Novo método aprimora estimativa de capacidade em baterias LFP para veículos elétricos
A evolução do setor automotivo em direção à eletrificação total tem colocado a bateria no centro das atenções como o componente mais crítico de um veículo elétrico (VE). Sua capacidade, durabilidade e desempenho são os principais fatores que determinam a autonomia, a segurança e a experiência geral do usuário. Entre as diversas químicas de baterias de íons de lítio disponíveis, as de fosfato de ferro e lítio (LFP) têm se destacado nos últimos anos. Valorizadas por sua excelente estabilidade térmica, longa vida útil e custos mais baixos em comparação com as baterias de níquel-manganês-cobalto (NCM), as LFP tornaram-se a escolha preferida para uma ampla gama de veículos, especialmente em segmentos de entrada e para frotas comerciais.
No entanto, essa química promissora traz consigo um desafio técnico específico: a estimativa precisa de sua capacidade residual, um indicador-chave do estado de saúde (SOH). Diferentemente das baterias NCM, que apresentam uma curva de tensão clara e distinta em função do estado de carga (SOC), as baterias LFP são caracterizadas por uma tensão extremamente plana na maior parte de seu intervalo operacional. Essa característica, embora seja uma vantagem para a segurança, torna extremamente difícil para os sistemas de gerenciamento de bateria (BMS) estimar com precisão o SOC e, consequentemente, a capacidade total da bateria. Um pequeno erro de tensão em uma região tão plana pode se traduzir em um grande erro de estimativa do SOC.
Neste contexto, um avanço significativo foi alcançado por uma equipe de pesquisadores liderada por Chen Xingguang da Universidade de Ciência e Tecnologia de Xangai, em colaboração com colegas da Universidade Tsinghua. Publicado na revista especializada Energy Storage Science and Technology, seu trabalho apresenta uma solução inovadora para identificar com alta precisão a capacidade das baterias LFP em condições reais de condução, um ambiente muito mais complexo e ruidoso do que um laboratório controlado.
A capacidade de uma bateria, medida em ampere-hora (Ah), é o indicador mais direto do seu SOH. Representa a quantidade máxima de energia que pode armazenar e liberar. Quando essa capacidade cai abaixo de 80% de seu valor nominal, considera-se que a bateria atingiu o fim de sua vida útil prática, o que se traduz em uma redução drástica na autonomia do veículo. Portanto, uma estimativa precisa da capacidade não é apenas um exercício acadêmico; é fundamental para a gestão de frotas, a avaliação do valor residual, o planejamento de manutenção e, em última instância, para manter a confiança do consumidor na tecnologia elétrica.
O problema principal é que a capacidade não pode ser medida diretamente pelos sensores a bordo. Os BMS podem monitorar continuamente tensão, corrente e temperatura, mas não podem “ler” a capacidade máxima. Essa deve ser inferida indiretamente por meio de algoritmos e modelos. Os métodos existentes podem ser agrupados em três categorias principais: medição direta, abordagens baseadas em dados (data-driven) e métodos baseados em modelos.
A medição direta, embora seja o padrão ouro em laboratório, envolve descarregar completamente a bateria a uma taxa controlada e depois recarregá-la, um processo que é inviável para um veículo em uso diário. Os métodos baseados em dados, como redes neurais profundas, mostraram grande potencial, mas têm um ponto fraco crítico: precisam de dados de treinamento com “rótulos” de capacidade conhecidos. No mundo real, esses dados não existem, pois não há forma de medir a capacidade real de uma bateria em um VE enquanto está em movimento. Isso limitou severamente a aplicação prática dessas sofisticadas técnicas de inteligência artificial.
É aqui que os métodos baseados em modelos, como os modelos de circuito equivalente (ECM), oferecem um caminho mais viável. Um ECM simula o comportamento elétrico de uma bateria usando componentes como resistores e capacitores. Esses modelos são computacionalmente eficientes e podem ser integrados diretamente no software do BMS. No entanto, um ECM padrão não inclui a capacidade como um parâmetro de entrada; a capacidade é assumida como um valor fixo. Para estimar a capacidade, o modelo deve tratá-la como um parâmetro desconhecido que precisa ser “identificado” ou ajustado.
A inovação central da equipe de Chen Xingguang foi integrar o modelo de integração de ampere-hora (ampere-hour integration) com um ECM de primeira ordem. A integração de ampere-hora é um método fundamental para calcular o SOC: simplesmente integra a corrente de carga ou descarga ao longo do tempo. Mas a precisão desse cálculo depende criticamente do conhecimento da capacidade total. Os pesquisadores aproveitaram essa dependência. Em sua estrutura híbrida, a capacidade se torna uma das variáveis que o modelo deve encontrar para que suas previsões coincidam com os dados do mundo real.
Para encontrar essa variável, juntamente com outros parâmetros do modelo como as resistências internas, eles usaram o algoritmo de otimização por enxame de partículas (PSO). Este algoritmo funciona como um “enxame” de soluções candidatas que exploram o espaço de parâmetros. Cada “partícula” ajusta sua trajetória com base em seu melhor resultado pessoal e no melhor resultado encontrado por todo o enxame. O objetivo é minimizar a diferença entre a tensão terminal prevista pelo modelo e a tensão real registrada pelo BMS do veículo.
Até aqui, a abordagem é sólida. Mas é na aplicação às baterias LFP que o método original da equipe enfrenta um obstáculo. Durante a carga lenta, comum no uso diário, as baterias LFP exibem um comportamento peculiar. À medida que se aproximam de 100% de carga, sua tensão de circuito aberto (OCV) aumenta abruptamente. No entanto, durante uma carga lenta, a corrente é baixa, o que significa que a queda de tensão por polarização é mínima. Isso cria um paradoxo: o modelo ECM, que se baseia em uma curva OCV-SOC medida em laboratório, prevê uma tensão final muito mais baixa do que a tensão real registrada pelo veículo, que atinge o limite de corte. Essa discrepância maciça na tensão final gera um erro quadrático médio (RMSE) muito alto, o que desestabiliza completamente o algoritmo PSO e leva a estimativas de capacidade erráticas e imprecisas.
Além disso, na região principal de carga, onde a tensão é plana, pequenos erros na forma da curva não contribuem significativamente para o cálculo do RMSE total, o que significa que o algoritmo não é “punido” o suficiente por não capturar com precisão os sutis pontos de transição entre as duas plataformas de tensão características das LFP.
Para superar esses desafios específicos, a equipe não se limitou a aplicar um método genérico; eles desenvolveram uma estratégia de otimização “específica” projetada exclusivamente para baterias LFP em condições de carga lenta. Essa estratégia é composta por dois pilares fundamentais.
O primeiro pilar é a segmentação inteligente dos dados. Em vez de forçar o modelo a se ajustar a todo o ciclo de carga, incluindo o problema do pico final de tensão, os pesquisadores propõem truncar a curva de tensão logo antes de esse aumento acentuado começar. Ao eliminar essa “anomalia” do processo de otimização, o RMSE geral é drasticamente reduzido. Isso permite que o algoritmo PSO se concentre em ajustar os parâmetros do modelo, especialmente a capacidade, na região principal de carga, onde sua influência é mais direta e significativa. É uma solução elegante que reconhece que nem todos os dados são igualmente úteis para o objetivo de identificação de parâmetros.
O segundo pilar é ainda mais sofisticado e aborda o problema da planicidade da curva. Em vez de depender apenas do erro de tensão (eixo Y), eles introduziram uma segunda dimensão de avaliação: a carga, ou quantidade de eletricidade, medida em ampere-hora (Ah), que é o eixo X. A ideia é revolucionária: não apenas se compara se a tensão do modelo corresponde à tensão real, mas também se a quantidade de carga necessária para atingir um determinado ponto de tensão é a mesma em ambos os casos.
Imagine um gráfico de tensão versus carga acumulada. Mesmo que duas curvas tenham a mesma forma geral, se uma exigir mais carga para passar de 3,30 V para 3,35 V do que a outra, isso indica uma diferença fundamental, provavelmente na capacidade total. O novo algoritmo calcula um RMSE separado nessa dimensão de carga. A função de perda final é uma combinação ponderada desses dois erros: o RMSE de tensão e o RMSE de carga. Essa abordagem bidimensional obriga o modelo a prestar atenção na “impressão digital” completa da bateria, não apenas no seu perfil de tensão, o que é particularmente eficaz para capturar os pontos de inflexão entre as plataformas das baterias LFP.
A validação desse método foi um desafio em si, já que os dados de veículos reais carecem de “rótulos” de capacidade. Os pesquisadores empregaram uma abordagem dupla. Primeiro, identificaram um pequeno número de ciclos de carga onde o veículo permaneceu inativo por pelo menos uma hora antes e depois de carregar. Esse período de inatividade permite que as tensões de polarização se dissipem completamente, o que significa que a tensão terminal medida é essencialmente a OCV. Conhecendo a relação OCV-SOC, foram capazes de calcular com alta precisão a mudança de SOC e, junto com a carga integrada, determinar a capacidade real para esses segmentos específicos.
Dado que esses ciclos “perfeitos” são raros, eles usaram uma segunda abordagem: assumiram que veículos com menos de 5.000 quilômetros de quilometragem têm uma capacidade muito próxima ao seu valor nominal. Essa suposição, comum na indústria, forneceu um conjunto de dados de validação mais amplo.
O método foi testado com dados de dois modelos diferentes de veículos elétricos com baterias LFP. Os resultados foram impressionantes. Para o primeiro modelo, o erro percentual absoluto médio (MAPE) foi de apenas 2,33%. Isso significa que, em média, a estimativa do modelo desviou-se em menos de 2,5% do valor de referência. Os erros individuais variaram de um mínimo de 0,2% a um máximo de 6,9%, uma faixa que demonstra uma alta precisão. Para o segundo modelo, o MAPE foi de 3,38%, com um erro máximo de 6,1%, o que ainda é um desempenho excelente para um algoritmo que opera em dados do mundo real, ruidosos e variáveis.
Além dos números, a análise mostrou que as estimativas de capacidade seguiam uma tendência clara de degradação com a quilometragem, o que confirma a validade do método. Um veículo perdeu cerca de 15 Ah em 60.000 km, outro perdeu 8 Ah em 20.000 km, alinhando-se às taxas de envelhecimento esperadas.
Este trabalho de Chen Xingguang, Shen Yifan, Shao Yuxin, Zheng Yuejiu, Sun Tao, Lai Xin, Shen Kai e Han Xuebing representa um salto qualitativo. Ele não oferece apenas uma ferramenta de alta precisão, mas também estabelece um novo paradigma: o desenvolvimento de algoritmos que não são apenas matematicamente sofisticados, mas também profundamente informados pela física e química subjacentes da bateria. A otimização específica para as condições de carga lenta das baterias LFP é um exemplo perfeito de como o conhecimento do domínio pode superar as limitações dos métodos genéricos. Sua abordagem híbrida, robusta e baseada em princípios, tem um enorme potencial para ser implementada em sistemas BMS de próxima geração, melhorando a precisão da estimativa de autonomia e da gestão da saúde da bateria para milhões de motoristas.
Chen Xingguang, Shen Yifan, Shao Yuxin, Zheng Yuejiu, Sun Tao, Lai Xin, Shen Kai, Han Xuebing. Universidade de Ciência e Tecnologia de Xangai e Universidade Tsinghua. Energy Storage Science and Technology. doi: 10.19799/j.cnki.2095-4239.2024.0144