Nuevo algoritmo adaptativo mejora precisión en baterías de vehículos eléctricos
En el panorama en constante evolución de la movilidad eléctrica, donde la ansiedad por la autonomía y la longevidad de las baterías siguen siendo las principales preocupaciones tanto para consumidores como fabricantes, surge un avance tecnológico en sistemas de gestión de baterías (BMS) desde la Universidad Tecnológica de Chongqing. Un equipo de investigación liderado por el Dr. Yingzhe Kan ha desarrollado un algoritmo adaptativo innovador que mejora significativamente la precisión en la estimación del estado de carga (SOC) de baterías de iones de litio, parámetro crítico para el rendimiento del vevehículo, la eficiencia energética y la experiencia del usuario.
Publicado en el Journal of Chongqing University of Technology (Natural Science), el estudio presenta una fusión innovadora de técnicas de identificación de parámetros en tiempo real y estimación de estados diseñada para superar las limitaciones de los métodos convencionales. A medida que los vehículos eléctricos operan bajo diversas condiciones de conducción —desde desplazamientos urbanos hasta cruceros en autopista— las características internas de sus baterías cambian dinámicamente. Los modelos tradicionales de baterías, que dependen de parámetros fijos derivados de pruebas en condiciones controladas, a menudo no logran capturar estos comportamientos transitorios, lo que genera imprecisiones en la predicción del SOC. Esta discrepancia no solo socava la confianza del conductor, sino que también limita la efectividad de las estrategias de gestión energética.
El Dr. Kan, experto en vehículos de nueva energía y sistemas de propulsión avanzados, enfatizó la importancia de adaptarse a la variabilidad del mundo real. «El comportamiento de las baterías es inherentemente no lineal y variable en el tiempo», explicó. «Utilizar modelos estáticos en entornos dinámicos conduce a errores acumulativos. Nuestro objetivo era desarrollar un método que aprenda y se ajuste continuamente, garantizando que el BMS siempre opere con información actualizada sobre el estado de la batería».
La innovación central radica en la integración de un factor de olvido auto-regulatorio dentro de un marco de mínimos cuadrados recursivos (RLS) —denominado Mínimos Cuadrados Recursivos con Factor de Olvido Adaptativo (AFFRLS)— combinado con el Filtro de Kalman Extendido (EKF) para la estimación del SOC. A diferencia de los métodos RLS tradicionales que aplican un factor de olvido fijo, este nuevo enfoque ajusta dinámicamente el factor basándose en errores de predicción en tiempo real. Cuando la salida del modelo se desvía significativamente de las mediciones reales, el algoritmo reduce la influencia de los datos antiguos, poniendo mayor énfasis en las observaciones recientes. Por el contrario, cuando las predicciones son estables y precisas, mantiene una mayor memoria de los datos históricos, equilibrando capacidad de respuesta con estabilidad.
Este mecanismo adaptativo permite al sistema responder rápidamente a cambios repentinos en la carga, temperatura o efectos de envejecimiento, todos los cuales afectan la impedancia, capacitancia y voltaje de circuito abierto (OCV) de la batería. Al recalibrar continuamente los parámetros del modelo de circuito equivalente —específicamente la resistencia óhmica, resistencias de polarización y capacitancias— el método AFFRLS-EKF garantiza que el modelo subyacente siga siendo representativo del estado físico actual de la batería.
El equipo de investigación, que incluye a la investigadora graduada Min Yang y a los colegas Huaze Sun y Yunfei Xie, realizó una extensa validación experimental utilizando una celda de iones de litio ternaria de 19Ah bajo múltiples ciclos de conducción. Estos incluyeron la prueba de Caracterización de Potencia de Pulso Híbrido (HPPC), la prueba de Estrés Dinámico (DST) y escenarios de descarga intermitente a corriente constante, cada uno diseñado para simular diferentes aspectos de la conducción real, desde aceleraciones agresivas hasta cruceros estables.
Los resultados demostraron un rendimiento excepcional en todas las condiciones de prueba. Bajo el ciclo HPPC, el error máximo de estimación del SOC se mantuvo por debajo del 0.65%, mientras que las pruebas DST y de descarga intermitente produjeron errores del 0.55% y 0.57% respectivamente. En todos los casos, el error se mantuvo dentro del 1%, una mejora significativa respecto a los métodos RLS-EKF convencionales, que exhibían errores de hasta el 2% en condiciones similares. Este nivel de precisión supera los puntos de referencia de la industria y acerca a los vehículos eléctricos al ideal de la predicción de autonomía «veraz», un factor clave en la adopción por parte de los consumidores.
Uno de los aspectos más convincentes del nuevo algoritmo es su capacidad para mantener una alta precisión sin sacrificar la eficiencia computacional. Muchas técnicas de estimación avanzadas, como los filtros de partículas o los modelos de aprendizaje profundo, ofrecen una precisión mejorada a costa de mayores demandas de procesamiento, lo que las hace impracticables para hardware BMS integrado. El método AFFRLS-EKF, sin embargo, opera eficientemente en microcontroladores estándar, permitiendo implementaciones en tiempo real sin requerir recursos informáticos de alta gama.
Yang, cuya investigación se centra en la dinámica de baterías y sistemas de control, destacó las implicaciones prácticas: «Lo que distingue a este método es su equilibrio entre precisión y viabilidad. No requiere grandes conjuntos de datos ni conectividad en la nube. Todo sucede a bordo, en tiempo real, utilizando solo mediciones de voltaje y corriente que ya están disponibles en todos los vehículos eléctricos».
El modelo de circuito equivalente de doble polarización utilizado en el estudio logra un equilibrio cuidadoso entre complejidad y fidelidad. Si bien modelos más elaborados con múltiples redes RC pueden ofrecer mayor precisión, conllevan una sobrecarga computacional aumentada e interdependencia de parámetros, complicando la identificación. La estructura de doble RC captura las caídas de voltaje transitorias y relacionadas con la difusión esenciales, manteniéndose manejable para la estimación en línea.
Crucial para el éxito de cualquier estimador de SOC es la precisión de la relación SOC-OCV. El equipo realizó pruebas detalladas de Caracterización de Potencia de Pulso Híbrido a 25°C, recolectando datos de relajación de voltaje después de cada decremento del 10% en el SOC. Utilizando ajuste polinomial de séptimo orden, establecieron un mapeo preciso entre el SOC y el voltaje de circuito abierto, un elemento fundamental que ancla todo el proceso de estimación.
Durante la operación, el algoritmo funciona en un bucle cerrado: el módulo AFFRLS actualiza continuamente los parámetros del modelo utilizando los datos entrantes de voltaje y corriente; estos parámetros actualizados se alimentan luego al EKF, que calcula la estimación actual del SOC. El EKF considera tanto el ruido del proceso (incertidumbres en la dinámica del sistema) como el ruido de medición (inexactitudes del sensor), refinando su estimación con cada iteración.
Esta arquitectura de retroalimentación crea un sistema auto-corrector. Si la deriva del sensor o la degradación del modelo comienzan a afectar la precisión, la etapa de identificación de parámetros detecta la anomalía y se ajusta en consecuencia. Con el tiempo, esto permite al BMS compensar no solo los transitorios operativos, sino también los efectos de envejecimiento a largo plazo, como la disminución de capacidad y el crecimiento de la resistencia interna, indicadores clave de la salud de la batería.
Las implicaciones van más allá de la mera precisión del SOC. Con una estimación de estado más confiable, los fabricantes de vehículos pueden optimizar la gestión térmica, extender la vida útil de la batería mediante protocolos de carga más suaves y mejorar la eficiencia del frenado regenerativo. Los datos precisos de SOC también permiten un preacondicionamiento más inteligente de la batería antes de la carga rápida, reduciendo el estrés y mejorando las tasas de aceptación de carga.
Además, la estimación precisa del SOC mejora la seguridad. Sobreestimar la carga restante puede conducir a apagados inesperados, mientras que subestimarla puede causar limitaciones innecesarias en el rendimiento. En casos extremos, un monitoreo inexacto del estado puede contribuir a sobrecargas o descargas profundas, condiciones que aceleran la degradación y aumentan el riesgo de fuga térmica.
Desde una perspectiva de ingeniería de sistemas, el método AFFRLS-EKF ejemplifica la tendencia hacia el control inteligente y adaptativo en la electrónica automotriz. A medida que los vehículos se vuelven más conectados y autónomos, crece la demanda de componentes auto-conscientes y auto-ajustables. Este algoritmo representa un paso hacia sistemas de baterías verdaderamente cognitivos, que aprenden de la experiencia y se adaptan a patrones de uso individuales.
La investigación también subraya la importancia de la colaboración interdisciplinaria. El equipo combinó experiencia en ingeniería mecánica, teoría de control, electroquímica y procesamiento de señales para abordar un problema que se encuentra en la intersección de la física y la computación. Su trabajo refleja un cambio más amplio en I+D automotriz, donde los avances surgen cada vez más de la convergencia de dominios tradicionalmente separados.
La respuesta de la industria a los hallazgos ha sido cautelosamente optimista. Si bien el método ha sido validado en entornos de laboratorio, su implementación en el mundo real requerirá extensas pruebas de durabilidad bajo diversas condiciones ambientales, incluyendo temperaturas extremas, humedad y vibración. Además, será necesaria la integración con arquitecturas BMS existentes y el cumplimiento de estándares de seguridad funcional automotriz (como ISO 26262) antes de una adopción generalizada.
Sin embargo, los beneficios potenciales son sustanciales. Para los consumidores, significa indicadores de autonomía más confiables, mayor vida útil de la batería y mayor confianza en la conducción. Para los fabricantes de automóviles, ofrece un camino para reducir el dimensionamiento excesivo de las baterías —práctica común para compensar la incertidumbre en la estimación— reduciendo así el peso y el costo del vehículo. Para los operadores de flotas, el seguimiento preciso del SOC permite una mejor planificación de rutas y programación de carga, mejorando la eficiencia operativa.
La adaptabilidad del método también lo hace adecuado para aplicaciones de segunda vida, como el almacenamiento estacionario de energía, donde las baterías de vehículos eléctricos retirados se reutilizan. En estos escenarios, la capacidad de evaluar con precisión el estado de paquetes de baterías envejecidos y heterogéneos es crucial para la seguridad y el rendimiento.
De cara al futuro, el equipo de investigación está explorando extensiones del algoritmo para estimar estados adicionales de la batería, incluido el estado de salud (SOH) y el estado de energía (SOE). Trabajos preliminares sugieren que el mismo marco de identificación adaptativa puede aplicarse para rastrear la disminución de capacidad y el crecimiento de la resistencia interna a lo largo del tiempo, proporcionando una imagen integral de la condición de la batería.
Otra área de investigación implica la compensación de temperatura. El comportamiento de la batería varía significativamente con la temperatura, y futuras versiones del algoritmo pueden incorporar modelado térmico en tiempo real para mantener la precisión en un amplio rango operativo, desde inviernos bajo cero hasta veranos abrasadores.
La publicación de esta investigación en una revista revisada por pares marca un hito significativo, pero el viaje desde el descubrimiento académico hasta el producto comercial suele ser largo y complejo. El equipo ha presentado divulgaciones preliminares de propiedad intelectual y mantiene conversaciones con varios proveedores automotrices sobre una posible colaboración.
A medida que las ventas globales de vehículos eléctricos continúan aumentando —superando los 14 millones de unidades en 2023 según analistas de la industria— la necesidad de una gestión de baterías más inteligente y eficiente solo se intensificará. Innovaciones como la desarrollada en la Universidad Tecnológica de Chongqing no son solo logros técnicos; son facilitadores de un futuro de transporte sostenible.
En una era donde el software define cada vez más la capacidad del vehículo, este algoritmo adaptativo ejemplifica cómo los algoritmos inteligentes pueden extraer el máximo valor del hardware existente. Es un recordatorio de que, a veces, los avances más impactantes no están en construir baterías más grandes, sino en comprenderlas mejor.
El éxito del método AFFRLS-EKF también destaca el creciente papel de las instituciones chinas en el avance de la tecnología de vehículos eléctricos. Con un fuerte apoyo gubernamental a los vehículos de nueva energía y un mercado interno en rápida expansión, los centros de investigación en toda China están haciendo contribuciones significativas a la ciencia de baterías, control de motores e infraestructura de carga.
El Dr. Kan expresó optimismo sobre el impacto más amplio del trabajo: «No solo estamos mejorando un número en un tablero. Estamos construyendo confianza entre el conductor y la máquina. Cuando las personas ven que la predicción de autonomía de su automóvil es consistentemente precisa, comienzan a confiar en ella. Esa confianza es esencial para la adopción masiva de vehículos eléctricos».
A medida que la industria automotriz transita de los motores de combustión interna a los trenes de potencia electrificados, el papel de la batería solo crecerá en importancia. Y con ello, la necesidad de métodos de estimación de estado sofisticados, confiables y adaptativos se volverá primordial. El trabajo de Kan, Yang, Sun y Xie representa un paso significativo en esa dirección, acercando la promesa de una movilidad eléctrica sin interrupciones, predecible y eficiente un paso más hacia la realidad.
Yingzhe Kan, Min Yang, Huaze Sun, Yunfei Xie, Escuela de Ingeniería Mecánica, Universidad Tecnológica de Chongqing. Journal of Chongqing University of Technology (Natural Science), doi:10.3969/j.issn.1674-8425(z).2024.11.003