Identificação do modelo matemático e estimação do estado de carga de baterias de íons de lítio utilizando um filtro de Kalman estendido

Abstract

Este trabalho desenvolve e implementa um método otimizado para a estimativa do estado de carga (SoC) de baterias de íon-lítio por meio de um Filtro de Kalman Estendido (EKF). A precisão na estimativa do SoC é um fator determinante para a eficiência e segurança dos sistemas de gerenciamento de baterias (BMS), especialmente em aplicações de mobilidade elétrica e armazenamento de energia renovável. No entanto, a efetividade do EKF depende diretamente da correta parametrização de suas matrizes de covariância, que influenciam sua capacidade de filtragem e correção de erros. Nesse contexto, propõe-se um processo de otimização das matrizes de covariância (𝑄𝑘 , 𝑅𝑘 e 𝑃), permitindo um ajuste dinâmico em função do SoC e reduzindo o impacto das incertezas do modelo e das medições. A otimização baseia-se na minimização do erro quadrático médio (RMSE) da tensão terminal e do SoC dentro da função objetivo, aplicando uma abordagem de ponderação que prioriza a precisão na estimativa do SoC. Os resultados obtidos demonstram que o EKF otimizado reduz significativamente o RMSE em diversas condições operacionais. Em um teste de validação com um SoC inicial de 100%, obteve-se um RMSE de 0,809%; em outro teste com um SoC inicial de 60%, o RMSE foi de 0,368%. Além disso, em testes com o perfil de corrente HPPC, utilizados para a caracterização da bateria, o RMSE atingiu 1,266%, validando a estimativa em cenários com tempos de simulação prolongados. Essas validações foram realizadas a uma temperatura ambiente de 20 °C, evidenciando a estabilidade e a precisão do método otimizado em condições operacionais padrão. Os testes foram realizados em diferentes temperaturas (-5, 0, 10, 20, 30, 40 e 50 °C), demonstrando que o EKF mantém sua estabilidade e precisão em uma ampla faixa térmica. Evidenciou-se que o ajuste das matrizes de covariância permite que o filtro corrija eficazmente erros iniciais na estimativa do SoC, reduzindo discrepâncias iniciais de até 10% para valores inferiores a 2,5%. Os resultados obtidos demonstram que a otimização das matrizes de covariância não apenas melhora a precisão do EKF, mas também reduz o custo computacional ao permitir o armazenamento dos valores ótimos em tabelas de consulta (LUT). Isso facilita sua implementação em sistemas embarcados, promovendo um monitoramento mais confiável do SoC em aplicações industriais e comerciais. Por fim, este trabalho contribui para o avanço do conhecimento na gestão de baterias, fornecendo um marco metodológico robusto que pode servir de base para futuras pesquisas e aplicações em sistemas de energia sustentável.