A frota nacional de veículos elétricos e híbridos cresce a cada ano. E para que o uso desses veículos se torne cada vez mais confiável e seguro, é essencial que o usuário conheça duas importantes informações referentes às suas baterias: o monitoramento do seu estado de carga e de sua saúde, entendida como uma medida de sua capacidade de desempenho, e que pode indicar a necessidade de sua substituição. No entanto, esse tipo de monitoramento é ainda impreciso e não gera dados plenamente confiáveis aos usuários.

Por isso, com o objetivo de fornecer dados mais exatos do monitoramento preditivo do estado de carga e de saúde de baterias elétricas, pesquisadores da Faculdade de Engenharia Mecânica (FEM) da Unicamp desenvolveram um método para esse fim, tendo como base o uso de redes neurais. As redes neurais, em poucas palavras, são modelos computacionais capazes de realizar o aprendizado de máquina e o reconhecimento de padrões, gerando previsões com mais precisão.

Assim, no método desenvolvido foi obtida uma rede neural otimizada para simular uma célula de bateria com base em dados de baterias reais. Um pacote de bateria virtual foi montado de maneira a atingir os níveis de tensão e de capacidade desejados. O pacote de bateria virtual assim obtido foi utilizado para prever em tempo real os dados do estado de carga e da saúde de uma bateria real, que foi conectado à bateria virtual por meio de um sistema também desenvolvido pelos pesquisadores.