiticamente risolvibili e ottimizzate numericamente.
Utilizzando test di scarica a impulsi, hanno estratto direttamente la resistenza ohmica (R₀). Attraverso l’analisi della capacità incrementale (IC) delle curve di scarica a velocità multiple, hanno isolato la resistenza interna totale e, successivamente, il coefficiente di diffusione in fase solida (kₛ ). Solo due costanti di tempo, la costante di tempo di polarizzazione (τₚ) e la costante di tempo di diffusione in fase solida (τₛ ), sono state lasciate per l’ottimizzazione tramite l’ottimizzazione per sciami di particelle (PSO), un robusto algoritmo metaeuristico. Questo approccio ibrido non solo ha ridotto il carico computazionale ma ha anche prodotto parametri che riflettono meglio la realtà fisica della batteria.
Il team ha convalidato il loro metodo di identificazione dei parametri confrontandolo con il PSO standard applicato all’intero set di parametri. I risultati ottenuti sia sotto il profilo di guida Urban Dynamometer Driving Schedule (UDDS) che sotto il Dynamic Stress Test (DST), due cicli di guida per veicoli elettrici ampiamente utilizzati, hanno mostrato miglioramenti marcati. Il metodo DPI ha raggiunto valori di errore quadratico medio (RMSE) fino a 13,5 mV sotto UDDS, circa un terzo dell’errore del PSO convenzionale. Ancora più impressionante, l’errore assoluto massimo (MaE) è sceso da 34,8 mV a soli 6,0 mV, dimostrando una stabilità superiore, specialmente nella critica regione a basso SOC dove il comportamento della batteria diventa altamente non lineare.
Con un modello ad alta fedeltà a disposizione, i ricercatori si sono dedicati alla stima del SOC. Hanno selezionato il filtro di Kalman non pesato (UKF), un potente stimatore di stato non lineare noto per la sua capacità di gestire rumore non gaussiano e forti non linearità, come loro algoritmo di base. Tuttavia, l’UKF standard aggiorna la stima dello stato basandosi esclusivamente sull’errore di misurazione più recente, rendendolo vulnerabile a malfunzionamenti dei sensori o disturbi transitori.
Per aumentare la robustezza, il team ha integrato una finestra mobile ponderata nel framework UKF. Invece di affidarsi a un singolo punto di errore, il loro algoritmo modificato considera una breve cronologia di errori di stima, tre passi temporali nei loro esperimenti, e assegna pesi dinamici basati sia sull’entità dell’errore che sulla sua recentezza. Errori più grandi, indicativi di potenziale disallineamento del modello o disturbo, ricevono un peso maggiore, mentre gli errori più vecchi vengono scontati esponenzialmente. Questo schema di doppia ponderazione garantisce che il filtro rimanga reattivo alle deviazioni genuine senza reagire in modo eccessivo al rumore.
I risultati sono stati convincenti. Sotto i profili UDDS e DST, l’UKF ponderato ha ridotto l’RMSE della stima del SOC rispettivamente allo 0,33% e allo 0,45%, in calo dall’1,26% e dallo 0,86% con l’UKF standard. L’errore assoluto massimo del SOC è stato ridotto a solo lo 0,45% sotto UDDS, un miglioramento di tre volte. Forse, cosa più cruciale per le applicazioni nel mondo reale, l’algoritmo ha dimostrato una velocità di convergenza eccezionale anche con ipotesi iniziali del SOC altamente inaccurate. Partendo da un SOC del 20% quando il valore reale era del 100%, la stima è convergente entro 3 minuti a meno del 3% rispetto al valore reale, una prestazione che supera di gran lunga i requisiti tipici dei BMS.
L’intera metodologia è stata testata su celle commerciali al fosfato di ferro e litio (LFP) Lishen, una chimica apprezzata per la sua sicurezza e durata del ciclo di vita ma nota per la sua curva OCV-SOC piatta, che rende la stima del SOC particolarmente impegnativa. Tutti gli esperimenti sono stati condotti a una temperatura controllata di 25°C per isolare i contributi algoritmici, sebbene gli autori riconoscano la dipendenza dalla temperatura come un’area chiave per il lavoro futuro.
Questa ricerca rappresenta un cambiamento di paradigma nella stima dello stato della batteria, non scartando i framework esistenti ma potenziandoli in modo intelligente con intuizioni fisiche mirate. La fusione della semplicità del circuito equivalente con la fedeltà elettrochimica offre un percorso pratico verso BMS di prossima generazione che siano sia accurati che distribuibili in ambienti automobilistici con risorse limitate.
Per i produttori di automobili e di batterie, le implicazioni sono chiare: stime del SOC più accurate si traducono direttamente in un’autonomia estesa, una durata migliorata della batteria, margini di sicurezza enhanced e una maggiore fiducia dei consumatori nei veicoli elettrici. Mentre il settore corre per soddisfare normative sulle emissioni più severe e aspettative dei consumatori in aumento, innovazioni incrementali ma impattanti come questa saranno fondamentali.
L’approccio del team apre anche nuove strade per BMS adattativi. Poiché i parametri del modello sono fisicamente interpretabili, collegati a coefficienti di diffusione, resistenze e costanti di tempo, possono potenzialmente servire come indicatori di stato di salute (SOH) per la stima dello stato di salute o il rilevamento precoce dei guasti. Il lavoro futuro, come notato dagli autori, esplorerà l’applicabilità del metodo ad altre chimiche come NMC e indagherà l’adattamento dei parametri in funzione della temperatura.
In un’era in cui i veicoli definiti dal software stanno diventando la norma, l’intelligenza incorporata nel BMS è tanto vitale quanto le celle che gestisce. Questo lavoro proveniente da Shanghai dimostra che, rispettando la fisica sottostante e abbracciando l’ingegneria pragmatica, è possibile costruire algoritmi che non sono solo intelligenti, ma veramente affidabili.
Autori: Qingbo Li, Maohui Zhang, Ying Luo, Taolin Lyu, Jingying Xie (State Key Laboratory of Space Power Sources, Shanghai Institute of Space Power Sources, Shanghai 200245, Cina) Rivista: Energy Storage Science and Technology, 2024, 13(9): 3072–3083 DOI: 10.19799/j.cnki.2095-4239.2024.0594