Valutazione delle prestazioni dei veicoli elettrici mediante clustering dei cicli di guida basato su perdite ed efficienza di motore-inverter

Perché questo studio è importante per le auto elettriche

Le auto elettriche promettono città più pulite e minori emissioni di carbonio, ma quanto efficientemente trasformano l’energia della batteria in movimento dipende da più del solo motore. Questo studio guarda all’interno della catena di trasmissione elettrica per capire come sia il motore sia l’elettronica di potenza che lo alimenta sprechino o risparmino energia nelle condizioni di guida reali. Riducendo migliaia di secondi di traffico stop‑and‑go a poche situazioni chiave, gli autori mostrano come gli ingegneri possano progettare veicoli elettrici più efficienti e a maggiore autonomia senza essere sommersi dai calcoli.

Dalle strade e dal traffico alle forze e alle velocità

I ricercatori partono dal livello della strada, utilizzando tre profili di velocità standard su cui già si basano i costruttori per i test: i cicli di guida europei, mondiali e di tipo urbano statunitense. Si tratta di storie temporali che descrivono quanto velocemente va un’auto, quante volte si ferma e con quanta intensità accelera. Da queste curve, un modello del veicolo calcola le forze alle ruote e quindi la coppia e la velocità che il motore elettrico deve erogare attraverso un rapporto di trasmissione fisso. In questo modo, ogni secondo di guida viene tradotto in un punto su una mappa coppia‑velocità, rivelando in quale parte del suo campo operativo il motore trascorre realmente tempo ed energia.

Comprimere migliaia di momenti in pochi istanti chiave

Simulare un progetto di motore sofisticato per ogni singolo punto coppia‑velocità richiederebbe giorni o settimane di tempo di calcolo. Per evitarlo, lo studio applica strumenti di data‑mining. Prima, un metodo di clustering comune raggruppa i punti operativi simili. Poi, un affinamento sensibile all’energia, chiamato approccio del Centro di Gravità Energetico, assicura che i “punti rappresentativi” scelti non siano solo tipici, ma si trovino anche dove viene effettivamente consumata la maggior parte dell’energia. A ciascun punto rappresentativo viene assegnato un peso basato sulla sua frequenza di occorrenza e sul consumo energetico, così che un piccolo insieme di punti possa sostituire un intero viaggio preservando il quadro reale dell’energia.

Guardare dentro il motore e il suo battito elettronico

Con questi punti rappresentativi a disposizione, gli autori passano a simulazioni dettagliate del motore. Studiano un motore a magneti permanenti interni, scelta diffusa per le auto elettriche perché offre elevata coppia ed efficienza in un ingombro ridotto. Usando l’analisi agli elementi finiti, mappano come si comportano i campi magnetici, gli avvolgimenti di rame e i nuclei in acciaio su una gamma di condizioni di corrente. Una strategia di controllo nota come “massima coppia per ampere” viene impiegata per trovare, per ciascun punto operativo, la combinazione di correnti che fornisce la coppia richiesta con il minor sforzo elettrico. Da queste simulazioni estraggono le principali sorgenti di perdita: il riscaldamento negli avvolgimenti di rame e l’isteresi/magnetizzazione nell’acciaio che sottraggono energia e che devono essere smaltite dai sistemi di raffreddamento.

Confrontare le “valvole” elettroniche che alimentano il motore

Lo studio aggiunge poi l’effetto dell’inverter, la scatola di interruttori elettronici veloci che converte la corrente continua della batteria nelle correnti trifase necessarie al motore. Vengono confrontate due tecnologie moderne di inverter: una basata su interruttori IGBT e l’altra su MOSFET in SiC. Utilizzando modelli costruiti a partire dai dati dei produttori, gli autori calcolano sia le perdite di conduzione (energia persa ogni volta che scorre corrente) sia le perdite di commutazione (scatti di energia sprecata ogni volta che i dispositivi si accendono e si spengono). Alimentano le forme d’onda di corrente risultanti nelle simulazioni del motore, mettendo in luce come le correnti nette e pulsate degli inverter reali introducano ulteriori ondulazioni di coppia e perdite magnetiche aggiuntive rispetto a un’alimentazione ideale e continua.

Cosa significa per autonomia, efficienza e tempo di calcolo

Su tutti e tre i cicli di guida, l’approccio di clustering riproduce l’efficienza del motore su ciclo completo con un’accuratezza di circa due punti percentuali, riducendo al contempo le simulazioni dettagliate da decine di ore a circa dieci minuti per ciclo solo per il motore. Quando si include il comportamento dell’inverter, le perdite totali aumentano in modo significativo e l’efficienza complessiva della catena di trazione cala di qualche punto percentuale rispetto al caso idealizzato. Tuttavia l’inverter basato su MOSFET SiC spreca costantemente meno energia rispetto a quello basato su IGBT, grazie a perdite di commutazione inferiori, rendendolo particolarmente interessante per veicoli soggetti a frequenti variazioni di velocità. Per un lettore non tecnico, il messaggio principale è che motore ed “rubinetto” elettronico devono essere progettati insieme, e che una riduzione intelligente dei dati permette agli ingegneri di testare molte idee rapidamente. Catturando le situazioni di guida più rilevanti e modellando il sistema congiunto motore‑inverter, questo lavoro offre una via pratica verso auto elettriche che percorrono distanze maggiori con la stessa carica di batteria senza richiedere quantità di calcolo irrealistiche.

Citazione: Abdelali, K., Bendjedia, B., Rizoug, N. et al. Evaluation of electric vehicle performance using driving cycle clustering based on motor-inverter losses and efficiency. Sci Rep 16, 8040 (2026). https://doi.org/10.1038/s41598-026-36663-3

Parole chiave: efficienza dei veicoli elettrici, progettazione del motore di trazione, inverter per elettronica di potenza, analisi dei cicli di guida, perdite energetiche