Estrategia de Control Mejorada Optimiza la Recuperación de Energía en Vehículos Eléctricos
En la carrera por hacer los vehículos eléctricos más eficientes y sostenibles, una de las áreas de mayor enfoque técnico es la recuperación de energía durante el frenado. Este proceso, conocido como frenado regenerativo, convierte la energía cinética perdida en movimiento en energía eléctrica que se almacena en la batería, extendiendo así el alcance del vehículo. Un equipo de ingenieros de la Universidad de las Nacionalidades de Yunnan ha dado un paso significativo en esta dirección al desarrollar una estrategia de control innovadora que mejora drásticamente la eficiencia de esta tecnología. Su enfoque, que combina lógica difusa con un algoritmo de optimización bioinspirado, ha demostrado aumentar la recuperación de energía en más del 40 % en comparación con métodos tradicionales, todo ello manteniendo altos estándares de seguridad y rendimiento del vehículo.
El estudio, publicado en la revista revisada por pares Modern Manufacturing Engineering, presenta una solución sofisticada al desafío de equilibrar la eficiencia energética con la seguridad en el frenado. La clave del sistema radica en su capacidad para distribuir dinámicamente la fuerza de frenado entre el motor eléctrico y los frenos mecánicos. En lugar de utilizar reglas fijas o umbrales estáticos, el nuevo sistema ajusta en tiempo real el coeficiente de proporción de frenado regenerativo, denotado como K, basándose en tres parámetros críticos: la velocidad del vehículo, la intensidad del frenado y el estado de carga (SOC) de la batería. Este enfoque dinámico permite al vehículo adaptarse a condiciones cambiantes de conducción, maximizando la energía recuperada durante las fases de desaceleración sin comprometer la estabilidad o el control.
El equipo de investigación, liderado por Li Huaxin, junto con Chen Fangfang, Xu Tianqi y Cheng Sanbang de la Universidad de las Nacionalidades de Yunnan, y Mao Yisheng de Huadian Chongqing New Energy Co., Ltd., diseñó un controlador difuso que toma estas tres entradas para determinar la salida óptima de K. La lógica difusa es ideal para este tipo de problemas, ya que puede manejar la incertidumbre y la imprecisión inherentes a las condiciones de conducción real. Sin embargo, el rendimiento de un controlador difuso depende en gran medida de cómo se definen sus funciones de pertenencia, que son esencialmente mapas matemáticos que traducen valores numéricos (como la velocidad) en conceptos lingüísticos (como «baja», «media» o «alta»). Tradicionalmente, estas funciones se ajustan manualmente por expertos, un proceso que puede ser subóptimo y susceptible a sesgos.
Para superar esta limitación, los investigadores recurrieron a una técnica de inteligencia artificial avanzada: una versión mejorada del algoritmo de optimización de ballenas (WOA). El WOA es un algoritmo metaheurístico que simula el comportamiento de caza de las ballenas jorobadas, que utilizan una maniobra de «red de burbujas» para rodear a sus presas. En el contexto de la optimización, el algoritmo explora un espacio de soluciones, moviéndose hacia la «mejor solución» encontrada hasta el momento. Aunque poderoso, el WOA clásico puede quedar atrapado en óptimos locales, soluciones que son buenas en un área pequeña pero no son las mejores posibles en general.
La innovación crucial del equipo fue la introducción de un mecanismo de peso de inercia adaptativo en el algoritmo. Este peso controla el equilibrio entre la exploración (buscar nuevas áreas del espacio de soluciones) y la explotación (refinar soluciones prometedoras cercanas). Al principio del proceso de optimización, un peso de inercia más alto permite una exploración amplia. A medida que el algoritmo avanza, el peso disminuye de forma adaptativa, permitiendo una exploración más precisa y enfocada en torno a las mejores soluciones encontradas. Esta modificación evita que el algoritmo se estanque prematuramente en una solución subóptima, garantizando una convergencia más rápida y robusta hacia una configuración globalmente óptima para las funciones de pertenencia del controlador difuso.
El objetivo principal de esta optimización fue maximizar la contribución del motor eléctrico del eje delantero al frenado total. En los vehículos eléctricos de tracción delantera, que son los más comunes, esto es particularmente ventajoso, ya que permite que más energía cinética sea convertida de vuelta a electricidad. Sin embargo, este aumento en la recuperación de energía no puede venir a costa de la seguridad. El sistema debe cumplir estrictamente con las normas internacionales de frenado, como la regulación ECE R13, y adherirse a la curva I teórica, que define la distribución ideal de la fuerza de frenado entre los ejes delantero y trasero para prevenir el bloqueo de ruedas y mantener el control del vehículo.
Para lograr este equilibrio, la estrategia de control divide el proceso de frenado en cuatro fases distintas basadas en la intensidad del frenado (Z). Cuando el frenado es leve (Z ≤ 0,19), el sistema depende exclusivamente del motor del eje delantero, permitiendo una recuperación regenerativa del 100%. A medida que la intensidad del frenado aumenta (0,19 < Z ≤ 0,51), el eje trasero comienza a proporcionar una fuerza de frenado mecánica mínima para cumplir con las regulaciones, mientras que el motor delantero sigue proporcionando la mayor parte de la fuerza. En el rango de frenado moderado a alto (0,51 < Z ≤ 0,70), el sistema prioriza la seguridad aumentando la participación de los frenos mecánicos en la parte trasera, pero aún permite una contribución significativa del motor delantero. Solo cuando la intensidad del frenado supera 0,70, lo que indica una situación de frenado de emergencia, el sistema desactiva completamente el frenado regenerativo y confía únicamente en los frenos de fricción para garantizar la máxima potencia de frenado y estabilidad.
Esta estrategia de múltiples etapas representa un enfoque sutil y efectivo para gestionar el frenado. No solo maximiza la recuperación de energía en condiciones de conducción normales, sino que también garantiza una transición segura y predecible a los frenos mecánicos cuando es necesario. Los investigadores validaron su estrategia mediante simulaciones detalladas en MATLAB/Simulink utilizando el ciclo de conducción NEDC (New European Driving Cycle), un estándar ampliamente utilizado para evaluar el rendimiento de los vehículos. Los resultados fueron impresionantes: en comparación con una estrategia de control tradicional, la estrategia de control difuso optimizada aumentó la recuperación de energía en un 44,44%. Cuando se comparó con la misma estrategia de control difuso antes de la optimización, la mejora fue aún más significativa, con un aumento adicional del 39,98%, lo que demuestra el impacto sustancial del algoritmo de ballena mejorado.
El análisis del estado de carga (SOC) de la batería corroboró aún más la eficacia del sistema. Durante la simulación del ciclo NEDC, el SOC de la batería disminuyó de 0,80 a 0,6917 con la estrategia optimizada, lo que representa la caída más pequeña entre todas las estrategias probadas. Esto no solo indica una mayor recuperación de energía, sino también una menor tensión en la batería, lo que potencialmente puede prolongar su vida útil. La energía total recuperada alcanzó los 389 kJ, superando con creces tanto la estrategia tradicional (192,4 kJ) como el control difuso no optimizado (277,9 kJ).
Más allá de los números, este trabajo subraya la creciente importancia de los algoritmos inteligentes en los sistemas de control de vehículos de próxima generación. A medida que los vehículos eléctricos se vuelven más complejos, la inteligencia artificial y el aprendizaje automático desempeñarán un papel cada vez más crucial en la gestión del flujo de energía, los sistemas térmicos y las funciones de asistencia al conductor. Esta investigación es un ejemplo claro de cómo las técnicas de optimización inspiradas en la naturaleza pueden aplicarse con éxito a problemas de ingeniería del mundo real, ofreciendo soluciones prácticas que mejoran tanto el rendimiento como la sostenibilidad.
Las implicaciones de este estudio trascienden el ámbito académico. Para los fabricantes de automóviles, la adopción de estrategias de control optimizadas como esta podría traducirse en mejoras tangibles en el alcance del vehículo sin necesidad de baterías más grandes, una solución costosa y con alto consumo de recursos. Para los consumidores, significa distancias de conducción más largas con una sola carga y costos operativos más bajos. Desde el punto de vista ambiental, se traduce en un menor consumo de energía y unas emisiones de carbono más bajas durante todo el ciclo de vida del vehículo.
Además, la metodología presentada en este artículo no está limitada a vehículos de tracción delantera. Con las modificaciones adecuadas, podría adaptarse a configuraciones de tracción total o trasera, ampliando así su aplicabilidad a diferentes segmentos de vehículos. La naturaleza modular del sistema de control difuso también lo hace compatible con diversos tipos de baterías y motores, lo que aumenta su versatilidad en el mercado de vehículos eléctricos diverso y en rápida evolución.
Otro aspecto destacable de la investigación es su enfoque en la viabilidad en tiempo real. La carga computacional del controlador difuso optimizado permanece dentro de los límites aceptables para su implementación en unidades de control del vehículo (VCU) embebidas. Esto asegura que los beneficios de la estrategia puedan materializarse en vehículos de producción sin requerir actualizaciones de hardware prohibitivamente costosas. El uso de un número fijo de funciones de pertenencia y una base de reglas bien definida contribuye a la robustez y predictibilidad del sistema, cualidades esenciales para aplicaciones automotrices críticas para la seguridad.
Desde una perspectiva más amplia, este estudio se alinea con las tendencias mundiales hacia sistemas de transporte más inteligentes y eficientes. A medida que las ciudades invierten en infraestructuras inteligentes y tecnologías de vehículos conectados, la capacidad de los vehículos eléctricos para gestionar la energía de forma inteligente se volverá cada vez más importante. Los vehículos equipados con sistemas avanzados de frenado regenerativo como el aquí descrito estarán mejor posicionados para integrarse con plataformas de gestión energética basadas en la red, participar en programas de vehículo a red (V2G) y contribuir a la resiliencia energética general.
El éxito de este proyecto también subraya el valor de la colaboración interdisciplinaria. Combinar la experiencia en ingeniería eléctrica, teoría de control e inteligencia computacional permitió al equipo de investigación abordar un problema complejo desde múltiples ángulos. La participación de socios tanto académicos como industriales—la Universidad de las Nacionalidades de Yunnan y Huadian Chongqing New Energy Co., Ltd.—asegura que la investigación permanezca anclada en desafíos de ingeniería práctica mientras impulsa los límites de la innovación teórica.
Mirando hacia el futuro, el equipo sugiere varias vías para trabajos futuros. Una dirección implica extender la estrategia de control para incluir elementos predictivos, como el uso de datos de navegación o información de semáforos para anticipar paradas próximas y optimizar el frenado regenerativo en consecuencia. Otra posibilidad es la integración de técnicas de aprendizaje automático para permitir que el sistema se adapte a los hábitos de conducción individuales con el tiempo, personalizando aún más el rendimiento de la recuperación de energía.
Además, pruebas en el mundo real con prototipos físicos proporcionarían una validación invaluable más allá de los entornos de simulación. Las pruebas de campo podrían evaluar el rendimiento del sistema bajo diversas condiciones climáticas, superficies de carretera y patrones de conducción, ofreciendo información sobre la durabilidad a largo plazo y la aceptación por parte del usuario. Dicha prueba también ayudaría a identificar cualquier interacción inesperada entre el sistema de control optimizado y otros subsistemas del vehículo, como el control de estabilidad o el control de crucero adaptativo.
En conclusión, la investigación realizada por Li Huaxin y su equipo representa un avance significativo en la búsqueda de vehículos eléctricos más eficientes. Al refinar el control difuso mediante un algoritmo de ballena mejorado, han demostrado un método práctico y efectivo para aumentar el rendimiento del frenado regenerativo. Su trabajo no solo avanza el estado del arte en la gestión energética de vehículos eléctricos, sino que también proporciona un modelo de cómo los algoritmos inteligentes pueden aprovecharse para resolver desafíos de ingeniería complejos en el ámbito del transporte sostenible.
A medida que la industria automotriz continúa su transición hacia la electrificación, innovaciones como esta desempeñarán un papel crucial en la configuración del futuro de la movilidad. Al hacer que los vehículos eléctricos sean más eficientes, confiables y fáciles de usar, tales avances ayudan a acelerar la adopción de tecnologías de transporte limpio en todo el mundo. El estudio sirve como un ejemplo convincente de cómo la investigación académica, cuando se combina con conocimientos prácticos de ingeniería, puede ofrecer soluciones significativas a algunos de los desafíos tecnológicos y ambientales más apremiantes de nuestro tiempo.
Li Huaxin, Chen Fangfang, Xu Tianqi, Cheng Sanbang, Mao Yisheng, Yunnan Minzu University, Huadian Chongqing New Energy Co., Ltd., Modern Manufacturing Engineering, DOI: 10.16731/j.cnki.1671-3133.2024.11.013