Filtro UKF Melhora Precisão na Estimativa de SOC para Baterias de VE
A evolução da mobilidade elétrica está intrinsecamente ligada à capacidade de gerenciar com precisão um dos seus componentes mais críticos: a bateria de alta tensão. Para o condutor de um veículo elétrico (VE), a autonomia indicada no painel não é apenas um número, mas um contrato de confiança. É a promessa de que o carro chegará ao destino sem surpresas. Por trás dessa estimativa, no entanto, esconde-se um dos maiores desafios da engenharia automotiva moderna: determinar com exatidão o Estado de Carga (State of Charge, SOC) de uma bateria de íons de lítio. Um erro de poucos pontos percentuais pode transformar uma viagem tranquila em uma corrida contra o tempo. Um novo estudo, liderado por Wenqiang Shu do College of Electrical and Electronic Engineering da Anhui Institute of Information Technology, traz uma solução promissora para esse problema, demonstrando que o Filtro de Kalman sem Traço (Unscented Kalman Filter, UKF) pode elevar a precisão da estimativa de SOC a níveis que atendem rigorosamente às exigências do setor automotivo.
Publicado no Journal of Foshan University (Natural Sciences Edition), o trabalho de pesquisa foca especificamente nas baterias de fosfato de ferro e lítio (LiFePO₄), uma química cada vez mais popular por sua excelente estabilidade térmica, longa vida útil e segurança operacional. A metodologia proposta supera as limitações de métodos tradicionais de estimativa, alcançando um erro de estimativa consistentemente inferior a 4%. Este patamar de precisão é fundamental para garantir a confiabilidade dos sistemas de gestão de bateria (BMS) e, por extensão, a experiência do usuário final.
O sistema de gestão de bateria é o cérebro do veículo elétrico. Ele é responsável por monitorar continuamente dezenas de parâmetros, como tensão, corrente e temperatura de cada célula, mas o SOC é, sem dúvida, a informação mais crucial. Diferentemente de um tanque de combustível, onde o nível pode ser medido diretamente, o SOC é uma grandeza derivada. Ele não pode ser “medido”, mas sim “inferido” a partir de modelos matemáticos complexos que interpretam os dados brutos dos sensores. O desafio surge porque uma bateria de íons de lítio não é um componente passivo; é um sistema eletroquímico altamente dinâmico e não linear, cujo comportamento muda com a temperatura, a idade, o perfil de uso e a taxa de carga ou descarga.
Ao longo dos anos, diversas abordagens foram desenvolvidas para estimar o SOC, cada uma com seus próprios pontos fortes e fracos. O método de teste de descarga é o mais direto: descarrega-se a bateria completamente em condições controladas para medir sua capacidade total. É altamente preciso, mas completamente inviável para um veículo em operação, pois exigiria paralisar o sistema de propulsão. O método de tensão em circuito aberto (OCV) baseia-se na relação entre a tensão da bateria em repouso e seu SOC. Embora seja preciso, esse método exige que a bateria permaneça desconectada e em repouso por longos períodos, o que é impraticável durante a condução, onde as condições são constantemente dinâmicas.
O método de integração amperimétrica, também conhecido como “contagem de Coulomb”, é o mais simples de implementar. Ele calcula o SOC atual integrando a corrente ao longo do tempo, a partir de um valor inicial. Apesar de sua simplicidade conceitual, este método sofre de dois defeitos críticos. O primeiro é a dependência de um valor inicial de SOC preciso, que pode ser perdido em caso de falha de energia ou em veículos usados. O segundo, e mais problemático, é a acumulação de erros. Pequenas imprecisões nos sensores de corrente, mesmo que insignificantes, somam-se ao longo do tempo, levando a uma deriva significativa na estimativa do SOC. Após milhares de ciclos, a leitura no painel pode estar completamente desconectada da realidade.
Outras abordagens, como redes neurais, mostraram potencial devido à sua capacidade de aprender padrões complexos. No entanto, elas exigem grandes volumes de dados de treinamento para diferentes cenários e condições de envelhecimento. Além disso, são consideradas “caixas pretas”, o que dificulta sua validação e certificação para aplicações críticas de segurança, como sistemas automotivos, onde a previsibilidade é essencial.
É nesse cenário que os métodos baseados em modelos físicos e filtros estatísticos, como o Filtro de Kalman, ganharam destaque. O Filtro de Kalman clássico (KF) é um algoritmo poderoso para estimar o estado de um sistema dinâmico a partir de medições ruidosas. No entanto, ele é projetado para sistemas lineares. As baterias de íons de lítio são fortemente não lineares. Para contornar essa limitação, foi desenvolvido o Filtro de Kalman Estendido (EKF), que lineariza o modelo não linear em torno do ponto de operação atual. O EKF representou um avanço, mas a linearização introduz um erro inerente que pode se tornar significativo, especialmente quando a bateria opera em regiões com variações rápidas de tensão em função do SOC ou sob cargas dinâmicas.
A pesquisa de Wenqiang Shu concentra-se em uma solução mais robusta: o Filtro de Kalman sem Traço (UKF). O UKF evita o perigoso passo da linearização. Em vez de aproximar a não linearidade com uma tangente, ele utiliza uma técnica chamada Transformação sem Traço (Unscented Transform, UT). A ideia central é selecionar um pequeno conjunto de pontos, chamados pontos sigma, que capturam com precisão a média e a covariância (a “forma”) da distribuição do estado da bateria. Esses pontos sigma são então passados através do modelo não linear real da bateria. As saídas transformadas são finalmente recombinadas, com pesos específicos, para calcular a nova estimativa do estado e sua incerteza. Esse processo preserva informações estatísticas de ordem superior, resultando em uma estimativa muito mais precisa do que o EKF, especialmente na presença de fortes não linearidades.
Para implementar o algoritmo UKF, Shu primeiro construiu um modelo matemático da bateria. Optou por um modelo equivalente de Thevenin de segunda ordem, uma representação de circuito que se tornou um padrão na pesquisa com baterias. Este modelo representa a força eletromotriz interna com uma tensão em circuito aberto (OCV), a resistência interna com uma resistência ôhmica (R0) e os efeitos de polarização (atrasos na resposta da tensão) com uma resistência (R1) e um capacitor (C1) em paralelo. A chave do modelo é a relação entre a OCV e o SOC, que é altamente não linear e específica para cada química da bateria.
Para obter essa relação, Shu conduziu um experimento de descarga por pulsos em uma bateria LiFePO₄ de 10 Ah. A bateria foi descarregada em etapas discretas (1 Ah de cada vez) com um pulso de corrente de 1C, seguido por um período de repouso de 60 minutos para permitir que a tensão se estabilizasse no seu valor de OCV. Esse processo gerou uma tabela de valores que conectam diretamente o SOC à tensão em repouso. Os dados coletados foram então importados para o MATLAB, um software de cálculo científico amplamente utilizado na indústria automotiva, e analisados com uma toolbox de interpolação para obter uma curva contínua e precisa que descreve o comportamento OCV-SOC da bateria.
Este modelo detalhado foi então integrado ao algoritmo UKF. O filtro opera em dois passos repetidos: previsão e atualização. Na fase de previsão, o UKF usa o modelo da bateria para prever qual será o SOC e a tensão terminal no próximo instante de amostragem, com base na corrente medida. Na fase de atualização, o filtro compara a tensão prevista com a tensão realmente medida pelo sensor. A diferença, chamada de inovação, é um indicador de quão errada está a estimativa do estado. O UKF calcula um “ganho” ótimo que determina quanto confiar na nova medição em relação à previsão do modelo. Esse ganho é calibrado com base na incerteza do modelo e no ruído dos sensores, permitindo que o filtro se adapte dinamicamente.
Para testar o desempenho, Shu realizou uma simulação no MATLAB. Ele configurou uma descarga constante de 5A a partir de um SOC inicial de 95% e comparou as estimativas do UKF e do EKF com um valor de referência gerado pelo método de integração amperimétrica (considerado “verdadeiro” nessas condições de simulação controlada). Os resultados foram esclarecedores. No início da descarga, ambos os filtros seguiam razoavelmente bem o valor de referência. No entanto, à medida que a descarga progredia, o EKF começou a se desviar, acumulando erro. Ao final do teste, após 80 minutos, o erro do EKF atingiu 6,08%, um valor inaceitável para um sistema automotivo. Em contrapartida, o UKF manteve um controle muito mais rigoroso sobre o erro, que permaneceu constantemente abaixo de 4% durante toda a duração da descarga. Isso demonstra a superioridade do UKF no gerenciamento das não linearidades do sistema e na provisão de uma estimativa robusta e confiável.
O impacto deste trabalho vai muito além do laboratório. Para os fabricantes de automóveis, um BMS baseado em UKF significa uma indicação de autonomia mais precisa, reduzindo drasticamente a ansiedade por autonomia e melhorando a satisfação do cliente. Significa também uma gestão energética mais inteligente: o sistema pode otimizar a recuperação de energia na frenagem, planejar o aquecimento da bateria para recarga rápida e prevenir condições de estresse que aceleram o envelhecimento. Além disso, uma estimativa precisa do SOC é fundamental para avaliar a saúde da bateria (State of Health, SOH), um fator crucial para a garantia e para o mercado secundário de baterias usadas, por exemplo, para armazenamento de energia estacionário.
A metodologia apresentada é também notavelmente prática. O uso do MATLAB para simulação e desenvolvimento está alinhado com os fluxos de trabalho padrão da indústria automotiva. O modelo de Thevenin e o algoritmo UKF são ambos bem conhecidos e implementáveis em microcontroladores embarcados dentro do BMS. Ele não requer sensores especiais, baseando-se apenas em medições padrão de tensão, corrente e temperatura.
O estudo, no entanto, reconhece também suas limitações. Uma das principais é a suposição de covariâncias de ruído (ruído do processo e ruído de medição) constantes. Na realidade, esses parâmetros podem variar com a temperatura, a idade da bateria e a taxa de descarga. Um modelo de ruído estático pode levar a desempenho subótimo. Uma solução futura poderia ser a implementação de um filtro adaptativo, capaz de atualizar autonomamente essas covariâncias em tempo real, tornando o sistema ainda mais robusto.
Outra área de desenvolvimento é a integração direta do modelo de envelhecimento. A capacidade da bateria diminui com o tempo, e sua resistência interna aumenta. Essas mudanças alteram a relação OCV-SOC e o comportamento dinâmico. Um sistema avançado poderia usar o UKF não apenas para estimar o SOC, mas também para estimar em tempo real a capacidade e a resistência, permitindo uma calibração contínua e uma estimativa de SOC ainda mais precisa por toda a vida do veículo.
Em um cenário onde os veículos elétricos estão se tornando cada vez mais sofisticados, com atualizações de software “over-the-air” e funcionalidades autônomas, o gerenciamento da bateria é um elemento-chave de diferenciação. Tecnologias como o UKF não são apenas melhorias incrementais; são facilitadoras que transformam o veículo elétrico de um simples meio de transporte em um sistema energético inteligente. Elas tornam a transição para a mobilidade sustentável mais atraente, confiável e acessível para todos.
Wenqiang Shu, College of Electrical and Electronic Engineering, Anhui Institute of Information Technology, Journal of Foshan University (Natural Sciences Edition)