Nuovo algoritmo migliora gestione batterie veicoli elettrici
Nel panorama in rapida evoluzione della mobilità elettrica, la precisione nella gestione delle batterie è diventata un elemento fondamentale per prestazioni, sicurezza e longevità. Mentre i costruttori automobilistici spingono i limiti di autonomia e velocità di ricarica, la necessità di monitoraggio in tempo reale altamente accurato delle batterie agli ioni di litio non è mai stata così critica. Al centro di questa sfida si trova il sistema di gestione della batteria (BMS), che dipende fortemente da una stima accurata dello stato per garantire un funzionamento ottimale. Una recente innovazione dei ricercatori della Northeast Electric Power University introduce un metodo innovativo che migliora significativamente l’accuratezza e l’adattabilità dell’identificazione online dei parametri delle batterie, chiave per sbloccare veicoli elettrici più intelligenti ed efficienti.
Lo studio, guidato da Duan Shuangming e Zhang Shengli del Laboratorio chiave per la simulazione e il controllo dei sistemi energetici moderni e la tecnologia delle energie rinnovabili, presenta un approccio innovativo chiamato Metodo Ricorsivo a Minimi Quadrati Multistrato Adattativo (AMLRLS). Pubblicato su Energy Storage Science and Technology, la ricerca affronta una limitazione di lunga data nelle tecniche esistenti di identificazione dei parametri: la loro incapacità di mantenere un’elevata accuratezza quando i parametri della batteria cambiano rapidamente a causa di condizioni di guida dinamiche, fluttuazioni di temperatura o stati di carica variabili (SOC).
I metodi tradizionali come i Minimi Quadrati Ricorsivi (RLS) e la sua variante con Fattore di Dimenticanza (FFRLS) hanno rappresentato strumenti fondamentali nell’identificazione dei sistemi. Questi algoritmi sono progettati per stimare i parametri del modello minimizzando l’errore tra l’output previsto e quello effettivo. Tuttavia, affrontano sfide significative quando applicati alle batterie agli ioni di litio, le cui caratteristiche interne – come la capacità di polarizzazione e la resistenza interna – sono intrinsecamente variabili nel tempo. In condizioni di frequenti cambiamenti di corrente tipici dei cicli di guida urbana, questi modelli spesso rimangono indietro rispetto ai reali cambiamenti dei parametri, portando a errori accumulati che degradano le prestazioni complessive del BMS.
L’innovazione principale dell’AMLRLS risiede nella sua struttura ricorsiva stratificata. Invece di affidarsi esclusivamente all’aggiustamento di un fattore di dimenticanza per ponderare maggiormente i dati recenti, il nuovo algoritmo introduce un framework multistrato in cui ogni livello elabora l’errore di tensione residuo non spiegato dal livello precedente. Questo meccanismo di correzione a cascata consente all’algoritmo di estrarre e perfezionare ricorsivamente le stime dei parametri, isolando efficacemente la vera dinamica dei parametri dai rumori e dagli effetti transitori.
Immaginate uno scenario in cui un’improvvisa accelerazione causa un picco nel prelievo di corrente. Il RLS convenzionale potrebbe impiegare diversi secondi per convergere al nuovo valore di capacità di polarizzazione, durante i quali la previsione di tensione del modello si allontana dalla realtà. Al contrario, l’AMLRLS cattura immediatamente questa discrepanza nel primo livello, per poi utilizzarla come segnale target per il secondo livello per identificare il cambiamento parametrico sottostante. I livelli successivi perfezionano ulteriormente la stima, risultando in una convergenza più rapida e una maggiore accuratezza.
Ciò che distingue l’AMLRLS non è solo la sua architettura stratificata ma anche il suo meccanismo intelligente di selezione dei livelli. Piuttosto che calcolare tutti i livelli per ogni punto dati – un processo computazionalmente costoso – l’algoritmo regola dinamicamente il numero di livelli attivi in base all’entità dell’errore di tensione. Quando l’errore è piccolo, indicando condizioni operative stabili, vengono utilizzati solo uno o due livelli. Ma quando si verificano cambiamenti improvvisi – come durante la frenatura rigenerativa o la ricarica rapida – il sistema aumenta automaticamente il numero di livelli per migliorare la precisione di tracciamento.
Questa strategia di stratificazione adattativa raggiunge un cruciale equilibrio tra efficienza computazionale e accuratezza della stima. In termini pratici, significa che l’algoritmo può funzionare efficientemente su sistemi embedded all’interno del BMS di un veicolo senza sovraccaricare il processore. I ricercatori hanno validato questa affermazione attraverso simulazioni estese ed esperimenti utilizzando cicli di guida reali, inclusi il Dynamic Stress Test (DST) e il Federal Urban Driving Schedule (FUDS), entrambi noti per i loro profili di corrente aggressivi.
I risultati della fase di simulazione sono stati sorprendenti. Nel tracciare una capacità di polarizzazione variabile in un ciclo di 2000 secondi, l’AMLRLS ha ridotto l’errore parametrico fino al 69% rispetto al RLS standard e del 46,5% rispetto all’Adaptive Forgetting Factor RLS (AFFRLS). Anche in condizioni più impegnative con un ciclo di variazione di 1000 secondi – simulando comportamenti di guida a cambiamento più rapido – l’algoritmo ha mantenuto prestazioni superiori, dimostrando la sua robustezza in ambienti ad alta dinamica.
Ma le simulazioni da sole non bastano a dimostrare l’applicabilità nel mondo reale. Il team ha condotto una validazione sperimentale utilizzando celle agli ioni di litio (INR 18650-20R) provenienti dal dataset della University of Maryland, un punto di riferimento ampiamente riconosciuto nel settore. I test sono stati eseguiti a varie temperature (0°C, 25°C e 45°C), livelli SOC iniziali (50% e 80%) e diversi profili di corrente. In tutti gli scenari, l’AMLRLS ha costantemente superato sia RLS che AFFRLS in termini di accuratezza nella previsione della tensione.
Sotto il ciclo DST a 25°C, l’errore quadratico medio (RMSE) della tensione terminale è stato ridotto del 43,9% rispetto ad altri metodi, mentre l’errore assoluto medio (MAE) è diminuito del 32,1%. Questi miglioramenti non sono meramente statistici: si traducono direttamente in una migliore stima dello stato di carica, un rilevamento dei guasti potenziato e una gestione termica migliorata. Per i costruttori automobilistici che si sforzano di soddisfare standard rigorosi di sicurezza e garanzia, tali guadagni rappresentano un passo tangibile in avanti nell’intelligenza delle batterie.
Ugualmente importante è l’efficienza computazionale dell’algoritmo. Senza ottimizzazione, le strutture multistrato possono diventare prohibitivamente lente, specialmente quando elaborano migliaia di punti dati al secondo. Tuttavia, l’integrazione del selettore di livelli si è rivelata trasformativa. Nei test DST, il tempo di calcolo è stato ridotto del 37,4% rispetto a un’implementazione a livelli massimi fissi. Sotto il ciclo FUDS ancora più impegnativo, i risparmi hanno raggiunto il 28,6%. Questo livello di ottimizzazione garantisce che l’AMLRLS rimanga praticabile per la distribuzione in piattaforme BMS di produzione, dove la potenza di elaborazione e il consumo energetico sono strettamente vincolati.
Uno degli aspetti più convincenti della ricerca è la sua validazione attraverso diverse condizioni operative. Il comportamento della batteria è notoriamente sensibile alla temperatura, con le basse temperature che aumentano la resistenza interna e riducono la capacità disponibile. A 0°C, per esempio, gli errori di tensione per RLS e AFFRLS sono aumentati significativamente, riflettendo la loro lotta per adattarsi alla dinamica del freddo. L’AMLRLS, tuttavia, ha mantenuto limiti di errore stretti, mostrando la sua resilienza sotto stress termico. Allo stesso modo, a temperature elevate (45°C), l’algoritmo ha continuato a fornire stime parametrice precise, sottolineando la sua versatilità attraverso l’intera gamma operativa dei moderni veicoli elettrici.
Anche il SOC iniziale gioca un ruolo critico nell’accuratezza della modellazione della batteria. Lo studio ha rilevato che livelli SOC iniziali più elevati generalmente risultavano in errori di tensione inferiori, probabilmente a causa della regione più lineare della curva SOC-OCV (tensione a circuito aperto). Tuttavia, indipendentemente dalle condizioni di partenza, l’AMLRLS ha costantemente fornito i risultati più accurati, rafforzando la sua affidabilità nei casi d’uso reali dove i conducenti iniziano i viaggi con livelli di carica variabili.
Le implicazioni di questo lavoro vanno oltre i guadagni prestazionali immediati. L’identificazione accurata dei parametri forma le fondamenta per diagnosi avanzate della batteria, inclusa la stima dello stato di salute (SOH), il rilevamento di cortocircuiti interni e la modellazione del degrado. Fornendo una rappresentazione più fedele dello stato interno della batteria, l’AMLRLS abilita strategie di manutenzione predittiva, riduce il rischio di guasti imprevisti e supporta garanzie della batteria più lunghe – punti di vendita chiave nel competitivo mercato dei veicoli elettrici.
Inoltre, la filosofia progettuale dell’algoritmo riflette una tendenza più ampia nell’ingegneria automobilistica: passare da sistemi statici basati su regole ad architetture adattive e capaci di apprendimento. Mentre i modelli di machine learning come le reti LSTM hanno mostrato promesse nella modellazione delle batterie, spesso richiedono dati di addestramento estesi e mancano di interpretabilità. L’AMLRLS, al contrario, combina la trasparenza dei modelli basati sulla fisica con l’adattabilità della stima ricorsiva, offrendo una soluzione bilanciata che è sia spiegabile che efficace.
Da una prospettiva di integrazione di sistemi, la natura modulare dell’AMLRLS la rende altamente compatibile con gli stack software BMS esistenti. Può essere implementata come stimatore parametrico autonomo che alimenta un filtro di Kalman o altri osservatori di stato, migliorando la qualità del loro input senza richiedere una completa revisione dell’architettura di controllo. Questa capacità plug-and-play abbassa la barriera all’adozione per i fornitori OEM e di Tier 1.
Guardando avanti, i ricercatori riconoscono che c’è ancora spazio per miglioramenti. Un’area di lavoro futuro coinvolge l’incorporazione di dati di identificazione storici nel processo di stima corrente, potenzialmente abilitando analisi di tendenza a lungo termine e compensazione della deriva. Inoltre, estendere il metodo a pacchi batteria multi-cella – dove le variazioni cella-cella aggiungono un altro livello di complessità – potrebbe sbloccare benefici ancora maggiori per la gestione a livello di pacco.
L’industria automobilistica sta subendo una trasformazione fondamentale, guidata dall’elettrificazione, autonomia e connettività. In questa nuova era, la batteria non è più solo una fonte di energia – è un componente intelligente e ricco di dati che deve essere monitorato e ottimizzato continuamente. Algoritmi come l’AMLRLS rappresentano la prossima generazione di intelligenza delle batterie, trasformando dati sensoriali grezzi in informazioni attuabili che migliorano le prestazioni del veicolo, la sicurezza e l’esperienza utente.
Mentre i governi di tutto il mondo accelerano la loro transizione verso i trasporti a zero emissioni, la domanda di batterie più intelligenti e affidabili crescerà solo. Innovazioni come quelle sviluppate da Duan Shuangming e Zhang Shengli non sono solo conquiste accademiche – sono mattoni essenziali per i sistemi di mobilità sostenibile di domani.
Il successo dell’AMLRLS evidenzia anche l’importanza della collaborazione interdisciplinare nell’avanzare la tecnologia delle batterie. Attingendo dall’elaborazione dei segnali, teoria del controllo ed elettrochimica, la ricerca esemplifica come competenze trasversali possano produrre soluzioni pratiche a problemi ingegneristici complessi. Serve come modello per come le istituzioni accademiche possono contribuire significativamente all’innovazione industriale, particolarmente in settori strategici come l’energia pulita e i trasporti.
Per i consumatori, l’impatto può essere sottile ma profondo. Potrebbero non vedere mai l’algoritmo in esecuzione all’interno del computer della loro auto, ma sentiranno la differenza in un’accelerazione più fluida, previsioni di autonomia più accurate e batterie più longeve. In un’era dove la fiducia nelle nuove tecnologie è fondamentale, tali miglioramenti invisibili costruiscono fiducia nei veicoli elettrici e spianano la strada a un’adozione più ampia.
In conclusione, lo sviluppo del Metodo Ricorsivo a Minimi Quadrati Multistrato Adattativo segna una pietra miliare significativa nella scienza della gestione delle batterie. Rivedendo come i parametri vengono aggiornati in tempo reale, i ricercatori hanno fornito una soluzione che non è solo più accurata ma anche più efficiente e adattabile degli approcci esistenti. Mentre il mondo automobilistico continua il suo viaggio elettrificato, innovazioni come l’AMLRLS giocheranno un ruolo vitale nell’assicurare che la potenza sotto il cofano sia gestita con una precisione senza precedenti.
Duan Shuangming, Zhang Shengli
Key Laboratory of Modern Power System Simulation and Control & Renewable Energy Technology, Ministry of Education
Northeast Electric Power University
Energy Storage Science and Technology
doi: 10.19799/j.cnki.2095-4239.2023.0605