Algoritmo Adaptativo Aprimora Precisão de Baterias VE
No cenário em rápida evolução da mobilidade elétrica, onde a ansiedade de autonomia e a longevidade das baterias permanecem como preocupações primárias tanto para consumidores quanto fabricantes, um avanço significativo na tecnologia de sistemas de gerenciamento de baterias (BMS) emergiu da Universidade de Tecnologia de Chongqing. Uma equipe de pesquisa liderada pelo Dr. Yingzhe Kan introduziu um algoritmo adaptativo inovador que aprimora significativamente a precisão da estimativa do estado de carga (SOC) de baterias de íon-lítio – um parâmetro crítico para o desempenho do veículo, eficiência energética e experiência do usuário.
Publicado no Jornal da Universidade de Tecnologia de Chongqing (Ciências Naturais), o estudo apresenta uma fusão inovadora de técnicas de identificação de parâmetros em tempo real e estimativa de estado, projetada para superar as limitações dos métodos convencionais. À medida que os veículos elétricos operam sob diversas condições de condução – desde deslocamentos urbanos até viagens em rodovias – as características internas de suas baterias mudam dinamicamente. Modelos tradicionais de baterias, que dependem de parâmetros fixos derivados de testes offline, frequentemente falham em capturar esses comportamentos transitórios, levando a imprecisões na previsão do SOC. Esta discrepância não apenas mina a confiança do condutor, mas também limita a eficácia das estratégias de gerenciamento energético.
Dr. Kan, especialista em veículos de nova energia e sistemas avançados de propulsão, enfatizou a importância da adaptação à variabilidade do mundo real. “O comportamento da bateria é inerentemente não linear e variável no tempo”, explicou. “Usar modelos estáticos em ambientes dinâmicos leva a erros acumulativos. Nosso objetivo foi desenvolver um método que aprenda e ajuste continuamente, garantindo que o BMS opere sempre com informações atualizadas sobre a condição da bateria.”
A inovação central reside na integração de um fator de esquecimento autorregulável dentro de uma estrutura de mínimos quadrados recursivos (RLS) – denominado Mínimos Quadrados Recursivos com Fator de Esquecimento Adaptativo (AFFRLS) – combinado com o Filtro de Kalman Estendido (EKF) para estimativa do SOC. Diferente dos métodos RLS tradicionais que aplicam um fator de esquecimento fixo, esta nova abordagem ajusta dinamicamente o fator com base em erros de previsão em tempo real. Quando a saída do modelo desvia significativamente das medições reais, o algoritmo reduz a influência de dados antigos, colocando maior ênfase em observações recentes. Por outro lado, quando as previsões são estáveis e precisas, mantém uma memória mais ampla de dados históricos, equilibrando responsividade com estabilidade.
Este mecanismo adaptativo permite que o sistema responda rapidamente a mudanças súbitas de carga, temperatura ou efeitos de envelhecimento, todos os quais impactam a impedância, capacitância e tensão de circuito aberto (OCV) da bateria. Ao recalibrar continuamente os parâmetros do modelo de circuito equivalente – especificamente a resistência ôhmica, resistências de polarização e capacitâncias – o método AFFRLS-EKF garante que o modelo subjacente permaneça representativo do estado físico atual da bateria.
A equipe de pesquisa, incluindo o pesquisador de pós-graduação Min Yang e os colegas Huaze Sun e Yunfei Xie, conduziu extensa validação experimental usando uma célula de íon-lítio ternária de 19Ah sob múltiplos ciclos de condução. Estes incluíram o teste de Caracterização de Potência de Pulso Híbrido (HPPC), o Teste de Estresse Dinâmico (DST) e cenários de descarga intermitente de corrente constante – cada um projetado para simular diferentes aspectos da condução real, desde aceleração agressiva até cruzeiro estável.
Os resultados demonstraram desempenho excepcional em todas as condições de teste. Sob o ciclo HPPC, o erro máximo de estimativa do SOC permaneceu abaixo de 0,65%, enquanto os testes de descarga DST e intermitente produziram erros de 0,55% e 0,57%, respectivamente. Em todos os casos, o erro permaneceu dentro de 1%, uma melhoria significativa em relação aos métodos convencionais RLS-EKF, que exibiram erros de até 2% em condições similares. Este nível de precisão supera os benchmarks da indústria e aproxima os veículos elétricos do ideal de previsão de autonomia “verdadeira” – um fator chave na adoção pelo consumidor.
Um dos aspectos mais convincentes do novo algoritmo é sua capacidade de manter alta precisão sem sacrificar a eficiência computacional. Muitas técnicas avançadas de estimativa, como filtros de partículas ou modelos de aprendizado profundo, oferecem precisão melhorada ao custo de maiores demandas de processamento – tornando-as impraticáveis para hardware embarcado de BMS. O método AFFRLS-EKF, no entanto, opera eficientemente em microcontroladores padrão, permitindo implementação em tempo real sem exigir recursos computacionais de alto desempenho.
Yang, cuja pesquisa foca em dinâmica de baterias e sistemas de controle, destacou as implicações práticas. “O que distingue este método é seu equilíbrio entre precisão e viabilidade. Não requer conjuntos massivos de dados ou conectividade em nuvem. Tudo acontece a bordo, em tempo real, usando apenas medições de tensão e corrente que já estão disponíveis em todo veículo elétrico.”
O modelo de circuito equivalente de dupla polarização utilizado no estudo atinge um equilíbrio cuidadoso entre complexidade e fidelidade. Embora modelos mais elaborados com múltiplas redes RC possam oferecer maior precisão, eles vêm com sobrecarga computacional aumentada e interdependência de parâmetros, complicando a identificação. A estrutura dual-RC captura os essenciais quedas de tensão transitórias e relacionadas à difusão, mantendo-se tratável para estimativa online.
Crucial para o sucesso de qualquer estimador de SOC é a precisão da relação SOC-OCV. A equipe realizou testes detalhados de Caracterização de Potência de Pulso Híbrido a 25°C, coletando dados de relaxamento de tensão após cada decremento de 10% no SOC. Usando ajuste polinomial de sétima ordem, estabeleceram um mapeamento preciso entre SOC e tensão de circuito aberto – um elemento fundamental que ancora todo o processo de estimativa.
Durante a operação, o algoritmo funciona em um loop fechado: o módulo AFFRLS atualiza continuamente os parâmetros do modelo usando dados de tensão e corrente entrantes; estes parâmetros atualizados são então alimentados no EKF, que calcula a estimativa atual do SOC. O EKF considera tanto o ruído do processo (incertezas na dinâmica do sistema) quanto o ruído de medição (imprecisões dos sensores), refinando sua estimativa a cada iteração.
Esta arquitetura de feedback cria um sistema autocorretivo. Se a deriva do sensor ou a degradação do modelo começar a afetar a precisão, o estágio de identificação de parâmetros detecta a anomalia e ajusta-se de acordo. Com o tempo, isso permite que o BMS compense não apenas transitórios operacionais, mas também efeitos de envelhecimento de longo prazo, como diminuição de capacidade e crescimento da resistência interna – indicadores-chave da saúde da bateria.
As implicações estendem-se além da mera precisão do SOC. Com estimativa de estado mais confiável, os fabricantes de veículos podem otimizar o gerenciamento térmico, estender a vida útil da bateria através de protocolos de carregamento mais suaves e melhorar a eficiência da frenagem regenerativa. Dados precisos de SOC também permitem um pré-condicionamento mais inteligente da bateria antes do carregamento rápido, reduzindo o estresse e melhorando as taxas de aceitação de carga.
Além disso, a estimativa precisa do SOC aprimora a segurança. Superestimar a carga restante pode levar a desligamentos inesperados, enquanto a subestimação pode causar limitações desnecessárias de desempenho. Em casos extremos, o monitoramento impreciso do estado pode contribuir para sobrecarga ou descarga profunda – condições que aceleram a degradação e aumentam o risco de fuga térmica.
De uma perspectiva de engenharia de sistemas, o método AFFRLS-EKF exemplifica a tendência em direção ao controle inteligente e adaptativo na eletrônica automotiva. À medida que os veículos se tornam mais conectados e autônomos, a demanda por componentes autoconscientes e de autoregulação cresce. Este algoritmo representa um passo em direção a sistemas de bateria verdadeiramente cognitivos – aqueles que aprendem com a experiência e adaptam-se a padrões de uso individuais.
A pesquisa também ressalta a importância da colaboração interdisciplinar. A equipe combinou expertise em engenharia mecânica, teoria de controle, eletroquímica e processamento de sinais para enfrentar um problema que está na interseção da física e da computação. Seu trabalho reflete uma mudança mais ampla em P&D automotivo, onde avanços emergem cada vez mais da convergência de domínios tradicionalmente separados.
A resposta da indústria às descobertas tem sido cautelosamente otimista. Embora o método tenha sido validado em configurações laboratoriais, a implantação no mundo real exigirá testes extensivos de durabilidade sob diversas condições ambientais – incluindo temperaturas extremas, umidade e vibração. Adicionalmente, a integração com arquiteturas existentes de BMS e a conformidade com padrões de segurança funcional automotiva (como ISO 26262) serão necessárias antes da adoção generalizada.
No entanto, os benefícios potenciais são substanciais. Para os consumidores, significa displays de autonomia mais confiáveis, maior vida útil da bateria e confiança aprimorada na condução. Para os fabricantes de automóveis, oferece um caminho para reduzir o dimensionamento excessivo da bateria – uma prática comum usada para compensar a incerteza de estimativa – reduzindo assim o peso e o custo do veículo. Para operadores de frotas, o rastreamento preciso do SOC permite melhor planejamento de rotas e agendamento de carregamento, melhorando a eficiência operacional.
A adaptabilidade do método também o torna adequado para aplicações de segunda vida, como armazenamento estacionário de energia, onde baterias de veículos elétricos retirados de circulação são reutilizadas. Nestes cenários, a capacidade de avaliar com precisão o estado de pacotes de baterias envelhecidos e heterogêneos é crucial para segurança e desempenho.
Mirando adiante, a equipe de pesquisa está explorando extensões do algoritmo para estimar estados adicionais da bateria, incluindo estado de saúde (SOH) e estado de energia (SOE). Trabalhos preliminares sugerem que a mesma estrutura de identificação adaptativa pode ser aplicada para rastrear a diminuição da capacidade e o crescimento da resistência interna ao longo do tempo, fornecendo uma imagem abrangente da condição da bateria.
Outra área de investigação envolve compensação de temperatura. O comportamento da bateria varia significativamente com a temperatura, e versões futuras do algoritmo podem incorporar modelagem térmica em tempo real para manter a precisão em uma ampla faixa de operação – desde invernos congelantes até verões escaldantes.
A publicação desta pesquisa em um journal revisado por pares marca um marco significativo, mas a jornada da descoberta acadêmica ao produto comercial é frequentemente longa e complexa. A equipe registrou divulgações preliminares de propriedade intelectual e está em discussões com vários fornecedores automotivos sobre potencial colaboração.
À medida que as vendas globais de veículos elétricos continuam a subir – superando 14 milhões de unidades em 2023, de acordo com analistas do setor – a necessidade de gerenciamento de bateria mais inteligente e eficiente só se intensificará. Inovações como a desenvolvida na Universidade de Tecnologia de Chongqing não são apenas conquistas técnicas; são facilitadoras de um futuro de transporte sustentável.
Em uma era onde o software define cada vez mais a capacidade do veículo, este algoritmo adaptativo exemplifica como algoritmos inteligentes podem extrair o máximo valor do hardware existente. É um lembrete de que, às vezes, os avanços mais impactantes não estão em construir baterias maiores, mas em entendê-las melhor.
O sucesso do método AFFRLS-EKF também destaca o papel crescente das instituições chinesas no avanço da tecnologia de veículos elétricos. Com forte apoio governamental a veículos de nova energia e um mercado doméstico em rápida expansão, centros de pesquisa em toda a China estão fazendo contribuições significativas para a ciência de baterias, controle de motores e infraestrutura de carregamento.
Dr. Kan expressou otimismo sobre o impacto mais amplo do trabalho. “Não estamos apenas melhorando um número em um painel. Estamos construindo confiança entre o condutor e a máquina. Quando as pessoas veem que a previsão de autonomia de seu carro é consistentemente precisa, elas começam a confiar nela. Essa confiança é essencial para a adoção em massa de veículos elétricos.”
À medida que a indústria automotiva transiciona de motores de combustão interna para sistemas de propulsão eletrificados, o papel da bateria só crescerá em importância. E com isso, a necessidade de métodos sofisticados, confiáveis e adaptativos de estimativa de estado tornará-se primordial. O trabalho de Kan, Yang, Sun e Xie representa um passo significativo nessa direção – aproximando a promessa de mobilidade elétrica, previsível e eficiente da realidade.
Yingzhe Kan, Min Yang, Huaze Sun, Yunfei Xie, Escola de Engenharia Mecânica, Universidade de Tecnologia de Chongqing. Jornal da Universidade de Tecnologia de Chongqing (Ciências Naturais), doi:10.3969/j.issn.1674-8425(z).2024.11.003