Método Preciso para Estimar la Capacidad de Baterías LFP en Vehículos Eléctricos
La evolución del vehículo eléctrico (VE) ha alcanzado un punto en el que su rendimiento, seguridad y longevidad dependen cada vez más de la precisión con la que se monitorea el estado de salud (SOH) de su batería. Entre los parámetros más críticos para evaluar este estado, la capacidad de la batería ocupa un lugar central, ya que determina directamente la autonomía del vehículo y su comportamiento a lo largo del tiempo. Sin embargo, estimar con precisión la capacidad restante de una batería de iones de litio en condiciones reales de conducción sigue siendo uno de los mayores desafíos técnicos para la industria automotriz y la investigación científica.
Un nuevo estudio publicado en la revista Energy Storage Science and Technology presenta una solución innovadora y altamente precisa para este problema, específicamente diseñada para las baterías de fosfato de hierro y litio (LiFePO₄ o LFP), que han ganado popularidad en los últimos años debido a su mayor seguridad, estabilidad térmica y bajo costo. Liderado por Chen Xingguang, investigador de la Universidad de Ciencia y Tecnología de Shanghái (University of Shanghai for Science and Technology), junto con un equipo multidisciplinario que incluye a Shen Yifan, Shao Yuxin, Zheng Yuejiu, Sun Tao, Lai Xin, Shen Kai y Han Xuebing de la Universidad de Shanghái y la Universidad de Tsinghua, el trabajo introduce un enfoque híbrido que combina modelado físico con algoritmos avanzados de optimización, ofreciendo una vía práctica para la identificación de la capacidad en aplicaciones reales de vehículos.
A medida que la adopción de vehículos eléctricos se acelera globalmente, los sistemas de gestión de baterías (BMS) están bajo una presión creciente para proporcionar estimaciones más confiables del estado de la batería. Tradicionalmente, la capacidad se mide mediante pruebas de carga y descarga en condiciones de laboratorio, lo que garantiza una alta precisión. No obstante, este método es inviable para su implementación en el día a día de un vehículo en circulación, ya que requiere largos períodos de inactividad y condiciones controladas. Por lo tanto, existe una necesidad urgente de desarrollar métodos que puedan operar en tiempo real, utilizando únicamente los datos que el BMS recopila de forma continua: voltaje, corriente, temperatura y estado de carga (SOC).
“En condiciones reales, no tenemos acceso directo a la capacidad verdadera de la batería”, explicó Chen Xingguang. “Lo que sí tenemos son miles de puntos de datos durante cada ciclo de carga, pero transformar esa información en una estimación precisa de la capacidad es extremadamente difícil, especialmente con baterías LFP, cuya curva de voltaje es notablemente plana durante gran parte del ciclo de carga”.
Esta característica, conocida como el «plataforma de voltaje», es una de las principales razones por las que las baterías LFP representan un desafío único para los algoritmos de estimación. A diferencia de las baterías de níquel-manganeso-cobalto (NCM), que presentan una curva de voltaje más pronunciada y fácilmente distinguible, las baterías LFP muestran cambios mínimos de voltaje incluso cuando grandes cantidades de carga se añaden o extraen. Esta falta de sensibilidad hace que los métodos tradicionales de estimación, que dependen fuertemente de la correlación entre voltaje y SOC, sean ineficaces.
Para superar esta limitación, el equipo de investigación desarrolló un método que integra el modelo de circuito equivalente (ECM) con el algoritmo de optimización por enjambre de partículas (PSO). El ECM es una herramienta ampliamente utilizada en la ingeniería de baterías para simular el comportamiento dinámico de una celda, representando sus propiedades eléctricas mediante resistencias, capacitores y una fuente de voltaje. La innovación clave del estudio radica en tratar la capacidad de la batería como un parámetro desconocido que debe ser identificado, en lugar de asumirla como un valor fijo.
“Al incorporar la capacidad como una variable dentro del modelo, podemos ajustarla iterativamente hasta que la salida simulada del modelo coincida lo más posible con el voltaje real medido por el BMS”, detalló Zheng Yuejiu, profesor y coautor del estudio. “Este enfoque nos permite vincular directamente las mediciones físicas con el estado interno de la batería, lo que aumenta significativamente la precisión de la estimación”.
El proceso de ajuste se lleva a cabo mediante el algoritmo PSO, una técnica computacional inspirada en el comportamiento colectivo de aves o peces en movimiento. El algoritmo inicia con un conjunto de soluciones potenciales (llamadas partículas), cada una representando una combinación diferente de valores para los parámetros del modelo: SOC inicial, capacidad, resistencia interna y dinámica de polarización. A través de múltiples iteraciones, el enjambre de partículas se mueve por el espacio de soluciones, guiado por las mejores soluciones locales y globales, hasta converger en un conjunto de parámetros que minimizan el error entre el voltaje simulado y el voltaje real.
Sin embargo, los investigadores descubrieron que, al aplicar el PSO estándar a datos de carga lenta (slow charging) de baterías LFP, el rendimiento del algoritmo era insuficiente. La plataforma de voltaje plana significa que pequeños errores en la estimación del SOC o la capacidad tienen un impacto mínimo en el error cuadrático medio (RMSE) del voltaje, lo que dificulta que el algoritmo «aprenda» correctamente. Además, en la fase final de la carga, cuando el voltaje aumenta bruscamente, el modelo ECM tradicional no puede replicar con precisión este comportamiento debido a la compleja interacción entre el voltaje de circuito abierto (OCV) y los efectos de polarización, especialmente con corrientes de carga bajas.
“El algoritmo tendía a priorizar el ajuste de la región final de carga, donde el error de voltaje es más evidente, pero ignoraba las sutilezas del comportamiento en la plataforma plana, que es donde ocurre la mayor parte del proceso de carga”, señaló Shen Yifan. “Este desequilibrio llevaba a estimaciones de capacidad inexactas”.
Para resolver este problema, el equipo introdujo una estrategia de optimización específica para condiciones de carga lenta en baterías LFP. Esta estrategia se basa en dos pilares fundamentales. El primero es la exclusión del segmento final del ciclo de carga del proceso de optimización. Al reconocer que la región de voltaje creciente al final de la carga es inherentemente difícil de modelar con precisión, los investigadores decidieron truncar la curva de voltaje antes de este punto. Esto permite que el algoritmo se enfoque en la región media del ciclo de carga, donde el comportamiento de la batería es más predecible y el modelo ECM es más robusto.
El segundo pilar es la introducción de una función de pérdida bidimensional. En lugar de minimizar únicamente el error de voltaje (eje Y), el nuevo método también incorpora el error en la carga acumulada (eje X). “Calculamos no solo cuán bien se ajusta la curva de voltaje, sino también cuán bien el modelo predice la cantidad de energía que realmente se ha ingresado a la batería”, explicó Sun Tao. “Esta métrica adicional actúa como un ancla, forzando al algoritmo a prestar atención a la plataforma plana, porque cualquier error en la estimación de la capacidad se traducirá directamente en una discrepancia en la carga acumulada”.
Esta doble dimensión de optimización es lo que eleva la precisión del método. Al exigir que el modelo sea fiel tanto en el dominio del voltaje como en el de la energía, el algoritmo PSO se ve obligado a encontrar una solución que sea coherente con la física subyacente de la batería, no solo con su comportamiento superficial.
El método fue validado exhaustivamente utilizando datos reales de dos modelos diferentes de vehículos eléctricos equipados con baterías LFP. Los datos, obtenidos de una plataforma de telemetría en la nube, incluían mediciones de alta frecuencia de voltaje, corriente, temperatura y SOC durante miles de ciclos de carga. Dado que no existe una etiqueta directa de «capacidad» en los datos de vehículos reales, el equipo tuvo que desarrollar un enfoque de validación indirecto.
La primera estrategia, denominada Label-1, se basó en ciclos de carga donde el vehículo permanecía en reposo antes y después del proceso de carga. Durante estos períodos de reposo, los efectos de polarización desaparecen, y el voltaje de la celda se iguala con su voltaje de circuito abierto (OCV). Utilizando la relación conocida entre OCV y SOC, los investigadores pudieron calcular el SOC inicial y final con alta precisión y, por lo tanto, determinar la capacidad real del ciclo. Aunque este método es altamente fiable, tales eventos de carga con reposo son raros en el uso diario del vehículo.
Para aumentar el tamaño de la muestra de validación, los investigadores implementaron una segunda estrategia, Label-2. Asumieron que los vehículos con una baja kilometraje (menos de 5.000 km) aún conservan su capacidad nominal, ya que el envejecimiento de la batería es mínimo en las primeras etapas. Esta suposición razonable permitió validar el algoritmo en una cantidad mucho mayor de ciclos de carga.
Los resultados fueron impresionantes. Para el primer modelo de vehículo (Model-1), el error absoluto porcentual medio (MAPE) en la estimación de la capacidad fue de solo 2,33%, con errores individuales que variaron desde un mínimo de 0,2% hasta un máximo de 6,9%. El segundo modelo (Model-2) mostró un MAPE ligeramente mayor de 3,38%, con un error máximo del 6,10%. Estos niveles de precisión son notables, especialmente considerando la dificultad inherente de estimar la capacidad de baterías LFP en condiciones del mundo real.
“Estos resultados demuestran que nuestro método no solo es teóricamente sólido, sino que también es práctico y robusto”, afirmó Lai Xin. “La capacidad de mantener un error por debajo del 4% en dos plataformas de vehículos diferentes es una prueba de su aplicabilidad general”.
Las implicaciones de esta investigación son profundas. Para los fabricantes de automóviles, una estimación precisa de la capacidad permite una indicación de autonomía más confiable, estrategias de carga más inteligentes y una gestión de garantías más eficaz. Para los operadores de flotas, facilita una mejor planificación del mantenimiento y una evaluación más precisa del valor residual de los vehículos. Y para los consumidores, significa una mayor confianza en el rendimiento y la longevidad de su inversión.
El enfoque también destaca por su adherencia a los principios de transparencia y interpretabilidad. En un campo dominado cada vez más por modelos de inteligencia artificial de caja negra, que requieren enormes volúmenes de datos etiquetados (algo que es prácticamente inexistente en el caso de la capacidad de baterías), este método basado en modelos físicos ofrece una alternativa clara, comprensible y confiable. No depende de patrones ocultos aprendidos de datos masivos, sino de principios de ingeniería bien establecidos.
El equipo ya está explorando futuras mejoras, como la integración del efecto de la temperatura en el modelo y la aplicación de filtros como el de Kalman para suavizar las estimaciones y reducir el ruido. Sin embargo, el núcleo de su innovación —la combinación de un modelo físico con una optimización inteligente y específica para el desafío LFP— representa un avance significativo hacia una gestión de baterías más inteligente, segura y eficiente.
Chen Xingguang, Shen Yifan, Shao Yuxin, Zheng Yuejiu, Sun Tao, Lai Xin, Shen Kai, Han Xuebing, University of Shanghai for Science and Technology and Tsinghua University, Energy Storage Science and Technology, doi:10.19799/j.cnki.2095-4239.2024.0144