Sapere quando una batteria invecchia, in tempo reale
Chi si occupa di sostenibilità e di transizione energetica sa bene che le fonti rinnovabili — sole, vento, acqua — hanno una caratteristica fondamentale: producono energia in modo discontinuo. Il sole tramonta, il vento si calma. Per rendere davvero utilizzabile questa energia, servono sistemi di accumulo efficienti, e tra questi le batterie agli ioni di litio sono oggi le protagoniste indiscusse. Ma come si fa a sapere, in ogni momento, in che condizioni si trova una batteria? Quanto ha ancora da dare prima di degradarsi irreversibilmente? Una ricerca pubblicata nel 2026 sul Journal of Power Sources propone una risposta concreta e innovativa.
Il problema: la salute nascosta delle batterie
Ogni batteria ha una sua “salute”, che gli esperti chiamano State of Health (SOH). Questo parametro misura quanto la batteria si è degradata rispetto alle sue condizioni originali. Stimarlo con precisione è essenziale: una batteria che sembra funzionare potrebbe in realtà essere prossima al collasso, con conseguenze importanti per l’affidabilità di un impianto solare domestico, di una rete di accumulo comunitaria o di qualsiasi sistema che dipenda dall’energia immagazzinata.
Il guaio è che nella vita reale le batterie non vengono scaricate sempre nello stesso modo, in condizioni controllate e standardizzate. Al contrario, ogni utilizzo è diverso: cicli parziali, tensioni variabili, condizioni eterogenee. I metodi tradizionali di stima del SOH funzionano bene in laboratorio, ma faticano ad adattarsi a questo caos quotidiano.
La soluzione: fisica e intelligenza artificiale, insieme
Il gruppo di ricerca — composto da Begoña Ispizua, Serio Gil-López, Leire Arrizabalaga e Ibai Laña — ha sviluppato un approccio che unisce due mondi spesso separati: l’apprendimento automatico (deep learning) e la fisica dei processi di degradazione. Il risultato è quello che i ricercatori definiscono una rete neurale physics-informed, ovvero un sistema di intelligenza artificiale che non ragiona solo sui dati, ma incorpora al suo interno le leggi fisiche che governano l’invecchiamento delle batterie.
«Il metodo proposto combina l’apprendimento guidato dai dati con dinamiche di degradazione fisicamente motivate, per garantire una stima coerente e affidabile del SOH anche a partire da informazioni parziali di scarica.»
In pratica, il modello è in grado di stimare lo stato di salute della batteria utilizzando curve di scarica parziali, estratte da intervalli di tensione arbitrari. Non è necessario attendere una scarica completa e controllata: il sistema lavora con quello che c’è, così come accade nella realtà operativa di un impianto.
Un risultato che parla da solo
Sul fronte delle prestazioni, lo studio riporta un errore percentuale medio assoluto (MAPE) inferiore al 4% nella stima del SOH. Si tratta di un livello di precisione significativo, soprattutto considerando che il modello opera su dati incompleti e in condizioni operative eterogenee, senza richiedere protocolli fissi di misurazione.
Ma c’è di più. I ricercatori hanno introdotto anche una strategia di stima in tempo reale dell’andamento del degrado, capace di individuare le transizioni critiche nell’invecchiamento della batteria. Questo componente del sistema è particolarmente prezioso perché:
- non richiede dati storici pregressi sulla batteria monitorata;
- non richiede conoscenze preliminari sul comportamento specifico di quel modello di batteria;
- si aggiorna continuamente integrando tutte le informazioni d’uso disponibili nel tempo.
Il risultato è un sistema adattivo, applicabile a una vasta gamma di batterie, senza dover “addestrare” il modello da zero per ogni dispositivo.
Perché conta, per chi pensa alla sostenibilità
Per chi progetta giardini con impianti fotovoltaici, per chi gestisce orti urbani alimentati da energia solare, per chi si interessa di comunità energetiche o di mobilità sostenibile, questo tipo di ricerca non è pura astrazione tecnica. La capacità di monitorare in modo intelligente e continuo la salute di una batteria significa meno sprechi, manutenzione più mirata e una vita utile dei sistemi di accumulo potenzialmente più lunga.
La transizione energetica non dipende solo dall’installare pannelli solari o turbine eoliche: dipende anche dalla capacità di gestire e preservare i sistemi che rendono quell’energia disponibile quando serve. In questo senso, strumenti come le reti neurali physics-informed diventano alleati concreti della sostenibilità.
Nota metodologica
Si tratta di uno studio di modellazione computazionale, basato su un approccio di deep learning vincolato da principi fisici. L’abstract non specifica la dimensione del campione di batterie utilizzato per la validazione, né dichiara esplicitamente i limiti dello studio.
Finanziamento della ricerca
Lo studio è stato finanziato da Eusko Jaurlaritza, il Governo dei Paesi Baschi, come dichiarato nei metadati della pubblicazione. La ricerca è disponibile in accesso aperto sul Journal of Power Sources (DOI: 10.1016/j.jpowsour.2026.241725).
Fonte
Begoña Ispizua, Serio Gil-López, Leire Arrizabalaga, Ibai Laña (2026). Real-time state-of-health estimation and online degradation prognosis from partial battery discharge using Physics-Informed Neural Networks. Journal of Power Sources. DOI: 10.1016/j.jpowsour.2026.241725 — accesso aperto
Finanziamento dichiarato: Eusko Jaurlaritza
Questo articolo sintetizza uno studio accademico peer-reviewed. Tutti i dati riportati provengono dalla pubblicazione originale, consultabile al DOI indicato.
Foto di Kindel Media su Pexels
#EnergiaRinnovabile #TransizioneEnergetica #Sostenibilità #ViviGreen #ricerca
Leave a Reply