Come può l’intelligenza artificiale prevedere il tempo di ricarica delle auto elettriche?

Immagina di dover pianificare un viaggio in auto elettrica e di non sapere quanto tempo impiegherà la ricarica. Un nuovo studio combina due approcci per risolvere questo problema: un modello fisico che descrive la dinamica di carica costante‑corrente/costante‑tensione (CC‑CV) e un algoritmo di reinforcement learning (RL). Il modello fisico parte dalle leggi elettrochimiche della batteria, includendo la capacità residua e la perdita di potenza legate allo stato di salute (SoH). Così, anche con pochi dati storici, fornisce una stima affidabile.

Il secondo livello è l’RL, che osserva le sessioni di ricarica reali e affina progressivamente le previsioni. Man mano che la batteria invecchia, l’algoritmo impara a compensare la degradazione, mantenendo alta la precisione. I ricercatori hanno testato il sistema su 5.000 sessioni simulate, calibrate con specifiche dei produttori e dataset pubblici. Il modello fisico ha raggiunto un R² del 98,5 % e un MAPE del 2,1 %, mentre l’ibrido con RL è salito al 99,2 % di R² e 1,6 % di MAPE, migliorando l’accuratezza del 23 % e la robustezza al degrado della batteria del 35 %.

Questa combinazione promette di rendere le soste di ricarica più prevedibili, migliorando l’esperienza di guida e l’efficienza delle infrastrutture di ricarica.

Il modello fisico si basa sull’equazione di carica CC‑CV, dove la fase a corrente costante (CC) ricarica rapidamente la batteria fino a una soglia di tensione predefinita, dopodiché entra la fase a tensione costante (CV) che riduce gradualmente la corrente per evitare sovraccarichi. La capacità effettiva C(t) è modellata come C₀·(1‑β·SoH), dove β rappresenta il tasso di degradazione per ciclo. Il potere di picco Pₘₐₓ è anch’esso ridotto in funzione di SoH, riflettendo la perdita di capacità di erogazione di potenza.

Per la parte di reinforcement learning, è stato impiegato un Deep Q‑Network (DQN) con stato definito da: SoH, temperatura della batteria, stato di carica corrente (SOC), potenza di ingresso e tempo residuo stimato dal modello fisico. L’azione è la correzione della previsione di tempo di ricarica, mentre la ricompensa è inversamente proporzionale all’errore assoluto tra la previsione corretta e il tempo reale osservato. L’algoritmo utilizza una replay buffer di 10.000 esperienze e un target network aggiornato ogni 500 step per stabilizzare l’apprendimento.

Il dataset simulato comprende 5.000 sessioni con variazioni di modello di batteria, condizioni ambientali e profili di carica (fast‑charging, slow‑charging). I parametri del modello fisico sono stati calibrati con dati reali di Tesla, Nissan Leaf e Chevrolet Bolt, garantendo una buona generalizzabilità. I risultati mostrano che l’integrazione del DQN riduce il MAPE da 2,1 % a 1,6 % e migliora la resilienza a variazioni di SoH, grazie alla capacità dell’RL di apprendere pattern non lineari non catturati dal modello analitico. Questo approccio ibrido può essere esteso a sistemi di gestione della rete elettrica, ottimizzando la distribuzione di energia in tempo reale.