Inovação na Monitorização da Saúde de Baterias em Tempo Real para Veículos Elétricos
À medida que a indústria de veículos elétricos (VE) acelera rumo à adoção generalizada, um dos desafios mais prementes continua a ser a avaliação precisa e em tempo real do estado de saúde das baterias. O conjunto de baterias de iões de lítio é o coração de qualquer VE, e o seu desempenho influencia diretamente a autonomia, a segurança e a longevidade. No entanto, a monitorização do Estado de Saúde (SOH, na sigla em inglês) destas baterias durante a operação diária tem sido um obstáculo técnico há muito tempo — especialmente quando se depende de dados de carregamento incompletos ou fragmentados. Agora, um novo algoritmo desenvolvido por investigadores da Universidade de Ciência e Tecnologia de Harbin está prestes a transformar a forma como a saúde da bateria é estimada em condições reais.
Num estudo publicado na Transactions of China Electrotechnical Society, a Doutora Xianhua Song e a sua estudante de pós-graduação Quanzheng Yao introduziram um método inovador capaz de estimar o SOH da bateria com uma precisão sem precedentes, utilizando apenas ciclos parciais de carregamento — dados comummente registados durante o uso diário de VEs. Este avanço pode melhorar significativamente os sistemas de gestão de baterias (BMS, na sigla em inglês), permitindo previsões de autonomia mais fiáveis, estratégias de carregamento otimizadas e uma vida útil prolongada da bateria.
A investigação aborda uma limitação crítica nos diagnósticos atuais de baterias: a maioria das técnicas de estimativa de SOH requer ciclos completos de carga-descarga para gerar dados confiáveis. Na prática, porém, os proprietários de VEs raramente esgotam completamente as suas baterias ou as carregam de vazias para cheias. Em vez disso, envolvem-se em “carregamento segmentado” — completando a carga de 30% para 80%, ou de 50% para 100%, dependendo das necessidades diárias. Este comportamento cria uma lacuna em dados utilizáveis, tornando os modelos tradicionais de SOH menos eficazes em aplicações em tempo real.
Para superar este desafio, Song e Yao desenvolveram uma estrutura híbrida de aprendizagem automática e filtragem denominada DEKF-WNN-WLSTM. O acrónimo significa Dual Extended Kalman Filter-Wavelet Neural Network-Wavelet Long Short-Term Memory Neural Network. Embora o nome possa parecer complexo, o princípio subjacente está elegantemente concebido para extrair o máximo de informação a partir de um input mínimo.
No seu cerne, o modelo aproveita os pontos fortes de múltiplas técnicas computacionais avançadas. Começa com o Filtro de Kalman Estendido (EKF, na sigla em inglês), um algoritmo bem estabelecido utilizado na estimativa de sistemas não lineares. O EKF é particularmente eficaz no rastreio de sistemas dinâmicos como baterias, onde os estados internos mudam ao longo do tempo devido ao envelhecimento, temperatura e padrões de utilização. No entanto, os métodos tradicionais baseados em EKF sofrem frequentemente de acumulação de erros e requerem recalibração frequente utilizando dados de ciclos completos.
A inovação de Song e Yao reside em melhorar o EKF com duas redes neuronais especializadas: uma Rede Neural de Wavelet (WNN, na sigla em inglês) e uma Rede de Memória de Longo Prazo com Wavelet (WLSTM, na sigla em inglês). Estas redes não são modelos padrão de aprendizagem profunda; estão concebidas para lidar com as características únicas dos dados de baterias, que frequentemente contêm ruído, não linearidade e padrões de degradação dependentes do tempo.
A WNN traz robustez e extração de características de alta resolução. Ao substituir as funções de ativação convencionais por funções wavelet — ferramentas matemáticas adeptas na análise de sinais em diferentes escalas — a rede pode detetar alterações subtis nos perfis de tensão e corrente que indicam o envelhecimento da bateria. Isto é particularmente útil durante o carregamento parcial, onde pequenas variações na curva de carregamento podem revelar informações significativas sobre a perda de capacidade.
O componente WLSTM, por outro lado, destaca-se na captura de dependências de longo prazo em dados sequenciais. Ao contrário das redes neuronais padrão que podem “esquecer” inputs anteriores, a WLSTM retém informações históricas críticas, permitindo-lhe modelar a degradação gradual de uma bateria ao longo de centenas de ciclos. Ao integrar funções wavelet nos portões da LSTM, o modelo alcança uma compreensão mais refinada da dinâmica temporal, melhorando a sua precisão preditiva.
O que distingue esta investigação é a arquitetura de duplo filtro. O primeiro EKF estima o tempo total de carregamento com base em dados fragmentários, enquanto o segundo EKF corrige continuamente o erro de estimativa ao aprender com discrepâncias passadas. Este mecanismo de autocorreção impede a deriva que tipicamente afeta as previsões de longo prazo. Ao treinar as redes WNN-WLSTM num ciclo de carregamento completo e três ciclos parciais, o modelo aprende a generalizar entre diferentes padrões de utilização sem necessitar de cargas completas repetidas.
A equipa testou o seu algoritmo utilizando dados do mundo real de baterias de iões de lítio ternárias fornecidas pela Shenzhen Neware Electronic Co., Ltd. O conjunto de dados incluiu mais de 180 ciclos de carga-descarga em condições de corrente constante, simulando a utilização típica de VEs. Os resultados foram surpreendentes: o erro relativo médio na estimativa do tempo total de carregamento foi de apenas 1,01%, significativamente inferior aos 1,76% alcançados por um método EKF-GPR previamente publicado. Mais importante, o erro manteve-se estável ao longo do tempo, demonstrando a capacidade do modelo para resistir a imprecisões cumulativas.
Para os fabricantes de VEs e operadores de frotas, tal precisão tem implicações de longo alcance. A estimativa precisa do SOH permite uma melhor gestão da garantia da bateria, aplicações mais eficientes de segunda vida para baterias de VEs reformadas e avaliações melhoradas do valor de revenda. Também aumenta a confiança do condutor ao fornecer estimativas de autonomia realistas que têm em conta a degradação real da bateria, e não apenas modelos idealizados.
Do ponto de vista tecnológico, o modelo DEKF-WNN-WLSTM representa uma mudança em direção a diagnósticos de bateria adaptativos e orientados por dados. Ao contrário dos modelos baseados na física que dependem de parâmetros eletroquímicos detalhados — muitas vezes difíceis de medir e propensos a variação — o novo método aprende diretamente a partir de dados operacionais. Isto torna-o mais escalável e mais fácil de implementar em diferentes químicas de bateria e plataformas de veículos.
Além disso, a dependência do modelo em fragmentos de carregamento do quotidiano significa que pode operar continuamente em segundo plano, atualizando as estimativas de SOH com cada carga. Esta capacidade em tempo real é essencial para funcionalidades avançadas de BMS, como o carregamento adaptativo, onde o sistema ajusta a velocidade e tensão de carregamento com base na saúde atual da bateria para minimizar o stress e prolongar a vida útil.
As implicações estendem-se para além dos veículos individuais. À medida que as redes inteligentes e as tecnologias veículo-para-rede (V2G, na sigla em inglês) ganham tração, dados precisos sobre a saúde da bateria tornam-se cruciais para a estabilidade da rede e a participação no mercado de energia. As utilities e agregadores necessitam de informações confiáveis sobre a capacidade disponível e o estado de degradação das baterias de VEs antes de as inscreverem em programas de resposta à procura. Um modelo como o DEKF-WNN-WLSTM poderia fornecer essa transparência, permitindo uma integração mais segura e eficiente de VEs no ecossistema energético.
Outra vantagem do método é a sua eficiência computacional. Apesar da sua sofisticação, o modelo está concebido para funcionar em sistemas embebidos com poder de processamento limitado. Os investigadores utilizaram MATLAB e Python com TensorFlow/Keras para implementar as redes neuronais, interfacando-as com as rotinas do filtro de Kalman. Esta abordagem modular permite a integração em arquiteturas BMS existentes sem requerer uma revisão completa do hardware.
A segurança e a fiabilidade também são melhoradas. Ao reduzir a necessidade de ciclos completos de descarga periódicos — que podem acelerar o desgaste da bateria — o modelo promove uma operação mais segura e sustentável. Também minimiza a intervenção do utilizador; os condutores já não necessitam de realizar rotinas de calibração especiais para manter leituras precisas de SOH.
Olhando para o futuro, a investigação abre vários caminhos para desenvolvimento futuro. Uma direção é a extensão do modelo a outros tipos de baterias, como as de fosfato de ferro e lítio (LFP, na sigla em inglês) ou baterias de estado sólido, que têm características de degradação diferentes. Outra é a incorporação de dados adicionais de sensores, como temperatura e resistência interna, para refinar ainda mais as estimativas.
Há também potencial para implementação baseada na nuvem, onde dados anonimizados de baterias de milhares de veículos poderiam ser agregados para treinar modelos ainda mais robustos. Um sistema deste tipo poderia detetar sinais precoces de defeitos de fabrico ou fatores de stress ambiental, permitindo recalls proativos ou campanhas de serviço.
Do ponto de vista político, a monitorização precisa do SOH apoia a transição para uma economia circular no setor automóvel. À medida que os governos pressionam para uma maior adoção de VEs e regulamentações mais rigorosas de emissões, garantir a longevidade e reciclabilidade das baterias torna-se primordial. O rastreio transparente da saúde capacita os consumidores, facilita modelos de leasing de baterias e fortalece o caso de negócio para infraestruturas de troca de baterias.
O trabalho de Song e Yao também destaca a importância crescente da investigação interdisciplinar no avanço da tecnologia de VEs. A sua abordagem combina processamento de sinal, teoria de controlo e aprendizagem profunda — campos que estão a convergir cada vez mais para resolver problemas complexos de engenharia. Salienta o papel das instituições académicas em impulsionar a inovação que complementa o desenvolvimento liderado pela indústria.
Para a Universidade de Ciência e Tecnologia de Harbin, este estudo reforça a sua posição como líder em aplicações de monitorização inteligente e aprendizagem automática. A experiência da Doutora Song em computação quântica e segurança de imagem pode parecer distante dos diagnósticos de baterias, mas o seu background em modelação de sistemas complexos fornece uma perspetiva única que une domínios.
No contexto mais amplo da descarbonização global, cada melhoria na eficiência e vida útil da bateria contribui para reduzir a pegada ambiental dos transportes. Ao estender a vida útil das baterias e otimizar o seu desempenho, tecnologias como a DEKF-WNN-WLSTM ajudam a maximizar o retorno da energia e recursos investidos na sua produção.
À medida que os VEs se tornam mais integrados na vida diária, a procura por sistemas de bateria mais inteligentes e responsivos só irá crescer. A capacidade de compreender a saúde de uma bateria não apenas em laboratório, mas no mundo real, sob condições reais de condução, já não é um luxo — é uma necessidade. A investigação de Song e Yao fornece uma ferramenta poderosa para esse objetivo, estabelecendo um novo benchmark para diagnósticos de bateria em tempo real.
A indústria automóvel está numa encruzilhada, onde o software e a inteligência artificial estão a tornar-se tão críticos como a engenharia mecânica. A gestão de baterias já não é apenas sobre prevenir sobrecargas ou fugas térmicas; é sobre inteligência preditiva, controlo adaptativo e otimização vitalícia. O modelo DEKF-WNN-WLSTM exemplifica esta mudança, transformando dados brutos de carregamento em informações acionáveis que beneficiam condutores, fabricantes e o planeta.
Em conclusão, o avanço de Xianhua Song e Quanzheng Yao oferece uma solução prática, precisa e escalável para um dos desafios mais persistentes na mobilidade elétrica. Ao aproveitar o poder da aprendizagem automática híbrida e da filtragem avançada, o seu método permite a estimativa em tempo real do SOH utilizando apenas os dados parciais de carregamento gerados no uso diário. Isto elimina a necessidade de testes disruptivos de ciclos completos e reduz a dependência de modelos eletroquímicos complexos. O resultado é uma abordagem mais fiável, amigável e sustentável para a monitorização da saúde da bateria — uma que poderá em breve tornar-se padrão em veículos elétricos de próxima geração.
Publicado na Transactions of China Electrotechnical Society, DOI: 10.19595/j.cnki.1000-6753.tces.222241
Autores: Xianhua Song, Quanzheng Yao
Universidade: Universidade de Ciência e Tecnologia de Harbin