Un nuovo studio pubblicato su World Electric Vehicle Journal[1] propone un sistema innovativo per stimare lo stato di salute delle batterie al litio, utilizzando reti neurali generative e dati di scarica parziale. Questo approccio promette di migliorare l’affidabilità dei veicoli elettrici in condizioni operative complesse.
Una risposta al problema dell’invecchiamento delle batterie
Le batterie al litio tendono a perdere efficienza con l’uso, influenzando negativamente l’autonomia dei veicoli elettrici. Zhang e Lai hanno sviluppato un nuovo metodo per stimare con maggiore precisione lo stato di salute (SOH) delle batterie utilizzando profili di scarica parziale. Questi profili, spesso trascurati perché instabili in condizioni di bassa tensione, diventano centrali grazie all’uso di dati sintetici generati artificialmente.
GAN e dati aumentati per la stima del SOH
Il cuore del metodo è la rete DoppelGANger, un tipo di GAN che genera dati artificiali simili a quelli reali. Con questi dati aumentati, gli autori hanno poi addestrato una rete convoluzionale temporale, una forma avanzata di intelligenza artificiale in grado di gestire serie temporali. Il modello finale ha superato quelli tradizionali in ben cinque condizioni di funzionamento a bassa tensione su sette scenari di test.
Indicatori più precisi e stime più stabili
I risultati sono stati valutati con tre parametri chiave: RMSE, MAPE e delta, tutti migliorati rispetto ai modelli classici. Questo significa stime più stabili e affidabili, anche quando la batteria è vicina all’esaurimento o operante in condizioni complesse. L’utilizzo di una rete GAN consente inoltre di superare la scarsità di dati reali, problema frequente nei sistemi di diagnostica delle batterie.
Un passo avanti per l’elettromobilità
Secondo gli autori, questa tecnologia potrebbe cambiare il modo in cui si gestiscono la ricarica e la manutenzione delle batterie nei veicoli elettrici. Migliorare la stima dello stato di salute significa non solo ottimizzare le prestazioni, ma anche allungare la vita utile delle batterie. Un’applicazione concreta dell’intelligenza artificiale al servizio della sostenibilità energetica.
