Questo perché influenzerà le prestazioni della batteria di seconda vita una volta riutilizzata. Nel suo ultimo rapporto sull'argomento, "Batterie di seconda vita per veicoli elettrici 2023-2033", IDTechEx analizza i vari metodi utilizzati dalle parti interessate per modellare e stimare importanti parametri prestazionali delle batterie di veicoli elettrici a fine vita.
I principali test che vengono generalmente eseguiti sulle batterie riguardano lo stato di salute (SOH), l'impedenza interna e la vita utile residua (RUL). La RUL è una stima del tempo rimanente prima che la capacità della batteria scenda al di sotto di una soglia di guasto. Per la maggior parte delle batterie per veicoli elettrici di prima generazione, ciò corrisponde al 70-80% della capacità al termine della loro vita utile. Le batterie con SOH e RUL elevati e bassa impedenza interna sono le più adatte per le applicazioni di seconda generazione.
Tra i principali soggetti interessati a condurre questi test figurano le aziende di riciclaggio di batterie di seconda vita e i tecnici specializzati nella diagnostica delle batterie che sviluppano modelli di prestazione. Le startup che sviluppano questi modelli potrebbero fornire dati sulle prestazioni delle batterie alle aziende di riciclaggio esistenti. In futuro, i produttori di automobili potrebbero utilizzare queste tecnologie per conformarsi a normative come il Passaporto delle batterie dell'UE, che richiederà ai produttori di fornire informazioni sullo stato delle batterie alle aziende di riciclaggio.
Per calcolare il RUL (Recovery Limit), una batteria dovrebbe essere sottoposta a cicli di carica e scarica e la sua curva di degrado della capacità dovrebbe essere estrapolata fino alla soglia di guasto. I cicli prolungati richiedono tempo e invecchiano la batteria. Inoltre, dopo un certo numero di cicli, il degrado cessa di essere lineare, riducendo la precisione del test. Pertanto, sono necessari metodi alternativi più accurati e rapidi per stimare il RUL.
Questi approcci includono tecniche basate sui dati come l'apprendimento automatico (ML), il filtraggio adattivo e i metodi di processo stocastico, oltre alla modellazione basata sulla fisica. Ad esempio, la startup californiana ReJoule sviluppa soluzioni per la gestione e la classificazione delle batterie e offre una tecnologia che combina l'apprendimento automatico con la spettroscopia di impedenza elettrochimica e tecniche di modellazione statistica. Una startup indiana, Oorja Energy, combina tecniche basate sulla fisica e tecniche basate sui dati. Al modello fisico applicato vengono aggiunti dati sperimentali limitati e vengono utilizzati algoritmi di apprendimento automatico per ottenere un risultato accurato. Il vantaggio risiede nel risparmio di tempo rispetto allo sviluppo di un modello basato esclusivamente sulla fisica.
Sia i metodi basati sui dati che quelli basati sulla fisica presentano vantaggi e svantaggi, rappresentando un compromesso tra velocità di modellazione e accuratezza. I metodi di apprendimento automatico (ML) possono essere rapidi nella modellazione delle prestazioni di un grande lotto di batterie, sebbene possano essere soggetti a overfitting e limitati a specifiche architetture di batterie. In futuro, i modelli basati esclusivamente sulla fisica potrebbero aspirare a essere indipendenti dalla composizione chimica delle batterie. Ciò andrebbe a vantaggio di diverse parti interessate nella selezione semplificata di grandi volumi di batterie di veicoli elettrici esauste, indipendentemente dal loro design. Tuttavia, la modellazione delle batterie basata sulla fisica è incredibilmente complessa, poiché richiede la conoscenza di tutti i materiali e le proprietà convenzionali per modellare completamente i vari aspetti di una batteria. Molti dei materiali utilizzati in una batteria sono progettati, il che rende difficile conoscere fattori come la porosità dell'anodo senza che il produttore della batteria fornisca tali specifiche a un OEM automobilistico o a un modellatore a valle. Pertanto, lo sviluppo di modelli basati sulla fisica può richiedere molto tempo, poiché i modellatori potrebbero dover calcolare e comprendere autonomamente queste metriche specifiche della batteria.
Per le aziende di rigenerazione, è fondamentale misurare in modo rapido e preciso le prestazioni e il RUL (Return on Use, ritorno sull'utilizzo) delle batterie per veicoli elettrici a fine vita. Attualmente, la maggior parte degli strumenti diagnostici sviluppa modelli basati sui dati, talvolta integrati con altre tecniche tramite un approccio di modellazione ibrido. Questa rappresenta una soluzione a breve termine per chi desidera valutare l'idoneità delle batterie per veicoli elettrici a fine vita per applicazioni di seconda vita. Tuttavia, la modellazione basata sui dati rimane limitata ad architetture di batteria specifiche, il che ne limita la redditività commerciale qualora non sia compatibile con le batterie per veicoli elettrici a fine vita utilizzate dalle aziende di rigenerazione. È evidente che una maggiore standardizzazione delle batterie per veicoli elettrici e/o lo sviluppo di modelli indipendenti dalla batteria sono necessari per superare questo ostacolo e facilitare una migliore compatibilità tecnologica su larga scala.
Per ulteriori informazioni sulle considerazioni relative ai test e alla modellazione delle prestazioni delle batterie per veicoli elettrici a fine vita, consultare il nuovo rapporto di IDTechEx, "Second-life Electric Vehicle Batteries 2023-2033". Il rapporto include ulteriori informazioni sui seguenti aspetti: il quadro normativo per le batterie di seconda vita, gli sviluppi tecnologici delle batterie, l'analisi tecnico-economica delle batterie di seconda vita, le attività dei principali operatori del settore e le previsioni a 10 anni per il mercato delle batterie di seconda vita (GWh installati) e la disponibilità di batterie per veicoli elettrici.
Autore: Conrad Nichols, analista tecnologico presso IDTechEx
