Avanço no Alinhamento de Carregamento Sem Fio para Veículos Elétricos
À medida que os veículos elétricos continuam a ganhar força nos mercados globais, o foco na melhoria da infraestrutura de carregamento intensificou-se. Entre as tecnologias mais promissoras está a transferência de energia sem fio, que oferece uma alternativa integrada e amigável aos sistemas tradicionais com plugue. No entanto, um desafio persistente tem limitado sua adoção generalizada: o alinhamento preciso da bobina entre o receptor do veículo e o transmissor baseado no solo. O desalinhamento pode reduzir significativamente a eficiência do carregamento, tornando o posicionamento preciso essencial. Um estudo recente publicado na Electrical Measurement & Instrumentation introduz uma solução inovadora que utiliza inteligência artificial para resolver esse problema, abrindo caminho para um carregamento sem fio mais confiável e eficiente para veículos elétricos.
A pesquisa, liderada por Pan Zhixin da Jiangsu Fangtian Electric Power Technology Co., Ltd., em colaboração com especialistas da State Grid Jiangsu Electric Power Co., Ltd. e da Southeast University, apresenta uma abordagem revolucionária baseada em redes neurais de retropropagação (BP). Este método permite a detecção em tempo real da posição da bobina receptora em relação à bobina transmissora, oferecendo feedback crítico para orientação do motorista ou sistemas de estacionamento autónomo. Os resultados foram detalhados na edição de fevereiro de 2024 da revista, sob o título “Research on coil positioning technology based on BP neural network”, e desde então têm atraído a atenção tanto de círculos académicos quanto industriais.
No cerne dos modernos sistemas de carregamento sem fio para veículos elétricos está a ressonância de acoplamento magnético, um princípio que permite a transferência eficiente de energia através de campos eletromagnéticos sobre pequenos intervalos de ar. Para um desempenho ideal, as bobinas primária (transmissora) e secundária (receptora) devem estar estreitamente alinhadas—normalmente dentro de uma tolerância de 10 cm—para manter uma alta eficiência de transferência de energia, frequentemente acima de 80%. Embora existam alguns auxílios mecânicos, como guias visuais ou estacionamento assistido por sensores, esses métodos são imprecisos ou dispendiosos. Além disso, o alinhamento manual continua impraticável para os utilizadores quotidianos, especialmente em estações de carregamento públicas onde a velocidade e a conveniência são primordiais.
As soluções existentes exploraram várias técnicas de deteção. Algumas dependem de sensores magnetorresistivos colocados ao redor da almofada de carregamento para detetar variações do campo magnético espacial. Outras utilizam sistemas auxiliares como etiquetas RFID embutidas no chassis do veículo. No entanto, essas abordagens frequentemente requerem hardware adicional, aumentam a complexidade do sistema e elevam os custos de fabrico. Além disso, muitas falham em fornecer dados posicionais bidimensionais completos necessários para o ajuste fino do alinhamento nos eixos x e y.
A inovação da equipa contorna essas limitações aproveitando o aprendizado de máquina para interpretar sinais de simples bobinas de deteção integradas na infraestrutura de carregamento. Essas pequenas bobinas indutivas capturam flutuações de tensão induzidas pelo campo eletromagnético gerado pelo transmissor principal. Como a força e a distribuição desse campo variam dependendo da posição relativa da bobina receptora, as tensões induzidas servem como indicadores indiretos da localização espacial. A relação entre as leituras de tensão e as coordenadas físicas, no entanto, é altamente não linear e complexa—demasiado intrincada para a modelagem matemática convencional.
É aqui que a rede neural BP entra em ação. Ao contrário dos algoritmos baseados em regras, as redes neurais destacam-se na identificação de padrões em grandes conjuntos de dados e na aproximação de funções complexas sem exigir equações explícitas. Ao treinar a rede com um conjunto de dados de posições conhecidas e entradas de tensão correspondentes, ela aprende a prever posições desconhecidas com notável precisão. Em essência, o sistema trata a localização da bobina como um problema de aprendizado supervisionado: dadas quatro tensões de entrada de bobinas de deteção estrategicamente colocadas, a rede produz as coordenadas x e y estimadas do receptor.
Para validar o seu conceito, os investigadores realizaram estudos de simulação e experimentais. Usando o ANSYS Maxwell, uma ferramenta de análise de elementos finitos amplamente utilizada no design eletromagnético, modelaram um sistema típico de carregamento sem fio compensado LCC-S—uma topologia favorecida pela sua capacidade de fornecer corrente constante no lado primário e tensão de saída estável no secundário. As bobinas transmissora e receptora eram de forma quadrada, medindo 550 mm e 450 mm por lado, respetivamente, com uma separação vertical padrão de 20 cm, simulando a distância realista do solo do veículo.
Uma grelha de 1600 pontos foi definida sobre uma área de 20 cm × 20 cm centrada na bobina transmissora, com medições realizadas a cada 0,5 cm. A partir deste mapa abrangente, 25 pontos de dados representativos foram selecionados para treinar a rede neural. Destes, 17 foram usados para treino real, enquanto 4 serviram para validação e outros 4 para teste final. A MATLAB Deep Learning Toolbox foi empregue, utilizando o algoritmo Levenberg-Marquardt—uma técnica de otimização avançada conhecida pela rápida convergência em redes de pequeno a médio porte.
Uma decisão chave no design de redes neurais é determinar o número de neurónios na camada oculta, o que impacta diretamente a capacidade do modelo e a carga computacional. Poucos neurónios podem resultar em subajuste, enquanto muitos podem levar a sobreajuste e tempos de processamento mais longos. Guiados por regras empíricas que sugerem uma variação entre √(n + r) + a (onde n é a contagem de entrada, r é a contagem de saída e a é um pequeno inteiro), a equipa testou configurações com 5, 10 e 15 neurónios ocultos. Surpreendentemente, a configuração mais simples—com apenas cinco neurónios—produziu o melhor desempenho, alcançando um erro médio de posicionamento de apenas 0,907 cm nas simulações. Aumentar a contagem de neurónios não melhorou a precisão, indicando que a complexidade do problema pode ser capturada eficientemente sem computação excessiva.
Encorajados por esses resultados, a equipa passou à experimentação física. Um banco de testes real foi construído com o mesmo circuito LCC-S alimentado por uma fonte CA de 390V operando na frequência de ressonância. Quatro bobinas de deteção foram montadas sob o transmissor, cada uma conectada a um circuito de condicionamento de sinal composto por díodos para retificação de meia-onda, filtros RC para retenção de pico e divisores resistivos para reduzir tensões adequadas para conversão analógico-digital de microcontrolador. A aquisição de dados foi tratada através de um processador de chip único, que alimentou os valores de tensão brutos na rede BP pré-treinada em execução num computador anfitrião.
O protocolo experimental espelhou a configuração de simulação: os mesmos 25 pontos de calibração foram medidos manualmente e depois usados para treinar a rede. Cinco novas posições de teste foram avaliadas, incluindo localizações descentradas como (-2,5 cm, -7,5 cm) e (7,0 cm, 3,5 cm). O sistema previu com sucesso todas as posições com precisão a nível centimétrico, embora tenham sido observados pequenos desvios em comparação com os resultados da simulação. Por exemplo, no ponto (-2,5, -7,5), a rede estimou (-4,14, -8,4), resultando num erro de aproximadamente 1,8 cm. Discrepâncias semelhantes ocorreram noutros locais, atribuídas principalmente ao ruído de medição, pequenos deslocamentos durante o posicionamento manual e não idealidades no circuito analógico.
Apesar dessas variações, a consistência geral entre os resultados simulados e do mundo real confirmou a robustez do método. Como mostrado em gráficos de distribuição de erro comparativos, os erros experimentais mantiveram-se dentro de limites aceitáveis, reforçando a viabilidade de implantar tal sistema em aplicações comerciais. Notavelmente, todo o processo—desde a amostragem de tensão até à estimativa de coordenadas—ocorreu rapidamente, permitindo um feedback quase em tempo real ideal para integração com sistemas de estacionamento automatizado.
O que distingue esta abordagem é o seu equilíbrio entre simplicidade, custo-efetividade e desempenho. Ao contrário de alternativas com muitos sensores que requerem matrizes de dispositivos de efeito Hall ou infraestrutura RFID externa, esta solução usa apenas elementos indutivos passivos já compatíveis com o hardware de carregamento existente. Não há necessidade de transmissores adicionais, câmaras ou módulos ultrassónicos. A inteligência reside inteiramente em software, tornando as atualizações e recalibrations simples através de atualizações de firmware.
Além disso, a dependência de redes neurais BP traz adaptabilidade inerente. Se as condições ambientais mudarem—como variações de temperatura afetando a resistência da bobina ou objetos metálicos próximos distorcendo o campo magnético—a rede pode ser retreinada com dados atualizados para manter a precisão. Isso contrasta fortemente com modelos de parâmetros fixos que se degradam ao longo do tempo sem recalibração manual.
Do ponto de vista prático, integrar esta tecnologia nas arquiteturas atuais de veículos elétricos exigiria modificações mínimas. Os fabricantes de veículos poderiam incorporar a rede neural treinada na unidade de controlo de carregamento a bordo, enquanto os operadores de estações de carregamento poderiam implementar o circuito de deteção durante a instalação da almofada. O feedback poderia então ser retransmitido visualmente através do visor do tablier, auditivamente via alertas ou automaticamente através de protocolos de comunicação veículo-infraestrutura permitindo manobras de estacionamento automático.
As implicações estendem-se além da conveniência do consumidor. Os operadores de frotas que gerem autocarros elétricos ou furgotas de entrega beneficiam significativamente, uma vez que o alinhamento consistente e rápido reduz o tempo de inatividade e maximiza a eficiência operacional. Os centros de carregamento públicos poderiam ter maior throughput, reduzindo a congestão e melhorando a satisfação do utilizador. Adicionalmente, o alinhamento preciso garante a máxima transferência de energia, minimizando o calor residual e prolongando a vida útil dos componentes—considerações-chave para a sustentabilidade a longo prazo.
A segurança é outra dimensão melhorada pelo posicionamento preciso. Quando as bobinas estão desalinhadas, campos eletromagnéticos dispersos podem aumentar, potencialmente interferindo com pacemakers ou outros eletrónicos sensíveis. Padrões regulatórios, como os definidos pela International Electrotechnical Commission (IEC), impõem limites rigorosos às emissões eletromagnéticas. Ao garantir um acoplamento ideal, este método orientado por IA ajuda a manter as emissões dentro de limites seguros, contribuindo para uma aceitação mais ampla do carregamento sem fio em ambientes urbanos.
Embora a implementação atual se concentre no deslocamento planar, trabalhos futuros poderiam expandir para incluir distância vertical (eixo z) e orientação angular (inclinação e guinada), fornecendo rastreamento completo de seis graus de liberdade. Isso seria particularmente útil para superfícies irregulares ou rampas de acesso. Incorporar capacidades de aprendizado dinâmico—onde a rede se aperfeiçoa continuamente com base em dados em tempo real—poderia melhorar ainda mais a resiliência contra desgaste e deriva ambiental.
Outra via envolve matrizes de transmissores multi-bobina, onde múltiplas bobinas sobrepostas permitem maior flexibilidade espacial. Nessas configurações, conhecer a posição exata do receptor permite a ativação seletiva da sub-bobina mais próxima, aumentando a eficiência e reduzindo perdas em standby. A estrutura de rede neural BP descrita aqui fornece uma base sólida para tais estratégias de comutação inteligente.
A resposta da indústria ao estudo tem sido positiva. Especialistas observam que, embora o carregamento sem fio tenha sido longamente visto como uma funcionalidade premium, avanços como este aproximam-no da viabilidade mainstream. Organismos de padronização, incluindo a SAE International e a Wireless Power Consortium, estão a desenvolver ativamente diretrizes de interoperabilidade, e a incorporação de posicionamento baseado em IA poderá tornar-se parte de especificações futuras.
Em conclusão, a pesquisa conduzida por Pan Zhixin, Yang Xiaomei, Wang Chengliang, Fei Yijun, Xu Qingqiang e Li Chengyun representa um salto significativo na tecnologia de carregamento sem fio para veículos elétricos. Ao combinar princípios eletromagnéticos fundamentais com aprendizado de máquina moderno, criaram uma solução escalável, precisa e economicamente viável para um dos desafios mais duradouros do campo. O seu trabalho demonstra como a colaboração interdisciplinar—abrangendo engenharia de energia, processamento de sinal e inteligência artificial—pode produzir inovações práticas com impacto de longo alcance.
À medida que as cidades em todo o mundo aceleram a sua transição para transportes eletrificados, tecnologias que simplificam e otimizam a experiência de carregamento serão cruciais. Este sistema de posicionamento baseado em rede neural BP não apenas melhora o desempenho técnico, mas também aumenta a confiança e o envolvimento do utilizador, removendo uma grande barreira psicológica à adoção. Com contínuo refinamento e implantação, poderá em breve tornar-se uma funcionalidade padrão em sistemas de carregamento sem fio de próxima geração.
Pesquisa sobre tecnologia de posicionamento de bobinas baseada em rede neural BP – Pan Zhixin, Yang Xiaomei, Wang Chengliang, Fei Yijun, Xu Qingqiang, Li Chengyun; Electrical Measurement & Instrumentation; DOI: 10.19753/j.issn1001-1390.2024.02.029