Edge Machine Learning per la gestione delle batterie

L'elettrificazione dei veicoli, siano essi automobili o veicoli commerciali e industriali, è uno degli aspetti fondamentali per il raggiungimento di un futuro sostenibile. Come sappiamo, i veicoli elettrici e ibridi vengono alimentati nella maggior parte dei casi da batterie che necessitano di un sistema di gestione elettronico (BMS) che ne aumenti l'efficienza e la sicurezza. In questo articolo vedremo come l'Edge Machine Learning possa essere impiegato come un'alternativa, efficiente e conveniente, ai tradizionali sistemi di gestione delle batterie. L'Edge Machine Learning rappresenta la via maestra per un BMS davvero intelligente che guardi non solo alla batteria, ma che estenda l'osservazione all'utente, all'automobile ed a qualsiasi conoscenza di futuri fattori di influenza.

Introduzione

Il vero inizio del processo di elettrificazione risale al 1991, quando Sony ha introdotto la prima batteria agli ioni di litio che ha consentito l'elettrificazione di piccoli dispositivi portatili, come ad esempio il Walkman. Un cambiamento anche maggiore è avvenuto negli ultimi dieci anni, quando si è passati dall'utilizzo delle batterie per dispositivi relativamente piccoli ai mezzi di trasporto come auto, barche, camion, etc. Ciò che ha reso possibile il passaggio a dispositivi più grandi è stato l’aumento della densità di energia nelle batterie insieme ad una riduzione esponenziale dei costi misurata in costo/kWh.

L'elettrificazione prosegue ora più veloce che mai e i progetti dell'Agenzia Internazionale per l'Energia prevedono il passaggio dai circa 5,2 milioni di veicoli elettrici circolanti nel mondo nel 2018 ai 130 milioni nel 2030. Si prevede anche un grande cambiamento nelle reti elettriche che passeranno dall'esigenza di equilibrare produzione e consumo, a modalità potenziate di immagazzinare energia in batterie sempre più potenti anche per le abitazioni e l'industria. Tuttavia, al fine di garantire il funzionamento sicuro e affidabile dei dispositivi alimentati a batteria, i sistemi di gestione della batteria (BMS) devono monitorare e controllare diversi parametri operativi, compresi i limiti della corrente di carica e scarica, la gestione termica (alta temperatura nelle batterie), la protezione da sovraccarico e la prevenzione dello scaricamento eccessivo.

Autonomia e Salute

Le principali preoccupazioni per un BMS sono la predizione dell’Autonomia restante e della Salute della batteria.

La salute della batteria si può descrivere come il classico caso di manutenzione predittiva in cui la vita residua, o la vita utile rimanente (RUL), viene calcolata sulla base di stime di utilizzo. Ciò consente la sostituzione proattiva di batterie/celle esaurite, ma anche un migliore utilizzo delle batterie prolungando così la loro vita in un'applicazione piuttosto che in un'altra. Per qualsiasi azienda coscienziosa, le batterie diventano una questione di sostenibilità, poiché la vita, l'uso e il ritiro delle batterie hanno un impatto diretto sull'ambiente. Conoscenza, dati e visione sulla salute della batteria sono fondamentali per il lavoro di sostenibilità di qualsiasi azienda che si approcci alla tematica dell'elettrificazione.

L’autonomia dipende da molti fattori quali lo stato di carica (SoC), lo stato di salute (SoH), la temperatura dell’ambiente, l'applicazione e l'utilizzo della batteria. Nello specifico:

  • lo stato di carica (SoC) di una batteria normalmente non può essere valutato direttamente, ma può essere stimato in modo relativamente accurato utilizzando una serie di indicatori, ad esempio, misurando il peso specifico del liquido elettrolitico nella batteria, misurando la tensione della batteria, misurando il flusso in entrata e in uscita di corrente (il cosiddetto conteggio Coulomb) o utilizzando un filtro di Kalman basato su un modello di sistema della batteria. Tuttavia, queste tecniche tradizionali si trovano tutte in difficoltà negli ambienti tipici dei dispositivi IoT. Le tecniche tradizionali necessitano di un ambiente controllato, mentre i dispositivi IoT operano in ambienti e con modelli d'uso che cambiano nel tempo;
  • lo stato di salute (SoH), e quindi la capacità di scarica, è influenzato nel tempo sia dal modo in cui la batteria viene caricata che dal modo in cui viene scaricata. Più specificamente, la corrente, la tensione e la temperatura della cella e dell'ambiente durante la carica, in combinazione con lo stato di carica iniziale e finale, influisce direttamente sullo stato di salute nel lungo periodo.

Di conseguenza, da tutte queste constatazioni emerge che un BMS intelligente deve essere in grado di tener conto dei modelli d'uso, di ricarica  e dell'ambiente per essere veramente accurato ed intelligente nelle sue previsioni. Inoltre, la natura di un sistema BMS residente su un dispositivo IoT implica anche che esso deve essere:

  • abbastanza veloce per prendere decisioni in tempo reale;
  • abbastanza efficiente dal punto di vista energetico per essere eseguito con hardware alimentato a batteria;
  • portabile in modo che varie configurazioni di batterie e dispositivi possano essere supportate dallo stesso sistema operativo.

Edge Machine Learning per il BMS

Guardando alla cornice in cui operano i dispositivi IoT, grandi o piccoli che siano, diventa presto evidente che qualsiasi sistema BMS deve risiedere sul dispositivo stesso. In caso contrario, il BMS dovrà dipendere da una stabile connessione alla rete Internet, che risulterà contemporaneamente costosa e dispendiosa in termini di energia e difficile da ottenere in molti casi.

Il machine learning ai bordi, o Edge Machine Learning, offre invece la possibilità di eseguire i calcoli su un microcontrollore con risorse limitate. Inoltre, risulta vitale che l'apprendimento effettivo possa avvenire sul dispositivo per tenere conto delle azioni dell'utente e dei cambiamenti nell'ambiente. L'apprendimento sul dispositivo deve necessariamente avvenire utilizzando tecniche di apprendimento automatico incrementale. Apprendimento incrementale ai bordi significa che il modello ML migliora continuamente ma che viene anche personalizzato poiché alimentato con i dati dei sensori durante la loro produzione.

È importante notare che parlare di un BMS intelligente non significa solo guardare all'interno della batteria nel senso tradizionale. Invece, si estende il concetto all'utente, la macchina collegata alla batteria e qualsiasi conoscenza di futuri fattori di influenza, ad esempio, previsioni di temperatura o un percorso pianificato (Figura 1).

Figura 1: un sistema BMS intelligente dovrebbe utilizzare tutte le informazioni riguardo l'utente, l'automobile, la batteria e possibili previsioni ambientali e di rotta

[...]

ATTENZIONE: quello che hai appena letto è solo un estratto, l'Articolo Tecnico completo è composto da ben 2009 parole ed è riservato agli ABBONATI. Con l'Abbonamento avrai anche accesso a tutti gli altri Articoli Tecnici che potrai leggere in formato PDF per un anno. ABBONATI ORA, è semplice e sicuro.

Scarica subito una copia gratis

Scrivi un commento

Seguici anche sul tuo Social Network preferito!

Send this to a friend