Modelo de Fusão Avançada Aprimora Precisão da SOC de Baterias para Veículos Elétricos
Num avanço significativo para a gestão de baterias de veículos elétricos (VE), investigadores do State Key Laboratory of Space Power Sources revelaram uma nova abordagem para estimar o estado de carga (SOC) de baterias de iões de lítio com uma precisão e robustez sem precedentes. O método, detalhado num artigo recente publicado na Energy Storage Science and Technology, combina a simplicidade da modelação de circuitos equivalentes com a profundidade dos princípios eletroquímicos para superar compromissos de longa data entre precisão e complexidade computacional.
À medida que o impulso global para a eletrificação se intensifica, a estimativa precisa do SOC emergiu como uma pedra angular do desempenho, segurança e longevidade dos VE. Um julgamento errado da carga restante de uma bateria pode levar a desligamentos inesperados, autonomia reduzida, degradação acelerada ou mesmo a fugas térmicas. Os métodos tradicionais—variando desde medições de tensão de circuito aberto (OCV) até à integração amperes-hora—revelaram-se inadequados sob condições dinâmicas do mundo real devido à sua sensibilidade a condições iniciais, deriva de sensores ou tempos de resposta lentos.
As abordagens baseadas em modelos ganharam tração, particularmente aquelas que utilizam modelos de circuito equivalente (ECMs), que representam o comportamento da bateria através de componentes elétricos simplificados, como resistências e condensadores. Embora computacionalmente eficientes e fáceis de implementar em sistemas de gestão de baterias (BMS), os ECMs padrão frequentemente ficam aquém na captura das dinâmicas eletroquímicas nuances no interior da célula—especialmente durante carregamentos rápidos, descargas de alta carga ou mudanças súbitas de carga.
A equipa de investigação, liderada por Qingbo Li, Maohui Zhang, Ying Luo, Taolin Lyu e Jingying Xie do Shanghai Institute of Space Power Sources, enfrentou esta limitação de frente. A sua inovação centra-se num modelo RC de primeira ordem refinado—já uma escolha popular pelo seu equilíbrio entre simplicidade e fidelidade—mas melhorado com um termo de correção baseado em física, derivado da teoria da difusão em fase sólida, um mecanismo central na eletroquímica de iões de lítio.
No cerne da sua abordagem está um insight crítico: os ECMs convencionais utilizam a concentração média de lítio em partículas de elétrodos para determinar a OCV, enquanto a tensão real da célula é governada pela concentração superficial. Esta discrepância introduz erros sistemáticos, particularmente em níveis de SOC baixos ou altos e sob cargas dinâmicas. Ao introduzir um termo de compensação de erro dinâmico que modela a diferença entre as concentrações superficial e média—com base em constantes de tempo de difusão e no histórico de corrente—a equipa preenche eficazmente a lacuna entre modelos de circuito empíricos e modelos eletroquímicos rigorosos como o quadro pseudo-bidimensional (P2D).
Este modelo de fusão mantém a baixa sobrecarga computacional de uma rede RC de primeira ordem, enquanto melhora significativamente a precisão da previsão de tensão em toda a gama de SOC. Em termos práticos, isto significa que um BMS pode tomar decisões mais inteligentes sobre limites de carregamento, fornecimento de energia e gestão térmica sem exigir processadores de alto desempenho ou calibração extensiva.
Mas um modelo preciso é tão bom quanto os seus parâmetros. Reconhecendo que a identificação de parâmetros é muitas vezes um estrangulamento na implementação do mundo real, os investigadores desenvolveram uma estratégia de identificação de parâmetros desacoplada (DPI) que simplifica dramaticamente o processo de calibração. Em vez de tratar todos os parâmetros do modelo como variáveis interdependentes a serem otimizadas simultaneamente—uma tarefa propensa a mínimos locais e alto custo computacional—eles separaram o problema em componentes analiticamente solucionáveis e numericamente otimizados.
Utilizando testes de descarga de pulso, extraíram diretamente a resistência ôhmica (R₀). Através da análise de capacidade incremental (IC) de curvas de descarga de múltiplas taxas, isolaram a resistência interna total e, subsequentemente, o coeficiente de difusão em fase sólida (kₛ ). Apenas duas constantes de tempo—a constante de tempo de polarização (τₚ) e a constante de tempo de difusão em fase sólida (τₛ )—ficaram para otimização via otimização por enxame de partículas (PSO), um algoritmo metaheurístico robusto. Esta abordagem híbrida não só reduziu a carga computacional, como também produziu parâmetros que refletem melhor a realidade física da bateria.
A equipa validou o seu método de identificação de parâmetros contra o PSO padrão aplicado ao conjunto completo de parâmetros. Os resultados sob ambos os ciclos de condução Urban Dynamometer Driving Schedule (UDDS) e Dynamic Stress Test (DST)—dois ciclos de condução de VE amplamente utilizados—mostraram melhorias marcantes. O método DPI alcançou valores de erro quadrático médio (RMSE) tão baixos quanto 13,5 mV sob UDDS, aproximadamente um terço do erro do PSO convencional. Mais impressionantemente, o erro absoluto máximo (MaE) caiu de 34,8 mV para apenas 6,0 mV, demonstrando uma estabilidade superior, especialmente na crítica região de SOC baixo, onde o comportamento da bateria se torna altamente não linear.
Com um modelo de alta fidelidade em mãos, os investigadores voltaram-se para a estimativa do SOC. Selecionaram o filtro de Kalman não chegado (UKF)—um poderoso estimador de estado não linear conhecido pela sua capacidade de lidar com ruído não gaussiano e fortes não linearidades—como o seu algoritmo de base. No entanto, o UKF padrão atualiza a estimativa de estado com base apenas no erro de medição mais recente, tornando-o vulnerável a falhas de sensores ou perturbações transitórias.
Para aumentar a robustez, a equipa integrou uma janela deslizante ponderada no quadro do UKF. Em vez de depender de um único ponto de erro, o seu algoritmo modificado considera um histórico curto de erros de estimativa—três passos de tempo nas suas experiências—e atribui pesos dinâmicos com base tanto na magnitude do erro como na sua recenticidade. Erros maiores, indicativos de potencial incompatibilidade de modelo ou perturbação, recebem um peso mais alto, enquanto erros mais antigos são descontados exponencialmente. Este esquema de ponderação dupla garante que o filtro permanece responsivo a desvios genuínos sem reagir exageradamente ao ruído.
Os resultados foram convincentes. Sob os perfis UDDS e DST, o UKF ponderado reduziu o RMSE da estimativa do SOC para 0,33% e 0,45%, respetivamente—uma redução face a 1,26% e 0,86% com o UKF padrão. O erro absoluto máximo do SOC foi reduzido para apenas 0,45% sob UDDS, uma melhoria de três vezes. Talvez o mais crucial para aplicações do mundo real, o algoritmo demonstrou uma velocidade de convergência excecional mesmo com suposições iniciais de SOC altamente imprecisas. Começando de um SOC de 20% quando o valor verdadeiro era 100%, a estimativa convergiu em 3 minutos para dentro de 3% do valor real—um desempenho que excede em muito os requisitos típicos dos BMS.
Toda a metodologia foi testada em células comerciais de fosfato de ferro e lítio (LFP) da Lishen, uma química valorizada pela sua segurança e vida útil, mas conhecida pela sua curva OCV-SOC plana, o que torna a estimativa do SOC particularmente desafiadora. Todas as experiências foram conduzidas a uma temperatura controlada de 25°C para isolar as contribuições algorítmicas, embora os autores reconheçam a dependência da temperatura como uma área-chave para trabalho futuro.
Esta investigação representa uma mudança de paradigma na estimativa do estado da bateria—não por descartar estruturas existentes, mas por aumentá-las inteligentemente com insights físicos direcionados. A fusão da simplicidade do circuito equivalente com a fidelidade eletroquímica oferece um caminho prático para BMS de próxima geração que são simultaneamente precisos e implementáveis em ambientes automóveis com recursos limitados.
Para fabricantes de automóveis e baterias, as implicações são claras: estimativas de SOC mais precisas traduzem-se diretamente em maior autonomia, maior vida útil da bateria, margens de segurança melhoradas e maior confiança dos consumidores em VEs. À medida que a indústria corre para cumprir regulamentos de emissões mais apertados e expectativas crescentes dos consumidores, inovações incrementais mas impactantes como esta serão críticas.
A abordagem da equipa também abre novos caminhos para BMS adaptativos. Como os parâmetros do modelo são fisicamente interpretáveis—ligados a coeficientes de difusão, resistências e constantes de tempo—podem potencialmente servir como indicadores de saúde para estimativa do estado de saúde (SOH) ou deteção precoce de falhas. Trabalho futuro, como notado pelos autores, explorará a aplicabilidade do método a outras químicas, como NMC, e investigará a adaptação de parâmetros dependente da temperatura.
Numa era em que os veículos definidos por software se estão a tornar a norma, a inteligência embutida no BMS é tão vital quanto as células que gere. Este trabalho de Xangai demonstra que, ao respeitar a física subjacente enquanto abraça a engenharia pragmática, é possível construir algoritmos que não são apenas inteligentes—mas verdadeiramente confiáveis.
Autores: Qingbo Li, Maohui Zhang, Ying Luo, Taolin Lyu, Jingying Xie (State Key Laboratory of Space Power Sources, Shanghai Institute of Space Power Sources, Xangai 200245, China) Revista: Energy Storage Science and Technology, 2024, 13(9): 3072–3083 DOI: 10.19799/j.cnki.2095-4239.2024.0594