Sviluppo di algoritmi AI per la stima dello stato di salute e dello stato di carica per le batterie dei veicoli elettrici, finanziato da CRF/Stellantis.

OBIETTIVI: Garantire modelli sostenibili di produzione e di consumo

Un’accurata valutazione del SOH batteria è fondamentale per diversi aspetti: corretta stima dell’autonomia residua dei veicoli elettrici, gestione del flusso di energia nei veicoli elettrici ibridi, previsione della vita residua della batteria e sostituzione puntuale. Questo parametro non può essere misurato direttamente e deve essere stimato. I metodi basati su modelli (ad es. filtri Kalman estesi) e le tabelle di ricerca sono le attuali soluzioni industriali. Possono soffrire di problemi di imprecisione a causa della difficile rappresentazione del comportamento della batteria fortemente non lineare. Gli approcci basati sui dati non si basano su alcun modello. Possono garantire una buona accuratezza e un basso costo computazionale/occupazione di memoria, a condizione che i set di dati di formazione includano un insieme sufficiente di condizioni operative. L’adozione dell’Intelligenza Artificiale presenta le seguenti sfide: caratterizzazione sperimentale della batteria in ambiente di laboratorio con un tester da 15kW (0 -80V, 8 canali) per riprodurre tutte le possibili condizioni di funzionamento in termini di SOC, impedenza interna e temperatura su una camera di prova climatica; accuratezza della stima SOH compresa tra ±5%; basso costo computazionale e occupazione di memoria dell’algoritmo per renderlo facilmente implementabile su centraline elettroniche automobilistiche. validazione del metodo proposto con un setup HIL: l’HW è la logica di controllo in cui viene implementata la logica di stima; creazione di un metodo riproducibile per differenti dimensioni e chimica della batteria. Il metodo sarà validato in ambiente di laboratorio con un TRL atteso di 4. La validazione HIL sarà condotta anche sfruttando acquisizioni su veicoli reali.

KEYWORDS: Machine learning, statistical data processing and applications using signal processing, Scientific computing, simulation and modelling tools, Electrical engineering: power components and/or systems, Electrical energy production, distribution, application, Artificial intelligence, intelligent systems, multi agent systems.