Research database

La tecnologia proposta ha la funzione di effettuare in tempo reale la stima dello stato di carica di batterie, utilizzando un’architettura di rete neurale artificiale ricorsiva. Tale rete è dotata di una routine di inizializzazione del segnale retroazionato, per evitare problemi di divergenza della stima nel tempo. Rispetto all’idea brevettuale, la presente proposta mira a stimare lo stato di carica (SOC) in combinazione con l’identificazione dello stato di salute, ottenuto tramite un classificatore basato a sua volta su reti neurali artificiali. L’identificazione combinata dei due parametri permette di valutare l’energia residua nella batteria in funzione delle condizioni di carico e della degradazione pregressa. Tipicamente, nello stato attuale delle applicazioni industriali, questi due parametri vengono stimati con metodi basati su modelli analitici, i quali possono registrare problemi di accuratezza qualora il modello di riferimento non sia correttamente sintonizzato o non sia in grado di replicare tutte le condizioni operative reali di carico della batteria. Il metodo proposto non utilizza modelli di riferimento ma è una tecnica data-driven ed è caratterizzata da accuratezza di stima a fronte di un basso costo computazionale ed applicabilità a diverse composizioni chimiche della batteria. I campi di applicazione principali sono il monitoraggio e la diagnostica in tempo reale di pacchi batteria in ambito automotive per trazione e per alimentazione dei servizi. Inoltre, il metodo può essere applicato a pacchi batterie per sistemi UAV (Unmanned Aerial Vehicles) e, infine, trova applicazione nella valutazione dello stato di degradazione della batteria che è un passaggio rilevante per l’identificazione di applicazioni di second life della batteria. L’obiettivo dell’attività proposta è l’affinamento dell’idea brevettuale in direzione dell’applicazione industriale. Nello specifico, l’idea brevettuale verrà integrata con la stima dello stato di salute. Il progetto prevede di definire tre differenti piattaforme, ciascuna di esse costituita da pacco batteria e centralina di controllo, per le seguenti applicazioni: trazione di veicoli mild hybrid, alimentazione dei servizi di cabina di veicoli pesanti ed alimentazione di UAVs. Lo studio sarà rivolto ad affinare le logiche dell’algoritmo, ad individuare piattaforme di sviluppo open source e ad effettuare la validazione sperimentale. L’architettura del metodo di stima utilizzato nei tre casi sarà la stessa.