Inovação na Monitorização de Baterias para Veículos Elétricos
Uma equipa de investigadores desenvolveu um método revolucionário para estimar o estado de saúde (SOH) de baterias de iões de lítio, representando um avanço significativo para a segurança e fiabilidade dos veículos elétricos. Esta abordagem inovadora, detalhada na mais recente edição da revista científica Energy Storage Science and Technology, combina uma análise multifatorial com um modelo de aprendizagem automática avançado, utilizando especificamente os algoritmos Long Short-Term Memory (LSTM) e eXtreme Gradient Boosting (XGBoost) para fornecer estimativas precisas e robustas do estado das baterias.
A importância de uma estimativa precisa do SOH não pode ser subestimada no contexto da mobilidade elétrica. À medida que a indústria automóvel acelera a transição para a eletrificação, garantir a longevidade e o desempenho dos sistemas de baterias torna-se crucial. As baterias de iões de lítio, conhecidas pela sua alta densidade energética e longo ciclo de vida, estão no cerne desta transição. No entanto, estes acumuladores degradam-se com o tempo, sendo a monitorização do seu estado essencial para manter o desempenho e a segurança dos veículos. Os métodos tradicionais de estimativa do SOH têm enfrentado desafios na extração eficaz de características de saúde (HFs) e frequentemente requerem volumes extensivos de dados de teste, o que se traduz em processos demorados e dispendiosos.
Para superar estas limitações, a equipa de investigação propôs uma nova metodologia que aproveita um conjunto abrangente de HFs derivados de dados de carregamento das baterias. Estas características são categorizadas em três tipos principais: temporais, energéticas e relacionadas com curvas de capacidade incremental (IC). Ao extrair seis HFs específicas, os investigadores visam capturar uma visão mais holística do processo de envelhecimento das baterias. As características temporais incluem o tempo de carregamento durante as fases de corrente constante (CC) e tensão constante (CV), enquanto as características energéticas se focam na energia consumida durante estas fases. As características relacionadas com curvas IC, como o valor de pico e a tensão de pico da curva IC, fornecem informações sobre as alterações químicas internas que ocorrem na bateria.
Uma das inovações-chave deste estudo reside na utilização de um método de processamento de características baseado em dupla correlação. Esta abordagem ajuda a eliminar informações redundantes entre tipos semelhantes de HFs, reduzindo assim a complexidade computacional do modelo. Ao selecionar as HFs mais representativas, os investigadores garantem que a entrada para o modelo de estimativa é simultaneamente eficiente e informativa. A análise de dupla correlação envolve o cálculo do grau de relação cinzenta entre cada HF e o SOH, identificando as HFs primárias com a maior correlação e subsequentemente determinando as HFs secundárias que complementam as primárias. Este método não só simplifica o processo de seleção de características, como também melhora a capacidade do modelo para prever com precisão o estado de saúde da bateria.
O núcleo do método de estimativa de SOH proposto é o modelo LSTM-XGBoost. As redes LSTM são particularmente adequadas para lidar com dados temporais, tornando-as ideais para prever valores futuros de HFs com base em dados históricos. Neste estudo, o algoritmo LSTM é utilizado para prever as HFs para os ciclos restantes da bateria, mesmo quando apenas uma quantidade limitada de dados está disponível. Esta capacidade preditiva é crucial para estender a vida útil da bateria e otimizar o seu desempenho. No entanto, os modelos LSTM podem ser computacionalmente intensivos, especialmente quando dealing com grandes conjuntos de dados. Para superar este desafio, os investigadores integraram o algoritmo XGBoost, conhecido pela sua alta eficiência computacional e fortes capacidades de ajuste não linear.
O XGBoost, um poderoso algoritmo de aprendizagem ensemble, é utilizado para construir um modelo de regressão que mapeia as HFs previstas para o SOH. O algoritmo funciona adicionando iterativamente aprendizes fracos (árvores de decisão) ao modelo, cada um corrigindo os erros da iteração anterior. Este processo, conhecido como gradient boosting, resulta num modelo altamente preciso e robusto. A integração do LSTM e do XGBoost aproveita os pontos fortes de ambos os algoritmos: a capacidade do LSTM para capturar dependências temporais e a eficiência e precisão do XGBoost em regressão não linear.
Para validar a eficácia do seu método, os investigadores utilizaram o conjunto de dados de envelhecimento de baterias da NASA, que contém informações detalhadas sobre o desempenho de baterias de iões de lítio sob várias condições. O conjunto de dados inclui informações de três baterias diferentes (B0005, B0006 e B0007), cada uma sujeita a ciclos repetidos de carga-descarga com uma corrente constante de 1.5 A até a tensão atingir 4.2 V, seguido por uma fase de tensão constante até a corrente cair para 20 mA. Após um período de repouso de duas horas, as baterias foram descarregadas com uma corrente constante de 2 A. Este protocolo de teste rigoroso forneceu uma fonte rica de dados para avaliar o método de estimativa de SOH proposto.
Os resultados do estudo são impressionantes. O método proposto foi capaz de estimar com precisão o SOH das baterias de iões de lítio em diferentes volumes de dados de teste, mantendo o erro quadrático médio (RMSE) consistentemente abaixo de 1%. Este nível de precisão representa uma melhoria significativa em relação aos métodos existentes, que frequentemente lutam para alcançar taxas de erro tão baixas. A robustez do método foi further demonstrada pela sua capacidade de lidar com padrões de degradação não linear e flutuações locais observadas nas curvas de capacidade da bateria. Notablemente, o método foi capaz de capturar o fenómeno de regeneração de capacidade, onde a capacidade da bateria aumenta temporariamente devido a vários fatores, como alterações de temperatura ou reações químicas internas.
Para avaliar o desempenho do método sob diferentes condições, os investigadores realizaram uma série de experiências com pontos de partida variados para a previsão de características. Estabeleceram o ponto de previsão inicial em 80, 100 e 120 ciclos, respectivamente, e avaliaram as estimativas de SOH utilizando os dados restantes. Os resultados mostraram que o método proposto poderia acompanhar com precisão o SOH real, mesmo quando apenas uma pequena porção dos dados estava disponível para treino. Os erros relativos para as estimativas de SOH situaram-se geralmente dentro de ±3% para as baterias B0005 e B0007, e embora ligeiramente superiores para a B0006, permaneceram abaixo de 6%. Estas descobertas destacam a adaptabilidade e fiabilidade do método, tornando-o adequado para aplicações do mundo real onde a disponibilidade de dados pode ser limitada.
Para além da precisão das estimativas de SOH, a eficiência computacional do modelo é outro fator crítico. Os investigadores compararam o modelo LSTM-XGBoost proposto com outros algoritmos populares de aprendizagem automática, incluindo Radial Basis Function (RBF), Support Vector Machine (SVM) e LSTM autónomo. Os resultados demonstram que o modelo LSTM-XGBoost superou os outros métodos em termos de precisão e eficiência computacional. Por exemplo, o erro absoluto médio (MAE), o erro percentual absoluto médio (MAPE) e o RMSE para a bateria B0007 foram de 0.3868%, 0.5277% e 0.5044%, respectivamente, utilizando o modelo LSTM-XGBoost. Em contraste, o modelo RBF apresentou erros correspondentes de 0.7312%, 1.0245% e 0.8934%, enquanto o modelo SVM registou erros de 0.7155%, 0.9761% e 0.8099%. O modelo LSTM autónomo, embora mais preciso que o RBF e o SVM, ainda apresentou erros superiores em comparação com o modelo LSTM-XGBoost, com o MAPE e o RMSE sendo 1.67 vezes e 1.46 vezes superiores, respectivamente.
O tempo computacional necessário para os diferentes modelos foi também avaliado. O modelo LSTM-XGBoost demorou aproximadamente 4.30 segundos, 4.41 segundos e 4.24 segundos para calcular as estimativas de SOH para B0005, B0006 e B0007, respectivamente. Embora ligeiramente superior aos modelos RBF e SVM, que demoraram entre 2.87 e 3.17 segundos, a compensação em termos de precisão justifica-se plenamente. O modelo LSTM autónomo, por outro lado, exigiu significativamente mais tempo, com tempos de computação variando entre 12.78 e 13.67 segundos. Este dado destaca os ganhos de eficiência alcançados pela combinação de LSTM e XGBoost, uma vez que o último ajuda a reduzir a carga computacional global sem sacrificar a precisão.
As implicações práticas desta investigação são de largo espectro. A estimativa precisa e eficiente do SOH é essencial para o desenvolvimento de sistemas avançados de gestão de baterias (BMS) em veículos elétricos. Um BMS que possa prever de forma fiável o estado de saúde da bateria pode otimizar os ciclos de carga e descarga, prolongar a vida útil da bateria e melhorar o desempenho geral do veículo. Além disso, tal sistema pode ajudar a prevenir sobrecargas e descargas profundas, que são conhecidas por acelerar a degradação da bateria e representar riscos de segurança. Ao fornecer uma avaliação mais precisa e atempada do estado da bateria, o método proposto pode contribuir para o desenvolvimento de veículos elétricos mais seguros e fiáveis.
A integração da análise multifatorial e do modelo LSTM-XGBoost abre também novas possibilidades para a manutenção preditiva e o diagnóstico de avarias. Ao monitorizar continuamente a saúde da bateria, o BMS pode detetar sinais precoces de degradação e acionar ações preventivas antes que ocorra uma falha. Esta abordagem proativa pode reduzir os custos de manutenção e os tempos de inatividade, melhorando a experiência geral do utilizador. Adicionalmente, a capacidade do método para lidar com dados limitados torna-o particularmente útil para aplicações em tempo real, onde a disponibilidade de dados históricos pode ser condicionada.
A investigação representa um passo significativo em frente no campo da monitorização da saúde das baterias. A abordagem inovadora não só aborda as limitações dos métodos tradicionais de estimativa de SOH, como também estabelece um novo padrão de precisão e eficiência. A utilização de um método de processamento de características baseado em dupla correlação e a integração dos algoritmos LSTM e XGBoost demonstram o potencial de combinar conhecimento específico de domínio com técnicas avançadas de aprendizagem automática para resolver problemas complexos de engenharia.
À medida que a procura por veículos elétricos continua a crescer, a necessidade de sistemas de gestão de baterias fiáveis e eficientes tornarse-á cada vez mais importante. O trabalho apresentado neste estudo fornece uma base sólida para o desenvolvimento de BMS de próxima geração, que desempenharão um papel crucial na adoção generalizada de veículos elétricos. Ao melhorar a precisão e a robustez da estimativa do SOH, esta investigação contribui para o objetivo mais amplo de tornar os veículos elétricos mais acessíveis, económicos e sustentáveis.
Em conclusão, o método proposto para estimar o estado de saúde das baterias de iões de lítio utilizando análise multifatorial e o modelo LSTM-XGBoost oferece uma solução promissora para os desafios enfrentados pela indústcia de veículos elétricos. A combinação de um conjunto abrangente de características de saúde, uma técnica sofisticada de processamento de características e um modelo avançado de aprendizagem automática resulta num método de estimativa de SOH altamente preciso e eficiente. A validação utilizando o conjunto de dados de envelhecimento de baterias da NASA demonstra a eficácia e robustez do método, tornando-o uma ferramenta valiosa para o desenvolvimento de sistemas avançados de gestão de baterias. À medida que a indústcia automóvel continua a evoluir, os conhecimentos obtidos com esta investigação desempenharão, sem dúvida, um papel fundamental na moldagem do futuro da mobilidade elétrica.
Luiz Jizhong, Peng Simin, Li Xiaoyu
Instituto Técnico de Jiangsu Yancheng, Instituto de Tecnologia de Yancheng, Universidade de Shenzhen
Energy Storage Science and Technology
doi: 10.19799/j.cnki.2095-4239.2024.0289