Avance en Monitoreo de Baterías para Vehículos Eléctricos
A medida que la industria de vehículos eléctricos (VE) avanza hacia la adopción generalizada, uno de los desafíos más urgentes sigue siendo la evaluación precisa y en tiempo real del estado de salud de las baterías. El paquete de baterías de iones de litio es el corazón de cualquier VE, y su rendimiento influye directamente en la autonomía, la seguridad y la longevidad del vehículo. Sin embargo, monitorear el Estado de Salud (SOH, por sus siglas en inglés) de estas baterías durante su uso diario ha sido durante mucho tiempo un obstáculo técnico, especialmente cuando se depende de datos de carga incompletos o fragmentados. Ahora, un nuevo algoritmo desarrollado por investigadores de la Universidad de Ciencia y Tecnología de Harbin está listo para transformar la forma en que se estima la salud de las baterías en condiciones reales.
En un estudio publicado en la Transactions of China Electrotechnical Society, la Dra. Xianhua Song y su estudiante de posgrado Quanzheng Yao han presentado un método novedoso capaz de estimar el SOH de la batería con una precisión sin precedentes utilizando únicamente ciclos de carga parciales, datos comúnmente registrados durante el uso diario de los VE. Este avance podría mejorar significativamente los sistemas de gestión de baterías (BMS, por sus siglas en inglés), permitiendo predicciones de autonomía más confiables, estrategias de carga optimizadas y una mayor vida útil de las baterías.
La investigación aborda una limitación crítica en los diagnósticos actuales de baterías: la mayoría de las técnicas de estimación del SOH requieren ciclos completos de carga y descarga para generar datos confiables. Sin embargo, en la práctica, los propietarios de VE rara vez agotan por completo sus baterías o las cargan de vacío a lleno. En cambio, recurren a la «carga segmentada», recargando desde un 30% hasta un 80%, o desde un 50% hasta un 100%, dependiendo de sus necesidades diarias. Este comportamiento crea una brecha en los datos utilizables, lo que hace que los modelos tradicionales de SOH sean menos efectivos en aplicaciones en tiempo real.
Para superar este desafío, Song y Yao desarrollaron un marco híbrido de aprendizaje automático y filtrado denominado DEKF-WNN-WLSTM. El acrónimo significa «Dual Extended Kalman Filter-Wavelet Neural Network-Wavelet Long Short-Term Memory Neural Network». Aunque el nombre puede sonar complejo, el principio subyacente está elegantemente diseñado para extraer la máxima información con una entrada mínima.
En esencia, el modelo aprovecha las fortalezas de múltiples técnicas computacionales avanzadas. Comienza con el Filtro de Kalman Extendido (EKF), un algoritmo bien establecido utilizado en la estimación de sistemas no lineales. El EKF es particularmente efectivo para rastrear sistemas dinámicos como las baterías, donde los estados internos cambian con el tiempo debido al envejecimiento, la temperatura y los patrones de uso. Sin embargo, los métodos tradicionales basados en EKF a menudo sufren de acumulación de errores y requieren recalibraciones frecuentes utilizando datos de ciclos completos.
La innovación de Song y Yao radica en mejorar el EKF con dos redes neuronales especializadas: una Red Neuronal de Wavelet (WNN) y una Red de Memoria a Largo Plazo con Wavelet (WLSTM). Estas redes no son modelos estándar de aprendizaje profundo; están diseñadas para manejar las características únicas de los datos de las baterías, que a menudo contienen ruido, no linealidades y patrones de degradación dependientes del tiempo.
La WNN aporta robustez y extracción de características de alta resolución. Al reemplazar las funciones de activación convencionales con funciones wavelet—herramientas matemáticas adeptas a analizar señales en diferentes escalas—la red puede detectar cambios sutiles en los perfiles de voltaje y corriente que indican el envejecimiento de la batería. Esto es especialmente útil durante la carga parcial, donde pequeñas variaciones en la curva de carga pueden revelar información significativa sobre la pérdida de capacidad.
El componente WLSTM, por otro lado, sobresale en capturar dependencias a largo plazo en datos secuenciales. A diferencia de las redes neuronales estándar que pueden «olvidar» entradas anteriores, la WLSTM retiene información histórica crítica, permitiéndole modelar la degradación gradual de una batería a lo largo de cientos de ciclos. Al integrar funciones wavelet en las compuertas de la LSTM, el modelo logra una comprensión más detallada de la dinámica temporal, mejorando su precisión predictiva.
Lo que distingue a esta investigación es su arquitectura de doble filtro. El primer EKF estima el tiempo de carga completo basándose en datos fragmentarios, mientras que el segundo EKF corrige continuamente el error de estimación aprendiendo de discrepancias pasadas. Este mecanismo de autocorrección previene la deriva que típicamente afecta las predicciones a largo plazo. Al entrenar las redes WNN-WLSTM con un ciclo de carga completo y tres ciclos parciales, el modelo aprende a generalizar entre diferentes patrones de uso sin requerir cargas completas repetidas.
El equipo probó su algoritmo utilizando datos del mundo real de baterías de iones de litio ternarias proporcionadas por Shenzhen Neware Electronic Co., Ltd. El conjunto de datos incluyó más de 180 ciclos de carga y descarga bajo condiciones de corriente constante, simulando el uso típico de un VE. Los resultados fueron sorprendentes: el error relativo promedio en la estimación del tiempo de carga completo fue de solo 1.01%, significativamente menor que el 1.76% logrado por un método EKF-GPR previamente publicado. Más importante aún, el error se mantuvo estable con el tiempo, demostrando la capacidad del modelo para resistir inexactitudes acumulativas.
Para los fabricantes de VE y los operadores de flotas, tal precisión tiene implicaciones de gran alcance. La estimación precisa del SOH permite una mejor gestión de garantías de baterías, aplicaciones más eficientes de segunda vida para baterías de VE retiradas y evaluaciones mejoradas del valor de reventa. También aumenta la confianza del conductor al proporcionar estimaciones de autonomía realistas que tienen en cuenta la degradación real de la batería, no solo modelos idealizados.
Desde un punto de vista tecnológico, el modelo DEKF-WNN-WLSTM representa un cambio hacia diagnósticos de baterías adaptativos y basados en datos. A diferencia de los modelos basados en física que dependen de parámetros electroquímicos detallados—a menudo difíciles de medir y propensos a variaciones—el nuevo método aprende directamente de los datos operativos. Esto lo hace más escalable y fácil de implementar en diferentes químicas de baterías y plataformas de vehículos.
Además, la dependencia del modelo en fragmentos de carga diarios significa que puede operar continuamente en segundo plano, actualizando las estimaciones del SOH con cada carga. Esta capacidad en tiempo real es esencial para funciones avanzadas de BMS, como la carga adaptativa, donde el sistema ajusta la velocidad y el voltaje de carga según el estado de salud actual de la batería para minimizar el estrés y prolongar su vida útil.
Las implicaciones van más allá de los vehículos individuales. A medida que las redes inteligentes y las tecnologías de vehículo a red (V2G) ganan tracción, los datos precisos sobre la salud de las baterías se vuelven cruciales para la estabilidad de la red y la participación en el mercado energético. Las utilities y los agregadores necesitan información confiable sobre la capacidad disponible y el estado de degradación de las baterías de VE antes de inscribirlas en programas de respuesta a la demanda. Un modelo como DEKF-WNN-WLSTM podría proporcionar esa transparencia, permitiendo una integración más segura y eficiente de los VE en el ecosistema energético.
Otra ventaja del método es su eficiencia computacional. A pesar de su sofisticación, el modelo está diseñado para funcionar en sistemas embebidos con potencia de procesamiento limitada. Los investigadores utilizaron MATLAB y Python con TensorFlow/Keras para implementar las redes neuronales, interfazándolas con las rutinas del filtro de Kalman. Este enfoque modular permite la integración en arquitecturas BMS existentes sin requerir una overhaul completo del hardware.
La seguridad y la confiabilidad también se ven mejoradas. Al reducir la necesidad de ciclos completos de descarga periódicos—que pueden acelerar el desgaste de la batería—el modelo promueve una operación más segura y sostenible. También minimiza la intervención del usuario; los conductores ya no necesitan realizar rutinas especiales de calibración para mantener lecturas precisas del SOH.
Mirando hacia el futuro, la investigación abre varias vías para el desarrollo futuro. Una dirección es la extensión del modelo a otros tipos de baterías, como las de fosfato de hierro y litio (LFP) o las baterías de estado sólido, que tienen características de degradación diferentes. Otra es la incorporación de datos de sensores adicionales, como la temperatura y la resistencia interna, para refinar aún más las estimaciones.
También existe potencial para una implementación basada en la nube, donde los datos anónimos de baterías de miles de vehículos podrían agregarse para entrenar modelos aún más robustos. Tal sistema podría detectar signos tempranos de defectos de fabricación o factores de estrés ambiental, permitiendo recalls proactivos o campañas de servicio.
Desde una perspectiva política, el monitoreo preciso del SOH apoya la transición hacia una economía circular en el sector automotriz. A medida que los gobiernos impulsan una mayor adopción de VE y regulaciones más estrictas de emisiones, garantizar la longevidad y reciclabilidad de las baterías se vuelve primordial. El seguimiento transparente de la salud empodera a los consumidores, facilita los modelos de leasing de baterías y fortalece el caso de negocio para la infraestructura de intercambio de baterías.
El trabajo de Song y Yao también destaca la creciente importancia de la investigación interdisciplinaria en el avance de la tecnología de VE. Su enfoque combina el procesamiento de señales, la teoría de control y el aprendizaje profundo—campos que convergen cada vez más para resolver problemas de ingeniería complejos. Subraya el papel de las instituciones académicas en impulsar la innovación que complementa el desarrollo liderado por la industria.
Para la Universidad de Ciencia y Tecnología de Harbin, este estudio refuerza su posición como líder en aplicaciones de monitoreo inteligente y aprendizaje automático. La experiencia de la Dra. Song en computación cuántica y seguridad de imágenes puede parecer distante de los diagnósticos de baterías, pero su formación en modelado de sistemas complejos proporciona una perspectiva única que une dominios.
En el contexto más amplio de la descarbonización global, cada mejora en la eficiencia y vida útil de las baterías contribuye a reducir la huella ambiental del transporte. Al extender la vida útil de las baterías y optimizar su rendimiento, tecnologías como DEKF-WNN-WLSTM ayudan a maximizar el retorno de la energía y los recursos invertidos en su producción.
A medida que los VE se integran más en la vida diaria, la demanda de sistemas de baterías más inteligentes y receptivos solo crecerá. La capacidad de entender la salud de una batería no solo en el laboratorio, sino en el mundo real, bajo condiciones reales de conducción, ya no es un lujo, sino una necesidad. La investigación de Song y Yao ofrece una herramienta poderosa hacia ese objetivo, estableciendo un nuevo referente en el diagnóstico de baterías en tiempo real.
La industria automotriz se encuentra en una encrucijada, donde el software y la inteligencia artificial se están volviendo tan críticos como la ingeniería mecánica. La gestión de baterías ya no se trata solo de prevenir sobrecargas o fugas térmicas; se trata de inteligencia predictiva, control adaptativo y optimización de por vida. El modelo DEKF-WNN-WLSTM ejemplifica este cambio, transformando datos brutos de carga en información procesable que beneficia a conductores, fabricantes y el planeta.
En conclusión, el avance de Xianhua Song y Quanzheng Yao ofrece una solución práctica, precisa y escalable a uno de los desafíos más persistentes en la movilidad eléctrica. Al aprovechar el poder del aprendizaje automático híbrido y el filtrado avanzado, su método permite la estimación en tiempo real del SOH utilizando solo los datos de carga parcial generados en el uso diario. Esto elimina la necesidad de pruebas disruptivas de ciclos completos y reduce la dependencia de modelos electroquímicos complejos. El resultado es un enfoque más confiable, fácil de usar y sostenible para el monitoreo de la salud de las baterías, que pronto podría convertirse en estándar en los vehículos eléctricos de próxima generación.
Publicado en Transactions of China Electrotechnical Society
Autores: Xianhua Song, Quanzheng Yao
Universidad: Universidad de Ciencia y Tecnología de Harbin
DOI: 10.19595/j.cnki.1000-6753.tces.222241