⚡ electrical engineering

Design of Cooperative Converter with Optimized Deep Learning based Control Mechanism of Battery Cell Balancing for Automotive Applications

Questo articolo propone un convertitore Co-operative Dual Active Bridge (CO-DAB) modulare ad alta densità di potenza, controllato da una Deep Balancing Network (DBNet) che integra l'innalzamento della tensione e il bilanciamento attivo delle celle per applicazioni automotive, raggiungendo un'efficienza di picco del 96,4% pur elaborando solo una frazione della potenza totale in uscita.

Autori originali: Hemalatha.M, Sampoornam K P

Pubblicato 2026-07-03

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Hemalatha.M, Sampoornam K P

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di avere una squadra di quattro corridori (le celle della batteria) incaricati di trasportare un carico pesante (alimentare un'auto). In un mondo perfetto, correrebbero tutti esattamente alla stessa velocità e si stancherebbero nello stesso momento. Ma nella realtà, un corridore potrebbe essere leggermente più veloce, un altro leggermente più lento, e uno potrebbe stancarsi prima degli altri.

Se costringi l'intera squadra a correre alla velocità del corridore più lento, quelli veloci vengono sprecati. Se lasci che i veloci corrano troppo duramente, crollano prematuramente, rovinando l'intera gara. Questo è il problema delle batterie delle auto elettriche: lo squilibrio delle celle.

Questo articolo presenta un nuovo "allenatore" e un nuovo "sistema di staffetta" per risolvere questo problema, rendendo le auto elettriche più efficienti e le loro batterie più longeve. Ecco come funziona, suddiviso in concetti semplici:

1. L' "Allenatore Intelligente" (Controllo Deep Learning)

Tradizionalmente, i gestori delle batterie sono come allenatori severi che seguono un libro di regole rigido. Potrebbero non accorgersi dei sottili cambiamenti nel respiro di un corridore finché non è troppo tardi.

Gli autori propongono una Rete di Deep Learning (DBNet). Immaginala come un allenatore super intelligente che ha guardato miglia a migliaia di ore di filmati di gare.

Cosa fa: Osserva costantemente i corridori (misurando tensione, temperatura e livelli di carica).
Come pensa: Inve di limitarsi a seguire una regola, impara dai dati passati. Può prevedere: "Oh, il Corridore 3 si sta stancando più velocemente del solito oggi, quindi devo regolare il piano prima che inciampi".
Il Risultato: Prende decisioni in frazioni di secondo per mantenere tutti in equilibrio, evitando che una singola cella venga sovraccaricata o sottoutilizzata.

2. Il "Bus di Supporto" (Convertitore Cooperativo)

Di solito, per correggere uno squilibrio, bisogna spostare l'energia da una batteria "piena" a una "vuota". I metodi tradizionali sono come usare un camion enorme e pesante per spostare pochi mattoni. È inefficiente e occupa molto spazio.

Questo articolo introduce un convertitore Dual Active Bridge Cooperativo (CO-DAB).

L'Analogia: Immagina che il pacco batteria sia un gruppo di persone che reggono un tavolo pesante. Il "Bus di Supporto" è un piccolo e agile muletto che solleva solo la differenza di peso.
Come funziona: La batteria principale compie la maggior parte del lavoro pesante. Il convertitore interviene solo per gestire il piccolo divario tra ciò che la batteria ha e ciò che l'auto necessita.
Il Vantaggio: Poiché il convertitore non deve spostare tutta la potenza, può essere molto più piccolo, leggero ed efficiente. È come usare un fattorino in bicicletta invece di un autoarticolato per consegnare una singola lettera.

3. Il "Controllore del Traffico" (Modalità di Bilanciamento)

Il sistema lavora in tre diverse "modalità di traffico" a seconda di ciò che sta facendo l'auto:

Guida (Motore): L'auto si sta muovendo. Il sistema bilancia le celle mentre invia potenza alle ruote.
Frenata (Rigenerazione): L'auto sta rallentando e invia energia nuovamente alla batteria. Il sistema bilancia le celle mentre cattura quell'energia.
Parcheggio (Sosta completa): Anche quando l'auto è spenta, il sistema mantiene le celle bilanciate affinché non si discostino mentre riposano in garage.

4. Il "Termostato" (Gestione della Temperatura)

Le batterie si scaldano quando lavorano sodo, proprio come un corridore si scalda quando scatta. Se diventano troppo calde, possono danneggiarsi o addirittura prendere fuoco.

L'articolo include un modello che agisce come un termostato intelligente. Prevede quanto calore genereranno le celle in base a quanto duramente stanno lavorando e alla temperatura esterna.
Ciò permette all' "Allenatore Intelligente" di rallentare i corridori (ridurre la corrente) prima che si surriscaldino, mantenendo il sistema sicuro.

I Risultati: Un'Auto Più Veloce, Leggera e Duratura

Gli autori hanno costruito una versione in scala ridotta di questo sistema (usando quattro celle della batteria) e l'hanno testata in una simulazione al computer. Ecco cosa hanno scoperto:

Efficienza: Il sistema è stato incredibilmente efficiente, raggiungendo il 96,4% di efficienza. Ciò significa che quasi tutta l'energia immessa è stata utilizzata, con pochissima energia sprecata in calore.
Velocità: Poteva bilanciare le celle della batteria molto rapidamente (in circa 68 secondi nel loro test), portando tutte le celle a uno stato sano ed egualitario.
Dimensioni: Poiché il "Bus di Supporto" (convertitore) gestisce solo una piccola parte del lavoro, l'intero sistema può essere fisicamente più piccolo e leggero rispetto ai design tradizionali.

In Sintesi

Questo articolo propone un nuovo modo per gestire le batterie delle auto elettriche combinando un allenatore IA super intelligente con una macchina di supporto leggera e specializzata. Invece di costringere l'intera batteria a compiere tutto il lavoro pesante, questo sistema lascia che la batteria faccia il lavoro principale e utilizza uno strumento minuscolo ed efficiente per correggere i piccoli squilibri. Il risultato è un sistema di batterie più sicuro, che dura più a lungo e rende l'auto elettrica più efficiente.

Sintesi Tecnica: Progettazione di un Convertitore Cooperativo con Meccanismo di Controllo Ottimizzato basato sul Deep Learning per il Bilanciamento delle Celle della Batteria

Problematica
Il documento affronta le sfide critiche nei sistemi di gestione delle batterie (BMS) per veicoli elettrici (EV), nello specifico il problema dello squilibrio delle celle all'interno dei pacchi di batterie agli ioni di litio. A causa delle variazioni di produzione, dell'invecchiamento e delle disparità di stress operativo, le singole celle possono sviluppare discrepanze nello Stato di Carica (SOC), nella tensione e nella resistenza interna. Questi squilibri portano a una riduzione della capacità effettiva del pacco, a un'accelerazione del decadimento della capacità e a potenziali rischi per la sicurezza come il runaway termico. I metodi di bilanciamento tradizionali sono categorizzati in approcci passivi e attivi. Il bilanciamento passivo, che dissipa l'energia in eccesso sotto forma di calore tramite resistori, è inefficiente dal punto di vista energetico e non adatto per pacchi ad alte prestazioni. Il bilanciamento attivo, che utilizza l'elettronica di potenza per trasferire energia tra le celle, offre un'efficienza migliore ma spesso richiede hardware complessi e ingombranti e cicli di controllo separati per la regolazione della tensione e il bilanciamento delle celle, aumentando il costo e la complessità del sistema. Inoltre, la stima tradizionale basata su modelli di SOC e Stato di Salute (SOH) fatica a gestire la natura non lineare e variabile nel tempo della chimica delle batterie in condizioni ambientali dinamiche.

Metodologia
Gli autori propongono un'architettura di sistema innovativa che integra un convertitore Co-operative Dual Active Bridge (CO-DAB) ad alta densità di potenza con un controllore Deep Balancing Network (DBNet).

Topologia del Convertitore Cooperativo (CO-DAB):
- Il sistema utilizza una topologia di convertitore multi-ingresso, mono-uscita in cui molteplici moduli Dual Active Bridge (DAB) sono collegati alle singole celle della batteria.
- Principio di Condivisione della Potenza: A differenza dei convenzionali convertitori step-up che elaborano l'intera potenza in uscita, il CO-DAB elabora solo una frazione della potenza totale. Questa "potenza cooperativa" è proporzionale alla differenza di tensione tra la tensione di uscita desiderata ( $V_{out}$ ) e la tensione effettiva del pacco batteria ( $V_{battery}$ ).
- Meccanismo di Efficienza: Gestendo solo la differenza di tensione, il convertitore opera sotto uno stress di potenza ridotto, consentendo l'utilizzo di un dispositivo fisicamente più piccolo ed efficiente. Il sistema assume che il pacco batteria fornisca la maggior parte della potenza senza perdite, mentre il convertitore compensa la differenza.
- Hardware: Il design impiega una topologia DAB isolata con trasformatore multifase operante a 120 kHz. Utilizza lo Zero Voltage Switching (ZVS) e/o lo Zero Current Switching (ZCS) per minimizzare le perdite di commutazione. L'architettura sfrutta l'induttanza di dispersione del trasformatore, eliminando potenzialmente gli induttori discreti per ridurre volume e peso.
Meccanismo di Controllo (DBNet):
- Un singolo controllore Deep Balancing Network (DBNet) gestisce simultaneamente sia la conversione step-up che il bilanciamento delle celle, sostituendo la necessità di controllori separati.
- Architettura di Deep Learning: Il DBNet utilizza una struttura di rete neurale a Funzione di Base Radiale (RBF). Elabora input in tempo reale (tensione della cella, corrente, temperatura) e dati storici per prendere decisioni dinamiche di bilanciamento.
- Strategia di Addestramento: La rete subisce un processo di addestramento in due fasi: prima ottimizza i parametri degli strati nascosti tramite back-propagation parallela e approssimazione stocastica, poi tramite clustering per determinare i centri dei recettori e i parametri di diffusione.
- Logica di Bilanciamento: Il sistema monitora le differenze di SOC tra le celle. Quando la differenza supera una soglia (0,55%), il DBNet attiva impulsi di commutazione specifici per trasferire energia dalle celle con SOC più elevato a quelle con SOC più basso. Supporta il bilanciamento attivo durante le modalità di trazione, frenata rigenerativa e ricarica, nonché il bilanciamento passivo durante la sosta.
Stima dello Stato:
- Il sistema impiega un Filtro di Kalman combinato con il conteggio di Coulomb per stimare il SOC, affrontando la difficoltà della misurazione diretta. Questo approccio tiene conto del rumore e dei cambiamenti dinamici del comportamento della batteria.

Contributi Chiave

Topologia Integrata: Il documento introduce una topologia CO-DAB unificata che combina il raddoppio di tensione (step-up) e il bilanciamento attivo delle celle in un unico stadio di conversione, riducendo la ridondanza dell'hardware.
Elaborazione della Potenza Ottimizzata: Elaborando solo la differenza di tensione invece dell'intera potenza del carico, il sistema consente l'uso di componenti fisicamente più piccoli e un'efficienza di livello di sistema superiore rispetto ai tradizionali convertitori DAB o boost.
Controllo Deep Learning: L'implementazione del DBNet consente strategie di bilanciamento adattive e basate sui dati che superano gli algoritmi statici, imparando dai dati operativi storici e in tempo reale.
Controllo Unificato: L'uso di un singolo controllore per la regolazione della tensione e il bilanciamento delle celle semplifica l'architettura di controllo e migliora la sincronizzazione.

Risultati
Il sistema proposto è stato validato tramite simulazioni MATLAB/Simulink ed esperimenti di laboratorio utilizzando un banco di prova con quattro celle al piombo collegate in serie (6,2 V, 12 Ah ciascuna) per simulare un sistema da 24-48 V, 250 W.

Efficienza: Il convertitore CO-DAB ha raggiunto un'efficienza di picco del 96,4%. Il sistema ha dimostrato che il convertitore ha solo bisogno di estrarre circa il 64% della potenza in uscita per mantenere la regolazione e il bilanciamento, confermando l'ipotesi di condivisione della potenza.
Prestazioni: Il sistema è riuscito a mantenere una tensione di uscita stabile a 48 V gestendo contemporaneamente il bilanciamento delle celle in diverse modalità operative (trazione, frenata rigenerativa, ricarica e sosta).
Velocità di Bilanciamento: In uno scenario di simulazione specifico in cui le coppie di celle presentavano differenze di SOC (54,5% vs 79,5%), il controllore DBNet ha bilanciato l'intero pacco a un SOC dell'83,5% entro 68 secondi.
Gestione Termica: Il monitoraggio della temperatura ha mostrato che le celle si sono stabilizzate tra 26°C e 34°C, con il sistema che ha raggiunto uno stato stazionario termico in cui la generazione di calore bilanciava la dissipazione.
Qualità delle Forme d'Onda: La tensione in uscita è rimasta fluida e regolata, e le correnti sul lato primario hanno mostrato una condivisione di potenza uguale tra le fasi, indicando un'efficace distribuzione del carico e una riduzione dello stress di corrente.

Significatività
Il documento afferma che questo approccio integrato offre un avanzamento significativo per le applicazioni di elettro-mobilità, affrontando simultaneamente le doppie sfide della regolazione della tensione e del bilanciamento delle celle. Riducendo il carico di elaborazione della potenza sul convertitore, il sistema consente l'uso di componenti più piccoli, più economici e con una migliore gestione termica e affidabilità. L'uso del deep learning per il controllo permette un bilanciamento proattivo che mitiga il degrado prima che influenzi le prestazioni, estendendo così la durata della batteria e l'autonomia del veicolo. Lo studio conclude che l'architettura CO-DAB-DBNet fornisce una soluzione più efficiente, compatta e affidabile per la gestione della potenza degli EV rispetto ai tradizionali sistemi di bilanciamento passivo o multistadio.