Olá pessoal que acompanha o site dos Nobres do Grid,

Conforme prometi na minha última coluna, vou continuar abordando o assunto sobre as baterias dos carros elétricos, que de certa forma também tem uma ligação com os carros com sistemas híbridos que carregam suas baterias e onde o mercado consumidor tem sido cada vez mais exigente.

Há um aumento contínuo no número de VEs em uso, mas sua ampla e massiva aceitação pelos consumidores automotivos está relacionada ao desempenho que eles podem oferecer. A característica mais importante aqui (um tópico quente atualmente na pesquisa de VE) está relacionada à possibilidade de fornecer uma previsão mais precisa do alcance. A previsão de alcance é um problema complexo porque depende de muitos fatores de influência (internos, externos, constantes, variáveis) e o presente artigo visa investigar o efeito desses fatores no alcance dos VEs.

Os resultados e aspectos da pesquisa mundial atual sobre este tema são apresentados por meio da análise das principais classes de fatores de influência: design do veículo, o motorista e o ambiente. Além disso, o peso e o efeito de cada fator potencial que influencia o alcance do VE foram analisados ​​apresentando questões atuais. Uma análise exaustiva e abrangente tornou possível identificar futuras direções de pesquisa e desenvolvimento no campo de pesquisa de VE, resultando em uma penetração massiva e imediata de VE no mercado automotivo.

Com a realização de inúmeros estudos para aumentar a competitividade dos VEs em relação a veículos similares equipados com motores de combustão interna (ICE), observou-se nas últimas décadas que um número crescente de fabricantes adotou a tecnologia de propulsão elétrica (elétrica pura ou híbrida) e propôs cada vez mais modelos de VE no mercado automotivo (incluindo carros de passeio e também ônibus elétricos). No entanto, o desenvolvimento tecnológico relacionado à fonte de energia de propulsão para VEs ainda está longe de fornecer soluções técnicas e tecnológicas avançadas e/ou energeticamente eficientes, e algumas questões imediatas precisam ser abordadas a esse respeito:

Custos associados à produção e sua correlação com o poder de compra dos clientes;

Identificar uma tecnologia de bateria que forneça a melhor relação potência/capacidade de peso, baixo tempo de carregamento, alto ciclo de vida, segurança na operação (eliminando o risco de autoignição devido à carga térmica), preços de produção reduzidos;

 Cálculo das emissões do poço à roda, devido à mistura energética usada no processo de carregamento da bateria;

Os aspectos mencionados acima são algumas das barreiras reais à penetração massiva do mercado de automóveis por VEs, mas além desses aspectos, a percepção e as atitudes dos clientes também têm um papel central. Houve vários estudos sobre a percepção de clientes e usuários em relação à adoção e aquisição de um VE. Os principais fatores considerados nos estudos realizados foram: Satisfação com a autonomia; Intenção de recomendar; Intenções de compra; Preço de compra do veículo; Custos de manutenção; Redução de emissões de gases de efeito estufa; Custo de exploração.

Fontes de energia baseadas na tecnologia de íons de lítio (Li-Ion) são as fontes de energia mais usadas na construção de EV e são compostas por várias células eletroquímicas. Cada célula eletroquímica consiste em um ânodo de grafite, um cátodo de óxido de lítio e um eletrólito (com base em sal de lítio e um solvente orgânico). O lítio é uma escolha racional para a construção de uma célula eletroquímica devido às suas muitas vantagens funcionais.

Seu eletrodo tem alto potencial (−3,04 V), resultando em uma alta tensão operacional (que influencia tanto a potência quanto a energia armazenada na célula eletroquímica; energia específica 90–240 Wh/kg (200–500 Wh/L) no nível da célula), alta taxa de descarga (até 40 °C), capacidade de carregamento rápido, baixa taxa de autodescarga (<5% ao mês, dependendo da temperatura de armazenamento/repouso), sem efeito de memória, sem necessidade de recondicionamento e tolera microciclos. Geralmente, para aplicações automotivas, uma bateria de íons de lítio precisa ser composta de dezenas e milhares de células individuais agrupadas em vários módulos para fornecer a voltagem, a energia e a potência necessárias para operar o veículo nos parâmetros exigidos.

Métodos e abordagens para previsão de alcance de VE

A estimativa da autonomia de VE é conhecida como um problema de previsão de alcance. A previsão precisa de alcance fornece confiança no uso do veículo e é uma informação mais importante para o usuário final do que informações sobre o parâmetro SOC. No entanto, a questão da previsão de alcance é um problema muito mais complexo e desafiador em comparação com a estimativa/aproximação do SOC. Ele agrega, além do SOC, muitos outros parâmetros independentes (que são apresentados em capítulos anteriores) em diferentes modelos matemáticos. Como o uso de modelos matemáticos pode levar a erros na estimativa de valores no final, apresentaremos e analisaremos alguns dos métodos e estudos atuais na previsão do alcance de VE, com foco em dois pontos principais de interesse: Parametrização do comportamento do motorista e uma metodologia que combina múltiplos fatores em um único modelo.

Métodos para parametrização do comportamento do motorista

Uma maneira de lidar com o comportamento do motorista é usar um esquema de discretização, onde os motoristas são classificados em diferentes níveis de eficiência. Em outras palavras, níveis de desvio de um motorista "ideal" são introduzidos [55,56]. Existem 10 níveis que implicam uma redução de alcance de 0% a 60%. Se um motorista, de acordo com seu histórico de viagem, for categorizado no nível 10, a previsão de alcance será reduzida em 60%. A categoria é baseada no estilo de direção (por exemplo, velocidade e aceleração) e nas preferências de uso de um sistema HVAC. Em minha visão, essa parametrização discreta não é uma maneira adequada de modelar o comportamento de um motorista em casos reais de exploração de VE. Além disso, a categoria do motorista é mantida constante e não é considerada uma variável dependente do tempo (pode haver diferentes condições de tráfego e ambiente que podem alterar a "agressividade" do motorista). Outra abordagem é usar um método baseado em dados para modelar o comportamento de certos motoristas.

Como resultado, o modelo conseguiu prever rotas de acordo com as preferências do motorista. Infelizmente, ele não previu o impacto do uso do sistema HVAC pelo motorista. No entanto, essa abordagem introduz um mapa probabilístico para possíveis destinos. Para cada ponto de destino, a probabilidade de alcançá-lo é fornecida. Para obter esse mapa, o parâmetro SOC e o consumo de energia do EV são considerados variáveis ​​aleatórias. Métodos baseados em dados mostraram boa precisão de previsão e simplicidade para uso. Um método de previsão de consumo de energia baseado em dados para EVs (usado para a questão de roteamento com eficiência energética) foi desenvolvido [59]. Uma característica do modelo é que ele torna possível distinguir entre diferentes fatores que influenciam o consumo de energia (características da estrada, clima, diferenças de altitude, etc.), tornando essa abordagem adequada para previsão de consumo de energia para qualquer estrada.

Ele consiste em uma cascata de uma rede neural (NN) e um modelo de regressão linear múltipla (MLR). O modelo MLR é usado para estimar o consumo de energia (dadas várias variáveis ​​preditoras), enquanto a NN prevê as variáveis ​​preditoras desconhecidas (entradas) do modelo MLR. Como resultados obtidos, o modelo proposto prevê o consumo de energia com um erro absoluto médio de 12–14% do consumo médio de energia da viagem (dos quais 7–9% são causados ​​pela estimativa do consumo de energia do modelo MLR).

Em resumo:

Atualmente, existem muitos estudos sobre a previsão de alcance para o uso eficiente de VEs. No entanto, pode-se observar que a maioria desses estudos foi realizada analisando um único fator que influencia o alcance do VE. É dada importância especial à previsão de alcance pela estimativa SOC, e muito poucos estudos foram realizados com o objetivo de integrar (integração complexa) as influências de todos os fatores que determinam o alcance de um VE (comportamento do motorista e ambiente) em um único modelo matemático. Pesquisas futuras devem resolver a integração ideal de sistemas de hardware e software de VE criando e implantando ferramentas complexas de previsão de alcance com base em soluções de software avançadas (por exemplo, soluções baseadas em inteligência artificial).

Essas soluções de software devem considerar todos os fatores (enfatiza o presente trabalho) envolvidos e integrar a magnitude de seu efeito na previsão de alcance do VE, de acordo com as condições momentâneas de uso/operação do VE. Além disso, é necessário correlacionar a carga térmica da bateria com a carga térmica global do VE para garantir o conforto térmico mínimo necessário. Isso envolve, além do uso de sistemas de sensores, fornecer os dados mais precisos e a necessidade de integração comum do(s) sistema(s) BTM com o sistema HVAC do EV. A pesquisa deve ser mantida e continuada para encontrar soluções para melhorar a eficiência energética dos sistemas HVAC, considerando a grande influência que eles podem ter no alcance de um EV e nas percepções do consumidor.

Todos os problemas e desafios apresentados neste artigo precisam ser alcançados em um futuro próximo, a fim de neutralizar as características "negativas" dos EVs em comparação com os veículos ICE, como autonomia, tempo de parada para carregamento da bateria, densidade da estação de carregamento, tecnologias de carregamento rápido sem um efeito negativo na vida útil da bateria e no desempenho do tempo, novas tecnologias e/ou novas abordagens para produzir baterias mais eficientes em termos de energia, etc.

O desenvolvimento e a integração de um modelo tão complexo também devem levar em consideração os custos, que são uma das principais barreiras para a penetração rápida e massiva de EVs no mercado automotivo.

Muito axé pra todo mundo,