Nuovo Algoritmo SHAEKF con PID Migliora la Precisione della Stima SOC
Nel panorama in rapida evoluzione della mobilità elettrica, la stima accurata dello stato di carica (SOC) rimane un pilastro fondamentale per garantire sicurezza, prestazioni e fiducia dei consumatori. Con i sistemi di gestione delle batterie (BMS) che diventano sempre più sofisticati, i ricercatori continuano ad affinare gli algoritmi alla base del monitoraggio SOC in tempo reale. Una recente innovazione sviluppata da un team dell’Università delle Tre Gole di Chongqing, in collaborazione con l’Università di Southeast, ha introdotto un miglioramento rivoluzionario a un metodo di stima già potente: l’integrazione del feedback PID nel framework SHAEKF. Questa innovazione promette di offrire un’accuratezza senza precedenti nel tracciamento del SOC delle batterie attraverso diverse condizioni di guida e estremi ambientali.
Lo studio, guidato dal Professor Cai Li e dalla ricercatrice laureata Xiang Lihong, entrambi del Dipartimento di Ingegneria Elettrica dell’Università delle Tre Gole di Chongqing, presenta una tecnica di filtraggio adattivo raffinata progettata per superare le persistenti sfide nella modellazione delle batterie. Sebbene metodi tradizionali come il Filtro di Kalman Esteso (EKF) abbiano a lungo servito come fondamento per la stima SOC, le loro prestazioni spesso si degradano in condizioni di rumore nelle misurazioni o durante improvvisi cambiamenti di carico – situazioni comuni negli scenari di guida reali. La soluzione del team di ricerca risiede in un approccio ibrido che fonde i punti di forza di due varianti avanzate: il Filtro di Kalman Esteso Sage-Husa (SHEKF) e il Filtro di Kalman Esteso Adattivo (AEKF), per poi elevarne le prestazioni con un meccanismo di correzione dinamica ispirato alla teoria del controllo.
Al cuore di questo avanzamento c’è l’integrazione di un anello di feedback Proportional-Integral-Derivative (PID) nell’algoritmo SHAEKF. A differenza delle implementazioni convenzionali che si affidano esclusivamente all’adattamento statistico del rumore, il nuovo metodo compensa attivamente gli errori di stima in tempo reale. Il componente PID funziona come un sistema di regolazione di precisione, aggiustando continuamente l’output del filtro basandosi sulla differenza tra valori predetti e valori effettivi. Questa correzione a ciclo chiuso riduce significativamente l’errore a regime, sopprime le oscillazioni e migliora la velocità di convergenza – attributi critici per mantenere l’accuratezza durante rapide accelerazioni, frenate rigenerative o fluttuazioni di temperatura.
I ricercatori hanno impiegato un modello a circuito equivalente RC del secondo ordine per rappresentare il comportamento elettrochimico della batteria agli ioni di litio. Questo modello cattura sia gli effetti ohmici che quelli di polarizzazione in modo più accurato rispetto alle approssimazioni del primo ordine più semplici, fornendo una base robusta per la stima dello stato. Per garantire la fedeltà del modello, il team ha utilizzato l’algoritmo di ottimizzazione Particle Swarm (PSO) per l’identificazione offline dei parametri. Il PSO, noto per la sua capacità di ricerca globale e la rapida convergenza, è stato utilizzato per ottimizzare parametri chiave come i valori di resistenza interna e capacità minimizzando l’errore cumulativo tra le tensioni terminali simulate e misurate.
I test sono stati condotti utilizzando dataset pubblicamente disponibili di batterie dell’Università del Maryland, concentrandosi specificamente su celle INR 18650 con una capacità nominale di 2 Ah. La validazione sperimentale ha coperto tre distinti cicli di guida: il Battery Dynamic Stress Test (DST), il Beijing Dynamic Stress Test (BJDST) e lo U.S. Federal Urban Driving Schedule (FUDS). Questi profili simulano un’ampia gamma di condizioni reali, dalla guida urbana aggressiva a modelli misti urbani e autostradali, permettendo una valutazione completa della robustezza e adattabilità dell’algoritmo.
I risultati hanno dimostrato che l’algoritmo SHAEKF migliorato ha raggiunto un errore di stima medio inferiore all’1% in tutte le condizioni di test. Ancora più impressionante, l’errore massimo è stato ridotto fino al 5% rispetto all’implementazione SHAEKF standard. Questo livello di precisione colloca l’algoritmo ben dentro le soglie specificate dagli standard industriali, incluso GB/T 38661-2020, che richiede elevata accuratezza e forte robustezza per le applicazioni BMS.
Uno degli aspetti più convincenti dello studio è stata la sua valutazione sotto diverse condizioni termiche. Le prestazioni delle batterie sono notoriamente sensibili alla temperatura, con estremi di caldo o freddo che introducono non linearità in grado di confondere gli algoritmi di stima. Il team ha testato il sistema a 0°C, 25°C e 45°C, rappresentando ambienti operativi invernali, a temperatura ambiente ed estivi. In tutti i casi, l’algoritmo potenziato con PID ha mantenuto un’accuratezza superiore, particolarmente negli scenari a bassa temperatura dove altri metodi mostravano derive significative. A 0°C, l’errore massimo per l’algoritmo migliorato era solo del 2,74%, rispetto a oltre l’88% per lo SHAEKF standard – un miglioramento drammatico che sottolinea il valore della correzione PID nello stabilizzare le prestazioni sotto stress.
La fusione di SHEKF e AEKF unisce punti di forza complementari. SHEKF eccelle nell’adattarsi ai cambiamenti nel rumore di misura attraverso un meccanismo a fattore di dimenticanza che dà maggiore peso ai dati recenti. Tuttavia, questo può portare a instabilità se i dati più vecchi vengono scontati troppo aggressivamente. AEKF, d’altro canto, utilizza una finestra mobile per stimare la covarianza del rumore, offrendo una migliore consistenza statistica ma potenzialmente una risposta più lenta a cambiamenti improvvisi. Combinando questi approcci e affinando il processo di stima del rumore – sostituendo equazioni problematiche che potrebbero produrre matrici non definite positive – i ricercatori hanno creato uno stimatore più bilanciato e affidabile.
L’introduzione dell’anello di feedback PID rafforza ulteriormente questo framework ibrido. Il termine proporzionale risponde immediatamente all’errore corrente, la componente integrale elimina il bias a lungo termine e l’azione derivativa anticipa le tendenze future basandosi sul tasso di cambiamento. Questi guadagni sono stati regolati utilizzando il metodo della proporzione critica, risultando in valori ottimizzati che garantiscono stabilità senza sacrificare la reattività. La dimensione adattiva della finestra, che si aggiusta dinamicamente basandosi sul numero di iterazioni, migliora ulteriormente la capacità dell’algoritmo di bilanciare sensibilità e robustezza.
Da una prospettiva ingegneristica, le implicazioni di questo lavoro sono significative. La stima accurata del SOC impatta direttamente la previsione dell’autonomia, l’efficienza di ricarica e la longevità della batteria. Sovrastimare il SOC può portare a spegnimenti improvvisi, mentre la sottostima riduce la capacità utilizzabile e mina la fiducia del guidatore. L’algoritmo SHAEKF migliorato mitiga entrambi i rischi, permettendo una gestione energetica più precisa e migliorando l’esperienza complessiva dell’utente.
Inoltre, le forti prestazioni dell’algoritmo attraverso multipli cicli di guida suggeriscono un’ampia applicabilità. Il profilo DST, con i suoi frequenti cambiamenti di carico, testa la risposta dinamica; BJDST riflette la congestione urbana con traffico stop-and-go; e FUDS simula modelli di guida misti tipici delle città americane. Il successo in tutti e tre indica che il metodo non è overfitted per un caso d’uso specifico ma possiede piuttosto un’intelligenza generalizzabile capace di gestire diverse esigenze operative.
La ricerca evidenzia anche l’importanza della fedeltà del modello. Sebbene tecniche di filtraggio avanzate possano compensare alcune inaccuratzze, non possono completamente superare difetti fondamentali nel modello di batteria sottostante. L’uso del PSO per l’identificazione dei parametri assicura che il modello RC del secondo ordine corrisponda strettamente al comportamento reale, particolarmente nel catturare i transitori di tensione e gli effetti di rilassamento. Questa sinergia tra modellazione accurata e filtraggio intelligente è chiave per raggiungere una stima SOC di alta precisione.
Un’altra caratteristica notevole è l’efficienza computazionale dell’algoritmo. Nonostante le sue capacità potenziate, il metodo mantiene una struttura ricorsiva adatta all’implementazione in tempo reale nell’hardware BMS embedded. L’equilibrio tra complessità e prestazioni lo rende un candidato valido per il deployment commerciale, specialmente mentre i produttori automobilistici spingono verso più alti livelli di autonomia e connettività, dove dati affidabili sulla batteria diventano ancora più critici.
La decisione del team di validare il proprio lavoro utilizzando dataset open-source aggiunge credibilità e facilita la riproducibilità. L’archivio di dati sulle batterie dell’Università del Maryland è ampiamente riconosciuto nella comunità di ricerca, permettendo verifica indipendente e benchmarking contro altri metodi. Questa trasparenza si allinea con le migliori pratiche nell’indagine scientifica e rafforza l’impatto dei risultati.
Guardando avanti, i ricercatori riconoscono che sebbene l’algoritmo sia stato validato su dati di laboratorio, i test su veicoli reali sono il prossimo passo logico. Le prove sul campo fornirebbero insight sull’affidabilità a lungo termine, il carico computazionale sotto operazione continua e le interazioni con altri sistemi del veicolo. Inoltre, estendere il metodo per stimare altri stati della batteria – come lo stato di salute (SOH) o lo stato di potenza (SOP) – potrebbe ulteriormente espanderne l’utilità.
L’integrazione di concetti della teoria del controllo come il PID nella stima di stato rappresenta una direzione promettente per la ricerca futura. Tradizionalmente visti come domini separati, la convergenza delle strategie di stima e controllo riflette un approccio più olistico al design di sistema. Mentre i veicoli diventano sempre più elettrificati e automatizzati, innovazioni interdisciplinari come queste saranno essenziali per gestire sistemi energetici complessi.
Questo lavoro sottolinea anche il ruolo crescente delle istituzioni cinesi nell’avanzare la tecnologia delle batterie. Con il paese che guida l’adozione globale di veicoli elettrici e la manifattura, la ricerca domestica sta giocando un ruolo pivotale nel risolvere sfide pratiche. La collaborazione tra l’Università delle Tre Gole di Chongqing e l’Università di Southeast esemplifica come le reti accademiche regionali e nazionali possano guidare il progresso tecnologico.
In sintesi, l’algoritmo SHAEKF potenziato con PID segna un significativo passo avanti nella stima dello stato della batteria. Combinando intelligentemente tecniche di filtraggio adattivo con correzione degli errori in tempo reale, il metodo offre eccezionale accuratezza, stabilità e robustezza. Le sue prestazioni attraverso diversi cicli di guida e range di temperatura lo rendono un forte contendente per le applicazioni BMS di prossima generazione. Mentre l’industria automobilistica continua la sua transizione all’elettrificazione, innovazioni come questa saranno strumentali nel costruire veicoli elettrici più sicuri, efficienti e affidabili.
Cai Li, Xiang Lihong, Yan Juan, Xu Qingshan. Introduzione dell’algoritmo SHAEKF con feedback PID per la stima del SOC della batteria. Battery Bimonthly, 2024, 54(1):47-51. DOI:10.19535/j.1001-1579.2024.01.010