O Cérebro das Baterias: Como Prever a Carga de um Veículo Elétrico

Abstract

Este vídeo apresenta os resultados do projeto de pesquisa intitulado 'Estimação de Estado de Carga (SOC) em Baterias de Lítio-íon via Transformação por Imersão'. O gerenciamento seguro e eficiente de baterias de Lítio-íon em aplicações de mobilidade elétrica depende estritamente do monitoramento do Estado de Carga (SOC). Como esta grandeza não pode ser mensurada de forma direta, algoritmos de estimação baseados em Modelos de Circuito Equivalente (ECM) são amplamente empregados. A abordagem tradicional na indústria recai sobre o Filtro de Kalman Estendido (EKF); contudo, as características fortemente não lineares da Tensão de Circuito Aberto (OCV) e da resistência dinâmica ($R_0$) exigem a linearização contínua por matrizes Jacobianas, acarretando alta carga computacional e suscetibilidade a erros de truncamento. Para contornar essa problemática, o presente trabalho propõe o desenvolvimento de um estimador de SOC de baixa complexidade, utilizando a técnica de Transformação por Imersão. O modelo de base fenomenológica de 3 estados foi mapeado para um espaço virtual de dimensão superior (6 estados), no qual as não linearidades da OCV e da queda ôhmica foram encapsuladas em novas variáveis de estado. Tal formulação resultou em um sistema Linear Variante no Tempo (LTV), viabilizando a aplicação direta de um Filtro de Kalman Linear Clássico. Os ensaios de validação em ambiente Model-in-the-Loop (MIL) atestaram a capacidade do estimador em rastrear a dinâmica de tensão e convergir o erro de SOC inicial, garantindo um baixo Erro Quadrático Médio (RMSE). Conclui-se que a substituição da complexidade algorítmica pela expansão estrutural geométrica se provou uma alternativa robusta, estável e computacionalmente leve para Sistemas de Gerenciamento de Baterias (BMS).