Modelo Avançado de Aprendizado Multitarefo Aprimora Previsão de Vida Útil de Baterias
Num avanço significativo para veículos elétricos mais seguros e confiáveis, investigadores revelaram uma nova estrutura baseada em inteligência artificial que melhora drasticamente a precisão da previsão da vida útil remanescente (RUL) de baterias de ião de lítio sob condições reais de condução. Esta inovação, detalhada num estudo recente publicado na Electric Power Construction, aproveita o aprendizado de conjunto multitarefa para abordar desafios antigos na monitorização da saúde das baterias – particularmente sob as complexas tensões mecânicas e eletroquímicas experienciadas durante a operação do veículo.
A equipa de investigação, liderada por Weiliang Wang da State Grid Jiangsu Electric Power Co., Ltd., em colaboração com académicos da Universidade de Tianjin, Universidade de Tecnologia de Tianjin, State Grid Tianjin Electric Power Company, Pinggao Group Energy Storage Technology Co., e State Grid Jilin Electric Power Co., desenvolveu um modelo preditivo que atinge uma precisão sem precedentes: erro absoluto médio (MAE) abaixo de 1,4%, erro percentual absoluto médio (MAPE) abaixo de 0,06%, e erro quadrático médio (RMSE) inferior a 1,20%. Estas métricas representam uma melhoria significativa em relação às abordagens baseadas em dados existentes, como regressão de vetores de suporte (SVR), máquinas de aprendizado extremo (ELM), árvores de decisão com gradiente boosting (GBDT), XGBoost, e até mesmo modelos LightGBM padrão.
No centro desta inovação está uma integração sofisticada de diagnósticos eletroquímicos e aprendizado de máquina. Ao contrário dos métodos convencionais que dependem exclusivamente da degradação da capacidade ou de curvas de tensão – métricas que são difíceis de medir em tempo real ou altamente sensíveis a ruído – o novo modelo incorpora conhecimentos físicos profundos sobre os mecanismos de degradação de baterias. Especificamente, a equipa quantificou três modos primários de envelhecimento usando análise de capacidade incremental–tensão diferencial (IC-DV): perda de condutividade (LC), perda de material ativo (LAM) e perda de iões de lítio (LLI). Simultaneamente, extraíram quatro parâmetros chave de impedância da espectroscopia de impedância eletroquímica (EIS): resistência ôhmica, resistência de transferência de carga, resistência da interface de eletrólito sólido (SEI) e impedância de difusão de Warburg.
Estas características fornecem uma visão multidimensional da saúde interna da bateria, capturando tanto vias de degradação eletrónicas como iónicas. No entanto, integrar dados tão ricos num modelo preditivo introduz complexidade e o risco de sobreajuste – especialmente quando os dados de treino são limitados, como é frequentemente o caso em estudos de envelhecimento de baterias. Para superar isto, os investigadores empregaram aprendizado multitarefa (MTL), um paradigma no qual múltiplas tarefas de previsão relacionadas são treinadas em conjunto, permitindo que o modelo partilhe representações e melhore a generalização.
Neste contexto, cada “tarefa” corresponde à previsão de RUL sob uma condição específica de vibração – nomeadamente, vibração estática (controlo), eixo X, eixo Y e eixo Z – simulando as tensões mecânicas multidirecionais experienciadas pelas baterias de veículos elétricos durante a condução real. Ao analisar correlações de características entre estas tarefas, a estrutura MTL identifica padrões partilhados enquanto preserva nuances específicas de cada tarefa. Isto não só melhora a precisão da previsão, como também reduz a necessidade de dados experimentais extensivos e específicos por condição, diminuindo assim os custos de teste e acelerando a implementação do modelo.
O motor preditivo central é construído sobre o LightGBM, uma estrutura de gradient boosting altamente eficiente conhecida pela sua velocidade e escalabilidade. No entanto, a equipa melhorou significativamente a sua robustez substituindo a função de perda padrão por uma função de perda robusta adaptativa (AR loss). Esta função de perda modificada ajusta dinamicamente a sua sensibilidade a erros de previsão com base na magnitude residual, efetivamente reduzindo a influência de valores atípicos e medições ruidosas – problemas comuns em dados reais de baterias. Como resultado, o modelo mantém estabilidade e precisão mesmo quando confrontado com entradas de sensores imperfeitas ou incompletas.
Para validar a sua abordagem, os investigadores conduziram extensivos experiências de envelhecimento em células comerciais de lítio níquel cobalto manganês (NCM)/grafite com uma capacidade nominal de 2.400 mAh. As baterias foram sujeitas a um perfil de condução realista que incluía fases de inatividade (0C), velocidade constante (1C), aceleração (2C) e desaceleração (0,5C), enquanto simultaneamente eram expostas a vibrações controladas ao longo de três eixos ortogonais usando uma mesa de vibração de seis graus de liberdade. Esta configuração imita de perto as tensões eletroquímicas e mecânicas combinadas encontradas na operação real de veículos elétricos.
Os resultados foram convincentes. Todas as condições de vibração aceleraram a degradação da bateria em comparação com o controlo estático, sendo que a vibração do eixo Z causou o envelhecimento mais severo – evidenciado por LAM de 36,94% e LLI de 35,12% no fim de vida. Crucialmente, o modelo proposto superou consistentemente todos os algoritmos de referência em todas as quatro condições, demonstrando não apenas superior precisão, mas também notável robustez a ambientes de tensão variáveis.
Este avanço tem implicações profundas para o futuro dos sistemas de gestão de baterias (BMS) de veículos elétricos. A previsão precisa de RUL permite agendamento proativo de manutenção, previne falhas inesperadas, estende a vida útil da bateria e melhora a segurança geral do veículo. Para operadores de frotas e fabricantes de automóveis, traduz-se em menos tempo de inatividade, menores custos de garantia e maior satisfação do cliente. Além disso, ao permitir uma estimativa mais precisa do estado de saúde, a tecnologia suporta aplicações de segunda vida para baterias de veículos elétricos reformadas em armazenamento estacionário de energia – um componente crítico da economia circular.
Do ponto de vista científico, o estudo preenche a lacuna entre eletroquímica fundamental e aprendizado de máquina aplicado. Em vez de tratar a bateria como uma “caixa negra”, o modelo aproveita conhecimento específico do domínio para orientar a engenharia de características e a arquitetura do modelo. Esta abordagem orientada por dados e informada pela física exemplifica a próxima geração de sistemas de diagnóstico inteligentes – que respeita a ciência subjacente enquanto aproveita o poder da IA moderna.
A investigação também salienta a importância do desenho experimental no desenvolvimento de IA para baterias. Ao variar sistematicamente as condições de tensão mecânica e correlacioná-las com assinaturas eletroquímicas, a equipa criou um conjunto de dados rico e de alta fidelidade que captura a verdadeira complexidade do envelhecimento de baterias em uso. Tais conjuntos de dados são inestimáveis para treinar modelos que generalizam para além das condições laboratoriais para implementações no mundo real.
Olhando para o futuro, os autores reconhecem que é necessário mais trabalho para estender o modelo a diversas químicas de baterias, intervalos de temperatura e protocolos de carregamento. Eles também enfatizam a necessidade de validação sob cenários de condução ainda mais dinâmicos, incluindo tráfego urbano de para-arranca e cruzeiro em autoestrada a alta velocidade. No entanto, a estrutura atual fornece uma base robusta para software BMS de próxima geração.
Especialistas da indústria notam que, à medida que a adoção de veículos elétricos acelera globalmente, a procura por análises inteligentes de baterias só se intensificará. Órgãos reguladores na União Europeia e Estados Unidos já estão a considerar mandatos para relatórios de saúde de baterias e transparência da vida útil. Tecnologias como a descrita neste estudo podem tornar-se ferramentas essenciais de conformidade, oferecendo tanto a fabricantes como a consumidores informações confiáveis e interpretáveis sobre a longevidade da bateria.
Além disso, a estratégia de aprendizado multitarefa empregue aqui tem aplicabilidade mais ampla para além das baterias. Pode ser adaptada para prever a vida remanescente de outros componentes críticos em veículos elétricos – como motores, inversores e eletrónica de potência – sob várias tensões operacionais. Esta abordagem holística à gestão da saúde do veículo representa uma mudança de paradigma de reparações reativas para resiliência preditiva.
Em conclusão, esta investigação marca um passo pivotal em direção a uma mobilidade elétrica mais inteligente, segura e sustentável. Ao fundir um profundo entendimento eletroquímico com aprendizado de máquina de ponta, a equipa entregou uma solução prática e de alto desempenho para um dos desafios mais persistentes na tecnologia de baterias. À medida que os veículos elétricos continuam a transformar o panorama dos transportes, inovações como esta serão instrumentais para garantir que as suas fontes de energia permaneçam confiáveis, eficientes e dignas de confiança ao longo das suas vidas operacionais.
Autores: Weiliang Wang¹, Huiqiao Liu²,³, Tianyu Zhang⁴, Peng Ruan⁵, Jin Xu⁶, Qian Xiao³
Afiliações:
¹ State Grid Jiangsu Electric Power Co., Ltd., Nanquim 210024, China
² Zhonghuan Information College, Universidade de Tecnologia de Tianjin, Tianjin 300380, China
³ Key Laboratory of Smart Grid of Ministry of Education (Universidade de Tianjin), Tianjin 300072, China
⁴ State Grid Tianjin Electric Power Company Economic and Technological Research Institute, Tianjin 300171, China
⁵ Pinggao Group Energy Storage Technology Co., Ltd., Tianjin 300300, China
⁶ Changchun Power Supply Company of State Grid Jilin Electric Power Co., Ltd., Changchun 130021, China
Publicado em: Electric Power Construction, Vol. 45, No. 11, Novembro de 2024
DOI: 10.12204/j.issn.1000-7229.2024.11.003