Isto porque influenciará o desempenho da bateria de segunda vida útil após a sua reutilização. No seu mais recente relatório sobre o tema, "Baterias de Segunda Vida para Veículos Elétricos 2023-2033", a IDTechEx analisa os diversos métodos utilizados pelas partes interessadas para modelar e estimar parâmetros importantes de desempenho das baterias de veículos elétricos descartadas.
Os principais testes de bateria normalmente realizados são o estado de saúde (SOH), a impedância interna e a vida útil restante (RUL). A RUL é uma estimativa do tempo restante antes que a capacidade da bateria desça abaixo de um limite crítico. Para a maioria das baterias de veículos elétricos no seu primeiro ciclo de vida, isto equivale a 70-80% da capacidade no final da sua vida útil. As baterias com elevado SOH e RUL e baixa impedância interna são mais adequadas para aplicações de segunda vida.
Os principais intervenientes que realizariam estes testes incluem recicladores de baterias de segunda vida e especialistas em diagnóstico de baterias que desenvolvem modelos de desempenho. As startups que desenvolvem estes modelos poderiam fornecer dados de desempenho das baterias aos recicladores já existentes. No futuro, os fabricantes de veículos poderão utilizar estas tecnologias para cumprir regulamentos como o Passaporte de Baterias da UE, que exigirá que os fabricantes de automóveis forneçam informações sobre o estado das baterias aos recicladores.
Para calcular o RUL (Recovery Limit), uma bateria teria de ser sujeita a ciclos e a sua curva de degradação de capacidade extrapolada até ao limite de falha. Ciclos prolongados consomem tempo e envelhecem a bateria. Além disso, após um certo número de ciclos, a degradação deixa de ser linear, reduzindo a precisão do ensaio. Por isso, são necessários métodos alternativos mais precisos e rápidos para estimar o RUL.
Estas abordagens incluem técnicas baseadas em dados, como a aprendizagem automática (ML), a filtragem adaptativa e os métodos de processos estocásticos, bem como a modelação baseada em princípios físicos. Por exemplo, a startup californiana ReJoule desenvolve soluções de gestão e classificação de baterias e oferece tecnologia que combina ML com espectroscopia de impedância eletroquímica e técnicas de modelação estatística. Uma startup indiana, a Oorja Energy, combina técnicas baseadas em princípios físicos e técnicas baseadas em dados. Dados experimentais limitados são adicionados ao seu modelo de física aplicada, e algoritmos de ML são utilizados para obter um resultado preciso. A vantagem é a poupança de tempo em comparação com o desenvolvimento de um modelo baseado exclusivamente em princípios físicos.
Tanto os métodos baseados em dados como os baseados em física têm os seus prós e contras, representando um equilíbrio entre a velocidade e a precisão da modelação. Os métodos de aprendizagem automática (ML) podem ser rápidos na modelação do desempenho de um grande lote de baterias, embora possam ser propensos a sobreajuste e limitados a arquiteturas de baterias específicas. No futuro, os modelos puramente baseados na física poderão aspirar a ser independentes da composição química da bateria. Isto beneficiaria diversas partes interessadas na triagem simplificada de grandes volumes de baterias de veículos elétricos descartadas, independentemente do seu projeto. No entanto, a modelação de baterias baseada na física é incrivelmente complexa, uma vez que requer o conhecimento de todos os materiais e propriedades convencionais para modelar completamente os vários aspetos de uma bateria. Muitos dos materiais utilizados numa bateria são concebidos, o que dificulta o conhecimento de fatores como a porosidade do ânodo sem que o fabricante da bateria forneça essas especificações a um fabricante de automóveis ou a um modelador subsequente. Portanto, o desenvolvimento de modelos baseados na física pode ser demorado, uma vez que os modeladores podem precisar de calcular e compreender estas métricas específicas da bateria por conta própria.
Para as empresas de refabricação, é fundamental medir de forma rápida e precisa o desempenho e o RUL (Return on Use) das baterias de veículos elétricos descartadas. Atualmente, a maioria das ferramentas de diagnóstico desenvolve modelos baseados em dados, por vezes complementados por outras técnicas utilizando uma abordagem de modelação híbrida. Esta é uma solução de curto prazo para quem pretende reutilizar baterias de veículos elétricos e saber se são adequadas para aplicações de segunda vida. No entanto, a modelação baseada em dados ainda se limita a arquiteturas de baterias específicas, restringindo a sua viabilidade comercial caso não seja compatível com as baterias de veículos elétricos descartadas da empresa de refabricação. Claramente, é necessária uma maior uniformização das baterias dos veículos elétricos e/ou o desenvolvimento de modelos independentes de baterias para ultrapassar este obstáculo e facilitar uma melhor compatibilidade tecnológica em larga escala.
Para mais informações sobre testes e considerações de modelação de desempenho para baterias de veículos elétricos descartadas, consulte o novo relatório da IDTechEx, "Baterias de Veículos Elétricos de Segunda Vida 2023-2033". O relatório inclui informações adicionais sobre: o cenário regulamentar para baterias de segunda vida, desenvolvimentos na tecnologia de baterias, análise técnico-económica de baterias de segunda vida, atividades dos principais participantes do mercado e previsões a 10 anos para o mercado de baterias de segunda vida (GWh instalados) e disponibilidade de baterias para veículos elétricos.
Autor: Conrad Nichols, analista de tecnologia da IDTechEx
