Três Avanços que Revolucionam a Inteligência de Baterias de Veículos Elétricos em 2025
Numa era em que os veículos elétricos deixaram de ser um nicho para se tornarem uma prioridade global, a corrida para aperfeiçoar as baterias de ião de lítio intensificou-se. Enquanto os destaques midiáticos frequentemente focam na autonomia, velocidade de carregamento ou densidade energética, uma revolução mais silenciosa mas igualmente crítica está a ocorrer nos bastidores: a inteligência em tempo real e multiestado que governa o comportamento das baterias sob stress, calor e envelhecimento. Um estudo recentemente publicado na China está agora a ampliar as fronteiras do possível, oferecendo uma estrutura unificada que monitoriza simultaneamente o estado de carga (SOC), o estado de saúde (SOH) e, crucialmente, o estado de temperatura (SOT) das baterias, com uma precisão sem precedentes em condições extremas.
Isto não é progresso incremental. É um salto estrutural. Durante anos, os sistemas de gestão de baterias (BMS) basearam-se em modelos simplificados que ignoravam a dinâmica térmica ou a tratavam como correções estáticas. O resultado? Margens de segurança excessivamente conservadoras, capacidade útil reduzida em climas frios e degradação acelerada em ambientes quentes, custando desempenho aos fabricantes, autonomia aos consumidores e valor de ciclo de vida aos operadores de frotas. O novo método, desenvolvido por investigadores da Universidade de Tiangong e da Neusoft Reach Automotive Technology, confronta diretamente estas limitações ao fundir a física eléctrica e térmica numa única arquitetura adaptativa que evolui com a própria bateria.
No coração desta inovação está o que a equipa designa por modelo ARST, um acrónimo para Autoregressão Térmica de Estado Único. Ao contrário das abordagens convencionais que emparelham circuitos de resistência-capacitância (RC) com modelos térmicos, o ARST substitui a espinha dorsal eléctrica por um modelo de circuito equivalente autoregressivo (AR-ECM). Esta mudança é mais do que jargão técnico; é uma resposta a uma falha fundamental nos projetos legados. Os modelos RC tradicionais lutam para captar o espectro completo da resposta dinâmica de uma bateria, especialmente sob perfis de corrente de alta frequência e alta amplitude típicos da condução real de veículos eléctricos, como acelerações agressivas ou travagens regenerativas em descidas montanhosas. O AR-ECM, em contraste, utiliza previsão de séries temporais para modelar o comportamento da tensão com uma fidelidade muito maior, particularmente em estados transitórios onde a maioria dos erros de estimativa ocorre.
Mas o verdadeiro avanço não está apenas na modelação; está em como o modelo aprende. Em vez de depender exclusivamente de dados de laboratório recolhidos offline a partir de um punhado de células “representativas”, a estrutura ARST emprega uma estrutura de duplo filtro que refina continuamente a sua compreensão em tempo real. Um filtro estima os estados fundamentais da bateria – SOC, SOH e SOT – enquanto o outro atualiza simultaneamente os parâmetros internos do modelo, como a resistência interna, coeficientes de transferência de calor e curvas de tensão em circuito aberto. Estes dois processos informam-se mutuamente: melhores estimativas de estado levam a uma afinação de parâmetros mais precisa, o que por sua vez aprimora as previsões futuras de estado. Esta adaptação em circuito fechado é crítica porque não existem duas baterias idênticas. Tolerâncias de fabrico, variações microestruturais e histórico de utilização criam uma “individualidade da bateria” que os modelos estáticos não conseguem contabilizar. O ARST não assume uniformidade; compensa-a.
As implicações para aplicações automóveis são profundas. Considere-se um VE a navegar de uma manhã abaixo de zero em Minneapolis para uma tarde a 40°C em Phoenix, tudo num único dia. Um BMS legado poderia calcular mal a energia disponível em 10% ou mais devido a acoplamentos termo-electroquímicos não modelados, desencadeando ansiedade de autonomia desnecessária ou, pior, limitação de potência inesperada. O sistema baseado em ARST, validado em temperaturas de 0°C a 50°C utilizando ciclos de condução padrão da indústria como HWFET e DST, mantém erros de estimativa de SOC abaixo de 0,8% – uma melhoria de 25 a 30% em relação aos comparadores state-of-the-art. Ainda mais impressionante é o seu rastreamento de SOH, que se mantém estável apesar de grandes oscilações térmicas que tipicamente confundem a estimativa de capacidade.
Esta precisão não é alcançada através de computação de força bruta. Pelo contrário, a equipa fez um compromisso deliberado na modelação térmica: adotaram um modelo térmico lumped de estado único (SSTM) em vez de alternativas multi-nó mais complexas. Para células cilíndricas 18650 – ainda amplamente utilizadas em VEs de performance e armazenamento de energia – o gradiente de temperatura interno é negligenciável mesmo sob carga alta, como investigação prévia demonstrou. Ao aceitarem esta realidade física, o modelo evita complexidade desnecessária, preservando o desempenho de baixa latência exigido pelos sistemas de controlo de veículos em tempo real. O resultado é uma solução simultaneamente mais precisa e mais implementável do que muitas alternativas académicas.
Os dados de validação contam uma história convincente. Em testes diretos contra dois métodos de referência líderes – um baseado puramente em dinâmicas eléctricas, outro usando um acoplamento RC-térmico convencional – a abordagem ARST superou consistentemente ambos em todas as métricas. Sob o ciclo HWFET de alto stress a 0°C, onde os transitórios térmicos são severos e a estimativa de SOC é notoriamente difícil, o ARST reduziu o erro de previsão de tensão em mais de 30% comparado com o modelo baseado em RC. A 50°C, onde a acumulação de calor acelera a degradação e distorce as assinaturas de tensão, a sua estimativa de SOT manteve-se dentro de 0,12°C do valor real, permitindo estratégias de gestão térmica mais agressivas mas seguras.
Para os fabricantes de automóveis, isto traduz-se em benefícios tangíveis. Um SOC mais preciso significa que menos capacidade de “buffer” precisa de ser reservada por segurança, aumentando efetivamente a autonomia utilizável sem adicionar células. Um melhor rastreamento de SOH permite decisões mais inteligentes de reforma de baterias em aplicações de segunda vida ou um provisionamento de garantia mais preciso. E a consciência em tempo real do SOT permite ajustes dinâmicos às curvas de carregamento, limites de binário do motor e pré-condicionamento da habitáculo, todos coordenados para maximizar a longevidade da bateria. Num mercado onde uma vantagem de 5% na autonomia pode influenciar a escolha do consumidor, e onde os custos de substituição da bateria permanecem uma das principais preocupações de propriedade, tal inteligência não é apenas valiosa – é uma necessidade competitiva.
Criticamente, o método também aborda uma lacuna de longa data na investigação académica: a escassez de algoritmos que estimam conjuntamente três ou mais estados da bateria. A maioria do trabalho anterior focou-se em pares SOC-SOH, tratando frequentemente a temperatura como uma condição de contorno fixa. Mas como este estudo demonstra, negligenciar o SOT cria um ponto cego que propaga erro através de toda a cadeia de estimativa. O calor afecta a cinética de reação, o que altera a tensão, o que confunde os algoritmos de SOC, que depois avaliam mal a degradação. É uma cascata de incerteza. Ao colocar o SOT em pé de igualdade com o SOC e o SOH – e modelando explicitamente a sua interdependência – a estrutura ARST fecha este ciclo.
A estratégia “inicialização de informação prévia + correção online” da equipa aumenta ainda mais a robustez. Os parâmetros iniciais são derivados de conjuntos de dados publicamente disponíveis (incluindo células da Panasonic e A123), garantindo ampla aplicabilidade. Mas em vez de bloquear estes valores, o sistema trata-os como pontos de partida – constantemente refinados por dados operacionais reais. Esta abordagem híbrida equilibra a necessidade de implantação rápida com adaptabilidade a longo prazo, uma característica crucial para baterias que podem operar durante uma década ou mais em diversos climas e padrões de utilização.
De uma perspetiva de sistemas, a arquitetura de duplo filtro é elegantemente escalável. Não requer sensores exóticos – apenas tensão padrão, corrente, temperatura ambiente e uma única leitura de temperatura superficial. Esta compatibilidade com as pilhas de hardware existentes reduz a barreira à adoção. Além disso, a carga computacional, embora superior à contagem básica de Coulomb, permanece dentro das capacidades dos microcontroladores automotivos modernos, especialmente à medida que os fabricantes de chips integram cada vez mais unidades dedicadas de processamento de sinal para tarefas de BMS.
Olhando para o futuro, os investigadores reconhecem limitações – principalmente que a formulação SSTM atual está otimizada para pequenas células cilíndricas. Os formatos de bolsa e prismáticos, que dominam as novas plataformas de VE, exibem gradientes térmicos internos mais complexos e podem requerer modelos térmicos distribuídos. Trabalhos futuros, sugerem, poderiam explorar abordagens híbridas que combinem AR-ECM com redes térmicas espacialmente resolvidas, ou mesmo integrar aprendizagem automática para capturar efeitos de acoplamento não linear que resistem à modelação de primeiros princípios.
No entanto, mesmo na sua forma atual, a estrutura ARST representa um passo significativo em direção ao que a indústria chama de gestão de baterias de “gémeo digital” – onde o modelo de software espelha a célula física não apenas no nascimento, mas ao longo de toda a sua vida. À medida que os VE evoluem de produtos mecânicos para plataformas definidas por software, tal inteligência adaptativa tornar-se-á tão essencial quanto as próprias células.
Para os investidores, este desenvolvimento sinaliza uma crescente sofisticação na cadeia de abastecimento de VE da China – não apenas na fabricação de células, mas no software embebido que desbloqueia o seu potencial total. Para os engenheiros, oferece um plano prático para o design da próxima geração de BMS. E para os condutores, promete um futuro onde a bateria não apenas alimenta o carro, mas verdadeiramente o compreende.
Autores: Fang Liu¹, Xinhui Liu¹, Weixing Su¹, Wanru Wang¹, Fantao Bu²
Afiliações:
¹ Laboratório-Chave de Tianjin para Tecnologia e Sistemas de Inteligência Autónoma (Universidade de Tiangong), Distrito de Xiqing, Tianjin 300387, China
² Neusoft Reach Automotive Technology, Co., Ltd., Shenyang 110000, China
Revista: Proceedings of the CSEE*
DOI: 10.13334/j.0258-8013.pcsee.232858