Novo algoritmo aprimora precisão em baterias EV
No acelerado desenvolvimento dos veículos elétricos (VEs), onde desempenho, segurança e longevidade do sistema de propulsão são parâmetros cruciais, persiste um desafio técnico fundamental: estimar com precisão a capacidade de potência em tempo real dos sistemas de bateria de íons de lítio. Esta capacidade, conhecida como Estado de Potência (State of Power, SOP), define quanta energia pode ser extraída para aceleração ou absorvida durante a frenagem regenerativa em qualquer momento. Subestimar essa capacidade limita desnecessariamente o desempenho do veículo; superestimá-la, por outro lado, arrisca danificar a bateria ou provocar desligamentos de segurança. Agora, um avanço significativo nesse campo foi alcançado por uma equipe de pesquisa colaborativa, que introduziu um novo algoritmo projetado para oferecer uma precisão e robustez sem precedentes ao longo de todo o espectro operacional da bateria.
A pesquisa, liderada por Li Qiang da Weichai Power Co., Ltd., em parceria com uma equipe da Escola de Engenharia Mecânica da Universidade de Tecnologia de Pequim — incluindo Zhang Kaixuan, Yuan Wenwen, Xu Yahan, Yang Ruixin e Fang Yu — resultou em uma solução poderosa. Seu trabalho, publicado na prestigiada revista Transactions of China Electrotechnical Society, detalha um método sofisticado projetado para superar as complexidades inerentes ao comportamento da bateria. As baterias não são componentes estáticos; seu desempenho degrada com o tempo, flutua com a temperatura e responde de forma não linear às cargas elétricas. Essas características dinâmicas, variantes no tempo e sensíveis ao ambiente tornaram a estimativa precisa e em tempo real do SOP um gargalo técnico persistente para os Sistemas de Gerenciamento de Baterias (BMS), o cérebro eletrônico que controla todos os aspectos do funcionamento de um pacote de baterias.
Os métodos tradicionais de estimativa de SOP frequentemente ficaram aquém nas aplicações do mundo real. O método de mapa de características depende de tabelas de dados pré-programadas derivadas de testes offline. Embora computacionalmente simples, esta abordagem não consegue se adaptar ao estado mutável da bateria à medida que ela envelhece ou opera sob condições não testadas, levando a previsões imprecisas. Os modelos baseados em dados tratam a bateria como uma “caixa preta” e aprendem com vastos conjuntos de dados. A precisão desses modelos depende em grande medida da qualidade e quantidade dos dados de treinamento. Obter um fluxo confiável e contínuo de dados de referência de SOP para treinamento é extremamente difícil, tornando esses modelos menos práticos para uso online em tempo real. A terceira categoria, a estimativa baseada em múltiplas restrições, utiliza um modelo dinâmico da bateria para calcular a corrente máxima permitida com base em limites como tensão, Estado de Carga (SOC), temperatura e corrente, multiplicando então essa corrente pela tensão terminal para obter a potência. A precisão deste método depende fortemente da fidelidade do modelo de bateria subjacente e da precisão com que seus parâmetros internos — como resistência interna e capacitância — podem ser identificados em tempo real. Métodos anteriores frequentemente tinham dificuldades em rastrear esses parâmetros à medida que eles mudavam lentamente com o envelhecimento e as variações de temperatura, levando a erros cumulativos.
A nova metodologia desenvolvida por Li Qiang e seus colegas aborda diretamente este desafio central da deriva de parâmetros. Sua solução é baseada em uma seleção rigorosa de modelos e em uma compreensão do sistema em nível de sistema. A equipe começou avaliando doze modelos comuns de circuito equivalente (ECM), que são representações matemáticas do comportamento elétrico da bateria. Após testes extensivos, incluindo o teste padrão de Característica de Potência de Pulsos Híbridos (HPPC) e ciclos de condução dinâmicos como UDDS e DST, eles selecionaram o modelo RC de primeira ordem (modelo de Thevenin). Este modelo, que combina uma tensão de circuito aberto, uma resistência ôhmica e uma rede RC para representar os efeitos de polarização, foi escolhido por seu equilíbrio ótimo entre alta precisão na predição de tensão e baixa demanda computacional — uma característica essencial para sua implementação em um BMS com recursos computacionais limitados.
Uma inovação fundamental reside na transição de um modelo de célula individual para um modelo de sistema de pacote de bateria completo. Em vez de modelar cada célula individual, o que seria proibitivamente custoso em termos computacionais, os pesquisadores desenvolveram um modelo de pacote “com distribuição uniforme de células de dupla característica”. Este modelo foca nas duas células mais críticas do pacote: a que possui a tensão mais alta e a que possui a tensão mais baixa em um dado momento. Assumindo uma distribuição uniforme dos estados das células ao longo do pacote, o sistema complexo pode ser efetivamente simplificado. O BMS precisa monitorar apenas a tensão total do pacote e as tensões dessas duas células representativas. Essa simplificação elegante permite que o algoritmo de alta precisão para célula individual seja escalonado para gerenciar um pacote inteiro com sobrecarga computacional mínima, uma vantagem crucial para aplicações comerciais.
No cerne deste avanço está o novo algoritmo de “Filtro de Kalman Duplo Estendido (DEKF) com janela deslizante de múltiplas escalas de tempo”. O Filtro de Kalman é uma ferramenta matemática poderosa usada para estimar o estado de um sistema dinâmico a partir de medições ruidosas. O Filtro de Kalman Duplo Estendido (DEKF) utiliza dois filtros interconectados: um para estimar os estados instantâneos da bateria (como SOC e tensão de polarização) e outro para estimar os parâmetros do modelo que mudam lentamente (como resistências e capacitâncias internas). O aspecto de “múltiplas escalas de tempo” é o refinamento crítico. Ele reconhece que o estado da bateria (por exemplo, SOC) pode mudar rapidamente com a carga, enquanto seus parâmetros fundamentais (por exemplo, resistência interna) mudam muito lentamente ao longo de horas, dias ou semanas devido ao envelhecimento e às variações de temperatura. O algoritmo opera em duas escalas de tempo diferentes: uma escala “estreita” para atualizações rápidas de estado e uma escala “larga” para atualizações infrequentes de parâmetros. Isso evita que o ruído do estado, que muda rapidamente, corrompa a estimativa dos parâmetros que mudam lentamente, um problema comum em implementações padrão de DEKF que leva à instabilidade e a erros.
O componente de “janela deslizante” aprimora ainda mais a robustez e a precisão do algoritmo. Em vez de depender de um único ponto de dados, o filtro de estimativa de parâmetros analisa uma janela de dados recentes — 300 pontos de dados consecutivos em sua implementação. Esse efeito de média suaviza ruídos transitórios e erros de medição, levando a uma estimativa de parâmetros mais estável e confiável. O algoritmo também é projetado para se auto-atualizar. Ao incorporar os resultados de testes periódicos de potência de pico — procedimentos padronizados que medem a capacidade de potência real da bateria em diferentes estados — a biblioteca de parâmetros do modelo é continuamente refinada. Isso cria um loop de feedback onde o algoritmo aprende com o desempenho do mundo real, permitindo uma estimativa de “variação lenta no tempo” dos parâmetros que rastreia com precisão o envelhecimento e as características mutáveis da bateria ao longo de toda a sua vida útil.
Para calcular o próprio SOP, a equipe empregou uma abordagem sofisticada centrada no conceito de potência constante. Em vez de fazer um cálculo instantâneo simples, o algoritmo prevê se um determinado nível de potência constante pode ser sustentado por um período específico (por exemplo, 10 segundos) sem violar os limites de tensão. Isso envolve uma simulação progressiva da resposta de tensão da bateria durante esse período. Como essa relação é complexa e não linear, os pesquisadores usaram um “método de bissecção” (uma forma de busca binária). O algoritmo começa com uma suposição inicial para a potência máxima, simula a tensão resultante, compara-a com os limites de tensão seguros e então ajusta iterativamente sua suposição de potência — para cima ou para baixo — até convergir para a verdadeira potência máxima sustentável com alta precisão. Este método garante que o SOP estimado reflita um nível de potência prático e utilizável, não apenas um pico teórico instantâneo.
O verdadeiro teste de qualquer algoritmo de BMS é seu desempenho sob condições do mundo real. Para validar seu método, a equipe de pesquisa foi além das simples simulações e construiu uma plataforma de teste de hardware em loop (HIL) abrangente. Esta configuração sofisticada integra componentes físicos reais — como um pacote de bateria de 150Ah composto por três células de 50Ah em paralelo de íons de lítio ternário, hardware de ciclador de bateria de alta precisão da ARBIN e uma câmara térmica programável — com um ambiente de simulação em tempo real que roda em uma placa de controle principal dedicada MPC5644. Isso permite testar o algoritmo contra o comportamento real da bateria sob condições controladas, mas realistas, fornecendo uma validação muito mais rigorosa do que uma simulação puramente de software.
A campanha experimental foi excepcionalmente minuciosa. A equipe realizou testes extensivos em um pacote de bateria novo e um envelhecido, submetendo-os a uma ampla gama de condições ao longo de um período de seis meses. Isso incluiu quatro temperaturas diferentes (-10°C, 0°C, 25°C e 45°C) e quatro ciclos de condução exigentes (NEDC, UDDS, US06 e WLTC), simulando desde a condução urbana até manobras agressivas em rodovia. A plataforma HIL executou esses protocolos de teste complexos, coletando vastas quantidades de dados sobre tensão, corrente, temperatura e as estimativas internas do algoritmo.
Os resultados dessa validação rigorosa foram impressionantes. Para a estimativa do Estado de Carga (SOC), um parâmetro crítico em si mesmo, o algoritmo demonstrou uma precisão excepcional. Em 14 cenários de teste diferentes no pacote de bateria novo, o erro máximo de estimativa de SOC foi notavelmente baixo de 2,192%. Ainda mais desafiador, no pacote de bateria envelhecido, onde as mudanças internas são mais pronunciadas, o erro máximo foi de apenas 2,82%. Esses resultados estão bem dentro dos rigorosos requisitos da indústria para precisão do BMS.
O desempenho na estimativa de SOP foi ainda mais convincente. A métrica primária para a precisão do SOP é o “erro de tensão equivalente”, que mede a diferença entre a tensão prevista no final de uma descarga ou carga de potência de pico e a tensão medida real. Um erro pequeno indica que o algoritmo previu corretamente o limite de potência. Os pesquisadores avaliaram isso em múltiplos níveis de SOC (de 3% a 95%) e através de quatro temperaturas. Os resultados, resumidos em seus dados, mostram que em cada ponto de teste onde havia dados disponíveis, o erro de tensão equivalente foi inferior a 40 milivolts (mV). Em muitos casos, foi muito menor, frequentemente abaixo de 20 mV. Um erro de 40 mV em uma célula típica de 3-4 volts representa uma precisão superior a 98%, o que é considerado excelente para aplicações de BMS no mundo real. Esse nível de precisão significa que o BMS pode confiantemente empurrar a bateria mais perto de seus verdadeiros limites físicos, maximizando o desempenho do veículo e a eficiência da frenagem regenerativa sem comprometer a segurança.
As implicações desta pesquisa são significativas para toda a indústria de veículos elétricos. Uma estimativa precisa de SOP permite estratégias de gerenciamento de energia mais agressivas e eficientes. Durante a aceleração, o veículo pode entregar todo o seu potencial de potência. Durante a frenagem regenerativa, pode capturar mais energia cinética, aumentando a autonomia. Também permite previsões mais precisas da autonomia e do desempenho do veículo, melhorando a experiência do motorista. Além disso, ao impedir que a bateria seja empurrada além de seus limites de operação seguros, o algoritmo contribui para uma vida útil mais longa e maior segurança, abordando duas das maiores preocupações dos consumidores de veículos elétricos.
O trabalho de Li Qiang e sua equipe representa um grande avanço na tecnologia de BMS. Ao combinar um modelo de bateria cuidadosamente selecionado, uma abordagem escalável de nível de sistema e um algoritmo DEKF altamente sofisticado de múltiplas escalas de tempo com uma janela deslizante, eles criaram uma solução que não é apenas precisa, mas também robusta e adaptável. Ela navega com sucesso pela natureza complexa e variável no tempo do funcionamento da bateria real através da temperatura, envelhecimento e diversas condições de condução. Embora os pesquisadores observem que o desempenho em temperaturas muito baixas (abaixo de -20°C) continua sendo um desafio devido aos efeitos de polarização extremos, seu trabalho atual estabelece um novo padrão de referência para a estimativa de SOP. Esta pesquisa, publicada na Transactions of China Electrotechnical Society (DOI:10.19595/j.cnki.1000-6753.tces.230086), fornece uma ferramenta poderosa para engenheiros de BMS e pavimenta o caminho para veículos elétricos mais seguros, eficientes e de alto desempenho. Li Qiang, Zhang Kaixuan, Yuan Wenwen, Xu Yahan, Yang Ruixin, Fang Yu, Transactions of China Electrotechnical Society, DOI:10.19595/j.cnki.1000-6753.tces.230086