Nuovo Algoritmo per Mappatura OCV-SoC in Tempo Reale per Batterie EV
Un significativo balzo in avanti nella gestione delle batterie per veicoli elettrici (EV) è stato compiuto con lo sviluppo di un metodo innovativo in grado di estrarre rapidamente e con precisione la relazione tra tensione a circuito aperto (OCV) e stato di carica (SoC) – un parametro critico per il monitoraggio preciso della batteria – senza la necessità di lunghe e tradizionali procedure di test. Questa svolta, dettagliata in un recente studio, promette di migliorare la sicurezza, l’efficienza e la longevità delle batterie agli ioni di litio utilizzate in una vasta gamma di applicazioni, dalle auto elettriche private alle flotte commerciali.
L’approccio convenzionale per determinare la curva OCV-SoC – un input fondamentale per i sistemi di gestione della batteria (BMS) – è da tempo un collo di bottiglia nelle operazioni reali dei veicoli elettrici. Storicamente, gli ingegneri si sono affidati a test incrementali di OCV (IO) o a bassa corrente (LO) che richiedono alla batteria di riposare per periodi prolungati tra piccoli step di carica o scarica per raggiungere l’equilibrio elettrochimico. A causa degli effetti di isteresi intrinseci nelle chimiche al litio, questi protocolli possono richiedere diversi giorni per completare un singolo ciclo completo. Inoltre, poiché la relazione OCV-SoC si modifica con l’invecchiamento della batteria, questa laboriosa calibrazione deve essere ripetuta periodicamente durante tutta la vita utile della batteria, rendendola impraticabile per i veicoli in servizio.
Il metodo appena proposto elude queste limitazioni sfruttando un’intuizione fisica chiave: durante una scarica normale, la vera curva OCV evolve in modo uniforme nel tempo. Questa “ipotesi di uniformità” costituisce la pietra angolare di un innovativo framework di ottimizzazione in grado di ricostruire la mappatura OCV-SoC partendo da dati arbitrari di corrente e tensione del mondo reale – come quelli registrati durante i cicli di guida urbana – senza richiedere periodi di riposo o condizioni di laboratorio controllate.
Guidato da Jinwei Xue del Shanghai Automotive Wind Tunnel Center presso l’Università di Tongji, il team di ricerca ha combinato un modello a circuito equivalente (ECM) del primo ordine con un potente algoritmo evolutivo multi-obiettivo noto come NSGA-II (Non-dominated Sorting Genetic Algorithm II). L’ECM simula la risposta dinamica della tensione della batteria sotto carico, scomponendo la tensione terminale misurata nei contributi della resistenza ohmica, degli effetti di polarizzazione e dell’OCV sottostante. Tuttavia, senza una conoscenza preliminare dei parametri ECM (come la resistenza interna e le costanti di tempo RC), il calcolo diretto dell’OCV produce una curva rumorosa e irregolare.
È qui che l’assunzione di uniformità si rivela rivoluzionaria. I ricercatori hanno osservato che solo quando i parametri ECM sono identificati correttamente, la curva OCV-t ricostruita mostra il comportamento monotono e uniforme atteso. Parametri errati producono invece oscillazioni artificiali e discontinuità. Definendo una metrica di uniformità – che quantifica essenzialmente la variazione totale degli incrementi di OCV nel tempo – hanno trasformato l’identificazione dei parametri in un problema di ottimizzazione: trovare l’insieme di parametri ECM che minimizza questa metrica, producendo così la traiettoria OCV più uniforme possibile coerente con i dati misurati.
NSGA-II, rinomato per la sua robustezza nell’esplorare spazi di ricerca complessi e non convessi, è stato impiegato per risolvere questo problema in modo efficiente. L’algoritmo evolve iterativamente una popolazione di insiemi di parametri candidati, utilizzando principi ispirati alla selezione naturale – crossover, mutazione e ordinamento non dominato – per convergere verso soluzioni ottimali. Fondamentalmente, il metodo non richiede alcun dato di calibrazione preliminare né assunzioni sulla chimica della batteria al di là della generale uniformità dell’OCV durante la scarica.
Per convalidare il loro approccio, il team ha utilizzato dati reali di invecchiamento della batteria provenienti dall’Energy Control Lab della Stanford University, relativi a celle INR21700-M50T con anodi in grafite/silicio e catodi NMC, ciclate secondo l’Urban Dynamometer Driving Schedule (UDDS) – un ciclo di test standard che simula modelli di guida urbana. Nonostante l’assenza di valori di riferimento precisi (ground-truth) per OCV o SoC nel dataset, i ricercatori hanno utilizzato il conteggio di Coulomb (integrazione ampere-ora) come riferimento per il SoC, ancorato al punto di interruzione della scarica.
I risultati sono stati sorprendenti. I parametri ECM ottimizzati non solo hanno prodotto una curva OCV-t notevolmente uniforme, ma hanno anche mostrato una stretta correlazione con misurazioni indipendenti di spettroscopia di impedenza elettrochimica (EIS) nella banda di frequenza rilevante (0–0,2 Hz), confermando la plausibilità fisica dei parametri identificati. Un ulteriore affinamento utilizzando un adattamento polinomiale di ottavo ordine ha prodotto una curva OCV-SoC pulita e continua, pronta per l’integrazione negli algoritmi di stima.
Il test definitivo è consistito nella stima del SoC utilizzando un Filtro di Kalman Esteso (EKF) – una tecnica standard nei BMS che combina le previsioni del modello con le misurazioni in tempo reale della tensione. Quando inizializzato con la curva OCV-SoC estratta, l’EKF ha raggiunto un errore di stima massimo di appena il 2% sull’intero ciclo di scarica UDDS. Ancora più impressionante, il metodo ha dimostrato un’eccezionale robustezza agli errori di inizializzazione. In un test di stress, i ricercatori hanno reimpostato artificialmente la stima interna del SoC dell’EKF all’80% a metà della scarica – introducendo un errore di 40 punti percentuali. In circa 1.000 secondi (meno di 17 minuti di guida), il filtro è converso nuovamente verso la traiettoria di SoC reale, dimostrando il potere autocorrettivo della relazione OCV estratta accuratamente.
Questa resilienza è un punto di svolta per le applicazioni nel mondo reale. Nella pratica, i BMS possono soffrire di deriva dei sensori, guasti di comunicazione o disturbi improvvisi che corrompono la stima del SoC. I sistemi tradizionali che si basano su curve OCV-SoC obsolete o generiche potrebbero non riprendersi accuratamente da tali errori, portando ad ansia da autonomia o persino a rischi per la sicurezza dovuti a sovraccarico/scarica eccessiva. Il nuovo metodo garantisce che la mappatura OCV-SoC centrale rimanga accurata e adattiva, consentendo una rapida correzione degli errori anche in condizioni avverse.
Inoltre, la tecnica è intrinsecamente scalabile e distribuibile. Richiede solo la telemetria standard di tensione e corrente – dati già raccolti da ogni BMS moderno – e viene eseguita su processori embedded convenzionali. Non sono necessarie apparecchiature specializzate, periodi di riposo o test di laboratorio offline. Ciò la rende ideale per aggiornamenti over-the-air (OTA) o per calibrazioni continue all’interno del veicolo, consentendo al BMS di affinare autonomamente il suo modello OCV-SoC con l’invecchiamento della batteria.
Da una prospettiva di sistema, una stima accurata e aggiornata del SoC sblocca molteplici vantaggi. Consente strategie di frenata rigenerativa più aggressive senza il timore di sovraccaricare, ottimizza la gestione termica anticipando le richieste di alta corrente e prolunga la vita della batteria prevenendo il funzionamento in regioni di tensione ad alto stress. Per gli operatori di flotte e gli OEM, questo si traduce in un costo totale di proprietà inferiore, un’affidabilità del veicolo migliorata e una maggiore soddisfazione del cliente.
Le implicazioni si estendono oltre le auto elettriche private. Camion elettrici commerciali, autobus e persino sistemi di accumulo di energia su scala di rete – tutti dipendenti dal monitoraggio preciso del SoC – potrebbero trarre beneficio da questa metodologia. Con l’adozione globale di veicoli elettrici in accelerazione e le chimiche delle batterie in continua evoluzione (ad esempio, anodo in silicio, stato solido), la necessità di tecniche di calibrazione flessibili e indipendenti dalla chimica diventa sempre più pressante. Questo approccio basato sull’uniformità offre un framework universale adattabile a diversi formati di cella e meccanismi di invecchiamento.
Criticamente, la ricerca affronta una sfida di lunga data nella modellazione delle batterie: l’accoppiamento tra l’identificazione dell’OCV e altri parametri ECM. I precedenti tentativi di stimare l’OCV online spesso soffrivano di problemi di identificabilità, in cui errori nelle stime di resistenza o capacità si propagavano in inaccuratezze dell’OCV. Ancorando la soluzione a un criterio di uniformità fisicamente significativo, il nuovo metodo disaccoppia queste incertezze, producendo risultati più stabili e affidabili.
Guardando al futuro, il team prevede di integrare questa tecnica di estrazione dell’OCV con stimatori avanzati dello stato di salute (SoH). Poiché le curve OCV-SoC si spostano caratteristicamente con la diminuzione della capacità e la crescita dell’impedenza, il monitoraggio continuo di questi cambiamenti potrebbe fornire avvisi precoci di degrado. Combinato con modelli di machine learning addestrati su dataset di invecchiamento, un tale sistema potrebbe prevedere la vita utile residua con un’accuratezza senza precedenti.
L’industria automobilistica sta già prendendo nota. Con le pressioni normative in aumento per garanzie sulla batteria più lunghe e standard di sicurezza più severi, gli OEM stanno investendo pesantemente nelle capacità di BMS di prossima generazione. Tecniche come questa – nate dal rigore accademico ma progettate per la robustezza nel mondo reale – rappresentano il ponte tra la scienza teorica delle batterie e l’ingegneria pratica del veicolo.
In sintesi, questo lavoro ridefinisce ciò che è possibile nella stima dello stato della batteria. Sostituendo giorni di test in laboratorio con minuti di ottimizzazione computazionale su dati di guida reali, porta la mappatura OCV-SoC ad alta fedeltà nel regno dell’operatività in tempo reale e all’interno del veicolo. Per i conducenti, ciò significa previsioni dell’autonomia più accurate e batterie più longeve. Per i produttori, significa veicoli elettrici più intelligenti, più sicuri ed efficienti. E per la più ampia transizione energetica, rimuove una barriera tecnica critica per l’adozione di massa dei veicoli elettrici.
Mentre la mobilità elettrica continua la sua inesorabile ascesa, innovazioni come questa – che operano silenziosamente in secondo piano in ogni pacco batteria – saranno tanto vitali quanto i progressi più appariscenti nella chimica delle celle o nella velocità di ricarica. Dopotutto, la vera misura di una batteria non è solo quanta energia immagazzina, ma quanto bene comprendiamo e gestiamo quell’energia in ogni momento della sua vita.
Jinwei Xue¹, Xuzhi Du², Zhigang Yang³, Lei Zhao¹, Chao Xia⁴. “Estrazione della curva tensione a circuito aperto-stato di carica per batterie agli ioni di litio basata sull’ottimizzazione dell’uniformità.” Journal of Tongji University (Natural Science), Vol. 52, No. S1, Ott. 2024. DOI: 10.11908/j.issn.0253-374x.24778. ¹Shanghai Automotive Wind Tunnel Center, Tongji University, Shanghai 201804, Cina ²Dipartimento di Ingegneria Meccanica e Scienze, University of Illinois Urbana-Champaign, Urbana, IL 61801, USA ³Istituto di Ricerca sulla Tecnologia degli Aeromobili di Pechino COMAC, Pechino 102211, Cina ⁴Scuola di Studi Automobilistici, Università di Tongji, Shanghai 201804, Cina