Método Inovador para Estimar Capacidade de Baterias LFP em Veículos Elétricos
A evolução da mobilidade elétrica tem colocado em evidência um dos componentes mais críticos do veículo: a bateria. Enquanto os fabricantes se esforçam para aumentar a autonomia, melhorar a segurança e reduzir custos, a capacidade de monitorar com precisão o estado de saúde (SOH) das baterias de íons de lítio tornou-se um dos maiores desafios da engenharia automotiva moderna. Dentre os indicadores de SOH, a capacidade remanescente é o mais direto e impactante, pois define o quanto o veículo ainda pode rodar em uma única carga. No entanto, estimar essa capacidade em condições reais de uso, especialmente para baterias de fosfato de ferro e lítio (LiFePO₄ ou LFP), tem sido uma tarefa árdua, marcada por imprecisões e limitações técnicas.
Um estudo pioneiro publicado na revista Energy Storage Science and Technology oferece uma solução robusta e prática para esse problema. Liderado por Chen Xingguang, pesquisador da Universidade de Ciência e Tecnologia de Xangai (University of Shanghai for Science and Technology), em colaboração com colegas da mesma instituição e da Universidade de Tsinghua, o trabalho apresenta um novo método de identificação de capacidade que combina modelagem física com algoritmos inteligentes de otimização. O resultado é uma técnica de alta precisão, desenvolvida especificamente para o ambiente dinâmico e imprevisível de um veículo em operação, e que demonstra um desempenho excepcional com as baterias LFP, cada vez mais adotadas por sua segurança e custo-benefício.
As baterias LFP têm se tornado uma escolha popular entre os fabricantes de veículos elétricos, não por oferecerem a maior densidade de energia, mas por sua superior estabilidade térmica e química. Essa segurança, no entanto, vem com um desafio técnico: uma curva de tensão extremamente plana durante a maior parte do ciclo de carga e descarga. Esse fenômeno, conhecido como “plataforma de tensão”, significa que pequenas variações na tensão dos terminais correspondem a grandes variações na quantidade de carga armazenada. Para os sistemas de gerenciamento de bateria (BMS), que dependem de medições de tensão e corrente para estimar o estado de carga (SOC) e, por extensão, a capacidade, essa característica é um obstáculo significativo. Métodos tradicionais de estimativa, que funcionam bem com baterias NCM (níquel-manganês-cobalto), falham ao lidar com a ambiguidade da curva LFP.
“Em um veículo, não temos um laboratório para fazer testes de descarga completa toda vez que precisamos saber a capacidade da bateria”, explica Chen Xingguang. “Precisamos de um método que funcione com os dados que o BMS já coleta continuamente — tensão, corrente, temperatura e SOC — e que seja capaz de inferir a capacidade real mesmo com a curva de tensão quase invariável das baterias LFP.”
A abordagem desenvolvida pelo time de Chen é uma fusão elegante entre física e inteligência computacional. No cerne do método está o modelo de circuito equivalente (ECM), uma representação clássica da bateria que simula seu comportamento elétrico usando resistores, capacitores e uma fonte de tensão. O ECM é amplamente utilizado por sua simplicidade e eficiência computacional, sendo ideal para aplicações em tempo real. A inovação crucial do estudo, no entanto, foi tratar a própria capacidade da bateria como um parâmetro desconhecido dentro do modelo, em vez de um valor fixo.
“A ideia é simples: ajustamos os parâmetros do modelo até que a tensão simulada pelo ECM corresponda exatamente à tensão real medida no veículo”, detalha Zheng Yuejiu, professor e autor correspondente do estudo. “Se conseguirmos fazer a curva de tensão do modelo se alinhar perfeitamente com a curva real, então o valor de capacidade que usamos no modelo deve ser o valor real da bateria.”
Para realizar esse ajuste, os pesquisadores empregaram o algoritmo de otimização por enxame de partículas (PSO). Inspirado no comportamento coletivo de aves ou peixes, o PSO funciona como um grupo de “partículas” que exploram um espaço de soluções, cada uma representando uma combinação diferente de valores para os parâmetros do modelo — SOC inicial, resistência interna, capacitância de polarização e, crucialmente, a própria capacidade. O algoritmo itera, movendo as partículas em direção às melhores soluções locais e globais, até convergir para o conjunto de parâmetros que minimiza o erro entre a tensão prevista e a tensão medida.
No entanto, quando aplicado diretamente a dados de carregamento lento de baterias LFP, o PSO enfrenta dois problemas principais. Primeiro, na fase final do carregamento, a tensão da bateria sobe abruptamente, muito acima da tensão de circuito aberto (OCV) real da célula a 100% de SOC. Isso ocorre devido à baixa corrente de carregamento (pequena polarização) e ao limite de tensão imposto pelo carregador. O modelo ECM tradicional não consegue replicar esse pico com precisão, gerando um grande erro que domina o processo de otimização. Segundo, na região da plataforma de tensão, onde a tensão muda muito pouco, mesmo grandes erros na estimativa de capacidade resultam em erros de tensão insignificantes, o que faz com que o algoritmo ignore essa região crítica.
Para superar esses desafios, a equipe propôs uma “otimização específica” para as baterias LFP em modo de carregamento lento. A primeira parte da solução é uma estratégia de “corte de dados”. Os pesquisadores decidiram excluir intencionalmente a fase final do carregamento do processo de otimização. “Sabemos que essa região é intrinsecamente difícil de modelar com nosso ECM simples”, afirma Sun Tao. “Em vez de forçar o algoritmo a se concentrar nessa parte problemática, removemos o segmento final e focamos na região média do carregamento, onde o comportamento da bateria é mais previsível e o modelo é mais robusto.”
A segunda e mais revolucionária parte da solução é a introdução de uma função de perda bidimensional. Em vez de minimizar apenas o erro quadrático médio (RMSE) da tensão (eixo Y), o novo método também incorpora o erro na carga acumulada (eixo X). “Nós não apenas comparamos as curvas de tensão, mas também comparamos quanto ‘carga’ o modelo acumula em relação à carga real medida”, explica Shen Yifan. “Essa métrica adicional age como um âncora, forçando o algoritmo a se concentrar na plataforma de tensão. Se o modelo estiver errado sobre a capacidade, ele inevitavelmente acumulará uma quantidade errada de carga, e isso será penalizado.”
Essa abordagem de duas dimensões é o que dá ao método sua alta precisão. Ao exigir que o modelo seja fiel tanto no domínio da tensão quanto no domínio da energia, o PSO é obrigado a encontrar uma solução que seja fisicamente consistente, não apenas matematicamente conveniente.
O método foi testado com dados reais de dois modelos diferentes de veículos elétricos equipados com baterias LFP. Os dados, provenientes de uma plataforma de telemetria em nuvem, continham medições de alta frequência de tensão, corrente, temperatura e SOC. A maior dificuldade foi a falta de um “rótulo de verdade” — não há como saber a capacidade exata de uma bateria em um veículo em uso. Para validar o método, os pesquisadores criaram dois conjuntos de dados de referência.
O primeiro, chamado Label-1, utilizou eventos raros de carregamento onde o veículo permaneceu em repouso por mais de uma hora antes e depois do carregamento. Durante esses períodos, os efeitos de polarização desaparecem, e a tensão dos terminais se iguala à tensão de circuito aberto (OCV). Usando a relação conhecida entre OCV e SOC, os pesquisadores puderam calcular o SOC inicial e final com alta precisão e, portanto, determinar a capacidade real do ciclo de carregamento. Embora extremamente confiável, esses eventos são escassos na vida real de um veículo.
Para aumentar a amostra, foi criado o Label-2, que assume que veículos com baixa quilometragem (menos de 5.000 km) ainda possuem sua capacidade nominal, pois o envelhecimento inicial é mínimo. Essa suposição razoável permitiu validar o algoritmo em centenas de ciclos de carregamento.
Os resultados foram impressionantes. Para o primeiro modelo (Model-1), o erro absoluto percentual médio (MAPE) na estimativa de capacidade foi de apenas 2,33%, com erros individuais variando de um mínimo de 0,2% a um máximo de 6,9%. O segundo modelo (Model-2) mostrou um MAPE de 3,38%, com um erro máximo de 6,10%. Esses níveis de precisão são notáveis, especialmente considerando a complexidade do problema e a natureza ruidosa dos dados do mundo real.
“Esses números demonstram que o método não é apenas teoricamente sólido, mas também prático e robusto”, enfatiza Lai Xin. “A capacidade de manter um erro abaixo de 4% em dois veículos diferentes é uma prova de sua viabilidade para aplicação industrial.”
As implicações para a indústria automotiva são profundas. Uma estimativa precisa de capacidade permite uma indicação de autonomia mais confiável para o motorista, estratégias de carregamento mais inteligentes, uma gestão de garantia mais precisa e um planejamento de manutenção mais eficaz. Para os consumidores, isso se traduz em maior confiança no desempenho do veículo e em uma avaliação mais justa do valor residual do veículo usado.
O estudo também se destaca pela sua clareza e transparência. Em um campo cada vez mais dominado por modelos de “caixa preta” baseados em inteligência artificial, que exigem enormes conjuntos de dados rotulados (algo que não existe para capacidade de baterias), este método baseado em física oferece uma alternativa interpretável e confiável. Ele não “aprende” padrões ocultos, mas sim resolve um problema físico usando princípios de engenharia bem estabelecidos.
Chen Xingguang, Shen Yifan, Shao Yuxin, Zheng Yuejiu, Sun Tao, Lai Xin, Shen Kai, Han Xuebing, University of Shanghai for Science and Technology and Tsinghua University, Energy Storage Science and Technology, doi:10.19799/j.cnki.2095-4239.2024.0144