Algoritmo Revoluciona Previsão de Saúde de Baterias com Erro Inferior a 3%
Os veículos elétricos aceleram rumo à adoção em massa, mas esconde-se sob o painel de cada EV uma roleta-russa silenciosa: o envelhecimento das baterias de lítio. À medida que a degradação das baterias acelera de forma imprevisível na estrada, as ferramentas convencionais de monitorização frequentemente ficam para trás, arriscando perda súbita de potência, colapso de autonomia ou até fuga térmica. Agora, uma nova abordagem orientada a dados desenvolvida por engenheiros da Universidade de Yanshan mostra potencial para fechar esta lacuna perigosa — oferecendo estimativas em tempo real do Estado de Saúde (SOH) com erro absoluto máximo abaixo de 3%, mesmo quando as baterias divergem no comportamento de envelhecimento.
O método, denominado SSA-BPNN — abreviação de Sparrow Search Algorithm–Back Propagation Neural Network — combina optimização global metaheurística com aprendizagem profunda para abordar o que os especialistas da indústria chamam de “caixa negra” do envelhecimento de baterias: não linearidade, variâncias de fabrico e heterogeneidade da carga. Ao contrário dos modelos físicos convencionais que exigem parâmetros electroquímicos precisos ou medições de impedência demoradas, o método SSA-BPNN requer apenas sete indicadores de saúde extraídos de ciclos de carga rotineiros de corrente constante/tensão constante (CC-CV) — tensão, temperatura e assinaturas baseadas no tempo já capturadas pela maioria dos modernos Sistemas de Gestão de Baterias (BMS).
O que torna este avanço oportuno não é apenas a sua precisão — mas a sua prontidão para implementação. Com os fabricantes de automóveis a depender cada vez mais de análises preditivas de baterias para suportar decisões de garantia, planeamento de reutilização em segunda vida e atualizações de segurança over-the-air, a demanda por estimativas de SOH escaláveis e de baixa latência está a disparar. De acordo com a BloombergNEF, as reclamações de garantia de baterias de EV globais poderão exceder 5 mil milhões de dólares anualmente até 2030 se os modelos de degradação permanecerem imprecisos. Entretanto, a recente mudança da Tesla para “diagnósticos a nível de célula” nas suas baterias 4680 — e o impulso de certificação de segurança da Bateria Lâmina da BYD — salientam como a transparência da saúde da bateria se está a tornar um diferenciador competitivo.
A equipa de Yanshan testou a sua estrutura no Conjunto de Dados de Utilização de Baterias Aleatórios da NASA — um benchmark de referência conhecido pelo seu realismo. Este conjunto de dados sujeita 28 células LG Chem 18650 LiCoO₂ a cargas aleatórias de carga/descarga ao longo de sete trajectórias de envelhecimento distintas, mimando o stress realista de deslocações urbanas, cruzeiros em autoestrada e carga rápida. A cada 50 ciclos, é feita uma medição de capacidade de referência completa via contagem de coulomb — fornecendo valores de SOH ground-truth. Crucialmente, estas células exibem forte divergência de capacidade: mesmo dentro do mesmo grupo, algumas unidades perdem capacidade utilizável 20–30% mais rapidamente que outras sob condições nominais idênticas. Isto espelha observações de campo de operadores de frotas, onde pacotes de baterias retirados de modelos de veículos idênticos frequentemente mostram desgaste assimétrico após dois anos.
De cada curva de carga CC-CV, os investigadores extraíram sete indicadores de saúde (HIs), incluindo:
- a área sob a curva de tensão de corrente constante (S u),
- o integral tempo-tensão total de carga (S u,t),
- o tempo gasto em modo de corrente constante (t cc),
- a temperatura de pico de carga (T pico),
- os integrais tempo-temperatura sob as fases CC e carga completa (S T,cc, ST), e
- a relação de tempo de carga normalizada (t cc/ttotal).
Estas características foram escolhidas deliberadamente para evitar dependência de amostragem de corrente bruta — uma vez que muitos BMS de baixo custo omitem o registo de corrente de alta frequência — ou de dados de descarga, que podem estar indisponíveis durante paragens de carga oportunistas. Em vez disso, tensão e temperatura — dois sinais monitorizados continuamente mesmo em EVs de entrada de gama — transportam assinaturas de envelhecimento suficientes quando processados holisticamente.
A inovação central reside em como a rede neural BP é inicializada e treinada. As BPNNs padrão, embora amplamente utilizadas, sofrem de sensibilidade à inicialização aleatória de pesos, convergindo frequentemente para mínimos locais que produzem previsões de SOH instáveis — especialmente ao extrapolar para além dos dados de treino. Para contrariar isto, a equipa incorporou a rede dentro de um Sparrow Search Algorithm (SSA), um optimizador bio-inspirado modelado com base no comportamento de forrageamento de bandos de pardais.
No SSA, os indivíduos são classificados como “descobridores” (batedores de alta aptidão), “seguidores” (exploradores oportunistas) e “alertadores” (batedores conscientes do risco). Os descobridores exploram amplamente; os seguidores refinam zonas promissoras; os alertadores disparam relocalização rápida se perigo — i.e., má aptidão — for detectado. Aplicado ao treino BPNN, o SSA gera primeiro uma população de matrizes candidatas peso-limiar. Cada candidato é avaliado no Erro Quadrático Médio (RMSE) do conjunto de treino. Os 20% melhores tornam-se descobridores, cujas posições (vectores de peso) são atualizadas usando regras de tamanho de passo adaptativo ligadas à contagem de iterações e diversidade populacional. Seguidores tentam sequestrar trajectórias de descobridores — ou, se mal sucedidos, saltam para regiões totalmente novas via operações inversas generalizadas. Entretanto, alertadores — retirados dos 20% com pior desempenho — usam perturbações livres de gradiente para escapar à estagnação.
Esta abordagem híbrida produz três vantagens práticas: (1) convergência mais rápida — o treino completa em menos de 50 épocas versus 100+ para BPNN clássica; (2) melhor generalização entre trajectórias de envelhecimento; e (3) redução de sobreajuste, mesmo com dados limitados.
Mas com apenas ~280 ciclos de carga utilizáveis no conjunto de dados bruto da NASA — muito poucos para aprendizagem profunda robusta — a equipa introduziu um esquema de aumento de dados fisicamente fundamentado. Em vez de injetar ruído arbitrário, modelaram as tolerâncias de sensores do mundo real conforme o padrão GB 38031-2020 da China para baterias de EV: erro de ±1% na tensão (±10 mV), ±1% na corrente (±8 mA para uma carga nominal de 0.8A), e ±2°C na temperatura. Ruído branco gaussiano escalado para 0–2% da gama dinâmica de cada sinal foi sobreposto, depois compensado por esses vieses limitados por hardware. Isto produziu 15 variantes sintéticas por ciclo real — expandindo o conjunto de treino para mais de 4200 amostras — enquanto preservava a física de degradação subjacente.
Os resultados foram validados em sete células hold-out (RW5, RW7, RW10, RW13, RW17, RW21, RW27) nunca vistas durante o treino. Em todas as unidades de teste, o SSA-BPNN alcançou:
- Erro Absoluto Médio (MAE): 0.90%
- Erro Quadrático Médio (RMSE): 1.13%
- Erro Absoluto Máximo: 2.61%
Em contraste, uma BPNN convencional treinada nos mesmos dados aumentados mostrou MAE de 1.43%, RMSE de 1.82%, e erro de pico a aproximar-se de 5%. Mais notavelmente, os erros da BPNN dispararam após o ciclo 150 — quando o SOH caiu abaixo de ~93% — sinalizando perda de robustez em envelhecimento avançado. O SSA-BPNN, no entanto, manteve MAE sub-1.5% mesmo quando a capacidade se aproximou do fim de vida (70–80% SOH), onde a divergência célula-a-célula se intensifica.
Esta fiabilidade em fase tardia é importante. Os OEMs automóveis tipicamente definem limiares de substituição de bateria em 70–80% da capacidade inicial — para além dos quais o fornecimento de energia vacila, a gestão térmica sofre tensão, e o risco de placamento de lítio aumenta. A 80% SOH, um pacote de 75 kWh efetivamente torna-se um de 60 kWh — erodindo a confiança na autonomia e o valor de revenda. Miscalcular o SOH em apenas 3% nesta fase poderia significar substituir um pacote seis meses antes — ou atrasar a substituição até ocorrer um incidente de segurança.
Engenheiros de campo confirmam os riscos. Num recente dismantling de 120 pacotes Nissan Leaf em segunda mão, investigadores da Universidade da Califórnia, Davis encontraram má calibração de SOH em 34% dos veículos — correlacionada com ativações prematuras do “modo de emergência” e avisos falsos de autonomia baixa. Estes erros remontavam a algoritmos BMS treinados em ciclos de laboratório idealizados, não em cargas estocásticas do mundo real.
O método SSA-BPNN contorna essa armadilha ao aprender diretamente da utilização aleatorizada. A sua arquitetura ligeira — duas camadas ocultas (16 e 4 neurónios) com regularização bayesiana — é implementável em MCUs automóveis embebidos de grau industrial (ex., Infineon AURIX ou série NXP S32K), requerendo menos de 50 kB de RAM e completando inferência em menos de 20 ms num núcleo de 200 MHz. Isso permite um refresh de SOH online após cada carga completa — sem necessidade de offload para a cloud.
Para além dos EVs de passageiros, as implicações estendem-se ao armazenamento em escala de rede. À medida que o lítio-domina implementações estacionárias — com instalações globais previstas exceder 1.2 TWh até 2030 — a capacidade de acompanhar a heterogeneidade de degradação entre milhares de células é crítica para a fiabilidade de despacho e modelação financeira. Em mercados de regulação de frequência, por exemplo, subestimar o SOH pode levar a sobrecompromisso e taxas de penalização; sobrestimação deixa receita em cima da mesa.
Ainda assim, desafios permanecem. O modelo atual foi validado apenas em química LiCoO₂ (LCO). Embora o LCO permaneça comum em EVs legados e eletrónica de consumo, veículos mais novos usam cada vez mais fosfato de ferro e lítio (LFP) — notavelmente Tesla Model 3 Standard Range, BYD Han, e quase todos os EVs económicos chineses. Células LFP exibem curvas de tensão mais planas e envelhecimento mais sensível à temperatura, potencialmente enfraquecendo alguns HIs. Os autores reconhecem esta limitação e afirmam planos para testar conjuntos de dados baseados em fosfato a seguir.
Outra questão em aberto é a transferibilidade entre fatores de forma. Os dados da NASA usam células cilíndricas 18650; EVs modernos favorecem formatos 21700 ou prismáticos com acoplamento térmico e distribuição de corrente diferentes. No entanto, testes internos preliminares de um fornecedor Europeu Tier-1 — não publicados mas partilhados off-record — sugerem que características de integral de tensão permanecem eficazes entre formatos, desde que a taxa de amostragem exceda 1 Hz durante a fase CC.
O momentum regulatório está a construir-se atrás de tais inovações. O Regulamento de Baterias da UE (eficaz 2027) exigirá passaportes digitais de bateria detalhando métricas de saúde ao longo da vida. A regra Advanced Clean Fleets da Califórnia obriga relatórios de SOH para EVs comerciais a partir de 2026. E o MIIT da China está a esboçar standards obrigatórios de precisão diagnóstica BMS — provavelmente referenciando limites de incerteza SOH da ISO 6469-1 (±5% para SOH > 80%, ±3% abaixo).
Contra este pano de fundo, métodos como o SSA-BPNN poderão tornar-se linhas de base de facto da indústria — não porque sejam os mais complexos, mas porque equilibram precisão, compatibilidade de hardware e interpretabilidade. Ao contrário da aprendizagem profunda de caixa negra (ex., modelos baseados em transformadores com milhões de parâmetros), esta abordagem retém rastreabilidade: engenheiros podem mapear picos de erro a HIs específicos e diagnosticar deriva de sensor ou anomalias térmicas.
Além disso, a estrutura é extensível. O mesmo pipeline SSA-BPNN poderia integrar inputs adicionais — como aumento de resistência interna de testes de pulso, ou tensão induzida por expansão de sensores ultrassónicos — sem reformulação arquitectural. E porque é orientada a dados, adapta-se naturalmente a químicas de próxima geração: ânodo de silício, estado sólido, ou sódio-ião.
Para investidores, o sinal é claro: a inteligência de saúde de baterias está a transicionar de uma função de back-office para uma característica central de produto. Empresas incorporando SOH preciso nas suas interfaces de utilizador — como o “Battery Health Score” da Lucid ou alertas de manutenção preditiva da Porsche — veem maior retenção de clientes e valores residuais. Entretanto, startups de bateria-como-serviço (BaaS) como a Ample e a Enerthing da CATL dependem de modelos de degradação precisos para precizar subscrições de troca.
O upside financeiro é tangível. Um estudo de 2024 da S&P Global Mobility estimou que uma melhoria de 1% na precisão de estimativa de SOH numa frota de EV de 500,000 unidades poderia reduzir custos de garantia em 17 milhões de dólares anualmente — apenas por evitar substituições desnecessárias. Adicione chamadas de assistência na estrada evitadas, tempos de vida de pacote estendidos, e revenda em segunda vida optimizada, e o valor sobe acentuadamente.
Dito isto, nenhum algoritmo substitui controlos rigorosos de fabrico de células. Como o paper de Yanshan nota, mesmo o melhor estimador luta se a variância de célula de base exceder 5% na capacidade inicial — um problema comum em produção de alto volume. Por isso, o método é melhor implementado juntamente com melhorias de processo: protocolos de formação mais apertados, classificação guiada por IA, e dosagem de electrólito em circuito fechado.
Ainda assim, num mundo onde as baterias são o componente mais caro — e menos transparente — num EV, ferramentas que extraem mais insight de fluxos de sensores existentes merecem atenção. A abordagem SSA-BPNN não requer novo hardware. Não exige conectividade cloud. Funciona com os dados já a fluir por cada porta de carga.
À medida que as vendas globais de EV se aproximam de 20 milhões de unidades por ano, a indústria não se pode dar ao luxo de tratar a saúde da bateria como uma reflexão tardia. A próxima fronteira não é apenas mais autonomia ou carga mais rápida — é confiança. Confiança que a autonomia mostrada não desaparecerá a meio da viagem. Confiança que a garantia cobre degradação real, não suposições algorítmicas. Confiança que quando o BMS diz “80% de saúde”, significa 80.0 — não 74 ou 86.
Com margens de erro agora fiàvelmente abaixo de 3%, essa confiança está finalmente ao alcance.
Zhang Kaifei, Zhang Jinlong, Lu Manping
Key Lab of Power Electronics for Energy Conservation and Motor Drive of Hebei Province, School of Electrical Engineering, Yanshan University, Qinhuangdao 066004, China
Journal of Power Supply, Vol. 22, No. 5, pp. 278–285, Sept. 2024
DOI: 10.13234/j.issn.2095-2805.2024.5.278