Tre innovazioni nella tecnologia delle batterie: l’algoritmo UKF riduce l’ansia da autonomia dei veicoli elettrici
Un progresso fondamentale per l’affidabilità e la sicurezza dei veicoli elettrici arriva dai ricercatori dell’Università di Xi’an Jiaotong, che hanno dimostrato un nuovo metodo di stima dello stato in grado di migliorare drasticamente l’accuratezza dei sistemi di monitoraggio delle batterie. Integrando il filtro di Kalman non ampliato (UKF) con un modello di circuito equivalente di Thevenin del primo ordine, il team ha ottenuto errori di stima dello stato di carica (SOC) e dello stato di salute (SOH) costantemente inferiori a 0,01, anche in condizioni di simulazione di guida reale aggressive. Per un’industria che affronta l’ansia da autonomia, i rischi di fuga termica e dichiarazioni inconsistenti sulla longevità delle batterie, questo sviluppo offre un percorso credibile verso una gestione delle batterie dei veicoli elettrici più intelligente, sicura e trasparente.
La posta in gioco non potrebbe essere più alta. Con le vendite globali di veicoli elettrici che hanno superato i 14 milioni di unità nel 2024, con un aumento del 35% su base annua rispetto al 2023, la fiducia dei consumatori dipende sempre più dalla capacità dei produttori di automobili di prevedere e comunicare le prestazioni effettive delle batterie. Gli approcci tradizionali come l’integrazione ampere-ora, ancora utilizzati in molti veicoli elettrici di entry level, soffrono di un accumulo di errori nel tempo, portando a stime di autonomia fuorvianti e spegnimenti improvvisi. Nel frattempo, i metodi basati sull’apprendimento automatico spesso richiedono set di dati massicci e faticano a generalizzare attraverso temperature, stadi di invecchiamento o chimiche delle celle.
Entra in gioco lo stimatore basato su UKF, che evita entrambe le insidie. A differenza del filtro di Kalman esteso (EKF), un’alternativa comune che linearizza la dinamica non lineare delle batterie e introduce errori di approssimazione, l’UKF preserva la non linearità intrinseca del sistema attraverso il campionamento sigma-point. Ciò gli consente di tracciare le fluttuazioni rapide di tensione durante la guida urbana stop-and-go o l’accelerazione in autostrada con una fedeltà molto maggiore.
Il team di ricerca, guidato dal professor Zhou Jun della Scuola di Ingegneria Elettrica, ha convalidato il proprio approccio utilizzando dati delle celle agli ioni di litio Tesla 21700 con catodi NMC ad alto contenuto di nichel, una chimica ampiamente adottata da produttori tra cui Tesla, BMW e Rivian. Hanno prima costruito un modello di circuito equivalente basato sulla fisica, calibrato mediante test di caratterizzazione della potenza impulsiva ibrida (HPPC) attraverso livelli di SOC dal 20% al 90%. L’identificazione dei parametri tramite minimi quadrati ha prodotto una bontà di adattamento del modello di 0,992, raggiungendo un equilibrio ottimale tra efficienza computazionale e accuratezza senza overfitting.
In modo cruciale, il team non si è fermato alla modellazione statica. Hanno incorporato un meccanismo di degrado della capacità per simulare l’invecchiamento nel mondo reale, sottoponendo la batteria virtuale a cicli ripetuti di ricarica a corrente costante 0,5C e profili di scarica casualizzati che imitano l’Urban Dynamometer Driving Schedule (UDDS). Ciò rispecchia i modelli di carico erratici della guida cittadina: frenate frequenti, veicolo fermo al minimo e brevi scatti di accelerazione, situazioni in cui gli stimatori tradizionali spesso vacillano.
I risultati sono stati sorprendenti. Quando inizializzato con valori SOC deliberatamente inaccurati (ad esempio, 1,0 rispetto al valore reale 0,9), l’UKF convergeva verso lo stato corretto in pochi minuti e manteneva un RMSE inferiore a 0,005 per 25 cicli. Al contrario, l’integrazione ampere-ora deriva costantemente, raggiungendo un RMSE di 0,062 entro il ciclo 25, equivalente a un errore del 6% in un pacco da 100 kWh, o circa 20 miglia di autonomia fantasma in una berlina di gamma lunga. Per la stima del SOH, che tiene traccia del degrado della batteria durante il suo ciclo di vita, l’UKF ha raggiunto un RMSE di appena 0,0023 dopo soli due cicli, dimostrando una rapida adattabilità all’invecchiamento senza richiedere una ricalibrazione offline.
Queste metriche contano profondamente sia per i consumatori che per i produttori. Un SOC accurato previene la perdita improvvisa di potenza durante l’immissione in autostrada o la salita di colline. Un SOH preciso consente aggiustamenti dinamici della garanzia, trasparenza del valore di rivendita e avvisi di manutenzione predittiva, caratteristiche sempre più richieste dagli operatori di flotte e dagli acquirenti di veicoli di seconda mano. Inoltre, una stima dello stato più precisa riduce la necessità di buffer conservativi delle batterie (ad esempio, riservando il 10% della capacità come buffer “nascosto”), sbloccando efficacemente più autonomia utilizzabile dallo stesso pacco fisico.
Da una prospettiva di sistema, il basso overhead computazionale dell’algoritmo lo rende fattibile per l’hardware BMS esistente. Il modello di Thevenin del primo ordine richiede solo quattro parametri: tensione a circuito aperto, resistenza interna, resistenza di polarizzazione e capacità, tutti aggiornabili in tempo reale utilizzando sensori di bordo. Nessuna connettività cloud, nessun acceleratore di reti neurali, nessun hardware esotico: solo matematica più intelligente in esecuzione su microcontrollori standard già distribuiti in milioni di veicoli elettrici.
Gli esperti del settore notano che questo lavoro arriva in un punto di svolta critico. Con l’Inflation Reduction Act statunitense e il regolamento europeo sulle batterie che impongono una maggiore tracciabilità delle batterie, un’etichettatura della durata e un riciclaggio a fine vita, i produttori di automobili affrontano una pressione crescente per dimostrare che le loro batterie performano come pubblicizzato per oltre 10 anni. “Non puoi certificare ciò che non puoi misurare”, afferma un ingegnere senior di una startup di veicoli elettrici con sede a Detroit. “Se il tuo SOC è sbagliato anche solo del 3%, o stai lasciando a piedi i clienti o stai sovradimensionando i pacchi batteria, ed entrambe le cose danneggiano i margini”.
Anche la Cina, il più grande mercato mondiale di veicoli elettrici, sta stringendo gli standard. Il Ministero dell’Industria e della Tecnologia dell’Informazione ha recentemente proposto la segnalazione obbligatoria del SOH per tutti i nuovi veicoli elettrici venduti dopo il 2026. Soluzioni come lo stimatore UKF potrebbero aiutare marchi nazionali come BYD, NIO e Li Auto a conformarsi senza costosi riprogettazioni hardware.
Tuttavia, le sfide rimangono. Lo studio attuale si è concentrato sulla convalida a singola cella. I pacchi del mondo reale contengono centinaia o migliaia di celle cablate in serie e parallelo, introducendo una variabilità cella-cella, gradienti termici e complessità di bilanciamento non catturate in questo modello. Il lavoro futuro deve affrontare la stima dello stato a livello di pacco, possibilmente fondendo l’UKF con tecniche di sensing distribuito o clustering adattivo.
Tuttavia, le implicazioni sono chiare: l’intelligenza di precisione delle batterie non è più un lusso, ma un requisito di base per i veicoli elettrici di prossima generazione. Man mano che le chimiche delle batterie evolvono verso architetture a stato solido, sodio-ione e litio-zolfo, la necessità di stimatori di stato robusti e indipendenti dal modello si intensificherà solo. Algoritmi come l’UKF offrono una base scalabile, adattabile tra le diverse chimiche fintanto che la loro dinamica di tensione può essere ragionevolmente modellata.
Per gli investitori, questo segnala un cambiamento nella creazione di valore. Mentre molta attenzione va all’approvvigionamento di materie prime o alla scala di produzione delle celle, la prossima frontiera potrebbe risiedere nel software embedded, in particolare negli algoritmi BMS che trasformano celle comuni in asset energetici affidabili e ad alta fedeltà. Le aziende che padroneggiano questo livello potrebbero comandare prezzi premium, proprio come l’integrazione di hardware e software di Apple ha creato un vantaggio competitivo duraturo.
Anche i responsabili politici dovrebbero prendere nota. Dati SOH accurati abilitano applicazioni di seconda vita nello stoccaggio di rete, dove i pacchi batteria per veicoli elettrici ritirati possono fornire una regolazione di frequenza a basso costo, se la loro capacità residua è nota con certezza. Al contrario, una stima scadente porta a una rottamazione prematura, minando gli obiettivi dell’economia circolare.
Tornando a Xi’an, il team di ricerca sta già collaborando con lo State Grid Shandong Electric Power Research Institute per testare l’algoritmo in progetti pilota di accumulo di energia. I primi risultati suggeriscono guadagni simili nelle applicazioni stazionarie, dove un SOC preciso previene la scarica eccessiva durante i blackout e ottimizza il dispacciamento nelle reti ad alta penetrazione di rinnovabili.
Mentre l’adozione dei veicoli elettrici accelera a livello globale, la silenziosa battaglia per l’intelligenza delle batterie si intensifica. Non sarà vinta con celle più grandi o marketing più appariscente, ma con algoritmi che vedono più a fondo, si adattano più rapidamente e dicono la verità su ciò che rimane nel “serbatoio”. In quella gara, il filtro di Kalman non ampliato ha appena consegnato un giro decisivo.
Li Jinman, Li Ruhuan, Li Haonan, Li Cunxin, Qiu Zitong, Guo Kai, Wu Kai, Zhou Jun. Scuola di Ingegneria Elettrica, Università di Xi’an Jiaotong, Xi’an, Shaanxi 710049, Cina; Istituto di Ricerca sull’Energia Elettrica di Shandong, Jinan, Shandong 250003, Cina. Dianchi (Battery Bimonthly), Vol. 54, No. 3, Giugno 2024, pp. 340–343. DOI:10.19535/j.1001-1579.2024.03.010