Novo Algoritmo Aprimora Precisão de Baterias para Carros Elétricos
À medida que a indústria automotiva global acelera sua transição para a eletrificação, um dos desafios mais prementes continua sendo a estimativa precisa e confiável do estado de carga (SOC) da bateria. Para os condutores, esta métrica é mais do que um simples número no painel – influencia diretamente a ansiedade de autonomia, o comportamento de carregamento e a confiança geral nos veículos elétricos (EVs). Nos bastidores, algoritmos sofisticados dentro do sistema de gestão de baterias (BMS) são responsáveis por calcular este parâmetro vital. No entanto, os métodos tradicionais frequentemente ficam aquém sob condições dinâmicas de condução, onde mudanças rápidas na carga, temperatura e padrões de uso podem degradar a precisão da estimativa.
Uma nova abordagem desenvolvida por pesquisadores da Universidade Politécnica de Anhui promete melhorar significativamente a precisão da estimativa de SOC em tempo real. A equipe – composta por Huihui Yan, Yan Zhang, Peixian Zhang, Wenjing Ma e Yuan Zhou – introduziu um algoritmo híbrido inovador conhecido como IFFRLS-IAEKF, que combina identificação de parâmetros aprimorada com técnicas de filtragem adaptativa para oferecer desempenho superior em cenários operacionais complexos.
Publicada no Journal of Harbin University of Commerce (Natural Sciences Edition), esta pesquisa apresenta uma solução abrangente que aborda duas fraquezas críticas nas estruturas existentes de estimativa de SOC: parâmetros de modelo estáticos e manipulação não adaptativa de ruído na filtragem de Kalman. Ao repensar como os dados são ponderados ao longo do tempo e como os erros são corrigidos dinamicamente, o método proposto estabelece um novo padrão para o monitoramento online do estado da bateria.
A importância da estimativa precisa de SOC não pode ser superestimada. Leituras imprecisas podem levar a desligamentos prematuros, uso ineficiente de energia ou até mesmo riscos de sobrecarga – todos comprometendo a segurança e a experiência do utilizador. Abordagens atuais como a integração ampère-hora sofrem com deriva cumulativa devido a imprecisões dos sensores, enquanto métodos de tensão de circuito aberto (OCV) requerem longos períodos de repouso impraticáveis na condução real. Estratégias baseadas no Filtro de Kalman Estendido (EKF) tornaram-se padrão em muitas plataformas BMS porque equilibram eficiência computacional com precisão razoável. No entanto, sua dependência de covariâncias de ruído de processo e medição fixas limita a adaptabilidade quando as características da bateria evoluem durante a operação.
Reconhecendo estas limitações, a equipe de Anhui focou-se em melhorar tanto a fidelidade de modelagem quanto a inteligência de filtragem do pipeline de estimativa de SOC. Sua estratégia começa com o refinamento da técnica dos mínimos quadrados recursivos (RLS) – um método amplamente utilizado para identificar parâmetros em modelos de circuito equivalente como o modelo Thevenin de primeira ordem. Enquanto o RLS com fator de esquecimento convencional (FFRLS) melhora a capacidade de rastreamento ao enfatizar dados recentes, ele depende de um fator de esquecimento predeterminado e constante. Esta rigidez torna-se problemática sob cargas de trabalho flutuantes, levando a uma resposta lenta ou sensibilidade excessiva a valores atípicos.
Para superar isto, os pesquisadores introduziram o algoritmo Improved Forgetting Factor Recursive Least Square (IFFRLS), apresentando uma função de fator de esquecimento segmentada e dependente de dados. Em vez de usar um único valor fixo, o algoritmo ajusta dinamicamente o peso dado às medições históricas versus atuais com base no volume de dados recebidos. Especificamente, quando a contagem de amostras é baixa (≤32), um fator conservador de 0.95 garante estabilidade e previne sobreajuste. Além deste limiar, o fator de esquecimento transita para um regime continuamente adaptativo governado por uma relação inversa com o comprimento dos dados, minimizando efetivamente o risco de “saturação de dados” – um fenômeno onde informações antigas, mas ainda relevantes, são prematuremente descartadas.
Esta inovação permite que o método IFFRLS mantenha alta responsividade durante eventos transitórios – como aceleração súbita ou travagem regenerativa – enquanto preserva a precisão em estado estacionário durante cruzeiro prolongado. Como resultado, parâmetros-chave incluindo resistência ôhmica (Ro), resistência de polarização (Rp) e capacitância de polarização (Cp) são rastreados com maior fidelidade em diversos ciclos de condução.
Mas a identificação precisa de parâmetros por si só é insuficiente sem um estimador de estado robusto capaz de fundir esta informação numa previsão de SOC confiável. Aqui, a equipe voltou-se para o Filtro de Kalman Estendido Adaptativo (AEKF), conhecido pela sua capacidade de autoajustar estatísticas de ruído. No entanto, mesmo o AEKF tem suas deficiências, particularmente quando suposições iniciais sobre ruído de processo e medição divergem das condições reais.
Para abordar isto, os pesquisadores desenvolveram o Improve Adapted Extended Kalman Filter (IAEKF), uma variante nova que incorpora um mecanismo de ponderação de erro derivado da discrepância entre estimativas baseadas em EKF e aquelas obtidas via contagem de Coulomb (integração ampère-hora). Esta diferença, representando o viés acumulado na saída do filtro, serve como um sinal de correção que modula a matriz de covariância de ruído do processo em tempo real.
Ao introduzir este ciclo de feedback, o IAEKF ganha uma forma de autoconsciência – seu modelo de incerteza interna evolui em resposta a desvios observados, tornando-o muito mais resiliente a imprecisões de modelagem e imperfeições dos sensores. Além disso, o ajuste da matriz de covariância de erro influencia indiretamente o ganho de Kalman, permitindo que o filtro confie seletivamente em certas entradas mais heavily dependendo da confiabilidade atual.
A sinergia entre IFFRLS e IAEKF cria um sistema de ciclo fechado onde parâmetros de modelo melhorados alimentam um filtro mais inteligente, que por sua vez produz estimativas de estado mais limpas que refinam ainda mais o processo de identificação. Esta arquitetura co-adaptativa representa um avanço significativo sobre abordagens sequenciais ou desacopladas comumente encontradas na literatura anterior.
Para validar sua metodologia, a equipe conduziu simulações extensas sob o protocolo Dynamic Stress Test (DST) – um ciclo de condução rigoroso projetado para simular condução urbana agressiva com paragens, arranques e variações de velocidade frequentes. Usando dados experimentais coletados de uma bateria de chumbo-ácido Leoch AGM testada sob condições térmicas controladas (25°C), os pesquisadores compararam o desempenho de vários algoritmos: RLS padrão, FFRLS, EKF, AEKF e sua combinação IFFRLS-IAEKF proposta.
A precisão da previsão de tensão serviu como a métrica primária para avaliar a identificação de parâmetros. Os resultados mostraram que o algoritmo IFFRLS alcançou erros de rastreamento de tensão mais baixos durante todo o ciclo de teste, com o erro cumulativo reduzido em 24% comparado ao RLS básico e 14.8% em relação ao FFRLS. Estas melhorias derivam diretamente da capacidade do algoritmo de evitar excesso de confiança em dados desatualizados enquanto mantém estabilidade numérica – um equilíbrio delicado que os métodos de fator fixo lutam para alcançar.
Mais importante, o objetivo final era a precisão da estimativa de SOC. Sob condições DST, o IAEKF demonstrou convergência mais apertada para a trajetória real de SOC, com sobressinal mínimo e recuperação mais rápida após perturbações. O erro médio de estimativa permaneceu abaixo de limiares reportados anteriormente, superando consistentemente as contrapartes EKF e AEKF. Notavelmente, o desvio máximo nunca excedeu margens de segurança aceitáveis, sublinhando a adequação do método para implantação em ambientes BMS comerciais.
Uma das características destacadas desta pesquisa é sua orientação prática. Ao contrário de estudos puramente teóricos que dependem de conjuntos de dados idealizados ou suposições simplificadas, este trabalho integra dados reais de caracterização de bateria obtidos através de testes de Caracterização de Potência de Pulso Híbrido (HPPC). Esta fundação empírica garante que a relação OCV-SOC identificada reflita comportamento eletroquímico genuíno em vez de aproximações sintéticas. O ajuste polinomial de sexta ordem resultante fornece uma representação altamente precisa da dependência não linear entre tensão terminal e nível de carga, formando uma base sólida para operações de filtragem subsequentes.
Além disso, a complexidade computacional do algoritmo proposto permanece compatível com sistemas embarcados tipicamente encontrados em EVs modernos. Enquanto alguns filtros avançados como os Filtros de Kalman Unscented (UKF) oferecem precisão de ordem superior, eles vêm ao custo de demandas de processamento aumentadas. A estrutura IFFRLS-IAEKF retém a estrutura leve das implementações EKF clássicas enquanto oferece ganhos de desempenho através de adaptação inteligente – tornando-a um candidato atraente para integração em chips BMS de próxima geração.
Duma perspetiva de engenharia, as implicações desta pesquisa estendem-se para além de meras melhorias de precisão. A estimativa de SOC mais precisa permite que os fabricantes de automóveis extraiam capacidade utilizável adicional das baterias sem comprometer margens de segurança. Também melhora as capacidades preditivas para estimativa de autonomia, reduzindo a ansiedade do condutor e melhorando a funcionalidade de planeamento de rota em sistemas de navegação. Adicionalmente, melhor consciência do estado suporta funções avançadas como otimização de carregamento rápido, balanceamento de células e diagnósticos de saúde – todos componentes cruciais da gestão holística do ciclo de vida da bateria.
Para operadores de frotas e provedores de serviços de mobilidade, tais avanços traduzem-se em benefícios operacionais tangíveis. O rastreamento preciso de SOC reduz tempo de inatividade não planeado, otimiza horários de carregamento e estende a vida útil da bateria através de padrões de uso mais refinados. Em aplicações de mobilidade partilhada, onde a disponibilidade do veículo impacta diretamente a receita, mesmo pequenos ganhos em previsibilidade podem render retornos substanciais.
Entidades reguladoras também podem encontrar valor nesta tecnologia. À medida que os governos mundialmente pressionam por padrões de emissões mais rigorosos e incentivam o transporte de emissão zero, garantir a confiabilidade e transparência das métricas de desempenho de EVs torna-se cada vez mais importante. Métodos padronizados de estimativa de SOC de alta fidelidade poderiam suportar processos de certificação e iniciativas de proteção ao consumidor, fostering maior confiança em soluções de mobilidade elétrica.
Olhando para a frente, a pesquisa abre várias avenidas para exploração futura. Uma direção promissora envolve estender a estrutura IFFRLS-IAEKF para contabilizar efeitos de envelhecimento e dependências de temperatura, que foram mantidos constantes no estudo atual. Incorporar deteção de desvanecimento de capacidade online e compensação térmica tornaria o algoritmo ainda mais robusto através de estações e anos de serviço.
Outra área madura para desenvolvimento é a validação hardware-in-the-loop (HIL). Enquanto os resultados de simulação são convincentes, testes no mundo real em unidades BMS protótipo forneceriam prova definitiva de viabilidade. Colaborações com fornecedores automóveis ou OEMs poderiam acelerar a transição do conceito académico para aplicação industrial.
Adicionalmente, a natureza modular do algoritmo presta-se bem à integração com componentes de aprendizagem automática. Por exemplo, redes neurais treinadas em grandes conjuntos de dados de condução poderiam auxiliar na previsão de perfis de carga futuros, permitindo ajustes proativos aos parâmetros de filtragem. Tais arquiteturas de controlo híbridas IA-clássicas representam a fronteira da gestão inteligente de baterias.
Considerações de cibersegurança também devem ser abordadas à medida que o software BMS se torna mais complexo. Garantir a integridade e autenticidade das estimativas de SOC será essencial, especialmente à medida que os veículos se tornam mais conectados e autónomos. Criptografia robusta, mecanismos de arranque seguro e protocolos de deteção de anomalias devem acompanhar qualquer implantação de algoritmos avançados de estimativa.
Em conclusão, o algoritmo IFFRLS-IAEKF desenvolvido por Huihui Yan, Yan Zhang, Peixian Zhang, Wenjing Ma e Yuan Zhou marca um passo significativo em frente na busca por estimativa confiável do estado da bateria. Ao combinar inteligentemente identificação adaptativa de parâmetros com filtragem consciente do erro, o método oferece melhorias mensuráveis em precisão, estabilidade e responsividade sob condições operacionais realistas. Sua publicação no Journal of Harbin University of Commerce (Natural Sciences Edition) realça a contribuição crescente de instituições académicas chinesas para tecnologias automóveis de ponta.
À medida que o mercado de EVs continua a expandir-se, inovações como esta desempenharão um papel pivotal em moldar a experiência de condução de amanhã. Com consumidores a demandar confiabilidade e transparência ever-greater, a matemática nos bastidores da gestão de baterias entrará cada vez mais no spotlight. O trabalho desta equipe de Anhui exemplifica como a investigação científica rigorosa, fundamentada em experimentação prática, pode produzir soluções que são não apenas tecnicamente sólidas mas também comercialmente viáveis.
Para engenheiros, decisores políticos e condutores, a mensagem é clara: o futuro da mobilidade elétrica depende não apenas de baterias maiores ou carregadores mais rápidos, mas de formas mais inteligentes de entender e gerir a energia que já temos. E com algoritmos como o IFFRLS-IAEKF a entrar na conversa, esse futuro parece mais brilhante – e mais previsível – do que nunca.
Huihui Yan, Yan Zhang, Peixian Zhang, Wenjing Ma, Yuan Zhou, Escola de Engenharia Elétrica, Universidade Politécnica de Anhui; Journal of Harbin University of Commerce (Natural Sciences Edition), DOI: 10.1672-0946(2024)06-0658-06