Cientistas da Universidade da Califórnia, Riverside, desenvolveram uma nova métrica de diagnóstico para veículos elétricos (EVs) que determina se eles podem completar uma próxima viagem.
Chamado de Estado de Missão (SOM), ele utiliza dados da bateria e fatores ambientais, como padrões de tráfego, mudanças de elevação ou temperatura ambiente, para gerar previsões específicas de tarefas em tempo real. Além disso, a equipe desenvolveu estruturas matemáticas e computacionais para calcular o SOM.
“É uma medida consciente da missão que combina dados e física para prever se a bateria pode completar uma tarefa planejada em condições do mundo real”, afirmou o co-autor Mihri Ozkan em um comunicado. “Nossa abordagem é projetada para ser generalizável. A mesma metodologia híbrida pode fornecer previsões conscientes da missão que melhoram a confiabilidade, segurança e eficiência em uma ampla gama de tecnologias de energia, desde carros e drones até sistemas de baterias domésticas e até missões espaciais”.
Para calcular o SOM, o novo modelo utiliza três classes de entrada relacionadas ao perfil da missão, condições ambientais e dinâmica da bateria. Ele começa processando dados históricos de séries temporais para estimar o vetor de estado interno inicial da bateria. Em seguida, as equações diferenciais ordinárias neurais (EDOs neurais) simulam a evolução contínua no tempo dos estados eletroquímicos, térmicos e de degradação. Aproveitando as redes neurais informadas pela física (PINNs), o modelo adere aos resultados com base nas leis físicas. Em última análise, a utilização de arquiteturas de aprendizado sequencial produz um sistema de estimativa de estado de bateria coeso e de ponta a ponta.
O novo modelo produz três resultados: o primeiro é um SOM binário, que indica se uma bateria pode completar a missão. O próximo é um SOM quantitativo, indicando a facilidade e segurança com que a bateria pode completar a missão. Por fim, também produz um SOM probabilístico, representando a probabilidade de a missão ser bem-sucedida. O grupo usou dados do conjunto de dados de degradação da bateria de Oxford e do conjunto de dados de envelhecimento da bateria PCoE da NASA para treinar o modelo. Parte dos dados acabou sendo usada também para testes.
“O modelo aprende com a forma como as baterias carregam, descarregam e aquecem ao longo do tempo, mas também respeita as leis da eletroquímica e da termodinâmica. Essa inteligência dupla permite fazer previsões confiáveis mesmo sob estresse, como uma queda repentina de temperatura ou uma subida íngreme”, disse o coautor Cengiz Ozkan. “Ao combiná-los, obtemos o melhor dos dois mundos: um modelo que aprende de forma flexível com os dados, mas sempre permanece fundamentado na realidade física. Isso torna as previsões não apenas mais precisas, mas também mais confiáveis.”
Testando o modelo
Usando uma estrutura computacional implementada em Python, o grupo simulou dois estudos de caso para examinar seu modelo SOM. O primeiro incluía um carro de passeio, viajando em uma rota urbana de ida e volta de 23 km, com temperaturas ambientes variando de 18 a 32 ° C. O estado inicial de carga da bateria (SOC) foi de 58%, o estado inicial de saúde (SOH) foi de 87%, o estado de resistência (SOR) foi de cerca de 12% e a temperatura média da célula (SOT) foi de 26 °C. O modelo considerou a missão viável, com uma pontuação quantitativa de SOM de 92,4%.
A segunda missão envolveu um veículo elétrico de carga de longa distância, que percorreu uma rota mista de 275 km que incluiu 110 km em condições montanhosas, com uma faixa de temperatura ambiente de 26-42 °C. O SOC neste caso foi de 87%, o SOH foi de 78% e o SOT foi de 33,6 °C. O modelo também considerou essa missão viável, com um MOS quantitativo de 73,5%. “Em todo o conjunto de dados avaliado, o modelo atinge erros quadráticos médios (RMSEs) de 0,018 V para tensão, 1,37 °C para temperatura e 2,42% para SOC, refletindo forte concordância com dados empíricos”, acrescentou a equipe.
“No momento, a principal limitação é a complexidade computacional”, disse Mihri Ozkan. “A estrutura exige mais poder de processamento do que os sistemas leves e integrados de gerenciamento de bateria de hoje normalmente fornecem.” No entanto, ela enfatizou que está otimista e o modelo poderá em breve ser aplicado a veículos elétricos, sistemas aéreos não tripulados, aplicações de armazenamento de rede e outras áreas.
O novo sistema foi introduzido em “State of mission: Battery management with neural networks and electrochemical AI“, publicado na iScience.
Este conteúdo é protegido por direitos autorais e não pode ser reutilizado. Se você deseja cooperar conosco e gostaria de reutilizar parte de nosso conteúdo, por favor entre em contato com: editors@pv-magazine.com.
Ao enviar este formulário, você concorda com a pv magazine usar seus dados para o propósito de publicar seu comentário.
Seus dados pessoais serão apenas exibidos ou transmitidos para terceiros com o propósito de filtrar spam, ou se for necessário para manutenção técnica do website. Qualquer outra transferência a terceiros não acontecerá, a menos que seja justificado com base em regulamentações aplicáveis de proteção de dados ou se a pv magazine for legalmente obrigada a fazê-lo.
Você pode revogar esse consentimento a qualquer momento com efeito para o futuro, em cujo caso seus dados serão apagados imediatamente. Ainda, seus dados podem ser apagados se a pv magazine processou seu pedido ou se o propósito de guardar seus dados for cumprido.
Mais informações em privacidade de dados podem ser encontradas em nossa Política de Proteção de Dados.