Modelagem de Degradação de Baterias LiFePO4 (LFP) em Aplicações de Armazenamento de Energia

Resumo

A crescente demanda global por energia renovável e a necessidade de reduzir a dependência de combustíveis fósseis impulsionaram a implantação de Sistemas de Armazenamento de Energia em Baterias (Battery Energy Storage System - BESS). As baterias de íon-lítio (Lithium-Ion Batteries - LIBs) são a tecnologia dominante em aplicações BESS, estimuladas por uma redução de 90% nos custos desde 2010, alta densidade de energia e longa vida útil (IEA, 2023). Entre as químicas de LIBs, o fosfato de ferro-lítio (LiFePO4 ou LFP) se destaca por sua alta estabilidade térmica, segurança e taxa de degradação relativamente baixa (Wang et al, 2022; Zheng et al, 2024). A degradação da bateria é a perda gradual de capacidade e eficiência, e ocorre por mecanismos como o crescimento do SEI (Solid Electrolyte Interphase) e a deposição de lítio. Em aplicações de serviços ancilares, os BESS passam por ciclos frequentes sob condições térmicas e elétricas variáveis, o que intensifica a degradação tanto por calendário quanto por ciclos. A modelagem precisa da degradação da bateria é essencial para prever o State of Health (SoH), otimizar estratégias de despacho e planejar manutenções ou substituições, que são críticos para a viabilidade econômica dos investimentos em BESS. Dessa forma, este estudo propõe uma estrutura híbrida para estimar o SoH de LIBs com base em dados operacionais reais, integrando modelos de degradação baseados em física com técnicas baseadas em dados. Um conjunto de dados de seis meses de um sistema de bateria LFP (24V, 160Ah), operando em aplicações móveis e de backup, foi utilizado. Os dados incluem medições de corrente, tensão, temperatura e SOC a cada 5 segundos, totalizando mais de 25.000 ciclos (Schaeffer et al., 2024). O estudo descreve e compara quatro abordagens para estimar o SoH usando dados operacionais reais de um sistema de bateria LiFePO4 implantado em campo: i) Modelo Físico Empírico: Incorpora degradação por tempo acumulado (envelhecimento de calendário), ciclos de carga/descarga (envelhecimento por ciclo) e desvios térmicos em relação a 25°C. Ele garante que o SoH comece em 100% e diminua suavemente, com um limite inferior de 60%. ii) Modelo Proxy de SoH (Sintético): Construído empiricamente a partir de uma combinação linear de tempo, profundidade de descarga e temperatura. Este proxy foi usado como um alvo substituto para treinar modelos supervisionados, especialmente quando o monitoramento direto do SoH não está disponível. iii) Regressor Random Forest (RFR): O principal modelo preditivo, sendo um método de aprendizado de conjunto que constrói múltiplas árvores de decisão. É robusto a overfitting e ruído, capturando relações não lineares. iv) Modelo de Regressão Linear: Usado como linha de base para comparação. Para avaliar e comparar o desempenho dos modelos, foram adotadas três métricas de avaliação: Mean Absolute Error (MAE), Root Mean Squared Error (RMSE) e o coeficiente de determinação (R2). Um MAE menor indica maior precisão de previsão, enquanto um RMSE abaixo de 1% é geralmente considerado como forte evidência de robustez em tarefas de estimativa de SoH. O coeficiente R2 varia de 0 (sem poder explicativo) a 1 (previsão perfeita). O modelo Random Forest obteve erros muito baixos (MAE ≈ 0,000063% e RMSE ≈ 0,000124%) e um alto coeficiente de determinação (R2 de até 0,998740) quando treinado no modelo físico. Para o proxy de SoH, os erros de previsão foram maiores (MAE ≈ 0,009742%, RMSE ≈ 0,016598%, R2 ≈ 0,997080), mas o Random Forest ainda superou consistentemente a Regressão Linear. A validação cruzada baseada em grupos (semanal) para o Random Forest mostrou bom desempenho geral (R2 médio de 0,972), embora com alguma variabilidade em diferentes contextos temporais. Uma previsão de SoH de 5 anos com o modelo Random Forest treinado no modelo físico indicou uma degradação leve (até 98,6%), mas com uma faixa de confiança crescente, refletindo o aumento da incerteza preditiva ao longo do tempo. O estudo avaliou duas estratégias para modelar o SoH de baterias de íon-lítio usando dados operacionais: um modelo empírico com informações físicas e um proxy sintético. Ambos serviram como alvos de treinamento para aprendizado supervisionado, permitindo a previsão do SoH sem medições diretas de saúde da bateria. O modelo empírico produziu uma curva de SoH suave com variação mínima e erros muito baixos (MAE < 0.0001%), enquanto o proxy introduziu maior variabilidade (MAE < 0.01%), oferecendo um cenário de aprendizado mais realista, embora heurístico. A validação com Random Forest demonstrou boa generalização dentro do sistema analisado (R² de 0.93 a 0.998).
Palavras-chave: degradação de baterias; baterias de íons de lítio; state of health; machine learning.
 
Referências
IEA. Executive summary – Batteries and secure energy transitions – Analysis. Paris: International Energy Agency, 2023. Disponível em: https://www.iea.org/reports/batteries-and-secure-energy-transitions/executive-summary. Acesso em: 13 jul. 2025.WANG, L. et al. Insights for understanding multiscale degradation of LiFePO₄ cathodes. eScience, v. 2, p. 125–137, 2022. DOI: https://doi.org/10.1016/j.esci.2022.03.006.
ZHENG, S. et al. A review of equivalent-circuit model, degradation characteristics and economics of Li-ion battery energy storage system for grid applications. Journal of Energy Storage, v. 101, 2024. DOI: https://doi.org/10.1016/j.est.2024.113908.
SCHAEFFER, J. et al. Lithium-Ion Battery Field Data: 28 LFP battery systems with 8 cells in series, up to 5 years of operation. Cell Reports Physical Science. Zenodo, p. 102258, 14 set. 2024. DOI: https://doi.org/10.5281/zenodo.13715694.