ETD

• algoritmo di stima del SOC
• battery management system (BMS)
• second-life battery (SLB)
• sistema operativo real-time (RTOS)

Questa tesi magistrale riguarda lo sviluppo di un algoritmo per la co-stima adattiva dello stato di carica (SOC) e della capacità residua, da inserire in un Battery Management System (BMS) per batterie al litio di seconda vita. Le batterie di seconda vita, ritirate da veicoli elettrici quando la capacità scende sotto l'80% del nominale, presentano sfide specifiche: eterogeneità tra le celle, parametri sconosciuti e degradazione non uniforme. Per affrontarle, è stato scelto l'algoritmo Adaptive Extended Kalman Filter (AEKF), che stima simultaneamente SOC e capacità senza richiedere dati storici sulle celle, adattandosi online alle variazioni dei parametri. L'hardware si basa sul microcontrollore STM32H753ZI e sullo stack monitor LTC6811-2. Il firmware è sviluppato con FreeRTOS, organizzato in task dedicati ad acquisizione, stima, comunicazione e protezione. L'algoritmo è stato progettato in MATLAB/Simulink, validato tramite simulazione Processor-in-the-Loop e poi integrato nel firmware tramite generazione automatica del codice. I test su quattro celle con diversi livelli di invecchiamento mostrano che l'AEKF converge verso la capacità reale e mantiene errori sul SOC inferiori all'1,5%, superando nettamente il Coulomb Counting tradizionale.