1. Introduzione
Nella rapida evoluzione della mobilità elettrica, le batterie al litio-ferro-fosfato (LiFePO₄) hanno assunto un ruolo centrale grazie alla loro elevata sicurezza, longevità e resistenza a cicli prolungati di carica e scarica. Tuttavia, stimare con precisione il loro stato di carica (SOC) rappresenta una sfida notevole a causa della caratteristica distintiva della loro curva tensione di circuito aperto (OCV) versus SOC, estremamente piatta nell’intervallo compreso tra il 20% e il 95% del SOC. Questa peculiarità complica l’applicazione di metodi tradizionali di stima, ma un team di ricercatori ha sviluppato una metodologia innovativa basata sul deep learning che migliora significativamente la precisione in condizioni reali di utilizzo.
2. La sfida tecnica nella stima del SOC per le batterie LiFePO₄
Le batterie LiFePO₄ presentano una curva OCV-SOC con una regione estremamente piatta. In questo intervallo, nonostante il SOC varí del 75%, la tensione cambia solo di circa 150 mV. I metodi tradizionali, come i filtri di Kalman estesi, basati su modelli matematici, non riescono a garantire una stima precisa poiché le piccole variazioni di tensione si traducono in errori significativi nell’evaluazione del SOC.
I metodi basati sui dati hanno mostrato risultati promettenti in ambienti controllati di laboratorio, ma si rivelano meno affidabili in condizioni reali. Nel mondo reale, le batterie sono soggette a fluttuazioni di temperatura (comprese tra 5°C e 35°C), profili di carica e scarica irregolari e deterioramento graduale, fattori difficili da replicare in laboratorio. Inoltre, i dati di SOC forniti dai sistemi di gestione delle batterie (BMS) installati nei veicoli sono spesso inesatti, rendendo difficile ottenere dati di training affidabili per i modelli di machine learning.
3. Il modello CNNGRUM: una soluzione innovativa
3.1 Caratteristiche di input e preparazione dei dati
Il modello CNNGRUM utilizza quattro variabili chiave per stimare il SOC: corrente, tensione, temperatura e carica accumulata durante il processo di carica (AC). Queste variabili sono fornite in forma di sequenze temporali, permettendo al modello di analizzare il comportamento dinamico della batteria nel tempo e di rilevare pattern non evidenti in dati isolati.
Per ottenere etichette di SOC precise per l’addestramento del modello, è stata utilizzata una tecnica di integrazione amperora inversa. Questo metodo parte dallo stato di carica completo (100% SOC), determinato quando la batteria raggiunge la tensione di taglio di carica. A partire da questo punto, il SOC viene calcolato all’indietro lungo il ciclo di carica, utilizzando una formula che tiene conto della corrente, della capacità nominale della batteria, del suo stato di salute (SOH) e dell’efficienza di Coulomb. Grazie alla stabilità della corrente durante il processo di carica, gli errori accumulati sono minimi, garantendo etichette di riferimento affidabili.
3.2 Architettura del modello (Figura 3)
L’architettura CNNGRUM implementa un framework di apprendimento multimodale che integra:
- Estrattore CNN:
- 2 strati convoluzionali (filtri 128→64).
- Kernel 3×1, attivazione ReLU.
- Modellatore GRU:
- 2×64 unità ricorrenti.
- Dropout = 0.2, attivazione tanh.
- Fusione gerarchica:
- Strati densi (64→32).
- Funzione di perdita: L1+L2.
Le reti neurali convoluzionali (CNN) sono particolarmente efficienti nell’estrazione di caratteristiche complesse dalle sequenze di input, mentre le unità ricorrenti con cancelli (GRU) sono in grado di catturare le dipendenze temporali a lungo termine presenti nelle sequenze. Questa combinazione consente di sfruttare le forze di entrambi i tipi di reti, migliorando l’accuratezza della stima del SOC.
3.3 Processo di stima del SOC
Il metodo proposto implementa uno schema ibrido che integra due fasi: durante il processo di carica, il modello CNNGRUM stima il SOC basandosi sulle sequenze delle quattro variabili di input; durante la scarica, viene utilizzato il conteggio coulombiano, partendo dall’ultimo SOC stimato dal modello durante la carica. Questa combinazione permette di sfruttare la stabilità dei processi di carica e di evitare le complessità dei processi di scarica, migliorando l’accuratezza e la robustezza dell’algoritmo.
4. Valutazione Sperimentale
4.1 Protocollo di Validazione
Il modello è stato addestrato e convalidato utilizzando dati raccolti da 20 veicoli elettrici equipaggiati con batterie LiFePO₄, operanti in condizioni reali per due mesi. Il set di dati raccolto ha incluso 1000 cicli di carica, divisi in 600 per l’addestramento, 250 per la convalida e 150 per il test. Le condizioni operative sono state variate in termini di temperatura, SOC iniziale di carica e stato di salute delle batterie, permettendo di valutare la robustezza del modello in diverse situazioni.
4.2 Analisi di Precisione
I risultati hanno dimostrato che il modello CNNGRUM raggiunge un’elevata precisione. Nel set di test, è stato ottenuto un errore assoluto massimo del 2.85%, un errore quadratico medio (RMSE) del 0.61% e un errore assoluto medio (MAE) del 0.42%. Inoltre, più del 90% degli errori si trovavano nell’intervallo di ±1%, indicando una stima consistente e accurata.
4.3 Test di Robustezza
Il modello ha mostrato un’ottima robustezza in diverse condizioni:
- Variazioni di temperatura: nonostante le batterie agli ioni di litio siano influenzate dai cambiamenti di temperatura, il modello ha mantenuto un MAE inferiore al 0.45% e un RMSE inferiore al 0.58% in tutto l’intervallo di temperatura compreso tra 5°C e 35°C.
- SOC iniziale di carica: il modello ha mostrato una consistenza elevata, con un MAE non superiore al 0.42% e un RMSE inferiore al 0.57% per diversi valori iniziali di SOC, dimostrando di non essere influenzato dal punto di partenza del processo di carica.
- Stato di salute: i test effettuati su batterie in diversi stati di deterioramento (SOH compreso tra 0.925 e 1.0) hanno dimostrato che il modello continua a fornire stime precise, indicando la sua capacità di adattarsi all’invecchiamento delle batterie.
4.4 Confronto con lo Stato dell’Arte
La superiorità del modello CNNGRUM è stata confermata attraverso un confronto con altri approcci, come una semplice rete CNN, una semplice rete GRU e un modello tradizionale CNN-GRU impilato. In tutti gli indicatori di errore, il modello CNNGRUM ha mostrato risultati migliori:
- In confronto con la semplice CNN, la percentuale di errori nell’intervallo compreso tra 0% e 0.5% è aumentata significativamente.
- Rispetto alla semplice GRU, sono state ottenute riduzioni negli errori medi di oltre il 18%.
- Il modello tradizionale CNN-GRU impilato ha presentato errori maggiori, dimostrando l’efficacia dell’architettura ibrida proposta.
5. Importanza della caratteristica AC
Un esperimento di ablazione è stato effettuato per valutare l’importanza della carica accumulata (AC) come caratteristica di input. Al momento di eliminare la variabile AC dal set di dati di input, sono state osservate aumenti significativi negli errori: l’errore assoluto massimo è aumentato del 4.03%, il RMSE del 0.13% e il MAE del 0.08%. Questo risultato dimostra che la carica accumulata fornisce informazioni cruciali sulla storia di carica della batteria, complementando le misurazioni istantanee di corrente, tensione e temperatura.
6. Applicazioni pratiche e prospettive
La precisione migliorata nella stima del SOC grazie al modello CNNGRUM ha importanti implicazioni per l’industria automobilistica elettrica. Una stima accurata del SOC migliora l’esperienza del conducente riducendo l’incertezza sulla autonomia residua, aumentando la fiducia nei veicoli elettrici. Inoltre, consente ai sistemi di gestione delle batterie (BMS) di ottimizzare l’uso della batteria, prolungandone la durata e garantendone la sicurezza.
Tecnicamente, il modello CNNGRUM può essere implementato nei BMS on-board dopo essere stato addestrato in cloud, sfruttando i dati di funzionamento reali di flotte di veicoli. Questa architettura permette di aggiornare costantemente i modelli, adattandosi a diverse condizioni e tipi di batterie.
Le prospettive future includono l’estensione del metodo per includere stime durante i processi di scarica, l’integrazione con altri stati della batteria come lo stato di salute (SOH) e l’ottimizzazione dell’efficienza computazionale per facilitare la sua implementazione in hardware a basso costo.
7. Conclusione
Lo sviluppo del modello CNNGRUM rappresenta un passo importante nella stima del SOC per le batterie LiFePO₄ nei veicoli elettrici. Combinando le capacità di estrazione di caratteristiche delle reti convoluzionali e la gestione delle sequenze temporali delle unità ricorrenti con cancelli, e sfruttando dati di funzionamento reali, il modello supera i limiti dei metodi precedenti, fornendo stime precise anche nella regione piatta della curva OCV-SOC.
I risultati ottenuti dimostrano che il deep learning è uno strumento potente per risolvere i problemi complessi di gestione delle batterie. La capacità del modello di adattarsi a variazioni di temperatura, stati di salute e profili di carica lo rende particolarmente adatto per applicazioni nel mondo reale, contribuendo a migliorare l’efficienza, la sicurezza e la affidabilità dei veicoli elettrici.
Aumentando la precisione nella stima del SOC, questo avanzamento tecnico non solo migliora l’esperienza del consumatore finale, ma anche promuove l’adozione più rapida e ampia della mobilità elettrica, contribuendo a un futuro più sostenibile e verde per il settore del trasporto.
8. Note metodologiche
8.1 Definizione dei termini chiave
- Batterie LiFePO₄: Batterie al litio-ferro-fosfato, caratterizzate da alta sicurezza, longevità e resistenza a cicli prolungati di carica e scarica.
- Stato di carica (SOC): Misura percentuale del livello di carica restante in una batteria rispetto alla sua capacità nominale.
- Tensione di circuito aperto (OCV): Tensione misurata in una batteria quando non è in funzione e non c’è flusso di corrente.
- Conteggio coulombiano: Metodo per calcolare il SOC basato sull’integrazione della corrente flussante attraverso la batteria nel tempo.
- CNN (Convolutional Neural Network): Rete neurale convoluzionale, efficace nell’estrazione di caratteristiche complesse da dati in ingresso.
- GRU (Gated Recurrent Unit): Unità ricorrente con cancelli, in grado di catturare le dipendenze temporali a lungo termine in sequenze di dati.
8.2 Formula per la stima del SOC
La formula utilizzata per la stima del SOC attraverso l’integrazione amperora inversa è la seguente:
SOCinv(k)=100%−∑i=knC⋅SOHI(i)⋅η⋅Δt
Dove:
- SOCinv(k) è lo stato di carica stimato al passo k.
- I(i) è la corrente misurata al passo i.
- η è l’efficienza di Coulomb.
- C è la capacità nominale della batteria.
- SOH è lo stato di salute della batteria.
- Δt è l’intervallo di tempo tra due misurazioni consecutive.
Si suggerisce di specificare le dimensioni delle variabili coinvolte: [I]=A (ampere), [C]=Ah (ampere-ora).
8.3 Analisi degli errori
L’analisi degli errori è stata effettuata utilizzando tre metriche principali:
- Errore assoluto massimo (MaxAE): Massimo valore assoluto dell’errore tra la stima del SOC e il valore vero.
- Errore quadratico medio (RMSE): Radice quadrata della media dei quadrati degli errori tra la stima del SOC e il valore vero.
- Errore assoluto medio (MAE): Media dei valori assoluti degli errori tra la stima del SOC e il valore vero.
MaxAE=maxi∣SOCtrue(i)−SOCest(i)∣
RMSE=N1∑i=1N(SOCtrue(i)−SOCest(i))2
MAE=N1∑i=1N∣SOCtrue(i)−SOCest(i)∣
Dove SOCtrue(i) è il valore vero del SOC al passo i, SOCest(i) è la stima del SOC al passo i e N è il numero totale di dati di test.
8.4 Grafici e tabelle
- Figura 3: Architettura del modello CNNGRUM. Questa figura mostra in dettaglio i tre moduli principali del modello (estrattore CNN, modellatore GRU e fusione gerarchica), nonché le dimensioni e le caratteristiche chiave di ogni strato.
- Figura 5 (proposta): Rappresentazione grafica della distribuzione degli errori per i modelli CNN di base, GRU di base e CNNGRUM. Questa figura, in forma di radar chart, permette di confrontare facilmente le performance di errore dei tre modelli in termini di MaxAE, RMSE e MAE.
- Tabella 3 (proposta): Analisi della sensibilità dei parametri del modello CNNGRUM. Questa tabella mostra come variazioni dei parametri chiave del modello (ad esempio, la velocità di apprendimento – LR) influenzano l’accuratezza della stima del SOC, misurata attraverso la variazione del MAE.
8.5 Confronto con la letteratura recente
Per migliorare la completezza e la validità del lavoro, è consigliabile includere un confronto più approfondito con la letteratura recente (2023 – 2024) riguardante la stima del SOC in batterie LiFePO₄. Questo confronto dovrebbe evidenziare in modo chiaro le novità e i miglioramenti apportati dal modello CNNGRUM rispetto agli approcci esistenti.
8.6 Analisi delle incertezze
Per raggiungere i requisiti di pubblicazione su riviste di alto livello, come “Nature Energy”, è essenziale approfondire l’analisi delle incertezze. Questo potrebbe includere l’analisi delle fonti di incertezza nell’addestramento del modello (ad esempio, incertezza nei dati di training, incertezza nei parametri del modello), nonché l’analisi dell’impatto di queste incertezze sulle stime finali del SOC.
8.7 Esempi reali di test su veicoli in movimento
Per confermare la validità pratica del modello, sarebbe opportuno includere alcuni esempi reali di test effettuati su veicoli in movimento. Questi esempi dovrebbero mostrare come il modello CNNGRUM fornisca stime precise del SOC anche in condizioni di guida reali, con variazioni di carica e scarica, temperatura e stato di salute delle batterie.
8.8 Terminologia standardizzata
Per garantire chiarezza e coerenza, è stato adottato un vocabolario standardizzato in linea con le norme IUPAC e IEEE. Ad esempio, “fosfato di litio-ferro (LiFePO₄)” è utilizzato in luogo di “litio-ferro-fosfato”, e “tensione di circuito aperto (OCV)” in sostituzione di “tensione a circuito aperto”. Inoltre, “conteggio coulombiano” è la terminologia standardizzata per “conteggio