Parámetros Optimizados Mejoran Alcance y Rendimiento de Vehículos Eléctricos
Un equipo de investigadores de la Universidad del Norte de China ha logrado un avance significativo en el rendimiento de los vehículos eléctricos mediante una estrategia de optimización inteligente del sistema de propulsión. Utilizando el algoritmo de optimización por enjambre de partículas (PSO), el grupo ha conseguido aumentar tanto la eficiencia energética como las prestaciones dinámicas de un automóvil eléctrico puro, marcando un hito en la búsqueda constante de un equilibrio entre autonomía y desempeño en condiciones reales de conducción.
A medida que crece la demanda global por transporte sostenible, las limitaciones actuales de los vehículos eléctricos —como la ansiedad por la autonomía, los tiempos de carga prolongados y los altos costos de las baterías— siguen siendo obstáculos clave para su adopción masiva. Aunque la tecnología de baterías suele ser el foco principal de la innovación, la integración del sistema y el acoplamiento adecuado de componentes juegan un papel igualmente crucial para determinar la eficiencia general y la experiencia de conducción. El estudio, publicado en la revista Ship Electronic Engineering, desplaza la atención hacia el diseño holístico del tren motriz, demostrando que un ajuste inteligente de parámetros puede generar mejoras mensurables sin necesidad de actualizar el hardware.
Dirigido por Tiyuyu, estudiante de maestría en el Laboratorio Estatal de Tecnología de Pruebas Electrónicas y en el Laboratorio Clave de Dispositivos y Sistemas Micro/Nano de la Universidad del Norte de China, el trabajo se centra en la compleja interacción entre la potencia del motor, la relación de transmisión y la utilización de la batería. En colaboración con el doctor Hong Yingping, el profesor Zhang Huixin y el investigador Zhang Ruihao, el equipo desarrolló un marco de optimización integral con el objetivo de maximizar el rendimiento del vehículo bajo escenarios de conducción realistas.
La base de su enfoque radica en reconocer que el desempeño de un vehículo eléctrico no depende únicamente de sus componentes individuales, sino de cómo estos funcionan en conjunto. “Incluso con motores de alto rendimiento y baterías de gran capacidad, una mala integración del sistema puede provocar desperdicio de energía y un rendimiento dinámico subóptimo”, explicó Tiyuyu. “Nuestro objetivo fue encontrar el equilibrio ideal entre entrega de potencia y conservación de energía mediante un ajuste sistemático de parámetros.”
La investigación comenzó con un diseño detallado de coincidencia de los componentes clave del tren motriz, incluyendo el motor eléctrico, el paquete de baterías y la relación de reducción final. El equipo seleccionó un motor síncrono de imanes permanentes (PMSM) por su alta eficiencia, tamaño compacto y densidad de potencia superior —características que lo convierten en la opción dominante en el mercado actual de vehículos eléctricos. La potencia pico, el par y la velocidad del motor se calcularon en función de tres criterios clave de desempeño: velocidad máxima, capacidad de subida y aceleración. Estos cálculos aseguraron que el motor pudiera satisfacer los requisitos dinámicos del vehículo en diversas condiciones de conducción.
La selección de la batería siguió una metodología similar. Se optó por baterías de iones de litio por su confiabilidad probada, larga vida útil y beneficios medioambientales. Para modelar con precisión el comportamiento de la batería bajo carga, los investigadores adoptaron un modelo de circuito equivalente Thevenin mejorado con una red RC de segundo orden. Esta mejora permitió una representación más precisa de las características de polarización de la batería y su respuesta de voltaje durante ciclos de carga y descarga, aspectos críticos para predecir el consumo energético en condiciones reales.
Con los parámetros base establecidos, el equipo se enfocó en la optimización. En lugar de depender de métodos tradicionales de prueba y error o de ajustes de un solo objetivo, emplearon el algoritmo PSO —un método computacional inspirado en el comportamiento social de bandadas de aves o cardúmenes de peces—. El PSO es especialmente adecuado para problemas de ingeniería complejos y con múltiples variables, ya que explora eficientemente grandes espacios de solución y converge hacia resultados cercanos al óptimo sin necesidad de información de gradiente.
Las variables de optimización incluyeron la relación de transmisión final (i₀), la potencia pico del motor (Pₘ) y la velocidad máxima del motor (Nₘ). Estos parámetros fueron seleccionados porque influyen directamente tanto en la dinámica del vehículo como en su eficiencia energética. Una relación de transmisión más alta, por ejemplo, aumenta el par en las ruedas, mejorando la aceleración y la capacidad de ascenso, pero puede reducir la velocidad máxima y aumentar la corriente del motor, generando mayores pérdidas de energía. De manera similar, incrementar la potencia del motor mejora el desempeño, pero también eleva el consumo energético y el costo del sistema.
Para equilibrar estas demandas contrapuestas, los investigadores formularon una función objetivo multiobjetivo que combinaba el tiempo de aceleración (una medida de la capacidad de conducción) y el consumo específico de energía (un indicador de eficiencia). Reconociendo que la mayoría de los usuarios urbanos de vehículos eléctricos priorizan la autonomía sobre un rendimiento deportivo, asignaron un peso mayor a la economía energética —70% para eficiencia frente a 30% para dinámica—. Esta ponderación refleja las preferencias reales de los consumidores y se alinea con los objetivos de diseño de vehículos eléctricos compactos orientados a la ciudad.
El proceso de optimización estuvo sujeto a seis restricciones clave para garantizar la viabilidad práctica. Estas incluían una velocidad máxima mínima (140 km/h), capacidad de subida máxima (30% de pendiente a 30 km/h), rendimiento de aceleración (0–100 km/h en menos de 14 segundos) y autonomía (al menos 240 km con carga completa). Además, la solución debía respetar límites mecánicos como la adherencia del neumático para evitar el deslizamiento de ruedas bajo alto par.
Tras ejecutar el algoritmo PSO en el entorno MATLAB/Simulink, surgieron los parámetros optimizados: una relación de transmisión final de 7,8, potencia pico del motor de 35 kW y velocidad máxima de 3.200 rpm. Estos valores representaron un cambio estratégico respecto al diseño inicial, que contaba con una relación de transmisión más baja (6,9), menor potencia (32 kW) y mayor velocidad del motor (3.900 rpm).
La verdadera prueba llegó durante la simulación bajo el ciclo de conducción NEDC (Nuevo Ciclo Europeo de Conducción), un procedimiento estandarizado para evaluar el rendimiento del vehículo y el consumo de energía. El NEDC simula una mezcla de conducción urbana y extraurbana, incluyendo fases de ralentí, aceleración, crucero y desaceleración, lo que lo convierte en un indicador confiable de condiciones reales.
Los resultados de la simulación confirmaron la efectividad de la optimización. Lo más destacado fue el aumento en la autonomía del vehículo, que pasó de 221,28 km a 233,3 km —una mejora del 5,43%—. Esta ganancia se logró a pesar de una ligera reducción en la velocidad máxima, que bajó de 146,6 km/h a 145,2 km/h. El compromiso fue intencional: al reducir ligeramente la velocidad máxima, el sistema pudo operar más eficientemente dentro del rango de potencia óptimo del motor, reduciendo el desperdicio de energía.
Igualmente impresionante fue la mejora en la aceleración. El tiempo para alcanzar los 100 km/h bajó de 12,2 segundos a 11,6 segundos —una reducción del 5,35%—. Esta mejora se debió principalmente al aumento de potencia del motor y a la relación de transmisión revisada, que entregó mayor par a las ruedas durante el arranque y la conducción a baja velocidad. La capacidad máxima de ascenso del vehículo también mejoró, pasando de 30,65% a 31,12%, un incremento del 1,53% que se traduce en un mejor rendimiento en pendientes pronunciadas.
El análisis del estado de carga (SOC) de la batería validó aún más las ganancias de eficiencia. En condiciones idénticas del ciclo NEDC, el vehículo optimizado consumió el 6,31% de su capacidad de batería, comparado con el 7,32% en la configuración base. Esta reducción de 1,01 puntos porcentuales en el consumo energético contribuyó directamente al aumento de autonomía, demostrando que la optimización logró minimizar pérdidas en todo el tren motriz.
Uno de los aspectos más convincentes del estudio es su aplicabilidad práctica. A diferencia de muchos trabajos académicos que dependen de modelos teóricos o hardware exótico, esta investigación utiliza componentes comercialmente disponibles y herramientas de simulación ampliamente adoptadas. El algoritmo PSO, aunque sofisticado, es accesible para ingenieros automotrices y puede integrarse en flujos de trabajo de desarrollo existentes. Todo el proceso de optimización —desde el modelado hasta la simulación— se realizó utilizando MATLAB/Simulink, un software comúnmente usado en la industria automotriz para el diseño de sistemas de control y análisis de dinámica vehicular.
Las implicaciones de este trabajo van más allá de un solo modelo de vehículo. A medida que los fabricantes enfrentan una presión creciente para cumplir con regulaciones de emisiones rigurosas y las expectativas de los consumidores de mayor autonomía, la optimización a nivel de sistema se convertirá en una piedra angular del desarrollo de vehículos eléctricos. “Este enfoque permite a los fabricantes extraer más rendimiento de los componentes existentes”, señaló el profesor Zhang Huixin. “No se trata de construir una mejor batería o un motor más potente, sino de utilizar lo que ya tenemos de forma más inteligente.”
Además, el estudio destaca la importancia de una mentalidad de ingeniería de sistemas en el diseño de vehículos eléctricos. En el pasado, el desarrollo vehicular a menudo trataba los componentes de forma aislada —los ingenieros de motores se enfocaban en la densidad de potencia, los equipos de baterías en el almacenamiento de energía y los especialistas en transmisión en la eficiencia mecánica—. Hoy en día, las mayores ganancias provienen de la colaboración interdisciplinaria y la optimización holística.
El doctor Hong Yingping enfatizó que el método PSO ofrece un marco flexible que puede adaptarse a diferentes tipos de vehículos y patrones de uso. “Para un automóvil urbano, podrías priorizar la eficiencia. Para un vehículo eléctrico orientado al rendimiento, podrías cambiar el peso hacia la aceleración y la velocidad máxima. El mismo algoritmo puede ajustarse para satisfacer diversas necesidades del mercado.”
La investigación también abre puertas para trabajos futuros en optimización adaptativa. Aunque este estudio utilizó parámetros fijos, la próxima generación de vehículos eléctricos podría emplear optimización en tiempo real basada en condiciones de conducción, topografía de la ruta y comportamiento del conductor. Imagina un vehículo que ajusta automáticamente su relación de transmisión virtual o su perfil de entrega de potencia para maximizar la eficiencia en autopista o mejorar la respuesta en zonas montañosas. Tales capacidades están al alcance, construyendo sobre los cimientos establecidos por este estudio.
Desde una perspectiva de sostenibilidad, incluso mejoras modestas en eficiencia tienen efectos de gran alcance. Un aumento del 5,43% en la autonomía significa menos ciclos de carga durante la vida útil del vehículo, reduciendo el desgaste de la batería y disminuyendo la demanda sobre la red eléctrica. También se traduce en menos materiales necesarios para la producción de baterías, contribuyendo a un ciclo de vida más sostenible.
La industria automotriz está experimentando una transformación sin precedentes en su historia. A medida que los motores de combustión interna ceden paso a trenes motrices eléctricos, las reglas del diseño vehicular están siendo reescritas. En esta nueva era, el software y los algoritmos están volviéndose tan importantes como el acero y el caucho. Este estudio ejemplifica ese cambio, mostrando que el camino hacia mejores vehículos eléctricos no pasa solo por baterías más grandes, sino por una ingeniería más inteligente.
Para los consumidores, los beneficios son claros: mayor autonomía, aceleración más rápida y menores costos operativos. Para los fabricantes, el mensaje es igualmente convincente: la optimización es una forma rentable de mejorar la competitividad sin necesidad de grandes inversiones en hardware. Y para los investigadores, el trabajo sirve como modelo de cómo la inteligencia computacional puede resolver desafíos de ingeniería del mundo real.
A medida que las ciudades de todo el mundo impulsan la electrificación del transporte, estudios como este proporcionan una hoja de ruta para lograr soluciones prácticas y escalables. El camino hacia un futuro sostenible no está pavimentado con un solo avance, sino con innumerables mejoras incrementales —cada una acercándonos un poco más a una movilidad más limpia y eficiente.
El éxito de este proyecto también subraya el creciente papel de instituciones chinas en el avance de la tecnología de vehículos eléctricos. Con fuerte apoyo gubernamental y un mercado doméstico en rápida expansión, China se ha convertido en líder mundial en producción e innovación de vehículos eléctricos. La investigación de universidades como la Universidad del Norte de China está aportando conocimiento valioso a la comunidad automotriz internacional, ayudando a acelerar la transición global hacia la movilidad eléctrica.
En conclusión, el trabajo de Tiyuyu y sus colegas demuestra que la optimización inteligente de parámetros puede mejorar significativamente el rendimiento de los vehículos eléctricos. Al afinar la relación entre motor, transmisión y batería, lograron una mejora tangible tanto en eficiencia como en dinámica. Sus hallazgos ofrecen un enfoque práctico y escalable que puede aplicarse en toda la industria de vehículos eléctricos, apoyando el desarrollo de vehículos de próxima generación que no solo sean más limpios, sino también más inteligentes y capaces.
Tiyuyu, Hong Yingping, Zhang Huixin, Zhang Ruihao, North University of China, Ship Electronic Engineering, DOI: 10.3969/j.issn.1672-9730.2024.11.025