Artificial Intelligence method in electric vehicle battery modeling – accurate temperature prediction for improved thermal management

Li-ion cells performance is heavily impacted by temperature. Smart battery thermal management can improve overall performance for Battery Electric Vehicle (BEV) via predictive heating or cooling. Current solutions are based on experimental data collection and heating/cooling system calibration to reach a specific temperature target. For improving the current status, higher system prediction capability is achieved via Artificial Intelligence (AI), with an emphasis on reducing road test so to limit assets usage and cover an entire car range without long and expensive tests for each vehicle. Moreover, resistance-generated heat power can allow to implement heat exchange via heating/cooling system with just some calibration corrections. Given a specific route prediction, this model is required to predict the ending temperature with a 1 ◦C accuracy. With an extended knowledge of electrical and thermal model and a deeper integration in driver behaviour prediction, it is possible to activate battery thermal management solutions with increased preciseness, without relying on temperature target but to a predicted status evolution, leading to lower consumption, decreased charging time, and improved performance in high temperature conditions. The resulting model has a resulting accuracy twice as high as expected, deeming it as not perfectly reliable for temperature prediction in all driving condition. To improve the result, it is suggested to extend the data acquisition process from one to, at least, two weeks, in order to acquire more data to build a more robust mathematical model.

Le performance di batterie agli ioni di litio sono fortemente penalizzate dalla temperatura di utilizzo. L'utilizzo di strategie di controllo termico intelligente delle batterie può migliorare notevolmente le prestazioni generali delle batterie stesse utilizzate in veicoli a propulsione elettrica tramite riscaldamento o raffreddamento predittivo. Le attuali soluzioni si basano su raccolta di dati sperimentali e strategie di riscaldamento o raffreddamento calibrate in modo tale da raggiungere diverse temperature di obiettivo a seconda delle condizioni di utilizzo. Per migliorare questo approccio, una miglior predizione dell'evoluzione termica è ottenuta tramite tecniche di intelligenza artificiale, con particolare enfasi nella riduzione di test su strada necessari per ottenere un prodotto valido per la predizione in modo tale da limitare l'utilizzo da parte dell'azienda di risorse e per rendere il sistema più scalabile possibile ad altri veicoli. Con l'utilizzo della potenza calorifica prodotta dalla resistenza della batteria, si può intraprendere una modellazione basata sullo scambio energetico che permette l'introduzione, in futuri sviluppi, dei contributi di sistemi di condizionamento tramite la potenza scambiata con il sistema analizzato, intervenendo con opportune calibrazioni per ottenere la correlazione richiesta. Data una predizione di strada da percorrere, al modello viene richiesta un'accuratezza di 1◦C nella predizione della temperatura massima e minima della batteria. Costruito un modello elettrico e termico del funzionamento della batteria per valutare prima il calore prodotto e poi la sua influenza sull'evoluzione termica, in connubio con altri parametri rilevanti, questi possono essere integrati con modelli predittivi del comportamento del guidatore per poter effettuare soluzioni di controllo termico efficienti, aumentando la precisione del sistema che non andrebbe più ad attuare strategie per ottenere temperature di obiettivo ma monitorando la predizione dell'evoluzione del sistema ed intervenendo solo se effettivamente richiesto, portando ad una riduzione di consumi, riduzione di tempi di ricarica e miglioramento delle prestazioni in condizini di carichi dinamici elevati. Il modello risultante non risulta compatibile con i target di progetto richiesti, riscontrando un errore fino a due volte più elevato rispetto al massimo richiesto. Per migliorare il modello, si suggerisce che il processo di acquisizione dati, necessario per la modellazione del sistema, sia esteso da una settimana ad almeno due, per permette di poter coprire più situazioni di utilizzo della vettura e fornire una maggior mole di dati ai sistemi di intelligenza artificiale per migliorarne le performance.