Novo Método de Baterias Melhora Desempenho de Veículos Elétricos em Temperaturas Extremas
No mundo em rápida evolução dos veículos elétricos (VEs), onde desempenho, segurança e longevidade são primordiais, surgiu uma nova metodologia revolucionária para estimar os estados críticos das baterias de ião de lítio, desenvolvida por uma equipa de investigadores da Universidade de Tiangong. Esta inovação, liderada pela Professora Liu Fang e seus colegas, promete melhorar significativamente a precisão e a confiabilidade dos sistemas de gestão de baterias (BMS), especialmente sob condições exigentes de amplas faixas de temperatura e padrões de condução imprevisíveis.
A investigação, intitulada Método de Estimativa Conjunta Online para Estados-Chave de Baterias de Lítio Baseado num Novo Modelo de Acoplamento Eletrotérmico, foi recentemente publicada na prestigiada revista Proceedings of the CSEE. Ela aborda um desafio fundamental na indústria de VEs: a complexa interação entre os estados elétrico, térmico e de saúde de uma bateria, que os modelos tradicionais frequentemente falham em capturar com precisão suficiente. À medida que os VEs circulam por diversos climas — desde os invernos gelados das regiões do norte até os verões escaldantes dos desertos — as suas baterias experienciam flutuações térmicas significativas. Estas alterações de temperatura afetam profundamente a química interna da bateria, influenciando o seu nível de carga (Estado de Carga, SOC), a sua capacidade remanescente ao longo da vida útil (Estado de Saúde, SOH) e a sua temperatura atual (Estado de Temperatura, SOT). Ignorar estes acoplamentos dinâmicos pode levar a leituras imprecisas, uso ineficiente de energia, redução da vida útil da bateria e potenciais riscos de segurança.
As técnicas atuais de gestão de baterias de última geração normalmente focam-se em estimar apenas dois destes estados, mais comummente o SOC e o SOH. Embora eficazes em ambientes estáveis, esta abordagem torna-se inadequada quando a temperatura é uma variável major. Uma bateria demasiado fria não consegue entregar a sua potência total, enquanto uma bateria demasiado quente arrisca sofrer thermal runaway (fuga térmica). Os modelos eletrotérmicos existentes, que tentam ligar o comportamento elétrico e térmico, frequentemente dependem de tabelas de dados estáticas e pré-programadas. Estas tabelas, derivadas de testes laboratoriais em algumas baterias de amostra, assumem que todas as baterias do mesmo tipo se comportam de forma idêntica. No entanto, no mundo real, as variações de fabrico significam que não existem duas baterias exatamente iguais. Esta “questão de consistência” pode introduzir erros significativos quando um modelo construído para uma bateria é aplicado a outra, mesmo que proveniente do mesmo lote de produção. Além disso, à medida que uma bateria envelhece, a sua resistência interna e características de geração de calor alteram-se, tornando os modelos estáticos progressivamente mais imprecisos ao longo do tempo.
Reconhecendo estas limitações, a equipa do Laboratório-Chave de Tianjin para Tecnologia e Sistemas de Inteligência Autónoma desenvolveu uma nova abordagem revolucionária. A sua solução é um novo modelo de acoplamento eletrotérmico que batizaram de ARST (Autoregressão-Térmico de Estado Único). Este modelo não é um conjunto estático de regras, mas sim um sistema dinâmico e auto-corretivo, concebido para se adaptar às condições únicas e em constante mudança de uma bateria do mundo real.
O cerne do modelo ARST reside na sua fusão inovadora de dois componentes distintos. O primeiro é um modelo elétrico avançado chamado Modelo de Circuito Equivalente Autoregressivo (AR-ECM). Ao contrário dos modelos RC (resistor-capacitor) tradicionais, comummente usados em BMS, que lutam para simular com precisão a resposta de uma bateria às rápidas alterações de corrente de alta frequência típicas de uma condução agressiva ou de travagem regenerativa, o AR-ECM destaca-se no rastreamento destas características elétricas dinâmicas e complexas. Pode representar de forma mais fidedigna o comportamento da bateria num amplo espetro de cenários de condução, desde cruzeiros suaves a acelerações súbitas.
O segundo componente é um Modelo Térmico Agregado de Estado Único (SSTM), que se foca na temperatura da bateria. Dado o tamanho compacto das comuns células cilíndricas 18650, os investigadores determinaram que um modelo térmico simplificado, que trata a célula inteira como tendo uma única temperatura média, atinge o equilíbrio perfeito entre eficiência computacional e precisão. Isto é crucial para o BMS de um VE, que deve efetuar milhares de cálculos por segundo sem sobrecarregar o poder de processamento do veículo.
A verdadeira genialidade do modelo ARST, no entanto, não está apenas na sua estrutura, mas em como ele aprende e se adapta. Os investigadores implementaram uma estratégia sofisticada de “inicialização de informação prévia-correção online”. Isto significa que o modelo não começa do zero. Em vez disso, é primeiro inicializado com uma riqueza de “informação prévia” — uma base de dados abrangente de como os parâmetros-chave da bateria, como a sua resistência interna e capacidade térmica, mudam com a temperatura, nível de carga e idade. Estes dados são recolhidos a partir de extensos testes laboratoriais em baterias de amostra.
Contudo, o modelo não para aí. Uma vez implantado num veículo real, ele entra num ciclo contínuo de aprendizagem online e auto-correção. Isto é conseguido através de um algoritmo de estrutura de duplo filtro, uma estrutura computacional poderosa que opera em segundo plano. Um filtro está dedicado a estimar os estados atuais da bateria — o seu SOC, SOH e SOT. O outro filtro tem a tarefa de refinar continuamente os parâmetros internos do próprio modelo. Estes dois filtros comunicam constantemente, partilhando informação. As estimativas de estado do primeiro filtro são usadas para melhorar as estimativas de parâmetros no segundo, e os parâmetros melhorados do segundo filtro são usados para tornar as estimativas de estado no primeiro ainda mais precisas. Isto cria um poderoso ciclo de feedback, permitindo que o modelo “aprenda” as características específicas da bateria individual que está a monitorizar, compensando as diferenças de fabrico e os efeitos do envelhecimento.
Esta capacidade de correção online é uma mudança de paradigma. Significa que o modelo pode ajustar-se dinamicamente à “personalidade” única de cada bateria, garantindo que as suas previsões permanecem precisas durante todo o ciclo de vida do veículo. Por exemplo, se uma célula de bateria específica aquecer ligeiramente mais do que o esperado durante uma condução em alta velocidade, o modelo ARST detetará esta discrepância, ajustará os seus parâmetros térmicos internos e usará este novo conhecimento para fazer previsões mais precisas para a próxima condução. Esta adaptação contínua é o que permite ao modelo alcançar um nível de precisão que os modelos estáticos, pré-definidos, simplesmente não conseguem igualar.
Para validar as suas alegações, a equipa de investigação conduziu experiências rigorosas utilizando conjuntos de dados de baterias publicamente disponíveis de dois fabricantes bem conhecidos: A123 e Panasonic NCR. Testaram o modelo ARST sob dois ciclos de condução dinâmica desafiantes: o Teste de Stress Dinâmico (DST), que simula uma condução urbana agressiva com paragens e arranques frequentes, e o Teste de Economia de Combustível em Autoestrada (HWFET), que imita um cruzeiro em alta velocidade. Estes testes foram realizados numa ampla gama de temperaturas, de 0°C a 50°C, para simular extremos do mundo real.
Os resultados foram convincentes. Quando comparado com um modelo que dependia apenas da “informação prévia” inicial sem correção online, o modelo ARST completo demonstrou uma melhoria substancial na precisão. O seu erro de previsão de tensão foi reduzido em média 4,3 milivolts, e o seu erro de previsão de temperatura foi reduzido em 0,016°C em todas as condições de teste. Isto prova que o processo contínuo de aprendizagem online é essencial para manter uma alta precisão.
Ainda mais impressionante foi a comparação com um modelo eletrotérmico de última geração de um estudo líder de 2023, que usou um circuito RC tradicional para o seu componente elétrico e parâmetros térmicos fixos. Em testes diretos, o modelo ARST superou este benchmark em todas as categorias. As suas previsões de tensão foram significativamente mais precisas, particularmente durante as rápidas alterações de corrente do ciclo DST, graças ao rastreamento dinâmico superior do AR-ECM. As suas previsões de temperatura também foram mais estáveis, especialmente durante a descarga prolongada de alta corrente do ciclo HWFET, porque os seus parâmetros térmicos puderam adaptar-se à temperatura crescente, ao contrário dos parâmetros fixos do modelo concorrente.
O impacto deste modelo melhorado nas estimativas finais de estado foi profundo. Para a estimativa do SOC, o algoritmo baseado no ARST alcançou um erro médio quadrático (RMSE) de apenas 0,81%. Isto representa uma melhoria significativa face ao erro de 1,27% de um modelo que ignorava os efeitos da temperatura e ao erro de 1,09% do modelo eletrotérmico de parâmetros fixos. Para a estimativa do SOH, o RMSE médio foi de 1,33%, superando novamente as alternativas. Mais notavelmente, a estimativa do SOT foi excecionalmente precisa, com um erro médio de apenas 0,114°C, demonstrando a robusta capacidade de rastreamento térmico do modelo.
Estes números traduzem-se em benefícios reais para os condutores e fabricantes de VEs. Uma estimativa de SOC mais precisa significa que os condutores podem confiar no display de autonomia, reduzindo a “ansiedade de autonomia” e permitindo um planeamento de viagem mais eficiente. Uma estimativa de SOH mais precisa permite uma melhor monitorização a longo prazo da saúde da bateria, permitindo uma manutenção preditiva e fornecendo uma imagem mais precisa do valor residual do veículo. E com uma estimativa de SOT altamente precisa, o BMS pode tomar decisões mais inteligentes sobre o fornecimento de energia e a gestão térmica. Por exemplo, pode impedir o condutor de exigir uma aceleração máxima quando a bateria está demasiado fria, protegendo a célula, ou pode ativar o sistema de arrefecimento de forma mais eficiente quando a bateria está a aquecer, preservando o desempenho e a longevidade.
As implicações desta investigação estendem-se para além de melhorar uma única métrica. Ao conseguir com sucesso a estimativa conjunta online de três estados críticos — SOC, SOH e SOT — o modelo ARST representa um salto significativo na tecnologia BMS. Ele fornece uma visão mais holística e integrada do estado da bateria, o que é essencial para a próxima geração de VEs. À medida que os veículos se tornam mais autónomos e conectados, o BMS precisará de comunicar não apenas com o condutor, mas com o computador central do veículo, a infraestrutura de carregamento e até mesmo com a rede elétrica. Um BMS alimentado por um modelo como o ARST pode fornecer dados mais ricos e confiáveis, permitindo uma gestão de energia mais inteligente, estratégias de carregamento otimizadas e protocolos de segurança melhorados.
Além disso, a metodologia tem o potencial de reduzir custos e apoiar a tendência para a redução de peso dos veículos. Como o modelo ARST é tão preciso, pode permitir que os engenheiros projetem packs de baterias com margens de segurança menores. Atualmente, os BMS frequentemente operam de forma conservadora para contabilizar erros de estimativa, o que significa que a capacidade total da bateria nem sempre é utilizada. Um modelo mais preciso poderia desbloquear com segurança mais da energia disponível da bateria, efetivamente aumentando a autonomia do veículo sem adicionar peso físico ou custo. Esta é uma vantagem crítica numa indústria onde cada quilograma e cada dólar contam.
Embora a implementação atual do modelo ARST esteja otimizada para a comum célula cilíndrica 18650, a equipa de investigação reconhece que diferentes formatos de bateria, como as grandes células pouch usadas em muitos VEs modernos, apresentam desafios térmicos diferentes. A equipa, incluindo a Professora Associada Wang Wanru, já delineou trabalho futuro para explorar modelos térmicos distribuídos mais complexos que poderiam ser fundidos com o AR-ECM para estas aplicações. Também estão interessados em investigar como técnicas de inteligência artificial poderiam ser usadas para modelar os acoplamentos altamente não lineares dentro da bateria.
Em conclusão, o trabalho de Liu Fang, Liu Xinhui, Su Weixing, Wang Wanru da Universidade de Tiangong, e Bu Fantao da Neusoft Reach Automotive Technology, apresenta um grande avanço na estimativa do estado das baterias. O seu modelo ARST, com a sua inovadora estrutura de duplo filtro e capacidade de aprendizagem online, aborda eficazmente as deficiências críticas dos métodos existentes. Ao fornecer uma compreensão mais precisa, adaptativa e abrangente do estado de uma bateria de ião de lítio sob condições extremas do mundo real, esta investigação abre o caminho para veículos elétricos mais seguros, eficientes e confiáveis. À medida que a transição global para o transporte eletrificado acelera, inovações como esta não são apenas conquistas académicas; são blocos de construção essenciais para um futuro sustentável.
Liu Fang, Liu Xinhui, Su Weixing, Wang Wanru, Bu Fantao. Método de Estimativa Conjunta Online para Estados-Chave de Baterias de Lítio Baseado num Novo Modelo de Acoplamento Eletrotérmico. Proceedings of the CSEE. DOI: 10.13334/j.0258-8013.pcsee.232858