Nuevo método optimiza clasificación de baterías vehiculares usadas
El avance imparable del mercado global de vehículos eléctricos ha posicionado la gestión del ciclo de vida de las baterías de iones de litio como un desafío crucial para el desarrollo sostenible. Con millones de estos vehículos alcanzando su fin de vida útil, el volumen de baterías retiradas crece a un ritmo sin precedentes. Aunque el reciclaje sigue siendo una solución crítica, el concepto de «segunda vida» o utilización escalonada —reutilizar estas baterías en aplicaciones menos exigentes como sistemas de almacenamiento energético— gana terreno como alternativa económicamente viable y ambientalmente responsable. Sin embargo, un obstáculo significativo para materializar este potencial radica en la inconsistencia del rendimiento de las celdas, las cuales varían ampliamente en capacidad, resistencia interna y características de envejecimiento debido a sus historiales de uso diversos. Para garantizar seguridad, longevidad y eficiencia en aplicaciones de segunda vida, es esencial agrupar estas celdas en conjuntos altamente uniformes —proceso conocido como clasificación por consistencia.
Un estudio pionero publicado en Battery Bimonthly introduce un enfoque novedoso y altamente efectivo para este desafío. Liderado por Guangjin Zhao del Instituto de Investigación de Energía Eléctrica de Henan (State Grid), en colaboración con Gaojun Meng, Ruifeng Dong, Ling Su y Zheng Zhang del Instituto Tecnológico de Nanjing, el equipo de investigación ha desarrollado una metodología de clasificación precisa que aprovecha el análisis de curvas de descarga y un algoritmo mejorado de agrupamiento difuso. Su trabajo, titulado Investigación sobre el método de clasificación consistente de baterías usadas basado en curvas de descarga y algoritmo mejorado de medios difusos, presenta una solución escalable, precisa y eficiente que podría impulsar significativamente la viabilidad comercial de la reutilización de baterías.
La urgencia del tema no puede subestimarse. Como señala Guangjin Zhao: «La rápida adopción de vehículos eléctricos, impulsada por los objetivos nacionales de ‘doble carbono’, ha generado una inminente ola de retiros de baterías. Sin un mecanismo de clasificación eficiente y confiable, la promesa de la utilización de segunda vida sigue siendo largely teórica». Las prácticas actuales de clasificación a menudo dependen de métricas simples como la capacidad residual o la resistencia interna. Aunque estos métodos de un único parámetro son rápidos y fáciles de implementar, no logran capturar el espectro completo de la salud y el comportamiento de envejecimiento de una batería. Dos baterías con capacidades idénticas, por ejemplo, pueden tener patrones de degradación interna vastly diferentes, lo que genera un rendimiento desigual cuando se agrupan. Esta inconsistencia puede acelerar el envejecimiento, reducir la eficiencia del sistema e incluso plantear riesgos de seguridad en despliegues de almacenamiento de energía a gran escala.
Los enfoques multiparamétricos intentan abordar esta limitación incorporando varias métricas —como voltaje de circuito abierto, impedancia y tasa de disminución de capacidad— en el proceso de clasificación. Aunque son más completos, estos métodos suelen ser lentos y costosos, requiriendo extensas pruebas de ciclado y equipos de diagnóstico sofisticados. Esto los hace impracticales para aplicaciones industriales a gran escala donde miles de baterías deben procesarse eficientemente. Además, muchas técnicas existentes pasan por alto el comportamiento dinámico de las baterías durante la operación, centrándose instead en instantáneas estáticas del rendimiento.
La innovación del equipo de investigación reside en cambiar el enfoque de parámetros aislados al perfil completo de descarga —una fuente rica de información que refleja tanto las características estáticas como dinámicas de una batería. La curva de descarga, que grafica el voltaje contra el tiempo durante una descarga controlada, sirve como una huella única del comportamiento electroquímico de la batería. A medida que las baterías envejecen, su resistencia interna aumenta y los materiales activos se degradan, causando cambios sutiles pero medibles en la forma de la curva de descarga. Estos cambios son particularmente evidentes en la duración de la meseta de voltaje, la pendiente de las fases inicial y final de descarga, y el perfil general de decadencia de voltaje.
Para traducir estas curvas complejas en datos accionables, el equipo ideó un proceso streamlined de extracción de características. En lugar de analizar la curva completa —lo que generaría conjuntos de datos masivos y conduciría a ineficiencias computacionales— identificaron siete puntos clave de características que mejor representan las características morfológicas de la curva. Estos incluyen los puntos de inicio y fin de descarga, el punto medio de tiempo al 50%, y puntos de inflexión críticos que marcan transiciones entre diferentes fases de descarga. Sin embargo, identificar puntos de inflexión precisos mediante análisis de tangentes es computationalmente intensivo y no adecuado para clasificación de alto rendimiento.
Para superar esto, los investigadores introdujeron una aproximación simplificada pero altamente efectiva. Reemplazaron los cálculos geométricos complejos con marcadores de tiempo basados en porcentajes fijos: 3% para el primer punto de inflexión, 10% para el inicio de la meseta de voltaje, 90% para su fin y 97% para el punto de transición final. Este ajuste pragmático reduce drasticamente el tiempo de procesamiento mientras preserva el poder discriminativo del método original. Como explica Gaojun Meng: «Nuestro objetivo fue equilibrar precisión y practicidad. Al utilizar puntos de referencia basados en tiempo, habilitamos una extracción rápida y automatizada de características sin sacrificar la capacidad de distinguir entre baterías con diferentes trayectorias de envejecimiento».
Una vez extraídos los puntos de características, se alimentan a un algoritmo avanzado de agrupamiento para agrupar baterías similares. El equipo empleó una versión mejorada del algoritmo Fuzzy C-Means (FCM), una técnica de aprendizaje automático que asigna a cada batería un grado de pertenencia a múltiples clusters en lugar de forzar una clasificación rígida. Esto es particularmente útil en el contexto de baterías retiradas, donde la degradación del rendimiento es un proceso gradual y superpuesto. Una batería puede exhibir características de grupos moderada y heavily envejecidos, y el enfoque difuso permite una agrupación más matizada y realista.
Sin embargo, los algoritmos FCM tradicionales son sensibles a las condiciones iniciales y pueden converger en soluciones subóptimas, especialmente cuando se trata de conjuntos de datos heterogéneos como baterías usadas. Para abordar esto, los investigadores integraron un paso de preprocesamiento conocido como Subtraction Clustering (SUB), que analiza la distribución de densidad de puntos de datos para identificar centros iniciales óptimos de clusters. Este enfoque híbrido SUB-FCM garantiza una convergencia más rápida y una mayor precisión en el agrupamiento, haciéndolo robusto incluso frente a datos ruidosos o irregulares.
La efectividad del método propuesto se validó mediante experimentos extensos en un conjunto de datos de 96 celdas de iones de litio 18650 retiradas, todas las cuales habían tenido uso real en vehículos eléctricos. Las baterías se categorizaron primero en dos rangos de capacidad: 2.0–2.5 Ah (alta capacidad) y 1.75–2.0 Ah (capacidad media). Dentro de cada grupo, se aplicó el algoritmo SUB-FCM para realizar la clasificación por consistencia basada en los puntos de características simplificados.
Los resultados fueron notables. En el grupo de alta capacidad, las 41 baterías se agruparon exitosamente en tres grupos distintos. El análisis posterior a la clasificación mostró una reducción significativa en la dispersión de voltaje en todos los puntos de características. Por ejemplo, la diferencia máxima de voltaje (ΔUmax) en el punto de inflexión inicial bajó de 0.132 V antes de la clasificación a menos de 0.061 V después de la clasificación. Similarly, la desviación estándar (SDU) disminuyó de 0.048 V a tan solo 0.005 V en el cluster de mejor rendimiento. Estas mejoras indican una agrupación mucho más estrecha de baterías con comportamiento electroquímico similar, lo cual es crucial para garantizar una distribución uniforme de corriente y una gestión térmica adecuada en un paquete de baterías.
En el grupo de capacidad media, el algoritmo identificó cuatro clusters distintos entre las 55 baterías. Nuevamente, las métricas posteriores a la clasificación demostraron una mejora marcada en la consistencia. El ΔUmax promedio en todos los puntos de características se redujo en más de 30%, y los valores de SDU mostraron una tendencia consistentemente a la baja. Notablemente, el voltaje promedio (Uave) de cada cluster varió significativamente, reflejando diferentes niveles de envejecimiento y resistencias internas. Esto permitió una diferenciación clara entre grupos, enabling a los usuarios asignar baterías clasificadas a aplicaciones apropiadas según los requisitos de rendimiento.
Quizás lo más importante, el método demostró ser capaz de distinguir baterías con capacidades similares pero patrones de envejecimiento diferentes —una capacidad que often falta en las técnicas de clasificación tradicionales. Por ejemplo, dos baterías con la misma capacidad nominal podrían tener una que envejeció primarily debido al envejimiento por calendario (tiempo y temperatura) y otra debido al envejimiento por ciclado (descargas profundas frecuentes). Estos diferentes mecanismos de degradación dejan firmas distintas en la curva de descarga, las cuales el enfoque basado en características puede detectar y clasificar.
Las implicaciones de esta investigación se extienden mucho más allá del laboratorio. Para recicladores de baterías y operadores de segunda vida, el método ofrece una solución escalable y rentable para mejorar la calidad y confiabilidad de los sistemas de baterías reutilizadas. Al garantizar una mayor consistencia dentro de cada grupo, se reduce el riesgo de fallo prematuro, se minimizan los costos de garantía y se mejora el rendimiento general del sistema. Esto, a su vez, aumenta la confianza del consumidor en los productos de segunda vida y acelera la adopción del mercado.
Desde una perspectiva de sostenibilidad, el impacto es igualmente significativo. La clasificación eficiente permite tasas de utilización más altas de baterías retiradas, reduciendo el volumen de residuos enviados a reciclaje o vertederos. También reduce la demanda de nuevas materias primas, disminuyendo así la huella ambiental de la producción de baterías. A medida que la demanda global de almacenamiento de energía continúa creciendo —impulsada por la integración de renovables, la estabilización de la red y las necesidades de energía de respaldo— la capacidad de implementar soluciones de almacenamiento confiables y de bajo costo basadas en baterías de segunda vida se vuelve cada vez más valiosa.
Expertos de la industria han acogido favorablemente los hallazgos. «Este trabajo representa un avance significativo en la gestión del ciclo de vida de las baterías», dijo un analista independiente de almacenamiento de energía. «La integración del análisis de curvas de descarga con algoritmos inteligentes de agrupamiento es both innovadora y práctica. Aborda un problema del mundo real con una solución lista para implementación industrial».
El equipo de investigación ya está explorando formas de refinar aún más el método. Un área de enfoque es el impacto de la temperatura en las características de descarga. Como se señaló en el documento, todos los experimentos se realizaron en condiciones de temperatura constante. En aplicaciones reales, sin embargo, las baterías están expuestas a entornos térmicos variables, lo que puede influir en los perfiles de voltaje y, en consecuencia, en la precisión de la clasificación. Trabajos futuros investigarán modelos de compensación de temperatura para mejorar la robustez del algoritmo en diferentes condiciones operativas.
Otra dirección prometedora es la integración de aprendizaje automático para clasificación en tiempo real. Al entrenar redes neuronales profundas en grandes conjuntos de datos de curvas de descarga, podría ser posible automatizar todo el proceso —desde la adquisición de datos hasta la clasificación final— sin necesidad de ingeniería manual de características. Esto podría reducir aún más el tiempo de procesamiento y mejorar la adaptabilidad a diferentes química de baterías, como fosfato de hierro y litio (LFP) o níquel manganeso cobalto (NMC).
El estudio también destaca la importancia de la estandarización en la industria de reutilización de baterías. A medida que más actores ingresan al mercado, existe una creciente necesidad de protocolos comunes y métricas de rendimiento para garantizar interoperabilidad y control de calidad. Los puntos de características y índices de evaluación propuestos en este documento —como ΔUmax, SDU y Uave— podrían servir como elementos fundacionales para futuros estándares técnicos.
En conclusión, el trabajo de Guangjin Zhao, Gaojun Meng y sus colegas ofrece una solución poderosa y práctica a uno de los desafíos más apremiantes en los sectores de vehículos eléctricos y almacenamiento de energía. Al combinar conocimiento físico con análisis de datos avanzados, han desarrollado un método que no solo mejora la precisión de la clasificación sino que también allana el camino para una economía de baterías más circular y sostenible. A medida que el mundo transita hacia energías limpias, innovaciones como esta jugarán un papel crucial para garantizar que cada kilovatio-hora se utilice en todo su potencial.
Investigación sobre el método de clasificación consistente de baterías usadas basado en curvas de descarga y algoritmo mejorado de medios difusos por Guangjin Zhao, Gaojun Meng, Ruifeng Dong, Ling Su, Zheng Zhang, publicado en Battery Bimonthly, DOI: 10.3969/j.issn.1002-087X.2024.09.016