Thermo-Relational State Inference for Lithium-Ion Battery SOC Estimation under Dynamic Thermal Excitation

A vida moderna funciona à base de energia armazenada. Dos carros elétricos que deslizam silenciosamente pelas ruas da cidade aos enormes bancos de baterias que estabilizam a rede elétrica, as baterias de íon-lítio são os motores silenciosos do nosso futuro eletrificado. No entanto, estas baterias não são simples recipientes de energia; são sistemas químicos complexos que mudam o seu comportamento dependendo de quão quentes ou frias estão. Para utilizá-las de forma segura e eficiente, um sistema informático dentro do dispositivo deve saber constantemente quanta energia resta. Isto é chamado de "estado de carga". Se o sistema adivinhar errado, um carro pode parar inesperadamente, ou uma bateria pode ser danificada por ser drenada excessivamente. O desafio é que a relação entre o que podemos medir — como a voltagem nos terminais da bateria — e a energia real no interior não é fixa. Ela desloca-se e deforma-se à medida que a bateria aquece durante o uso ou arrefece no inverno.

Durante anos, engenheiros tentaram construir formas melhores de rastrear este nível de energia. Muitas abordagens baseiam-se em observar o histórico da bateria: o que aconteceu há um segundo, um minuto atrás ou uma hora atrás. Mas estes métodos frequentemente tratam a temperatura da bateria como um número de fundo simples, como uma etiqueta estática numa caixa. Eles falham ao não perceber que a temperatura em si é um alvo móvel que altera a forma como o comportamento passado da bateria se relaciona com o seu estado presente. Uma leitura de voltagem específica hoje pode significar algo completamente diferente do que essa mesma leitura de voltagem ontem, se a bateria estivesse a uma temperatura diferente. Este desfasamento torna-se crítico quando uma bateria é submetida a uma excitação térmica dinâmica, uma forma sofisticada de dizer que está a ser aquecida e arrefecida rapidamente enquanto está sob carga pesada, como durante uma condução rápida ou um surto súbito de potência.

Uma equipa de investigadores desenvolveu um novo método para resolver este problema específico, criando um sistema que trata o histórico térmico da bateria como uma parte viva e pulsante do cálculo. Em vez de apenas adicionar a temperatura atual a uma lista de entradas, o seu novo sistema, que chamam de Rede de Inferência de Estado Termo-Relacional (Thermo-Relational State Inference Network), reescreve ativamente o significado das medições elétricas com base em como a temperatura está a mudar. O sistema faz duas perguntas para cada dado: o que a temperatura está a fazer agora e quão diferente este momento é em relação aos momentos que vieram antes. Ao responder a estas perguntas, o sistema consegue compreender que dois sinais elétricos idênticos podem representar quantidades de energia diferentes se ocorrerem sob condições térmicas distintas.

Os investigadores testaram esta nova abordagem utilizando um perfil de condução real conhecido como LA92, que imita a natureza de paragens e arranques da condução urbana. Utilizaram um tipo específico de célula de bateria, a Panasonic NCR18650PF, e submeteram-na a um ambiente térmico variável onde a temperatura do ar circundante oscilou de cerca de 10 graus Celsius para 25 graus Celsius. Neste teste, a temperatura da superfície da bateria e a temperatura do ar foram medidas separadamente, permitindo ao sistema ver exatamente como a bateria reagiu à mudança de calor. O objetivo era ver se o novo sistema conseguia rastrear o nível de energia da bateria com maior precisão do que os métodos existentes quando as condições térmicas estão em constante fluxo.

Os resultados foram impressionantes. O novo sistema rastreou o nível de energia da bateria com um erro médio de apenas 0,47 por cento. Para colocar isto em perspetiva, se estivesse a tentar adivinhar o peso de um objeto de 100 quilogramas, este sistema erraria por menos de meio quilograma. Em comparação, o método existente mais forte utilizado para este teste cometeu erros mais do que duas vezes maiores, falhando o alvo com uma média de 1,24 por cento. O novo sistema também reduziu o tamanho dos seus maiores erros em 6 de 65 por cento em comparação com a melhor abordagem anterior. Isto significa que não só a previsão média foi melhor, como o sistema também evitou os grandes saltos súbitos de erro que podem acontecer quando a temperatura de uma bateria muda rapidamente.

O que torna este feito possível é uma mudança na forma como o computador pensa sobre o tempo e o calor. Os investigadores construíram um sistema que não olha apenas para o passado da bateria numa linha reta. Em vez disso, cria um "campo de relação térmica", um mapa mental que conecta cada momento na história da bateria a todos os outros momentos com base em dois fatores: quanto tempo passou e quão diferente a temperatura era naqueles dois momentos. Se a bateria estava quente há dez minutos e está fria agora, o sistema compreende que os dados de dez minutos atrás são menos relevantes para o momento atual do que se a temperatura tivesse permanecido a mesma. Isto permite que o sistema pondere a importância dos eventos passados de forma dinâmica, em vez de tratar todos os dados passados como igualmente úteis.

O sistema também inclui um mecanismo para ajustar os sinais elétricos antes de serem analisados. À medida que a temperatura muda, a química interna da bateria desloca-se, fazendo com que as leituras de voltagem e corrente se comportem de forma diferente. O novo sistema utiliza a temperatura atual, a velocidade com que a temperatura está a mudar e a diferença entre a superfície da bateria e o ar circundante para recalibrar automaticamente estes sinais elétricos. Essencialmente, traduz os números brutos para uma linguagem que faça sentido para o ambiente térmico atual. Isto acontece em tempo real, garantindo que o sistema esteja sempre a interpretar os dados corretamente para as condições que está a enfrentar.

Para provar que estas características específicas foram a razão do sucesso, os investigadores realizaram uma série de testes onde removeram uma parte do sistema de cada vez. Quando removeram a capacidade de comparar as diferenças térmicas entre o passado e o presente, a taxa de erro aumentou significamente. Quando substituíram o complexo ajuste de temperatura por um método de escala unidirecional mais simples, o sistema tornou-se menos estável e cometeu erros maiores. Estes testes confirmaram que a melhoria não veio apenas de ter mais dados ou um computador maior, mas sim da forma específica como o sistema ligou as mudanças térmicas à relevância histórica. O sistema funciona porque modela explicitamente o facto de que o significado de um sinal elétrico de uma bateria depende da história térmica que a precedeu.

O estudo foi conduzido utilizando um conjunto de dados publicamente disponível recolhido na Universidade de Wisconsin–Madison, garantindo que os resultados se baseiam em medições do mundo real e não em simulações de computador. Os investigadores foram cuidadosos ao testar o seu sistema num perfil de condução completamente separado dos dados utilizados para o treinar, provando que o sistema consegue generalizar para novas situações. Embora o teste tenha sido limitado a um tipo específico de bateria e a uma gama moderada de temperaturas, as descobertas oferecem um caminho claro para os sistemas de gestão de baterias. Ao reconhecer que o passado não é apenas uma sequência de eventos, mas uma sequência de estados térmicos em mudança, esta nova abordagem proporciona uma forma mais robusta e precisa de monitorizar a energia armazenada nos nossos dispositivos mais críticos. Sugere que o futuro da gestão de baterias reside não em ignorar o calor, mas em compreender como esse calor remodela a história da vida da bateria.