A mobilidade elétrica está passando por uma transformação acelerada, impulsionada pela busca por soluções mais sustentáveis e eficientes. Entre os componentes-chave dos veículos elétricos (VE), as baterias de fosfato de ferro-lítio (LFP) se destacam por sua elevada segurança térmica e longa vida útil, tornando-se uma escolha preferida para fabricantes e consumidores. No entanto, um desafio persistente tem sido a precisão na estimativa do Estado de Carga (SOC, na sigla em inglês), especialmente devido à característica única de sua curva de tensão de circuito aberto (OCV) que permanece quase plana entre 20% e 95% de SOC. Uma equipe de pesquisadores da Universidade de Xangai e da empresa Qiyuan Green Power Technology desenvolveu uma metodologia inovadora baseada em aprendizado profundo que resolve esse problema, alcançando níveis de precisão sem precedentes em condições reais de operação.
O desafio técnico das baterias LFP
As baterias LFP ganharam espaço no mercado automotivo graças a sua combinação de segurança, durabilidade e custo-benefício. Ao contrário de outras químias de baterias de íons de lítio, como as NCM (níquel-cobalto-manganês), elas apresentam menor risco de incêndios ou explosões, mesmo em situações de impacto ou sobrecarga. Essa característica é crucial para veículos elétricos, onde a segurança dos ocupantes é prioridade máxima.
No entanto, medir com precisão o SOC dessas baterias é uma tarefa complexa. A curva OCV-SOC das baterias LFP tem uma região extremamente plana entre 20% e 95% de SOC: mesmo que o nível de carga varie em 75%, a tensão muda apenas cerca de 0,15 V. Essa particularidade dificulta métodos tradicionais de estimativa, como os baseados em modelos matemáticos ou filtros de Kalman estendidos (EKF), que dependem de variações mais significativas na tensão para calcular o SOC com precisão.
Métodos convencionais, como a integração de ampère-hora (Ah), também apresentam limitações. Embora simples de implementar, eles acumulam erros ao longo do tempo e dependem de um valor inicial de SOC preciso, o que não é sempre possível em condições reais. Além disso, os dados de SOC transmitidos pelos sistemas de gerenciamento de baterias (BMS) instalados nos veículos frequentemente são imprecisos, o que compromete a confiabilidade de algoritmos treinados em ambientes controlados de laboratório.
Os métodos baseados em dados, por outro lado, têm mostrado resultados promissores, mas sua eficácia em cenários reais — onde temperatura, padrões de carga e descarga e estado de saúde da bateria variam constantemente — ainda era questionável. Os laboratórios não conseguem replicar todas as condições do mundo real, como flutuações térmicas entre 5°C e 35°C, ciclos de carga irregulares ou degradação gradual da bateria, fatores que impactam diretamente a precisão da estimativa de SOC.
A solução proposta: modelo CNNGRUM
Para superar essas limitações, a equipe liderada pela pesquisadora Meng Yizhen desenvolveu uma abordagem híbrida que combina técnicas de aprendizado profundo com uma metodologia de correção automática de SOC. O método utiliza dados reais de 20 veículos elétricos equipados com baterias LFP, coletados ao longo de dois meses em condições operacionais variadas. A inovação está baseada em três pilares fundamentais:
1. Rotulagem automática de SOC com integração ampère-hora reversa
Um dos maiores desafios no treinamento de modelos de machine learning para estimativa de SOC é a obtenção de dados rotulados com precisão. Para resolver isso, os pesquisadores usaram uma técnica de integração ampère-hora reversa. O processo funciona da seguinte forma: durante o carregamento da bateria, o ponto de carga completa (100% SOC) é identificado quando a tensão atinge um limite pré-definido (tensão de corte). A partir desse momento, o SOC é calculado retroativamente para todos os momentos anteriores do ciclo de carga, subtraindo a quantidade de energia (em ampère-hora) inserida na bateria desde o início do processo.
Essa metodologia aproveita a estabilidade do processo de carga — que é mais controlado e previsível do que a descarga, influenciada por padrões de condução variados — para minimizar erros acumulados. Como a corrente é relativamente constante durante o carregamento e o ponto de 100% SOC é conhecido com precisão, a integração reversa permite rotular automaticamente os dados com valores de SOC confiáveis, eliminando a dependência de informações imprecisas do BMS.
2. Arquitetura híbrida CNNGRUM
O modelo desenvolvido, denominado CNNGRUM, combina duas arquiteturas de aprendizado profundo: redes neurais convolucionais (CNN) e unidades recorrentes com portas (GRU). Essa combinação permite extrair tanto padrões complexos nos dados (graças às CNN) quanto dependências temporais a longo prazo (através das GRU), o que é crucial para entender o comportamento dinâmico da bateria.
- Redes CNN: São responsáveis por extrair características relevantes das séries temporais de entrada, como relações não lineares entre corrente, tensão, temperatura e SOC. Elas usam filtros convolucionais para identificar padrões locais nos dados, como variações abruptas de corrente ou temperatura que podem indicar mudanças no estado da bateria.
- Unidades GRU: São projetadas para processar sequências temporais, capturando dependências entre eventos separados no tempo. Isso é essencial porque o SOC da bateria é um estado acumulado, influenciado por histórico de carga e descarga. As GRU evitam problemas como “vanishing gradient” (desvanecimento do gradiente) que afetam redes recorrentes tradicionais, garantindo que informações importantes de momentos anteriores sejam preservadas.
- Meta-aprendiz: Uma camada final que combina as saídas das CNN e GRU, integrando os insights de ambas arquiteturas para produzir a estimativa final de SOC. Essa camada é composta por duas redes totalmente conectadas, que ajustam os pesos das features extraídas para minimizar os erros de predição.
3. Entrada de dados com quatro features-chave
O modelo recebe quatro variáveis como entrada, todas em formato de séries temporais:
- Corrente (I): Medida em amperes, reflete o fluxo de eletricidade na bateria (positiva durante a carga, negativa na descarga).
- Tensão (U): Medida em volts, indica a diferença de potencial entre os terminais da bateria.
- Temperatura (T): Influencia diretamente a performance da bateria, afetando a difusão de íons de lítio e a resistência interna.
- Quantidade de ampère-hora acumulada (AC): Reflete a energia total inserida na bateria desde o início do ciclo de carga, proporcionando um histórico de longo prazo que complementa as medidas instantâneas de corrente.
Essas features são processadas em janelas deslizantes de 90 passos de tempo (cada passo correspondendo a 10 segundos), permitindo que o modelo capture tanto variações rápidas (como picos de corrente) quanto tendências de longo prazo (como a relação entre temperatura e eficiência de carga). Além disso, os dados são normalizados usando o método Z-Score para garantir que features com diferentes unidades (como tensão em volts e temperatura em graus) tenham o mesmo impacto no treinamento do modelo.
Resultados em condições reais
Os testes realizados com os 20 veículos elétricos mostraram resultados impressionantes. O modelo CNNGRUM alcançou:
- Erro absoluto máximo: 2,85%
- Erro quadrático médio (RMSE): 0,61%
- Erro absoluto médio (MAE): 0,42%
Além disso, mais de 90% dos erros estão concentrados entre -1% e +1%, o que demonstra uma consistência rara em estimativas de SOC para baterias LFP. Esses números superam significativamente outros métodos existentes: redes CNN simples apresentaram RMSE de 0,65%, enquanto modelos GRU isolados alcançaram 0,60%. Uma arquitetura tradicional que empilha camadas CNN e GRU (sem o meta-aprendiz) obteve RMSE de 0,65% e MAE de 0,43%, confirmando a superioridade da abordagem híbrida proposta.
A robustez do modelo foi testada em diferentes condições:
- Variações de temperatura: Mesmo em ambientes frios (5°C a 10°C), onde a performance das baterias LFP tende a piorar, o MAE não excedeu 0,45% e o RMSE ficou abaixo de 0,58%. Em temperaturas mais altas (30°C a 35°C), os erros foram ainda menores, comprovando que o modelo adapta-se a diferentes condições climáticas.
- SOC inicial de carga: Testes com valores iniciales de SOC entre 25% e 50% mostraram que o modelo mantém precisão constante, com MAE abaixo de 0,42% e RMSE menor que 0,57%. Isso é crucial, pois o SOC inicial pode variar muito entre diferentes usuários e padrões de condução.
- Degradação da bateria: Mesmo em baterias com estado de saúde (SOH) reduzido — como uma unidade com SOH de 0,925 (ou seja, 92,5% de sua capacidade original) — o modelo conseguiu manter erros baixos. Em um teste com temperatura de 8°C, SOC inicial de 45% e SOH de 0,925, a estimativa de SOC apresentou desvios mínimos, demonstrando que a metodologia é eficaz mesmo em baterias envelhecidas.
Importância da feature AC
Um experimento adicional, chamado de “ablation test” (teste de ablação), confirmou a relevância da quantidade de ampère-hora acumulada (AC) como feature. Quando AC foi removido das entradas do modelo, os erros aumentaram significativamente: o erro absoluto máximo subiu 4,03%, o RMSE cresceu 0,13% e o MAE aumentou 0,08%. Essa diferença ocorre porque AC fornece uma visão integrada do histórico de carga, complementando as medidas instantâneas de corrente, tensão e temperatura, que capturam apenas estados momentâneos. Na região plana da curva OCV-SOC, essa informação de longo prazo é essencial para distinguir variações subtis no SOC.
Impacto para a indústria automotiva
A adoção desse método pode transformar a maneira como os sistemas de gerenciamento de baterias (BMS) operam em veículos elétricos. Uma estimativa precisa de SOC reduz a “ansiedade de autonomia” — um dos principais entraves para a adoção de VE —, pois os motoristas podem confiar mais no indicador de carga restante. Além disso, a tecnologia abre caminho para:
- Manutenção preditiva: Ao monitorar padrões anômalos na relação entre SOC estimado e consumo real, os fabricantes podem detectar sinais precoces de degradação da bateria, permitindo intervenções antes que falhas ocorram.
- Otimização de carga: Com dados precisos de SOC, os BMS podem ajustar dinamicamente a corrente de carga conforme o estado da bateria, prolongando sua vida útil e evitando danos por sobrecarga.
- Integração com infraestrutura inteligente: Dados de SOC confiáveis facilitam a comunicação entre veículos e estações de recarga, permitindo que o sistema sugira horários e taxas de carga mais eficientes, reduzindo custos e tempo de espera.
O mercado de baterias LFP para veículos elétricos está previsto para crescer 25% ao ano até 2030, segundo relatórios de analistas. Nesse cenário, a tecnologia CNNGRUM surge como um diferencial crucial, tornando essas baterias ainda mais competitivas em relação a outras químias.
Perspectivas futuras
Os pesquisadores planejam expandir a metodologia para incluir estimativa de Estado de Saúde (SOH) da bateria, combinando dados de SOC com informações sobre capacidade residual e resistência interna. Outra linha de pesquisa é a adaptação do modelo para processos de descarga, usando algoritmos de predição de padrões de condução para lidar com a maior variabilidade desse cenário.
Parcerias com montadoras automotivas já estão em andamento para validar a tecnologia em frotas comerciais, como táxis elétricos e veículos de entrega, que operam em condições extremas e demandam alta precisão no gerenciamento de bateria. A expectativa é que, em dois anos, o modelo CNNGRUM esteja integrado aos próximos lançamentos de veículos elétricos na Ásia, Europa e América do Norte.
Conclusão
A combinação de aprendizado profundo com dados reais de operação representa um marco na evolução da mobilidade elétrica. O modelo CNNGRUM supera as limitações das baterias LFP — especialmente sua curva OCV-SOC plana —, proporcionando estimativas de SOC com uma precisão nunca antes vista em condições reais. Além de melhorar a experiência do motorista, essa tecnologia acelera a transição para um transporte sustentável, tornando os veículos elétricos mais confiáveis e acessíveis.
À medida que a demanda por soluções energéticas limpas cresce, inovações como essa são essenciais para consolidar a elétrificação do parque automotivo global. Com a CNNGRUM, a era dos veículos elétricos mais inteligentes e eficientes está mais próxima do que nunca.