Precisão Revolucionária na Estimativa de SOC para Baterias de VE
A evolução da mobilidade elétrica está intrinsecamente ligada à capacidade de gerenciar com inteligência e precisão o coração dos veículos elétricos: suas baterias. Um dos indicadores mais críticos para essa gestão é o Estado de Carga (State of Charge, SOC), que determina quanto de energia ainda está disponível. Uma estimativa imprecisa do SOC pode resultar em indicações de autonomia enganosas, acelerar o envelhecimento da bateria ou, em casos extremos, comprometer a segurança do veículo. Nesse contexto, um avanço significativo foi alcançado por uma equipe de pesquisadores da State Grid Jingmen Power Supply Company, que desenvolveu um novo modelo de inteligência artificial capaz de elevar a precisão da estimativa do SOC a níveis antes inatingíveis.
Publicado na edição de agosto de 2024 da revista Northeast Electric Power Technology, o estudo apresenta o modelo ISSA-KELM, uma abordagem inovadora que combina uma versão aprimorada do algoritmo de busca do pardal (Improved Sparrow Search Algorithm, ISSA) com uma máquina de aprendizado extremo baseada em kernel (Kernel Extreme Learning Machine, KELM). Desenvolvido por Chen Baihan, Yang Wei, Wan Wenxin e Liu Chuang, este trabalho não se limita a uma melhoria incremental; ele representa um salto qualitativo na forma como os sistemas de gerenciamento de bateria (BMS) podem interpretar os dados operacionais das células de lítio.
A importância de uma estimativa precisa de SOC não pode ser subestimada. Para o motorista, isso se traduz diretamente em confiança. Saber com exatidão quantos quilômetros ainda podem ser percorridos elimina a ansiedade por autonomia, um dos maiores entraves psicológicos à adoção de veículos elétricos. Do ponto de vista técnico, uma leitura correta do SOC permite que o BMS otimize os ciclos de carga e descarga, evitando condições que danifiquem a bateria, como descargas profundas ou sobrecargas. Além disso, para aplicações avançadas como a tecnologia Veículo para Rede (V2G), onde os carros devolvem energia à rede elétrica, a precisão do SOC é fundamental para garantir a estabilidade do sistema e a integridade da bateria do veículo.
Os métodos tradicionais de estimativa de SOC, como a integração amperes-hora (Ah) ou a medição da tensão em circuito aberto, são conhecidos por suas limitações. Eles são sensíveis a ruídos de medição, variações de temperatura, efeitos de envelhecimento da bateria e não conseguem lidar bem com as cargas dinâmicas e imprevisíveis do mundo real. Embora métodos mais sofisticados, como o filtro de Kalman, ofereçam melhor desempenho, eles dependem de modelos matemáticos complexos que são difíceis de calibrar e que podem se tornar obsoletos à medida que a bateria envelhece.
Foi para superar essas deficiências que a inteligência artificial (IA) emergiu como uma solução promissora. Modelos de aprendizado de máquina podem “aprender” diretamente de grandes volumes de dados de operação real, capturando padrões complexos e não lineares que os modelos tradicionais não conseguem. No entanto, a eficácia desses modelos depende crucialmente de como seus parâmetros internos são ajustados. É aqui que o modelo ISSA-KELM se destaca, não apenas por escolher uma arquitetura poderosa (o KELM), mas por empregar um algoritmo de otimização altamente sofisticado para configurar essa arquitetura da melhor maneira possível.
O núcleo da inovação reside no ISSA, uma versão profundamente modificada do algoritmo de busca do pardal. O algoritmo original simula o comportamento de uma colônia de pardais, onde indivíduos são divididos em “buscadores” (que procuram comida), “seguidores” (que seguem os buscadores) e “sentinelas” (que alertam sobre perigos). É um algoritmo eficiente, mas como muitos outros, pode ficar preso em soluções subótimas, conhecidas como “ótimos locais”, sem conseguir encontrar a solução global ideal. Os pesquisadores de Jingmen abordaram essa fraqueza com três estratégias de aprimoramento que elevam o desempenho do algoritmo a outro patamar.
A primeira estratégia é a inicialização caótica baseada em Logistic. Em vez de espalhar os “pardais” (cada um representando uma possível configuração de parâmetros) de forma aleatória no espaço de busca, o time utilizou uma equação matemática caótica, conhecida como mapeamento Logistic. Esse método garante que os indivíduos iniciais sejam distribuídos de maneira muito mais uniforme e diversificada por todo o espaço de solução. Isso é análogo a lançar uma rede de busca não em pontos aleatórios, mas seguindo um padrão que cobre sistematicamente uma área vasta, maximizando as chances de encontrar a melhor solução desde o início.
A segunda melhoria é a introdução de um peso de inércia não linearmente decrescente. Este conceito é fundamental para equilibrar a “exploração” (procurar em novas áreas do espaço de busca) e a “exploração” (refinar uma solução promissora). No início do processo, o peso de inércia é alto, permitindo que os “pardais” façam grandes saltos e explorem agressivamente o ambiente. À medida que o algoritmo progride, este peso diminui de forma não linear, permitindo movimentos mais pequenos e precisos. Esse ajuste dinâmico impede que o algoritmo fique “oscilando” em torno de uma boa solução, permitindo que ele se estabilize e converja suavemente para o resultado ótimo.
A terceira e mais engenhosa melhoria é a integração do voo de Lévy no comportamento das “sentinelas”. O voo de Lévy é um padrão de busca observado na natureza, caracterizado por uma combinação de muitos pequenos passos e saltos ocasionais muito longos. Esse comportamento, visto em aves e insetos, é altamente eficiente para encontrar recursos em ambientes desconhecidos. Ao incorporar esse mecanismo no algoritmo ISSA, os “pardais” ganham a capacidade de “escapar” de uma solução localmente boa, mas não ideal. É como se, ao perceber que uma área não oferece mais alimento, um pardal realizasse um salto longo e aleatório para uma localização completamente nova, aumentando exponencialmente suas chances de descobrir um campo muito mais fértil. Essa característica é crucial para garantir que o algoritmo não fique preso em mínimos locais e continue sua busca até encontrar a solução globalmente ótima.
Com o algoritmo ISSA aprimorado, o próximo passo foi aplicá-lo para otimizar o modelo KELM. O KELM é uma evolução do clássico Extreme Learning Machine (ELM), conhecido por sua velocidade de treinamento. Ao introduzir uma função de kernel, o KELM consegue lidar com problemas altamente não lineares com uma precisão e robustez superiores, tornando-o ideal para modelar a relação complexa entre a tensão, corrente, temperatura e o SOC de uma bateria.
O modelo foi treinado e testado com dados de uma célula de bateria de fosfato de ferro e lítio (LFP), uma química amplamente utilizada em veículos elétricos devido à sua segurança e longa vida útil. Os dados, coletados com um ciclador Neware, consistiam em 400 amostras de tensão, corrente, temperatura e o valor real do SOC. Destas, 380 foram usadas para treinar o modelo, e as 20 restantes serviram como conjunto de teste, permitindo uma avaliação imparcial da precisão do modelo em dados que ele nunca tinha visto.
O processo de otimização foi um sucesso notável. O algoritmo ISSA conseguiu ajustar os parâmetros do KELM (o coeficiente do kernel e o parâmetro de penalização) de forma a minimizar o erro quadrático médio (RMSE) no conjunto de treinamento. Ele alcançou um RMSE de 0,0113 após apenas 57 iterações. Em contraste, o algoritmo SSA original precisou de 109 iterações para atingir um RMSE de 0,0155. Essa diferença demonstra não apenas a superior eficiência do ISSA, mas também sua capacidade de encontrar uma solução de melhor qualidade em muito menos tempo.
O verdadeiro teste, no entanto, veio com o conjunto de teste. Aqui, o modelo ISSA-KELM mostrou um desempenho excepcional. O erro relativo máximo, que mede o pior desvio em qualquer ponto da predição, foi de apenas 6,232%. Esse valor é significativamente inferior ao 8,643% do modelo SSA-KELM e ao impressionante 13,150% de um modelo PSO-LSSVM, que foi usado como referência. Um erro máximo tão baixo é vital para aplicações de segurança, pois minimiza o risco de o BMS subestimar gravemente a capacidade restante da bateria, o que poderia levar a uma descarga completa e a danos permanentes.
O erro relativo médio (MAPE), que indica a precisão média das predições, foi de 3,964%. Esse nível de exatidão significa que a indicação de autonomia no painel do veículo seria extremamente confiável, proporcionando ao motorista uma sensação de segurança e controle. Além disso, o RMSE final do conjunto de teste foi de 0,0197, um indicador de que o modelo é não apenas preciso em média, mas também extremamente estável e consistente em todas as suas previsões. A curva de estimativa do SOC segue a curva do valor real com uma fidelidade quase perfeita, mesmo durante transições dinâmicas, como a mudança brusca de carga para descarga.
A relevância deste avanço vai muito além da precisão do mostrador de autonomia. Um BMS equipado com um modelo como o ISSA-KELM pode gerenciar a bateria de forma muito mais inteligente. Ele pode prever e evitar ciclos de carga que aceleram o envelhecimento, otimizar a regeneração de energia durante a frenagem e garantir que a bateria opere sempre dentro de sua janela de segurança térmica e elétrica. Isso se traduz diretamente em uma vida útil mais longa para a bateria, um componente que representa uma parte significativa do custo total do veículo.
Outra vantagem crucial do modelo ISSA-KELM é sua viabilidade prática. Diferente de redes neurais profundas, que exigem grandes poderes de processamento, o KELM é uma arquitetura leve e rápida. Combinado com a eficiência do algoritmo ISSA, isso significa que o modelo pode ser executado em tempo real nos microcontroladores de baixo consumo de energia que são o cérebro dos BMS modernos. Ele não requer hardware especializado, tornando-o uma solução escalável e economicamente viável para a indústria automotiva.
Além disso, o modelo utiliza apenas três entradas que já são monitoradas por todos os veículos elétricos: tensão, corrente e temperatura. Não necessita de sensores adicionais nem de períodos de repouso para medir a tensão em circuito aberto, o que o torna adequado para uso contínuo durante a condução. Essa simplicidade de implementação é um fator decisivo para sua adoção em larga escala.
Embora o estudo tenha se concentrado em baterias LFP, a metodologia é universal. Com ajustes nos dados de treinamento e nos intervalos de parâmetros, o modelo ISSA-KELM poderia ser adaptado a outras químicas, como o níquel-manganês-cobalto (NMC), comum em veículos de alto desempenho. Os pesquisadores também sugerem que futuras pesquisas poderiam integrar o Estado de Saúde (SOH) da bateria como uma entrada adicional, criando um sistema de gerenciamento ainda mais completo e preditivo.
Em resumo, o modelo ISSA-KELM representa um marco importante na engenharia de baterias para veículos elétricos. Ele combina a potência da inteligência artificial com uma otimização algorítmica inspirada na natureza para resolver um problema técnico fundamental. Ao fazer isso, não apenas melhora a precisão de uma métrica chave, mas também estabelece as bases para um futuro de mobilidade elétrica mais seguro, eficiente e confiável. À medida que a indústria continua sua transição para a eletrificação, inovações como esta, que melhoram a inteligência do sistema de dentro para fora, serão tão importantes quanto os avanços na própria química das baterias.
Chen Baihan, Yang Wei, Wan Wenxin, Liu Chuang, State Grid Jingmen Power Supply Company, Northeast Electric Power Technology, DOI: 10.12061/j.issn.1004-7913.2024.08.001