Nuovo modello predice durata batterie auto elettriche
La transizione verso la mobilità elettrica pone sempre più l’accento non solo sulla potenza e sull’autonomia dei veicoli, ma anche sulla capacità di prevedere con precisione lo stato di salute delle batterie al litio. In un settore in cui affidabilità, sicurezza ed efficienza sono parametri fondamentali, la stima accurata della vita utile residua (RUL, Remaining Useful Life) delle batterie rappresenta una delle sfide più cruciali per costruttori, gestori di flotte e utenti finali. Un team di ricerca della Wuhan University of Technology ha compiuto un passo avanti significativo in questo campo con lo sviluppo di un innovativo algoritmo di intelligenza artificiale in grado di prevedere il degrado delle batterie in condizioni di guida reali con un livello di precisione mai raggiunto prima.
Lo studio, condotto da Zeyu Liu, Zeyuan Peng e Aiguo Han del College of Automotive Engineering della Wuhan University of Technology, introduce un modello ibrido denominato SCSSA-CNN-BiLSTM. Questo approccio combina tecniche avanzate di apprendimento profondo con un algoritmo di ottimizzazione evolutivo per offrire una stima più affidabile e stabile del deterioramento delle batterie nei veicoli elettrici. Pubblicato su una prestigiosa rivista scientifica specializzata in energia, il lavoro rappresenta un avanzamento concreto nella gestione intelligente delle batterie e apre nuove prospettive per l’ottimizzazione delle prestazioni e della longevità dei sistemi di accumulo energetico nel settore automobilistico.
Nonostante i progressi tecnologici, il processo di degrado delle batterie agli ioni di litio rimane complesso e influenzato da molteplici fattori: cicli di carica e scarica, temperatura ambiente, intensità della corrente, profondità di scarica e modalità di utilizzo. I metodi tradizionali di previsione, basati su modelli elettrochimici, sono precisi ma richiedono una conoscenza approfondita della struttura interna della cella e risultano spesso difficili da implementare su larga scala. Dall’altro lato, gli approcci basati sui dati hanno guadagnato popolarità perché permettono di estrarre modelli direttamente dai dati operativi senza dover modellare fisicamente ogni processo interno. Tuttavia, molti di questi modelli presentano ancora limiti in termini di capacità di generalizzazione e sensibilità alla scelta dei parametri.
È proprio in questo ambito che il modello SCSSA-CNN-BiLSTM dimostra il suo valore distintivo. L’architettura del sistema si basa su una combinazione di rete neurale convoluzionale (CNN) e rete neurale a memoria a lungo termine bidirezionale (BiLSTM). La CNN ha il compito di estrarre caratteristiche spaziali profonde dai dati di salute della batteria, identificando pattern nelle curve di tensione, corrente e capacità che indicano l’inizio del deterioramento. A differenza del suo utilizzo più comune nell’elaborazione delle immagini, qui viene adattata per analizzare serie temporali, consentendo di rilevare cambiamenti sottili nel comportamento della batteria nel tempo.
La BiLSTM, invece, elabora queste caratteristiche estratte con una visione temporale bidirezionale. Ciò significa che non analizza solo come il passato influisce sul presente, ma considera anche informazioni relative al futuro rispetto allo stato attuale, migliorando significativamente la capacità di catturare dipendenze a lungo termine e tendenze di degrado. Questa combinazione di CNN e BiLSTM crea un modello ibrido in grado di comprendere sia la struttura locale che la dinamica globale dell’invecchiamento della batteria.
Tuttavia, le prestazioni di qualsiasi rete neurale dipendono fortemente dalla scelta corretta degli iperparametri: numero di strati, tasso di apprendimento, dimensione dei filtri, numero di neuroni nascosti, tra gli altri. Un’impostazione inadeguata può portare a overfitting, underfitting o convergenza lenta. Per affrontare questo problema, i ricercatori hanno implementato una versione migliorata dell’algoritmo di ricerca dello sparviero (Sparrow Search Algorithm), chiamata SCSSA, che integra strategie di ottimizzazione avanzate.
Il SCSSA combina tre componenti chiave: una strategia di apprendimento opposto refrattivo per migliorare la diversità iniziale della popolazione di ricerca, una variazione sinusoidale e cosinusoidale per ampliare l’esplorazione dello spazio delle soluzioni e una mutazione basata sulla distribuzione di Cauchy per aiutare l’algoritmo a uscire da ottimi locali. Questa combinazione permette una ricerca più efficiente e robusta dell’insieme di parametri che massimizza le prestazioni del modello CNN-BiLSTM.
Il risultato è un sistema altamente ottimizzato che non solo prevede con maggiore precisione la capacità residua della batteria, ma è anche più resiliente rispetto alle variazioni delle condizioni operative. Per valutarne l’efficacia, il team ha condotto due tipi di validazione. In primo luogo, ha utilizzato il dataset pubblico delle batterie della NASA, uno standard ampiamente riconosciuto nella comunità scientifica. Questo dataset include cicli prolungati di carica e scarica di celle agli ioni di litio in condizioni controllate, consentendo un confronto oggettivo tra diversi metodi di previsione del RUL.
I ricercatori hanno confrontato le prestazioni del SCSSA-CNN-BiLSTM con modelli consolidati come CNN pura, BiLSTM pura e CNN-BiLSTM senza ottimizzazione. Le metriche utilizzate includono il coefficiente di determinazione (R²), l’errore quadratico medio (RMSE) e l’errore assoluto nella previsione del RUL. I risultati hanno mostrato un miglioramento notevole: il modello proposto ha aumentato l’R² tra il 4% e il 23% rispetto agli altri, riducendo l’RMSE a soli 1 Ah. Ciò indica che le curve di capacità previste si adattano molto più strettamente a quelle reali, traducendosi in una maggiore affidabilità per applicazioni pratiche.
La vera prova di efficacia, tuttavia, è arrivata nella seconda fase dello studio, in cui il modello è stato sottoposto a condizioni più vicine all’uso reale. A tal fine, i ricercatori hanno sviluppato un modello completo del veicolo che simula il comportamento dinamico di un SUV elettrico nel ciclo di guida CLTC (China Light-duty Vehicle Test Cycle). Questo ciclo è stato progettato per riflettere i modelli di traffico urbano e suburbano tipici della Cina, rendendolo uno scenario più rappresentativo rispetto ai cicli di laboratorio.
Il modello del veicolo include moduli di dinamica veicolare, trasmissione, motore elettrico e sistema della batteria. Quest’ultimo si basa su un pacco batteria agli ioni di litio con chimica ternaria (configurazione 84S550P, celle 18650) con una capacità nominale di 58,8 kWh. Attraverso simulazioni, il team ha generato profili di corrente e tensione che riflettono lo stress reale subito dalla batteria durante la guida. Questi dati sono stati utilizzati per addestrare e testare il modello SCSSA-CNN-BiLSTM, fornendo una validazione più solida della sua capacità di generalizzazione.
I risultati di questa validazione in condizioni dinamiche sono stati impressionanti. Il modello ha raggiunto un RMSE di 1,64 Ah e un R² di 0,98, superando chiaramente i modelli di riferimento. Inoltre, la previsione del punto in cui la batteria raggiunge l’80% della sua capacità iniziale – un valore soglia comunemente accettato come fine della vita utile – è stata estremamente precisa, con un errore di un solo ciclo. Questo livello di accuratezza è cruciale per applicazioni come la stima dell’autonomia, la manutenzione predittiva e la valutazione delle batterie usate nei mercati secondari.
Un aspetto distintivo dell’approccio è la selezione accurata dei parametri di ingresso. Invece di affidarsi esclusivamente a dati grezzi come tensione o corrente, il team ha utilizzato indicatori derivati dall’analisi differenziale della tensione (dV/dQ), in particolare QAB, QBC e QCD. Questi parametri sono direttamente correlati a processi elettrochimici chiave: degrado del catodo, perdita di litio e degrado dell’anodo. Incorporando questi indicatori fisicamente significativi insieme al numero di cicli, il modello acquisisce una comprensione più profonda dei meccanismi di invecchiamento.
Un’analisi di correlazione di Pearson ha confermato che questi parametri hanno una forte relazione statistica con la capacità della batteria, sostenendone la scelta. Inoltre, i dati sono stati normalizzati utilizzando il metodo z-score, garantendo che le differenze di scala tra le variabili non distorcessero il processo di apprendimento.
Le implicazioni pratiche di questo lavoro sono ampie. Per i produttori automobilistici, integrare un modello come questo nel sistema di gestione della batteria (BMS) potrebbe consentire avvisi proattivi di manutenzione, stime di autonomia più precise e strategie di ricarica ottimizzate. Per i gestori di flotte, faciliterebbe la pianificazione della manutenzione e ridurrebbe i tempi di inattività non pianificati. Nel settore del riciclaggio e delle applicazioni di seconda vita, una previsione accurata del RUL permette una migliore valutazione dei pacchi batteria usati e un’assegnazione più efficiente a nuovi utilizzi, come lo stoccaggio stazionario dell’energia.
L’architettura del modello è anche notevole per la sua adattabilità. Sebbene lo studio si sia concentrato su batterie al litio-nichel-manganese-cobalto (NMC), l’approccio può essere esteso ad altre chimiche come LFP (fosfato di ferro e litio) o future tecnologie a stato solido, semplicemente regolando i parametri di ingresso e i dati di addestramento. Allo stesso modo, il framework di simulazione può essere adattato ad altri cicli di guida, come il WLTP o l’EPA FTP-75, aumentandone la rilevanza globale.
Dal punto di vista computazionale, il modello è stato progettato per essere efficiente. Gli esperimenti sono stati condotti su una workstation equipaggiata con processori AMD EPYC, 256 GB di RAM e storage SSD, specifiche accessibili a molti laboratori industriali e accademici. Questa accessibilità è fondamentale per facilitare l’adozione del modello in ambienti reali.
Il successo di questa ricerca sottolinea anche l’importanza della collaborazione interdisciplinare. Il team ha riunito esperti di ingegneria automobilistica, elettrochimica, elaborazione dei segnali e intelligenza artificiale, dimostrando come la convergenza di diversi campi possa generare soluzioni innovative per problemi complessi. Questo approccio olistico è essenziale per lo sviluppo di tecnologie future nel settore dei trasporti.
Guardando al futuro, i ricercatori propongono diverse linee di lavoro. Una di queste è l’integrazione di misurazioni in tempo reale di temperatura e impedenza per migliorare ulteriormente la precisione. Un’altra è l’integrazione di tecniche di quantificazione dell’incertezza, come l’inferenza bayesiana, per fornire intervalli di confidenza insieme alle previsioni del RUL. Inoltre, il deployment del modello su piattaforme cloud potrebbe consentire un apprendimento continuo dai dati anonimi delle flotte, creando un ciclo di retroazione che migliori la precisione nel tempo.
In sintesi, il modello SCSSA-CNN-BiLSTM rappresenta un avanzamento significativo nella previsione della vita utile delle batterie dei veicoli elettrici. Combinando apprendimento profondo all’avanguardia con caratteristiche basate su principi fisici e un’ottimizzazione intelligente, il team della Wuhan University of Technology ha sviluppato uno strumento che non solo prevede con maggiore precisione, ma approfondisce anche la comprensione dei meccanismi di degrado. Mentre il mondo avanza verso una mobilità più sostenibile, innovazioni come questa saranno fondamentali per garantire affidabilità, sicurezza e longevità dei veicoli elettrici.
Questo risultato sottolinea il ruolo crescente dei metodi basati sui dati nell’ingegneria automobilistica. Riflette anche una tendenza più ampia in cui l’intelligenza artificiale smette di essere uno strumento ausiliario per diventare un motore centrale delle tecnologie di prossima generazione. Con un investimento continuo in IA e scienza delle batterie, il sogno di veicoli elettrici veramente intelligenti e autonomi potrebbe diventare realtà molto prima del previsto.
Zeyu Liu, Zeyuan Peng, Aiguo Han, College of Automotive Engineering, Wuhan University of Technology; pubblicato su Energy Research Journal, DOI: 10.3969/j.issn.1674-8425(z).2024.01.034