Novo Algoritmo para Mapeamento em Tempo Real de Baterias de Veículos Elétricos
Num avanço significativo para a gestão de baterias de veículos elétricos (VE), investigadores desenvolveram um método inovador para extrair de forma rápida e precisa a relação entre a tensão de circuito aberto (OCV) e o estado de carga (SoC) – crucial para uma monitorização precisa da bateria – sem a necessidade de demorados procedimentos de teste tradicionais. Esta descoberta, detalhada num estudo recente publicado no Journal of Tongji University (Natural Science), promete melhorar a segurança, eficiência e longevidade das baterias de iões de lítio utilizadas em tudo, desde VEs de passageiros a frotas comerciais.
A abordagem convencional para determinar a curva OCV-SoC – um input fundamental para os sistemas de gestão de baterias (BMS) – tem sido há muito um estrangulamento nas operações reais de VEs. Historicamente, os engenheiros dependiam de testes de OCV incremental (IO) ou de OCV de baixa corrente (LO) que exigem que a bateria descanse durante períodos prolongados entre pequenos passos de carga ou descarga para atingir o equilíbrio eletroquímico. Devido aos efeitos de histerese inerentes às químicas de iões de lítio, estes protocolos podem levar vários dias para completar um único ciclo completo. Além disso, como a relação OCV-SoC se desvia com o envelhecimento da bateria, esta calibração laboriosa deve ser repetida periodicamente ao longo da vida útil da bateria – tornando-a impraticável para veículos em serviço.
O método recentemente proposto contorna estas limitações aproveitando uma perceção física fundamental: durante uma descarga normal, a verdadeira curva OCV evolui suavemente ao longo do tempo. Esta “hipótese de suavidade” forma a pedra angular de uma estrutura de otimização inovadora que pode reconstruir o mapeamento OCV-SoC a partir de dados arbitrários de corrente-tensão do mundo real – como os registados durante ciclos de condução urbanos – sem exigir quaisquer períodos de descanso ou condições laboratoriais controladas.
Liderada por Jinwei Xue do Centro de Túnel de Vento Automóvel de Xangai na Universidade de Tongji, a equipa de investigação combinou um modelo de circuito equivalente (ECM) de primeira ordem com um poderoso algoritmo evolutivo multiobjetivo conhecido como NSGA-II (Non-dominated Sorting Genetic Algorithm II). O ECM simula a resposta de tensão dinâmica da bateria sob carga, decompondo a tensão terminal medida em contribuições da resistência ôhmica, efeitos de polarização e a OCV subjacente. No entanto, sem conhecimento prévio dos parâmetros do ECM (como a resistência interna e constantes de tempo RC), o cálculo direto da OCV produz uma curva ruidosa e errática.
É aqui que a suposição de suavidade se revela transformadora. Os investigadores observaram que apenas quando os parâmetros do ECM são corretamente identificados é que a curva OCV-t reconstruída exibe o comportamento monotónico e suave esperado. Parâmetros incorretos produzem oscilações e descontinuidades artificiais. Ao definir uma métrica de suavidade – essencialmente quantificando a variação total dos incrementos de OCV ao longo do tempo – transformaram a identificação de parâmetros num problema de otimização: encontrar o conjunto de parâmetros do ECM que minimiza esta métrica, produzindo assim a trajetória de OCV mais suave possível consistente com os dados medidos.
O NSGA-II, reconhecido pela sua robustez na navegação de espaços de busca complexos e não convexos, foi empregue para resolver este problema de forma eficiente. O algoritmo evolui iterativamente uma população de conjuntos de parâmetros candidatos, utilizando princípios inspirados na seleção natural – cruzamento, mutação e ordenação não dominada – para convergir para soluções ótimas. Crucialmente, o método não requer quaisquer dados de calibração prévios ou suposições sobre a química da bateria para além da suavidade geral da OCV durante a descarga.
Para validar a sua abordagem, a equipa utilizou dados de envelhecimento de baterias do mundo real do Laboratório de Controlo de Energia da Universidade de Stanford, com células INR21700-M50T com ânodos de grafite/silício e cátodos de NMC, cicladas sob o Urban Dynamometer Driving Schedule (UDDS) – um ciclo de teste padrão que imita padrões de condução urbanos. Apesar da ausência de rótulos de OCV ou SoC de ground-truth no conjunto de dados, os investigadores utilizaram a contagem de Coulomb (integração de amperes-hora) como referência para o SoC, ancorada no ponto de corte de descarga.
Os resultados foram impressionantes. Os parâmetros do ECM otimizados não só produziram uma curva OCV-t notavelmente suave, como também se alinharam de perto com medições independentes de espectroscopia de impedância eletroquímica (EIS) na banda de frequência relevante (0–0,2 Hz), confirmando a plausibilidade física dos parâmetros identificados. Um refinamento adicional utilizando um ajuste polinomial de oitava ordem produziu uma curva OCV-SoC limpa e contínua, pronta para integração em algoritmos de estimação.
O teste final surgiu na forma de estimação de SoC utilizando um Filtro de Kalman Estendido (EKF) – uma técnica padrão em BMS que funde previsões do modelo com medições de tensão em tempo real. Quando inicializado com a curva OCV-SoC extraída, o EKF alcançou um erro máximo de estimativa de apenas 2% durante um ciclo completo de descarga UDDS. Mais impressionante ainda, o método demonstrou uma robustez excecional a erros de inicialização. Num teste de stress, os investigadores repuseram artificialmente a estimativa interna de SoC do EKF para 80% a meio da descarga – introduzindo um erro de 40 pontos percentuais. Em aproximadamente 1000 segundos (menos de 17 minutos de condução), o filtro convergiu de volta para a trajetória verdadeira de SoC, demonstrando o poder de autocorreção da relação OCV extraída com precisão.
Esta resiliência é uma mudança de jogo para aplicações do mundo real. Na prática, os BMS podem sofrer de deriva do sensor, falhas de comunicação ou perturbações súbitas que corrompem a estimativa de SoC. Os sistemas tradicionais que dependem de curvas OCV-SoC desatualizadas ou genéricas podem nunca recuperar com precisão de tais erros, levando a ansiedade de autonomia ou mesmo a riscos de segurança por sobrecarga/sobredescarga. O novo método garante que o mapeamento central OCV-SoC permanece preciso e adaptativo, permitindo uma correção rápida de erros mesmo em condições adversas.
Além disso, a técnica é inerentemente escalável e implementável. Requer apenas telemetria padrão de tensão e corrente – dados já recolhidos por todos os BMS modernos – e funciona em processadores embutidos convencionais. Não são necessários equipamentos especializados, períodos de descanso ou testes laboratoriais offline. Isto torna-a ideal para atualizações over-the-air (OTA) ou calibração contínua no veículo, permitindo que o BMS refine autonomamente o seu modelo OCV-SoC à medida que a bateria envelhece.
Numa perspetiva de sistemas, uma estimação de SoC precisa e atualizada desbloqueia múltiplos benefícios. Permite estratégias de travagem regenerativa mais agressivas sem medo de sobrecarga, otimiza a gestão térmica antecipando demandas de alta corrente e estende a vida útil da bateria prevenindo a operação em regiões de tensão de alto stress. Para operadores de frotas e OEMs, isto traduz-se num menor custo total de propriedade, melhor fiabilidade do veículo e maior satisfação do cliente.
As implicações estendem-se para além dos VEs de passageiros. Camiões e autocarros elétricos comerciais, e mesmo sistemas de armazenamento de energia em escala de rede – todos dependentes de um acompanhamento preciso de SoC – poderiam beneficiar desta metodologia. À medida que a adoção global de VEs acelera e as químicas das baterias continuam a evoluir (por exemplo, ânodo de silício, estado sólido), a necessidade de técnicas de calibração flexíveis e agnósticas à química torna-se cada vez mais premente. Esta abordagem baseada na suavidade oferece uma estrutura universal adaptável a diversos formatos de células e mecanismos de envelhecimento.
Criticamente, a investigação aborda um desafio de longa data na modelação de baterias: o acoplamento entre a identificação da OCV e outros parâmetros do ECM. Tentativas anteriores para estimar a OCV online sofreram frequentemente de problemas de identificabilidade, onde erros nas estimativas de resistência ou capacitância se propagavam para imprecisões da OCV. Ao ancorar a solução num critério de suavidade fisicamente significativo, o novo método desacopla estas incertezas, produzindo resultados mais estáveis e fiáveis.
Perspetivando o futuro, a equipa prevê integrar esta técnica de extração de OCV com estimadores avançados do estado de saúde (SoH). Uma vez que as curvas OCV-SoC se desvam caracteristicamente com a diminuição da capacidade e o crescimento da impedância, a monitorização contínua dessas alterações poderia fornecer avisos precoces de degradação. Combinado com modelos de aprendizagem automática treinados em conjuntos de dados de envelhecimento, tal sistema poderia prever a vida útil remanescente com uma precisão sem precedentes.
A indústria automóvel já está a tomar nota. Com pressões regulamentares a aumentarem para garantias de bateria mais longas e padrões de segurança mais rigorosos, os OEMs estão a investir fortemente em capacidades de BMS de próxima geração. Técnicas como esta – nascidas do rigor académico, mas concebidas para a robustez do mundo real – representam a ponte entre a ciência teórica das baterias e a engenharia prática de veículos.
Em resumo, este trabalho redefine o que é possível na estimação do estado da bateria. Ao substituir dias de testes laboratoriais por minutos de otimização computacional em dados reais de condução, traz o mapeamento de alta fidelidade OCV-SoC para o domínio da operação em tempo real e no veículo. Para os condutores, isto significa previsões de autonomia mais precisas e baterias de maior duração. Para os fabricantes, significa veículos elétricos mais inteligentes, seguros e eficientes. E para a transição energética mais ampla, remove uma barreira técnica crítica para a adoção massiva de VEs.
À medida que a mobilidade elétrica continua a sua ascensão inexorável, inovações como esta – a operar silenciosamente em segundo plano em cada pacote de baterias – serão tão vitais quanto os avanços mediáticos na química das células ou na velocidade de carregamento. Afinal de contas, a verdadeira medida de uma bateria não é apenas quanta energia ela armazena, mas quão bem entendemos e gerimos essa energia em cada momento da sua vida.
Jinwei Xue¹, Xuzhi Du², Zhigang Yang³, Lei Zhao¹, Chao Xia⁴. “Extraction of Open Circuit Voltage-State of Charge Curve for Lithium-Ion Batteries Based on Smoothness Optimization.” Journal of Tongji University (Natural Science), Vol. 52, No. S1, Oct. 2024. DOI: 10.11908/j.issn.0253-374x.24778. ¹Shanghai Automotive Wind Tunnel Center, Tongji University, Shanghai 201804, China ²Department of Mechanical Science and Engineering, University of Illinois Urbana-Champaign, Urbana, IL 61801, USA ³COMAC Beijing Aircraft Technology Research Institute, Beijing 102211, China ⁴School of Automotive Studies, Tongji University, Shanghai 201804, China