L’AI entra nella batteria e indovina quanta energia resta

Capire quanta energia è rimasta davvero nella batteria di un’auto elettrica non è così semplice come leggere una percentuale sul cruscotto. Quel numero, infatti, è una stima. E renderla sempre più precisa è uno dei compiti più importanti del sistema che gestisce la batteria. Ora un gruppo di ricercatori dell’ISEA, l’Institut für Stromrichtertechnik und Elektrische Antriebe della RWTH Aachen, ha sviluppato un modello di intelligenza artificiale capace di simulare ciò che succede dentro le celle agli ioni di litio con un errore inferiore all’1%.

L’idea è interessante perché l’AI non si limita a guardare i dati che arrivano dalla batteria: impara a riprodurne il comportamento interno. Il modello mette insieme due tecnologie, i Fourier Neural Operators e una rete U-Net, normalmente utilizzata nell’elaborazione delle immagini. Il risultato è un sistema che riesce a prevedere come cambiano concentrazione di litio e tensione della cella al variare delle condizioni di utilizzo.

L’AI prova a guardare dentro la batteria

Per capire perché sia importante, basta pensare alla percentuale della batteria mostrata sul display dell’auto. Quel 63%, per esempio, non è una quantità che il BMS, il sistema di gestione della batteria, può semplicemente “leggere”. Lo deve calcolare usando informazioni come corrente, tensione e temperatura.

L'illustrazione mostra come una rete neurale elabora in tempo reale le variabili fisiche (tensione, corrente e temperatura) per calcolare con precisione lo stato di carica e l'energia residua della batteria.

Foto di: Motor1 Italia visual (AI-assisted)

Il problema è che la batteria non si comporta sempre allo stesso modo. Cambiano la temperatura, il carico, la velocità di ricarica e, con il passare degli anni, anche le caratteristiche della cella. Per questo stimare con precisione quanta energia sia ancora disponibile è una sfida tutt’altro che banale.

Il modello sviluppato ad Aachen affronta il problema in modo diverso dai simulatori tradizionali. Invece di risolvere una per una le complesse equazioni che descrivono il movimento degli ioni di litio, la rete neurale impara direttamente la relazione matematica che lega corrente, tensione e concentrazione di litio.

Qui entrano in gioco i Fourier Neural Operators, una tecnica che permette alla rete di imparare questi comportamenti senza essere legata a una specifica griglia di calcolo. In pratica, il modello può affrontare anche profili di utilizzo che non aveva incontrato durante l’addestramento: corrente costante, impulsi, variazioni triangolari o sequenze casuali.

Nei test, il sistema ha riprodotto il comportamento della cella con errori inferiori all’1% lungo tutto l’intervallo di carica, dallo 0 al 100%. Un risultato notevole, anche se siamo ancora nel campo della ricerca e non davanti a una tecnologia pronta per essere montata domani su un’auto di serie.

Il problema della temperatura che cambia sempre

La difficoltà di fondo, spiegata anche da una recente analisi sulla durata delle batterie con l'intelligenza artificiale, è che lo stato di carica non è una grandezza che si misura direttamente. Si stima a partire da tensione, corrente e temperatura, e la relazione tra queste variabili cambia continuamente con l'invecchiamento della cella e con le condizioni ambientali.

Una recente review pubblicata nel 2026 su Frontiers analizza reti LSTM, modelli gaussiani e filtri di Kalman ibridi per la stima di stato di carica e stato di salute. Il quadro che emerge è favorevole ai metodi di apprendimento profondo rispetto ai modelli a circuito equivalente, soprattutto nella guida dinamica, quando temperatura e carico variano di minuto in minuto e gli algoritmi addestrati solo in laboratorio perdono precisione.

Altri studi pubblicati tra il 2024 e il 2025 che confrontano CNN, DNN, LSTM e XGBoost riportano errori medi di stima dell'ordine di due o tre punti percentuali. I risultati indicano che queste tecniche sono ormai mature per un impiego pratico, ma restano da verificare su larga scala la loro tenuta nel tempo e i costi di calcolo richiesti a bordo dei veicoli.

Cosa cambia per BMS e gestione delle flotte

In chi gestisce più veicoli contemporaneamente, la posta in gioco non è solo l'indicatore di carica sul cruscotto. Uno studio del 2025 sulla previsione cross-battery ha mostrato che algoritmi come Random Forest e LSTM generalizzano bene tra pacchi batteria diversi, aprendo a stime coerenti su flotte eterogenee senza dover ritarare il modello per ogni veicolo.

Sul fronte industriale, diverse piattaforme descritte come battery intelligence stack offrono già moduli di stima in tempo reale di stato di carica e stato di salute, con funzioni che segnalano squilibri tra celle e rischi come la formazione di depositi di litio metallico. È un segnale che l'AI applicata alla gestione delle batterie nelle flotte sta uscendo dalla fase puramente sperimentale e inizia a entrare nei prodotti sul campo.

La distanza tra modelli accademici come quello ISEA e un BMS di serie resta comunque ampia. Servono validazione su milioni di chilometri reali e hardware di bordo capace di eseguire calcoli complessi senza appesantire i consumi. Il lavoro su neural operators e U-Net indica una direzione tecnica precisa e si inserisce nella corsa per portare l'intelligenza artificiale dentro l'elettronica di potenza dei veicoli elettrici.

Leggi anche

Batterie allo stato solido, arriva il foglio sottile come capelli

Addio batterie al litio? La ricerca prova una nuova strada