Rivoluzione nel monitoraggio della salute delle batterie per veicoli elettrici
Un team di ricercatori ha sviluppato un metodo rivoluzionario per stimare lo stato di salute (SOH) delle batterie agli ioni di litio, con importanti implicazioni per il settore dei veicoli elettrici. Questo approccio innovativo combina l’analisi multi-caratteristica con modelli avanzati di machine learning, segnando un significativo passo avanti rispetto alle tecniche tradizionali di monitoraggio delle batterie.
L’importanza di una stima accurata dello stato di salute delle batterie è fondamentale nel contesto della mobilità elettrica. Con il progressivo passaggio del settore automobilistico verso l’elettrificazione, garantire longevità e prestazioni ai sistemi di accumulo energetico diventa prioritario. Le batterie agli ioni di litio, note per la loro alta densità energetica e il lungo ciclo di vita, rappresentano il cuore di questa transizione. Tuttavia, queste batterie subiscono un inevitabile degrado nel tempo, rendendo essenziale un monitoraggio costante del loro stato di salute per mantenere prestazioni veicolari ottimali e garantire la sicurezza.
I metodi tradizionali di stima del SOH hanno spesso dimostrato limiti nell’estrazione efficace delle caratteristiche di salute (HF) e richiedono tipicamente volumi elevati di dati di test, con conseguenti prolungamenti dei tempi e aumenti dei costi di sviluppo. Per superare queste limitazioni, il team di ricerca ha ideato una metodologia che utilizza un set completo di parametri ricavati dai dati di ricarica delle batterie.
Le caratteristiche di salute identificate vengono classificate in tre categorie principali: parametri temporali, parametri energetici e caratteristiche relative alle curve di capacità incrementale (IC). I parametri temporali includono il tempo di ricarica durante le fasi a corrente costante (CC) e tensione costante (CV), mentre i parametri energetici si concentrano sull’energia consumata durante queste stesse fasi. Le caratteristiche delle curve IC, come il valore di picco e la tensione di picco, forniscono preziose informazioni sui cambiamenti chimici interni che avvengono all’interno della batteria durante il processo di invecchiamento.
Uno degli aspetti più innovativi di questo studio risiede nell’utilizzo di una tecnica di elaborazione delle caratteristiche basata sulla doppia correlazione. Questo approccio consente di eliminare le informazioni ridondanti tra parametri simili, riducendo significativamente la complessità computazionale del modello. Selezionando le caratteristiche più rappresentative, i ricercatori garantiscono che l’input per il modello di stima sia sia efficiente che informativo.
Il cuore del metodo proposto è il modello LSTM-XGBoost. Le reti LSTM (Long Short-Term Memory) sono particolarmente adatte per l’elaborazione di dati temporali, rendendole ideali per prevedere i valori futuri delle caratteristiche di salute sulla base dei dati storici. In questo studio, l’algoritmo LSTM viene utilizzato per prevedere le HF per i cicli rimanenti della batteria, anche quando sono disponibili solo dati limitati. Questa capacità predittiva è cruciale per estendere la vita utile della batteria e ottimizzarne le prestazioni.
Tuttavia, i modelli LSTM possono essere computazionalmente intensivi, specialmente quando si lavora con grandi set di dati. Per superare questa sfida, i ricercatori hanno integrato l’algoritmo XGBoost, noto per la sua elevata efficienza computazionale e forti capacità di adattamento non lineare. XGBoost, potente algoritmo di ensemble learning, viene utilizzato per costruire un modello di regressione che mappa le caratteristiche di salute previste al SOH. L’algoritmo funziona aggiungendo iterativamente learner deboli (alberi decisionali) al modello, correggendo gli errori dell’iterazione precedente. Questo processo, noto come gradient boosting, produce un modello altamente accurato e robusto.
Per validare l’efficacia del metodo, i ricercatori hanno utilizzato il dataset NASA per l’invecchiamento delle batterie, che contiene informazioni dettagliate sulle prestazioni delle batterie agli ioni di litio in varie condizioni. Il set di dati include informazioni provenienti da tre diverse batterie (B0005, B0006 e B0007), ciascuna sottoposta a ripetuti cicli di carica-scarica con una corrente costante di 1,5 A fino al raggiungimento di 4,2 V, seguita da una fase a tensione costante fino a quando la corrente non scende a 20 mA. Dopo un periodo di riposo di due ore, le batterie sono state scaricate con una corrente costante di 2 A. Questo rigoroso protocollo di test ha fornito una ricca fonte di dati per valutare il metodo di stima del SOH proposto.
I risultati dello studio sono particolarmente significativi. Il metodo proposto è stato in grado di stimare accuratamente il SOH delle batterie agli ioni di litio con diverse quantità di dati di test, mantenendo l’errore quadratico medio (RMSE) costantemente inferiore all’1%. Questo livello di precisione rappresenta un miglioramento significativo rispetto ai metodi esistenti, che spesso faticano a raggiungere tassi di errore così bassi. La robustezza del metodo è stata ulteriormente dimostrata dalla sua capacità di gestire modelli di degrado non lineari e fluttuazioni locali osservate nelle curve di capacità della batteria.
Per valutare le prestazioni del metodo in diverse condizioni, i ricercatori hanno condotto una serie di esperimenti con punti di partenza variabili per la previsione delle caratteristiche. Hanno impostato il punto di previsione iniziale a 80, 100 e 120 cicli rispettivamente, valutando le stime del SOH utilizzando i dati rimanenti. I risultati hanno dimostrato che il metodo proposto potrebbe tracciare accuratamente il SOH reale, anche quando era disponibile solo una piccola porzione di dati per l’addestramento. Gli errori relativi per le stime del SOH sono stati generalmente entro ±3% per B0005 e B0007, e sebbene leggermente più alti per B0006, sono rimasti inferiori al 6%.
Oltre all’accuratezza delle stime del SOH, l’efficienza computazionale del modello rappresenta un altro fattore critico. I ricercatori hanno confrontato il modello LSTM-XGBoost proposto con altri popolari algoritmi di machine learning, tra cui Radial Basis Function (RBF), Support Vector Machine (SVM) e LSTM autonomo. I risultati dimostrano che il modello LSTM-XGBoost ha superato gli altri metodi sia in termini di accuratezza che di efficienza computazionale.
Il tempo di calcolo richiesto per i diversi modelli è stato inoltre valutato. Il modello LSTM-XGBoost ha impiegato approssimativamente 4,30 secondi, 4,41 secondi e 4,24 secondi per calcolare le stime del SOH rispettivamente per B0005, B0006 e B0007. Sebbene leggermente superiore rispetto ai modelli RBF e SVM, che hanno richiesto circa 2,87-3,17 secondi, il compromesso in termini di accuratezza risulta ampiamente giustificato. Il modello LSTM autonomo, d’altra parte, ha richiesto tempi significativamente maggiori, con tempi di calcolo compresi tra 12,78 e 13,67 secondi.
Le implicazioni pratiche di questa ricerca sono di vasta portata. Una stima accurata ed efficiente del SOH è essenziale per lo sviluppo di sistemi avanzati di gestione della batteria (BMS) nei veicoli elettrici. Un BMS in grado di prevedere in modo affidabile lo stato di salute della batteria può ottimizzare i cicli di carica e scarica, estendere la durata della batteria e migliorare le prestazioni complessive del veicolo. Inoltre, un tale sistema può aiutare a prevenire sovraccarichi e scariche profonde, noti per accelerare il degrado della batteria e rappresentare rischi per la sicurezza.
L’integrazione dell’analisi multi-caratteristica e del modello LSTM-XGBoost apre nuove possibilità per la manutenzione predittiva e la diagnosi dei guasti. Monitorando continuamente lo stato di salute della batteria, il BMS può rilevare i primi segni di degrado e attivare azioni preventive prima che si verifichi un guasto. Questo approccio proattivo può ridurre i costi di manutenzione e i tempi di fermo, migliorando l’esperienza complessiva dell’utente. Inoltre, la capacità del metodo di gestire dati limitati lo rende particolarmente utile per applicazioni in tempo reale, dove la disponibilità di dati storici potrebbe essere limitata.
Il lavoro di ricerca rappresenta un progresso significativo nel campo del monitoraggio della salute delle batterie. L’approccio innovativo non solo affronta i limiti dei metodi tradizionali di stima del SOH, ma stabilisce anche un nuovo standard per accuratezza ed efficienza. L’utilizzo di una tecnica di elaborazione delle caratteristiche basata sulla doppia correlazione e l’integrazione degli algoritmi LSTM e XGBoost dimostrano il potenziale della combinazione di conoscenze specifiche del dominio con tecniche avanzate di machine learning per risolvere complessi problemi ingegneristici.
Con la continua crescita della domanda di veicoli elettrici, la necessità di sistemi di gestione della batteria affidabili ed efficienti diventerà sempre più importante. Il lavoro presentato in questo studio fornisce una solida base per lo sviluppo di BMS di prossima generazione, che svolgeranno un ruolo cruciale nella diffusione su larga scala dei veicoli elettrici. Migliorando l’accuratezza e la robustezza della stima del SOH, questa ricerca contribuisce all’obiettivo più ampio di rendere i veicoli elettrici più accessibili, convenienti e sostenibili.
In conclusione, il metodo proposto per la stima dello stato di salute delle batterie agli ioni di litio utilizzando l’analisi multi-caratteristica e il modello LSTM-XGBoost offre una soluzione promettente alle sfide affrontate dall’industria dei veicoli elettrici. La combinazione di un set completo di caratteristiche di salute, una sofisticata tecnica di elaborazione delle caratteristiche e un modello avanzato di machine learning si traduce in un metodo di stima del SOH altamente accurato ed efficiente. La validazione mediante il dataset NASA per l’invecchiamento delle batterie dimostra l’efficacia e la robustezza del metodo, rendendolo uno strumento prezioso per lo sviluppo di sistemi avanzati di gestione della batteria.
Lu Jizhong, Peng Simin, Li Xiaoyu
Energy Storage Science and Technology
doi: 10.19799/j.cnki.2095-4239.2024.0289