Avaliação do Estado de Carga em Embarcações Elétricas na Região Amazônica: Uma Análise Comparativa

• Dailneide Ribeiro UFPA
• Matheus Brito UFPA
• Iago Medeiros UFPA
• Emannuel Loureiro Loureiro UFPA
• Denis Rosário UFPA
• Andréia Antloga Norte Energia S.A.
• Eduardo Cerqueira UFPA

DOI: https://doi.org/10.5753/sbcup.2026.23463

Resumo

A eletrificação do transporte fluvial na região Amazônica apresentase como uma solução sustentável para reduzir emissões e custos operacionais, porém enfrenta o desafio da “ansiedade de alcance”e os riscos de segurança associados à falha energética em rios. A estimativa precisa do Estado de Carga (SOC) das baterias é crucial para mitigar esses problemas. Este trabalho apresenta uma análise comparativa de métodos de estimativa de SOC aplicados a uma embarcação elétrica do tipo “voadeira”operando no Rio Xingu, utilizando baterias LiFePO4. Foram avaliadas abordagens baseadas no método clássico de Coulomb Counting, algoritmos de Inteligência Artificial (XGBoost e Random Forest) e estratégias híbridas. Os resultados demonstraram que as técnicas híbridas superam os métodos isolados, com destaque para a estratégia que utiliza o XGBoost para predizer e corrigir o erro do método de Coulomb Counting.

Referências

Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining, pages 785–794.

De Vera, A. M. Z. and Cruz, F. R. G. (2022). Estimation of remaining travel range of electric boat using extended kalman filter. In 2022 IEEE International Power and Renewable Energy Conference (IPRECON), pages 1–5. IEEE.

Harinarayanan, J. and Balamurugan, P. (2025). Soc estimation for a lithium-ion pouch cell using machine learning under different load profiles. Scientific Reports, 15(1):18091.

Mian Qaisar, S. (2020). Event-driven coulomb counting for effective online approximation of li-ion battery state of charge. Energies, 13(21):5600.

Movassagh, K., Raihan, A., Balasingam, B., and Pattipati, K. (2021). A critical look at coulomb counting approach for state of charge estimation in batteries. Energies, 14(14):4074.

Norte Energia (2023). Belo monte: Gigante por natureza. Available at: [link]. Accessed: 2025-09-27.

Oyediran, D., Thakur, J., Khalid, M., and Baskar, A. G. (2024). Electrification of marinas in stockholm: Optimizing charging infrastructure for electric boats. Energy, 305:132311.

Pisani Orta, M. A., García Elvira, D., and Valderrama Blaví, H. (2025). Review of state-of-charge estimation methods for electric vehicle applications. World Electric Vehicle Journal, 16(2):87.

Qaisar, S. M., Alboody, A., Aldossary, S., Alhamdan, A., Moahammad, N., and Almaktoom, A. T. (2023). Machine learning assistive state of charge estimation of li-ion battery. In 2023 IEEE 13th International Conference on Electronics and Information Technologies (ELIT), pages 157–161. IEEE.

Sousa, E. C. S. d. and Cortes, J. P. S. d. (2024). Transporte fluvial e desafios no acesso à saúde em comunidades ribeirinhas nas hidrovias tapajós e arapiuns. Hygeia - Revista Brasileira de Geografia Médica e da Saúde, 20:e2009.

Sulaiman, M. H. and Mustaffa, Z. (2024). State of charge estimation for electric vehicles using random forest. Green Energy and Intelligent Transportation, 3(5):100177.

Yazvinskaya, N. N., Galushkin, N. E., Ruslyakov, D. V., and Galushkin, D. N. (2021). Analysis of peukert and liebenow equations use for evaluation of capacity released by lithium-ion batteries. Processes, 9(10):1753.

Yuan, H., Liu, J., Zhou, Y., and Pei, H. (2023). State of charge estimation of lithium battery based on integrated kalman filter framework and machine learning algorithm. Energies, 16(5):2155.

Yun, X., Zhang, X., Wang, C., and Fan, X. (2025). A review on state of charge estimation methods for lithium-ion batteries based on data-driven and model fusion. Journal of Energy Storage, 129:117389.

Zhao, L., Yao, W., Wang, Y., and Hu, J. (2020). Machine learning-based method for remaining range prediction of electric vehicles. Ieee Access, 8:212423–212441.