Capire quanto sia ancora efficiente la batteria di un’auto elettrica è una delle questioni più importanti per chi utilizza questa tecnologia, soprattutto quando si parla di autonomia residua, durata nel tempo e valore del veicolo sul mercato dell’usato. Un nuovo studio prova a rendere questa operazione molto più semplice e veloce, sfruttando l’Intelligenza Artificiale per stimare lo stato di salute dell’accumulatore partendo da appena un minuto di dati.
La ricerca, pubblicata sulla rivista scientifica Ionics, introduce un sistema capace di analizzare il comportamento della tensione della batteria durante una breve fase di riposo, cioè quando la cella ha terminato di caricarsi o scaricarsi e la tensione inizia progressivamente a stabilizzarsi. Il risultato dichiarato dai ricercatori è particolarmente interessante, infatti il modello ha raggiunto un errore medio percentuale dello 0,45% nella stima dello stato di salute, utilizzando soltanto 60 secondi di informazioni.
Si tratta di un possibile passo avanti per i sistemi di gestione delle batterie, che in futuro potrebbero diventare più rapidi nel riconoscere il degrado degli accumulatori e nel fornire indicazioni sulla loro effettiva capacità residua. Al momento tuttavia, siamo ancora nell’ambito della ricerca e non di una tecnologia già pronta per essere installata sulle auto elettriche di serie.
Indice:
Segui TuttoTech.net su Google Discover











Come funziona il controllo della batteria con l’Intelligenza Artificiale

Il parametro al centro dello studio è il cosiddetto State of Health (SOH), ovvero lo stato di salute della batteria. In termini semplici, indica quanta capacità di accumulo è rimasta rispetto a quella disponibile quando l’accumulatore era nuovo; se una batteria aveva originariamente una capacità di 100 kWh e, dopo diversi anni di utilizzo, può immagazzinarne 90, il suo SOH è pari al 90%.
La difficoltà sta proprio nel riuscire a stimare questo valore senza ricorrere a procedure lunghe e impegnative. Il comportamento di una batteria, infatti, cambia in base alla temperatura, alle modalità di ricarica, alla quantità di energia utilizzata e al suo progressivo invecchiamento; per questo motivo, ottenere una valutazione affidabile richiede modelli capaci di interpretare correttamente segnali differenti.
Il nuovo approccio utilizza la tensione di rilassamento, cioè il valore della tensione elettrica osservato dopo l’interruzione della carica o della scarica. Quando la batteria smette di lavorare, la tensione non raggiunge immediatamente una condizione stabile, ma attraversa una fase di assestamento; proprio il modo in cui cambia durante questo intervallo contiene informazioni utili per capire le condizioni della cella.
I ricercatori hanno quindi sviluppato un modello AI che combina due componenti. La prima è una rete neurale convoluzionale, utilizzata per riconoscere le caratteristiche più importanti all’interno dei dati raccolti; la seconda è un Transformer leggero, progettato per interpretare le relazioni tra le diverse informazioni e stimare lo stato di salute dell’accumulatore.
Un elemento interessante è l’integrazione delle conoscenze fisiche sul funzionamento delle batterie all’interno del modello. L’obiettivo non è quindi affidarsi esclusivamente ai dati raccolti, ma guidare l’AI anche attraverso alcune regole che descrivono il comportamento elettrochimico delle celle. In questo modo, il sistema cerca di ottenere stime accurate senza ricorrere a un’architettura eccessivamente pesante.
Errore dello 0,45%: cosa significa il risultato ottenuto dai ricercatori
Secondo quanto riportato nella pubblicazione, il framework è stato verificato utilizzando dataset pubblici e dati provenienti da sistemi di accumulo reali. I test hanno riguardato differenti condizioni operative e chimiche delle batterie, con un errore medio percentuale dichiarato dello 0,45% nella stima del SOH; si tratta di un risultato significativo, soprattutto considerando la quantità ridotta di informazioni necessarie.
Invece di analizzare lunghi periodi di funzionamento o interi cicli di carica e scarica, il modello può basarsi su un segmento di tensione della durata di un solo minuto. Questo non significa, però, che il sistema sia in grado di determinare con una precisione assoluta la capacità residua di qualsiasi batteria; lo 0,45% di cui si parla è una metrica statistica ottenuta nelle condizioni di validazione dello studio e non rappresenta una garanzia di accuratezza su ogni veicolo, temperatura o situazione di utilizzo.
Perché un sistema più leggero può essere utile alle auto elettriche

Un altro aspetto importante riguarda la possibilità di utilizzare queste tecnologie direttamente a bordo del veicolo. Ogni auto elettrica dispone infatti di un Battery Management System (BMS), ovvero il sistema elettronico che controlla il funzionamento della batteria, monitorando parametri come tensione, temperatura e corrente.
Il BMS ha un compito fondamentale, ovvero impedire che le celle lavorino al di fuori dei limiti previsti, gestire le fasi di carica e scarica e contribuire a mantenere il pacco batteria nelle condizioni operative corrette; con il passare del tempo, può inoltre fornire informazioni utili per valutare il degrado dell’accumulatore.
Il problema è che il computer di bordo dispone di risorse di calcolo limitate rispetto a un server o a un data center. Per questo motivo, gli algoritmi utilizzati devono essere sufficientemente leggeri da funzionare in tempo reale senza richiedere troppa potenza di elaborazione; la possibilità di ottenere una stima del SOH partendo da appena un minuto di tensione di rilassamento potrebbe quindi rappresentare un vantaggio concreto.
Meno dati da elaborare e modelli più efficienti potrebbero rendere più semplice integrare nuove funzioni di monitoraggio all’interno dei sistemi già presenti sulle auto. Una recente revisione pubblicata su Next Energy nell’ottobre 2026 analizzava proprio l’evoluzione dei sistemi di gestione delle batterie, soffermandosi anche sull’impiego dell’AI, modelli predittivi e architetture che combinano elaborazione locale e servizi cloud.
Dalla ricerca alle auto di serie: cosa manca ancora
La prospettiva più interessante riguarda naturalmente la possibilità di conoscere meglio le condizioni di una batteria senza dover ricorrere a verifiche lunghe o a strumenti diagnostici particolarmente complessi. Un sistema di questo tipo potrebbe aiutare le case automobilistiche a monitorare il degrado degli accumulatori, individuare eventuali differenze tra le singole celle e fornire informazioni più precise sulla capacità residua.
Potrebbe inoltre diventare uno strumento utile nel mercato dell’usato, dove lo stato di salute della batteria rappresenta uno degli elementi più importanti per determinare il valore di un’auto elettrica. Una stima più rapida e affidabile renderebbe potenzialmente più semplice verificare le condizioni dell’accumulatore prima dell’acquisto.
Prima di arrivare a questo scenario, però, serviranno ulteriori verifiche. I risultati ottenuti su dataset e sistemi di accumulo non dimostrano automaticamente che lo stesso livello di precisione possa essere mantenuto su una flotta di auto elettriche, caratterizzata da temperature differenti, abitudini di guida molto diverse e batterie sottoposte a cicli di utilizzo non uniformi.
- CATL avvia i test nella mega fabbrica europea di batterie in Ungheria
- Tesla pensa ai laser per pulire il parabrezza, ma solo davanti alla telecamera del Cybercab
- Unplugged Performance vuole salvare il Cybertruck e offre di rilevarne la produzione dopo lo stop di Tesla
- BYD brevetta il raffreddamento a immersione per batterie e accumuli
I nostri contenuti da non perdere:
- 🔝 Importante: Offerte Parkside da Lidl: da lunedì 16 novembre tagliatubi, sega circolare e livella laser in offerta
- 🛍️ È il mese delle offerte Black Friday: date e come non perdersi le migliori offerte
- 💰 Risparmia sulla tecnologia: segui Prezzi.Tech su Telegram, il miglior canale di offerte
- 🏡 Seguici anche sul canale Telegram Offerte.Casa per sconti su prodotti di largo consumo

