Novo Algoritmo SHAEKF com PID Eleva Precisão da Bateria
No cenário em rápida evolução da mobilidade elétrica, a estimativa precisa do estado de carga (SOC) permanece como um pilar fundamental para garantir segurança, desempenho e confiança dos consumidores. À medida que os sistemas de gestão de baterias (BMS) se tornam mais sofisticados, investigadores continuam a refinar os algoritmos que suportam a monitorização em tempo real do SOC. Um avanço recente de uma equipa da Universidade de Três Gargantas de Chongqing, em colaboração com a Universidade do Sudeste, introduziu uma melhoria inovadora num método de estimativa já poderoso: a integração de retroalimentação PID na estrutura SHAEKF. Esta inovação promete oferecer uma precisão sem precedentes no rastreamento do SOC de baterias sob diversas condições de condução e extremos ambientais.
O estudo, liderado pelo Professor Cai Li e pela investigadora de pós-graduação Xiang Lihong, ambos do Departamento de Engenharia Elétrica da Universidade de Três Gargantas de Chongqing, apresenta uma técnica de filtragem adaptativa refinada, concebida para superar desafios persistentes na modelação de baterias. Embora métodos tradicionais, como o Filtro de Kalman Estendido (EKF), tenham servido há muito como base para a estimativa do SOC, o seu desempenho degrada-se frequentemente sob condições de medição ruidosa ou mudanças bruscas de carga — ocorrências comuns em cenários reais de condução. A solução da equipa de investigação reside numa abordagem híbrida que funde os pontos fortes de duas variantes avançadas: o Filtro de Kalman Estendido de Sage-Husa (SHEKF) e o Filtro de Kalman Estendido Adaptativo (AEKF), elevando depois o seu desempenho com um mecanismo de correção dinâmica inspirado na teoria de controlo.
No cerne deste avanço está a integração de um ciclo de retroalimentação Proporcional-Integral-Derivativo (PID) no algoritmo SHAEKF. Ao contrário das implementações convencionais que dependem apenas da adaptação estatística ao ruído, o novo método compensa ativamente os erros de estimativa em tempo real. O componente PID funciona como um sistema de afinação de precisão, ajustando continuamente a saída do filtro com base na diferença entre os valores previstos e reais. Esta correção de ciclo fechado reduz significativamente o erro de estado estacionário, suprime oscilações e aumenta a velocidade de convergência — atributos críticos para manter a precisão durante acelerações rápidas, travagens regenerativas ou flutuações de temperatura.
Os investigadores empregaram um modelo de circuito equivalente RC de segunda ordem para representar o comportamento eletroquímico da bateria de iões de lítio. Este modelo capta tanto efeitos óhmicos como de polarização de forma mais precisa do que as aproximações de primeira ordem mais simples, fornecendo uma base robusta para a estimativa de estado. Para garantir a fidelidade do modelo, a equipa utilizou o algoritmo de Optimização por Enxame de Partículas (PSO) para a identificação offline de parâmetros. O PSO, conhecido pela sua capacidade de busca global e convergência rápida, foi usado para afinar parâmetros-chave, como a resistência interna e valores de capacitância, minimizando o erro cumulativo entre as tensões terminais simuladas e medidas.
Os testes foram realizados usando conjuntos de dados de baterias publicamente disponíveis da Universidade de Maryland, focando-se especificamente em células INR 18650 com uma capacidade nominal de 2 Ah. A validação experimental abrangeu três ciclos de condução distintos: o Teste de Stress Dinâmico de Bateria (DST), o Teste de Stress Dinâmico de Pequim (BJDST) e o Cronograma de Condução Urbana Federal dos EUA (FUDS). Estes perfis simulam uma vasta gama de condições reais, desde condução urbana agressiva a padrões mistos urbanos e de autoestrada, permitindo uma avaliação abrangente da robustez e adaptabilidade do algoritmo.
Os resultados demonstraram que o algoritmo SHAEKF melhorado alcançou um erro médio de estimativa inferior a 1% em todas as condições de teste. Mais impressionante, o erro máximo foi reduzido em até 5% comparado com a implementação padrão do SHAEKF. Este nível de precisão coloca o algoritmo bem dentro dos limiares especificados pelos padrões da indústria, incluindo o GB/T 38661—2020, que exige alta precisão e forte robustez para aplicações de BMS.
Um dos aspetos mais convincentes do estudo foi a sua avaliação sob variadas condições térmicas. O desempenho da bateria é notoriamente sensível à temperatura, com frio ou calor extremos a introduzir não linearidades que podem confundir algoritmos de estimativa. A equipa testou o sistema a 0°C, 25°C e 45°C, representando ambientes operacionais de inverno, temperatura ambiente e verão. Em todos os casos, o algoritmo melhorado com PID manteve uma precisão superior, particularmente em cenários de baixa temperatura onde outros métodos exibiram deriva significativa. A 0°C, o erro máximo para o algoritmo melhorado foi de apenas 2,74%, comparado com mais de 88% para o SHAEKF padrão — uma melhoria dramática que sublinha o valor da correção PID na estabilização do desempenho sob stress.
A fusão do SHEKF e do AEKF reúne pontos fortes complementares. O SHEKF destaca-se na adaptação a mudanças no ruído de medição através de um mecanismo de fator de esquecimento que dá maior peso a dados recentes. No entanto, isto pode levar a instabilidade se dados mais antigos forem descontados de forma demasiado agressiva. O AEKF, por outro lado, usa uma janela móvel para estimar a covariância do ruído, oferecendo melhor consistência estatística mas potencialmente resposta mais lenta a mudanças abruptas. Combinando estas abordagens e refinando o processo de estimativa de ruído — substituindo equações problemáticas que poderiam produzir matrizes não positivas definidas — os investigadores criaram um estimador mais equilibrado e fiável.
A introdução do ciclo de retroalimentação PID fortalece ainda mais esta estrutura híbrida. O termo proporcional responde imediatamente ao erro atual, o componente integral elimina o enviesamento de longo prazo, e a ação derivativa antecipa tendências futuras com base na taxa de mudança. Estes ganhos foram sintonizados usando o método de proporção crítica, resultando em valores otimizados que garantem estabilidade sem sacrificar responsividade. O tamanho adaptativo da janela, que se ajusta dinamicamente com base no número de iterações, aumenta ainda mais a capacidade do algoritmo para equilibrar sensibilidade e robustez.
Da perspetiva da engenharia, as implicações deste trabalho são significativas. A estimativa precisa do SOC impacta diretamente a previsão de autonomia, eficiência de carregamento e longevidade da bateria. A sobrestimação do SOC pode levar a desligues inesperados, enquanto a subestimação reduz a capacidade utilizável e mina a confiança do condutor. O algoritmo SHAEKF melhorado mitiga ambos os riscos, permitindo uma gestão de energia mais precisa e melhorando a experiência geral do utilizador.
Além disso, o forte desempenho do algoritmo em múltiplos ciclos de condução sugere ampla aplicabilidade. O perfil DST, com as suas frequentes mudanças de carga, testa a resposta dinâmica; o BJDST reflete congestionamento urbano com tráfego stop-and-go; e o FUDS simula padrões mistos de condução típicos de cidades americanas. O sucesso em todos os três indica que o método não está excessivamente ajustado a um caso de uso específico, mas antes possui inteligência generalizável capaz de lidar com diversas exigências operacionais.
A investigação também destaca a importância da fidelidade do modelo. Embora técnicas avançadas de filtragem possam compensar algumas imprecisões, não podem superar totalmente falhas fundamentais no modelo subjacente da bateria. O uso do PSO para identificação de parâmetros garante que o modelo RC de segunda ordem corresponde de perto ao comportamento real, particularmente na captura de transientes de tensão e efeitos de relaxamento. Esta sinergia entre modelação precisa e filtragem inteligente é chave para alcançar uma estimativa de SOC de alta precisão.
Outra característica notável é a eficiência computacional do algoritmo. Apesar das suas capacidades melhoradas, o método mantém uma estrutura recursiva adequada para implementação em tempo real em hardware BMS embebido. O equilíbrio entre complexidade e desempenho torna-o um candidato viável para implementação comercial, especialmente à medida que os fabricantes automóveis avançam para níveis mais elevados de autonomia e conectividade, onde dados fiáveis da bateria se tornam ainda mais críticos.
A decisão da equipa de validar o seu trabalho usando conjuntos de dados de código aberto acrescenta credibilidade e facilita a reprodutibilidade. O repositório de dados de baterias da Universidade de Maryland é amplamente reconhecido na comunidade de investigação, permitindo verificação independente e benchmarking contra outros métodos. Esta transparência alinha-se com as melhores práticas na investigação científica e fortalece o impacto das descobertas.
Olhando em frente, os investigadores reconhecem que, embora o algoritmo tenha sido validado com dados laboratoriais, testes em veículos reais são o próximo passo lógico. Ensaios de campo forneceriam insights sobre fiabilidade a longo prazo, carga computacional sob operação contínua e interações com outros sistemas do veículo. Adicionalmente, estender o método para estimar outros estados da bateria — como estado de saúde (SOH) ou estado de potência (SOP) — poderia expandir ainda mais a sua utilidade.
A integração de conceitos de teoria de controlo como o PID na estimativa de estado representa uma direção promissora para investigação futura. Tradicionalmente vistos como domínios separados, a convergência de estratégias de estimativa e controlo reflete uma abordagem mais holística ao design de sistemas. À medida que os veículos se tornam cada vez mais eletrificados e automatizados, inovações interdisciplinares como esta serão essenciais para gerir sistemas de energia complexos.
Este trabalho também sublinha o papel crescente das instituições chinesas no avanço da tecnologia de baterias. Com o país a liderar a adoção e fabrico global de veículos elétricos, a investigação doméstica está a desempenhar um papel pivotal na resolução de desafios práticos. A colaboração entre a Universidade de Três Gargantas de Chongqing e a Universidade do Sudeste exemplifica como redes académicas regionais e nacionais podem impulsionar o progresso tecnológico.
Em resumo, o algoritmo SHAEKF melhorado com PID marca um passo significativo em frente na estimativa do estado de carga de baterias. Combinando inteligentemente técnicas de filtragem adaptativa com correção de erro em tempo real, o método oferece precisão excecional, estabilidade e robustez. O seu desempenho através de diversos ciclos de condução e intervalos de temperatura torna-o um forte candidato para aplicações de BMS de próxima geração. À medida que a indústria automóvel continua a sua transição para a eletrificação, inovações como esta serão instrumentais na construção de veículos elétricos mais seguros, eficientes e fiáveis.
Cai Li, Xiang Lihong, Yan Juan, Xu Qingshan. Introdução do algoritmo SHAEKF com retroalimentação PID para estimar o SOC da bateria. Battery Bimonthly, 2024, 54(1):47-51. DOI:10.19535/j.1001-1579.2024.01.010