Algoritmo SHAEKF Mejorado con PID Eleva Precisión de SOC en Baterías
En el panorama en rápida evolución de la movilidad eléctrica, la estimación precisa del estado de carga (SOC) sigue siendo fundamental para garantizar la seguridad vehicular, el rendimiento y la confianza del consumidor. A medida que los sistemas de gestión de baterías (BMS) se vuelven más sofisticados, los investigadores continúan refinando los algoritmos que sustentan el monitoreo en tiempo real del SOC. Un avance reciente de un equipo de la Universidad de Tres Gargantas de Chongqing, en colaboración con la Universidad del Sureste, ha introducido una mejora novedosa a un método de estimación ya potente: la integración de retroalimentación PID en el marco SHAEKF. Esta innovación promete ofrecer una precisión sin precedentes en el seguimiento del SOC de la batería en diversas condiciones de conducción y extremos ambientales.
El estudio, dirigido por el profesor Li Cai y la investigadora graduada Lihong Xiang, ambos del Departamento de Ingeniería Eléctrica de la Universidad de Tres Gargantas de Chongqing, presenta una técnica de filtrado adaptativo refinada diseñada para superar desafíos persistentes en el modelado de baterías. Si bien métodos tradicionales como el Filtro de Kalman Extendido (EKF) han servido durante mucho tiempo como base para la estimación del SOC, su rendimiento a menudo se degrada en condiciones de medición ruidosa o cambios bruscos de carga, situaciones comunes en escenarios de conducción del mundo real. La solución del equipo de investigación radica en un enfoque híbrido que fusiona las fortalezas de dos variantes avanzadas: el Filtro de Kalman Extendido Sage-Husa (SHEKF) y el Filtro de Kalman Extendido Adaptativo (AEKF), y luego eleva su rendimiento con un mecanismo de corrección dinámica inspirado en la teoría de control.
En el corazón de este avance se encuentra la integración de un bucle de retroalimentación Proporcional-Integral-Derivativo (PID) en el algoritmo SHAEKF. A diferencia de las implementaciones convencionales que dependen únicamente de la adaptación estadística del ruido, el nuevo método compensa activamente los errores de estimación en tiempo real. El componente PID funciona como un sistema de ajuste de precisión, ajustando continuamente la salida del filtro en función de la diferencia entre los valores predichos y los reales. Esta corrección de bucle cerrado reduce significativamente el error en estado estable, suprime las oscilaciones y mejora la velocidad de convergencia, atributos críticos para mantener la precisión durante aceleraciones rápidas, frenado regenerativo o fluctuaciones de temperatura.
Los investigadores emplearon un modelo de circuito equivalente RC de segundo orden para representar el comportamiento electroquímico de la batería de iones de litio. Este modelo captura tanto los efectos óhmicos como de polarización con mayor precisión que las aproximaciones de primer orden más simples, proporcionando una base sólida para la estimación de estado. Para garantizar la fidelidad del modelo, el equipo utilizó el algoritmo de Optimización por Enjambre de Partículas (PSO) para la identificación de parámetros fuera de línea. El PSO, conocido por su capacidad de búsqueda global y convergencia rápida, se utilizó para afinar parámetros clave como la resistencia interna y los valores de capacitancia minimizando el error acumulado entre los voltajes terminales simulados y medidos.
Las pruebas se realizaron utilizando conjuntos de datos de batería de acceso público de la Universidad de Maryland, centrándose específicamente en celdas INR 18650 con una capacidad nominal de 2 Ah. La validación experimental abarcó tres ciclos de conducción distintos: la Prueba de Estrés Dinámico de Batería (DST), la Prueba de Estrés Dinámico de Beijing (BJDST) y el Calendario de Conducción Urbana Federal de EE. UU. (FUDS). Estos perfiles simulan una amplia gama de condiciones del mundo real, desde una conducción urbana agresiva hasta patrones mixtos urbanos y de carretera, permitiendo una evaluación integral de la robustez y adaptabilidad del algoritmo.
Los resultados demostraron que el algoritmo SHAEKF mejorado logró un error de estimación promedio de menos del 1% en todas las condiciones de prueba. Más impresionante aún, el error máximo se redujo hasta en un 5% en comparación con la implementación estándar de SHAEKF. Este nivel de precisión sitúa al algoritmo muy dentro de los umbrales especificados por los estándares de la industria, incluido GB/T 38661—2020, que exige alta precisión y gran robustez para aplicaciones de BMS.
Uno de los aspectos más convincentes del estudio fue su evaluación bajo diversas condiciones térmicas. El rendimiento de la batería es notoriamente sensible a la temperatura, ya que el frío o calor extremos introducen no linealidades que pueden confundir a los algoritmos de estimación. El equipo probó el sistema a 0°C, 25°C y 45°C, representando entornos operativos invernales, ambientales y estivales. En todos los casos, el algoritmo mejorado con PID mantuvo una precisión superior, particularmente en escenarios de baja temperatura donde otros métodos exhibieron una deriva significativa. A 0°C, el error máximo para el algoritmo mejorado fue de solo 2.74%, en comparación con más del 88% para el SHAEKF estándar, una mejora dramática que subraya el valor de la corrección PID para estabilizar el rendimiento bajo estrés.
La fusión de SHEKF y AEKF reúne fortalezas complementarias. SHEKF sobresale en adaptarse a los cambios en el ruido de medición mediante un mecanismo de factor de olvido que da mayor peso a los datos recientes. Sin embargo, esto puede llevar a inestabilidad si los datos antiguos se descuentan demasiado agresivamente. AEKF, por otro lado, utiliza una ventana móvil para estimar la covarianza del ruido, ofreciendo mejor consistencia estadística pero potencialmente una respuesta más lenta a cambios abruptos. Al combinar estos enfoques y refinar el proceso de estimación de ruido, reemplazando ecuaciones problemáticas que podrían producir matrices no definidas positivas, los investigadores crearon un estimador más equilibrado y confiable.
La introducción del bucle de retroalimentación PID fortalece aún más este marco híbrido. El término proporcional responde inmediatamente al error actual, el componente integral elimina el sesgo a largo plazo y la acción derivada anticipa tendencias futuras basadas en la tasa de cambio. Estas ganancias se ajustaron utilizando el método de proporción crítica, resultando en valores optimizados que aseguran estabilidad sin sacrificar la capacidad de respuesta. El tamaño de ventana adaptativo, que se ajusta dinámicamente según el número de iteraciones, mejora aún más la capacidad del algoritmo para equilibrar sensibilidad y robustez.
Desde una perspectiva de ingeniería, las implicaciones de este trabajo son significativas. La estimación precisa del SOC impacta directamente en la predicción de autonomía, la eficiencia de carga y la longevidad de la batería. Sobreestimar el SOC puede llevar a apagados inesperados, mientras que subestimarlo reduce la capacidad utilizable y socava la confianza del conductor. El algoritmo SHAEKF mejorado mitiga ambos riesgos, permitiendo una gestión energética más precisa y mejorando la experiencia general del usuario.
Además, el fuerte rendimiento del algoritmo en múltiples ciclos de conducción sugiere una amplia aplicabilidad. El perfil DST, con sus frecuentes cambios de carga, prueba la respuesta dinámica; el BJDST refleja la congestión urbana con tráfico de parar y seguir; y el FUDS simula patrones de conducción mixtos típicos de ciudades estadounidenses. El éxito en los tres indica que el método no está sobreajustado a un caso de uso específico, sino que posee una inteligencia generalizable capaz de manejar diversas demandas operativas.
La investigación también destaca la importancia de la fidelidad del modelo. Si bien las técnicas de filtrado avanzadas pueden compensar algunas inexactitudes, no pueden superar por completo los defectos fundamentales en el modelo subyacente de la batería. El uso de PSO para la identificación de parámetros asegura que el modelo RC de segundo orden se ajuste estrechamente al comportamiento del mundo real, particularmente al capturar transitorios de voltaje y efectos de relajación. Esta sinergia entre el modelado preciso y el filtrado inteligente es clave para lograr una estimación de SOC de alta precisión.
Otra característica notable es la eficiencia computacional del algoritmo. A pesar de sus capacidades mejoradas, el método mantiene una estructura recursiva adecuada para la implementación en tiempo real en hardware BMS integrado. El equilibrio entre complejidad y rendimiento lo convierte en un candidato viable para implementación comercial, especialmente a medida que los fabricantes de automóviles avanzan hacia niveles más altos de autonomía y conectividad, donde los datos confiables de la batería se vuelven aún más críticos.
La decisión del equipo de validar su trabajo utilizando conjuntos de datos de código abierto agrega credibilidad y facilita la reproducibilidad. El repositorio de datos de batería de la Universidad de Maryland es ampliamente reconocido en la comunidad investigadora, permitiendo verificación independiente y evaluación comparativa con otros métodos. Esta transparencia se alinea con las mejores prácticas en la investigación científica y fortalece el impacto de los hallazgos.
Mirando hacia el futuro, los investigadores reconocen que, si bien el algoritmo ha sido validado con datos de laboratorio, las pruebas en vehículos del mundo real son el siguiente paso lógico. Los ensayos de campo proporcionarían información sobre la confiabilidad a largo plazo, la carga computacional bajo operación continua y las interacciones con otros sistemas vehiculares. Además, extender el método para estimar otros estados de la batería, como el estado de salud (SOH) o el estado de potencia (SOP), podría ampliar aún más su utilidad.
La integración de conceptos de teoría de control como PID en la estimación de estado representa una dirección prometedora para la investigación futura. Tradicionalmente vistos como dominios separados, la convergencia de estrategias de estimación y control refleja un enfoque más holístico del diseño de sistemas. A medida que los vehículos se vuelven cada vez más electrificados y automatizados, tales innovaciones interdisciplinarias serán esenciales para gestionar sistemas energéticos complejos.
Este trabajo también subraya el papel cada vez mayor de las instituciones chinas en el avance de la tecnología de baterías. Con el país liderando la adopción y fabricación global de vehículos eléctricos, la investigación nacional está desempeñando un papel pivotal en la resolución de desafíos prácticos. La colaboración entre la Universidad de Tres Gargantas de Chongqing y la Universidad del Sureste ejemplifica cómo las redes académicas regionales y nacionales pueden impulsar el progreso tecnológico.
En resumen, el algoritmo SHAEKF mejorado con PID marca un paso significativo hacia adelante en la estimación del estado de la batería. Al combinar inteligentemente técnicas de filtrado adaptativo con corrección de errores en tiempo real, el método ofrece una precisión, estabilidad y robustez excepcionales. Su rendimiento en diversos ciclos de conducción y rangos de temperatura lo convierte en un fuerte contendiente para aplicaciones de BMS de próxima generación. A medida que la industria automotriz continúa su transición hacia la electrificación, innovaciones como esta serán instrumentales para construir vehículos eléctricos más seguros, eficientes y confiables.
Li Cai, Lihong Xiang, Juan Yan, Qingshan Xu. Introducción del algoritmo SHAEKF con retroalimentación PID para estimar el SOC de la batería. Battery Bimonthly, 2024, 54(1):47-51. DOI:10.19535/j.1001-1579.2024.01.010