Approcci di modellazione della batteria per il secondo

BOSTON, 7 giugno 2023 /PRNewswire/ -- I test sulle prestazioni delle batterie costituiscono una parte importante del mercato delle batterie per veicoli elettrici di seconda vita. I produttori punteranno a utilizzare le batterie per veicoli elettrici con le migliori prestazioni nei loro sistemi finali di seconda vita, come i sistemi di stoccaggio stazionario o le applicazioni di mobilità elettrica a basso consumo. Sebbene i produttori debbano tenere conto delle procedure di approvvigionamento, smontaggio e riassemblaggio, è fondamentale anche comprendere le prestazioni delle batterie dei veicoli elettrici dismesse. Questo perché ciò avrà un impatto sulle prestazioni della batteria di seconda vita finale una volta riutilizzata. Nel loro ultimo rapporto sull'argomento "Batterie di seconda vita per veicoli elettrici 2023-2033", IDTechEx analizza i vari metodi utilizzati dagli operatori per modellare e stimare importanti parametri prestazionali delle batterie per veicoli elettrici ritirate.

I test principali della batteria che verrebbero generalmente eseguiti sarebbero i test sullo stato di salute (SOH), sull'impedenza interna e sulla vita utile residua (RUL). RUL è una stima del tempo rimanente prima che una batteria scenda al di sotto della soglia di guasto. Per la maggior parte delle batterie dei veicoli elettrici di prima vita, la capacità di fine vita è pari al 70-80%. Le batterie con SOH e RUL elevati e bassa impedenza interna sarebbero le più adatte per le applicazioni di seconda vita.

Le principali parti interessate che eseguiranno questi test includono ripropositori di batterie di seconda vita e diagnostici di batterie che sviluppano modelli di prestazioni. Le start-up che sviluppano questi modelli potrebbero fornire informazioni sulle prestazioni della batteria ai riutilizzatori nel mercato attuale. In futuro, gli OEM automobilistici potrebbero utilizzare queste tecnologie per conformarsi a normative come il Battery Passport nell’UE, che richiederà agli OEM di trasmettere informazioni sullo stato della batteria a un riutilizzatore.

Per calcolare il RUL, sarebbe necessario sottoporre a ciclo una batteria e la sua curva di degrado della capacità estrapolata alla soglia di guasto. Il ciclo prolungato richiede molto tempo e invecchia la batteria. Inoltre, dopo un certo numero di cicli, il degrado non sarà più lineare, riducendo quindi la precisione del test. Pertanto, vi è la necessità di metodi alternativi, più accurati e rapidi per stimare il RUL.

Questi approcci includono tecniche basate sui dati, come l’apprendimento automatico (ML), i filtri adattivi e i metodi di processo stocastico o la modellazione basata sulla fisica. Ad esempio, la start-up californiana ReJoule sviluppa soluzioni tecnologiche per la gestione e la classificazione delle batterie e dispone di una tecnologia che combina il machine learning con la spettroscopia di impedenza elettrochimica e tecniche di modellazione statistica. Una start-up indiana, Oorja Energy, combina tecniche basate sulla fisica e basate sui dati. Dati sperimentali limitati vengono aggiunti al loro modello di fisica applicata e gli algoritmi ML vengono utilizzati per perfezionare un risultato accurato. Il vantaggio di ciò è il tempo risparmiato rispetto allo sviluppo di un modello puramente basato sulla fisica.

Sia i metodi basati sui dati che quelli basati sulla fisica hanno i loro pro e contro e rappresentano un equilibrio tra velocità di modellazione e precisione. Con i metodi ML, questi possono essere rapidi nel modellare le prestazioni su un grande lotto di batterie, sebbene possano essere soggetti a un eccessivo adattamento e limitati a specifiche architetture di batterie. In futuro, i modelli basati sulla fisica pura potrebbero mirare a essere indipendenti dalla chimica delle batterie. Ciò fornirebbe vantaggi a più parti interessate per la classificazione semplificata di grandi volumi di batterie per veicoli elettrici dismesse, indipendentemente dal design. Tuttavia, la modellazione delle batterie basata sulla fisica è incredibilmente complessa, poiché è necessario conoscere tutti i materiali e le proprietà convenzionali per modellare completamente i diversi aspetti di una batteria. Molti dei materiali utilizzati in una batteria sono materiali ingegnerizzati, quindi conoscere fattori come la porosità dell'anodo è difficile senza che il produttore della batteria fornisca successivamente tali specifiche a un OEM automobilistico o a un modellista. Pertanto, lo sviluppo di modelli basati sulla fisica può richiedere molto tempo poiché i modellisti potrebbero dover calcolare e comprendere da soli questi parametri specifici della batteria.

È importante che i produttori misurino le prestazioni e il RUL delle batterie dei veicoli elettrici ritirate in modo rapido e accurato. Attualmente, la maggior parte dei diagnostici sta sviluppando modelli basati sui dati, talvolta integrati da altre tecniche tramite un approccio di modellazione ibrido. Si tratta di una soluzione a breve termine per i riutilizzatori che desiderano comprendere l'idoneità delle batterie dei veicoli elettrici ritirate per applicazioni di seconda vita. Tuttavia, la modellazione basata sui dati è ancora in genere limitata a determinate architetture di batterie, limitandone la fattibilità commerciale se non compatibile con le batterie per veicoli elettrici ritirate dal produttore. Chiaramente, è necessaria una maggiore standardizzazione delle batterie dei veicoli elettrici e/o lo sviluppo di modelli indipendenti dalla batteria per contribuire a superare questa barriera e facilitare una migliore compatibilità tecnologica su scala più ampia.