Nuevo método mejora la estimación de capacidad en baterías LFP de vehículos eléctricos
En la carrera por la electrificación del transporte, la batería ha pasado de ser un componente técnico a convertirse en el corazón del vehículo eléctrico (VE). Su rendimiento, durabilidad y seguridad determinan directamente la experiencia del conductor, desde la autonomía hasta la confianza en el día a día. Entre las diversas químicas de baterías disponibles, las de fosfato de hierro y litio (LFP) han ganado una posición destacada en los últimos años. Valoradas por su alta estabilidad térmica, larga vida útil y costos más bajos en comparación con las baterías de níquel-manganeso-cobalto (NCM), las LFP se han convertido en la opción preferida para una amplia gama de vehículos, especialmente en segmentos de entrada y para flotas comerciales.
Sin embargo, esta química tan prometedora trae consigo un desafío técnico particular: la estimación precisa de su estado de salud (SOH), y más específicamente, de su capacidad restante. A diferencia de las NCM, cuya tensión varía de forma continua y pronunciada con el estado de carga (SOC), las baterías LFP presentan una curva de tensión extremadamente plana en la mayor parte de su rango de operación. Esta característica, aunque beneficiosa para la seguridad, dificulta enormemente las técnicas tradicionales de estimación de estado, que dependen de cambios claros en la tensión para inferir el SOC y, por extensión, la capacidad total.
En un avance significativo para la industria, un equipo de investigadores liderado por Chen Xingguang de la Universidad de Ciencia y Tecnología de Shanghái, en colaboración con colegas de la Universidad de Tsinghua, ha desarrollado un nuevo método que aborda directamente este problema. Publicado en la revista especializada Energy Storage Science and Technology, su trabajo presenta una solución innovadora para identificar con alta precisión la capacidad de las baterías LFP en condiciones reales de conducción, un entorno mucho más complejo y ruidoso que un laboratorio controlado.
La capacidad de una batería, medida en amperios-hora (Ah), es el indicador más directo de su SOH. Representa la cantidad máxima de energía que puede almacenar y entregar. Cuando esta capacidad cae por debajo de un 80% de su valor nominal, se considera que la batería ha alcanzado el final de su vida útil útil, lo que se traduce en una reducción drástica de la autonomía del vehículo. Por lo tanto, una estimación precisa de la capacidad no es solo un ejercicio académico; es fundamental para la gestión de flotas, la evaluación de valor residual, la planificación de mantenimiento y, en última instancia, para mantener la confianza del consumidor en la tecnología eléctrica.
El problema central es que la capacidad no puede medirse directamente con sensores a bordo. Los sistemas de gestión de batería (BMS) pueden monitorear constantemente la tensión, la corriente y la temperatura, pero no pueden «leer» la capacidad máxima. Esta debe inferirse indirectamente a través de algoritmos y modelos. Los métodos existentes se pueden agrupar en tres categorías principales: medición directa, enfoques basados en datos (data-driven) y métodos basados en modelos.
La medición directa, aunque es el estándar de oro en laboratorio, implica descargar completamente la batería a una tasa controlada y luego recargarla, un proceso que es inviable en un vehículo en uso diario. Los métodos basados en datos, como las redes neuronales profundas, han mostrado un gran potencial, pero tienen una debilidad crítica: necesitan datos de entrenamiento con «etiquetas» de capacidad conocidas. En el mundo real, estos datos no existen, ya que no hay una forma de medir la capacidad real de una batería en un VE mientras está en la carretera. Esto ha limitado severamente la aplicación práctica de estas sofisticadas técnicas de inteligencia artificial.
Es aquí donde los métodos basados en modelos, como los modelos de circuito equivalente (ECM), ofrecen una vía más viable. Un ECM simula el comportamiento eléctrico de una batería utilizando componentes como resistencias y capacitores. Estos modelos son computacionalmente eficientes y pueden integrarse directamente en el software del BMS. Sin embargo, un ECM estándar no incluye la capacidad como un parámetro de entrada; la capacidad se asume como un valor fijo. Para estimar la capacidad, el modelo debe tratarla como un parámetro desconocido que necesita ser «identificado» o ajustado.
La innovación clave del equipo de Chen Xingguang fue integrar el modelo de integración de amperios-hora (ampere-hour integration) con un ECM de primer orden. La integración de amperios-hora es un método fundamental para calcular el SOC: simplemente integra la corriente de carga o descarga a lo largo del tiempo. Pero la precisión de este cálculo depende críticamente del conocimiento de la capacidad total. Los investigadores aprovecharon esta dependencia. En su marco híbrido, la capacidad se convierte en una de las variables que el modelo debe encontrar para que sus predicciones coincidan con los datos del mundo real.
Para encontrar esta variable, junto con otros parámetros del modelo como las resistencias internas, utilizaron el algoritmo de optimización por enjambre de partículas (PSO). Este algoritmo funciona como un «enjambre» de soluciones candidatas que exploran el espacio de parámetros. Cada «partícula» ajusta su trayectoria basándose en su mejor resultado personal y en el mejor resultado encontrado por todo el enjambre. El objetivo es minimizar la diferencia entre la tensión terminal predicha por el modelo y la tensión real registrada por el BMS del vehículo.
Hasta aquí, el enfoque es sólido. Pero es en la aplicación a las baterías LFP donde el método original del equipo enfrenta un obstáculo. Durante la carga lenta, que es común en el uso diario, las baterías LFP exhiben un comportamiento peculiar. A medida que se acercan al 100% de carga, su tensión de circuito abierto (OCV) aumenta bruscamente. Sin embargo, durante una carga lenta, la corriente es baja, lo que significa que la caída de tensión por polarización es mínima. Esto crea una paradoja: el modelo ECM, que se basa en una curva OCV-SOC medida en laboratorio, predice una tensión final que es mucho más baja que la tensión real registrada por el vehículo, que alcanza el límite de corte. Esta discrepancia masiva en la tensión final genera un error cuadrático medio (RMSE) muy alto, lo que desestabiliza completamente el algoritmo PSO y lleva a estimaciones de capacidad erráticas e inexactas.
Además, en la zona principal de carga, donde la tensión es plana, pequeños errores en la forma de la curva no contribuyen significativamente al RMSE total, lo que significa que el algoritmo no se «castiga» suficientemente por no capturar con precisión las sutiles transiciones entre las dos plataformas de voltaje características de las LFP.
Para superar estos desafíos específicos, el equipo no se limitó a aplicar un método genérico; desarrolló una estrategia de optimización «específica» diseñada exclusivamente para las baterías LFP en condiciones de carga lenta. Esta estrategia consta de dos pilares fundamentales.
El primer pilar es la segmentación inteligente de los datos. En lugar de forzar al modelo a ajustarse a todo el ciclo de carga, incluyendo el problema del pico final de tensión, los investigadores proponen truncar la curva de tensión justo antes de que comience este aumento abrupto. Al eliminar esta «anomalía» del proceso de optimización, el RMSE general se reduce drásticamente. Esto permite que el algoritmo PSO se concentre en ajustar los parámetros del modelo, especialmente la capacidad, en la región principal de carga, donde su influencia es más directa y significativa. Es una solución elegante que reconoce que no todos los datos son igualmente útiles para el objetivo de identificación de parámetros.
El segundo pilar es aún más sofisticado y aborda el problema de la planitud de la curva. En lugar de depender únicamente del error de tensión (eje Y), introdujeron un segundo eje de evaluación: la carga, o cantidad de electricidad, medida en amperios-hora (Ah), que es el eje X. La idea es revolucionaria: no solo se compara si la tensión del modelo coincide con la tensión real, sino también si la cantidad de carga necesaria para alcanzar un determinado punto de tensión es la misma en ambos casos.
Imaginemos una gráfica de tensión frente a carga acumulada. Incluso si dos curvas tienen la misma forma general, si una requiere más carga para pasar de 3.30 V a 3.35 V que la otra, eso indica una diferencia fundamental, probablemente en la capacidad total. El nuevo algoritmo calcula un RMSE separado en esta dimensión de carga. La función de pérdida final es una combinación ponderada de estos dos errores: el RMSE de tensión y el RMSE de carga. Este enfoque bidimensional obliga al modelo a prestar atención a la «huella» completa de la batería, no solo a su perfil de tensión, lo que es particularmente efectivo para capturar los puntos de inflexión entre las plataformas de las LFP.
La validación de este método fue un desafío en sí misma, ya que los datos de vehículos reales carecen de «etiquetas» de capacidad. Los investigadores emplearon un enfoque dual. Primero, identificaron un pequeño número de ciclos de carga donde el vehículo permaneció inactivo durante al menos una hora antes y después de cargar. Este período de inactividad permite que las tensiones de polarización se disipen completamente, lo que significa que la tensión terminal medida es esencialmente la OCV. Al conocer la relación OCV-SOC, pudieron calcular con alta precisión el cambio de SOC y, junto con la carga integrada, determinar la capacidad real para esos segmentos específicos.
Dado que estos ciclos «perfectos» son raros, utilizaron un segundo enfoque: asumieron que los vehículos con menos de 5.000 kilómetros de recorrido tienen una capacidad muy cercana a su valor nominal. Esta suposición, común en la industria, proporcionó un conjunto de datos de validación más amplio.
El método fue probado con datos de dos modelos diferentes de vehículos eléctricos con baterías LFP. Los resultados fueron impresionantes. Para el primer modelo, el error porcentual absoluto medio (MAPE) fue de solo 2,33%. Esto significa que, en promedio, la estimación del modelo se desvió menos del 2,5% del valor de referencia. Los errores individuales variaron desde un mínimo del 0,2% hasta un máximo del 6,9%, una gama que demuestra una alta precisión. Para el segundo modelo, el MAPE fue del 3,38%, con un error máximo del 6,1%, lo cual sigue siendo un rendimiento excelente para un algoritmo que opera en datos del mundo real, ruidosos y variables.
Más allá de los números, el análisis mostró que las estimaciones de capacidad seguían una tendencia clara de degradación con el kilometraje, lo que confirma la validez del método. Un vehículo perdió aproximadamente 15 Ah en 60.000 km, otro perdió 8 Ah en 20.000 km, alineándose con las tasas de envejecimiento esperadas.
Este trabajo de Chen Xingguang, Shen Yifan, Shao Yuxin, Zheng Yuejiu, Sun Tao, Lai Xin, Shen Kai y Han Xuebing representa un salto cualitativo. No solo ofrece una herramienta de alta precisión, sino que también establece un nuevo paradigma: el desarrollo de algoritmos que no solo son matemáticamente sofisticados, sino que también están profundamente informados por la física y la química subyacentes de la batería. La optimización específica para las condiciones de carga lenta de las LFP es un ejemplo perfecto de cómo el conocimiento del dominio puede superar las limitaciones de los métodos genéricos. Su enfoque híbrido, robusto y basado en principios, tiene un potencial enorme para ser implementado en sistemas BMS de próxima generación, mejorando la precisión de la estimación de autonomía y la gestión de la salud de la batería para millones de conductores.
Chen Xingguang, Shen Yifan, Shao Yuxin, Zheng Yuejiu, Sun Tao, Lai Xin, Shen Kai, Han Xuebing. Universidad de Ciencia y Tecnología de Shanghái y Universidad de Tsinghua. Energy Storage Science and Technology. doi: 10.19799/j.cnki.2095-4239.2024.0144