Alineación Precisa en Carga Inalámbrica para Vehículos Eléctricos
La creciente adopción de vehículos eléctricos en los mercados globales ha intensificado la necesidad de mejorar la infraestructura de carga. Entre las tecnologías más prometedoras destaca la transferencia inalámbrica de energía, que ofrece una alternativa fluida y user-friendly a los sistemas tradicionales con enchufe. Sin embargo, un desafío persistente ha limitado su adopción generalizada: la alineación precisa entre la bobina receptora del vehículo y la transmisora en el suelo. El desalineamiento puede reducir significativamente la eficiencia de carga, haciendo esencial el posicionamiento exacto. Un estudio reciente publicado en Electrical Measurement & Instrumentation introduce una solución novedosa que utiliza inteligencia artificial para resolver este problema, allanando el camino para una carga inalámbrica más confiable y eficiente en vehículos eléctricos.
La investigación, liderada por Pan Zhixin de Jiangsu Fangtian Electric Power Technology Co., Ltd., en colaboración con expertos de State Grid Jiangsu Electric Power Co., Ltd. y Southeast University, presenta un enfoque innovador basado en redes neuronales de retropropagación (BP). Este método permite la detección en tiempo real de la posición de la bobina receptora respecto a la transmisora, ofreciendo retroalimentación crucial para sistemas de guiado al conductor o de estacionamiento autónomo. Los hallazgos fueron detallados en la edición de febrero de 2024 de la revista, bajo el título «Investigación sobre tecnología de posicionamiento de bobinas basada en red neuronal BP», y desde entonces han captado la atención de círculos académicos e industriales.
En el núcleo de los sistemas modernos de carga inalámbrica para vehículos eléctricos yace la resonancia por acoplamiento magnético, un principio que permite transferir energía eficientemente a través de pequeños espacios de aire mediante campos electromagnéticos. Para un rendimiento óptimo, las bobinas primaria (transmisora) y secundaria (receptora) deben estar estrechamente alineadas—típicamente dentro de un margen de tolerancia de 10 cm—para mantener una alta eficiencia de transferencia de potencia, frecuentemente superior al 80%. Aunque existen algunas ayudas mecánicas, como guías visuales o sistemas de estacionamiento asistido por sensores, estos métodos son imprecisos o costosos. Además, la alineación manual sigue siendo poco práctica para usuarios cotidianos, especialmente en estaciones de carga públicas donde la velocidad y conveniencia son primordiales.
Las soluciones existentes han explorado diversas técnicas de detección. Algunas dependen de sensores magnetorresistivos colocados alrededor de la almohadilla de carga para detectar variaciones espaciales del campo magnético. Otras utilizan sistemas auxiliares como etiquetas RFID incrustadas en el chasis del vehículo. Sin embargo, estos enfoques a menudo requieren hardware adicional, aumentan la complejidad del sistema y elevan los costos de fabricación. Además, muchos no logran proporcionar datos posicionales bidimensionales completos necesarios para afinar la alineación en ambos ejes, x e y.
La innovación del equipo sortea estas limitaciones aprovechando el aprendizaje automático para interpretar señales de simples bobinas de detección integradas en la infraestructura de carga. Estas pequeñas bobinas inductivas capturan fluctuaciones de voltaje inducidas por el campo electromagnético generado por el transmisor principal. Dado que la fuerza y distribución de este campo varían según la posición relativa de la bobina receptora, los voltajes inducidos sirven como indicadores indirectos de la ubicación espacial. No obstante, la relación entre las lecturas de voltaje y las coordenadas físicas es altamente no lineal y compleja—demasiado intrincada para el modelado matemático convencional.
Aquí es donde entra en juego la red neuronal BP. A diferencia de los algoritmos basados en reglas, las redes neuronales sobresalen en identificar patrones en grandes conjuntos de datos y aproximar funciones complejas sin requerir ecuaciones explícitas. Al entrenar la red con un conjunto de datos de posiciones conocidas y sus correspondientes entradas de voltaje, esta aprende a predecir posiciones desconocidas con notable precisión. En esencia, el sistema trata la localización de la bobina como un problema de aprendizaje supervisado: dadas cuatro entradas de voltaje de bobinas de detección estratégicamente colocadas, la red devuelve las coordenadas x e y estimadas del receptor.
Para validar su concepto, los investigadores realizaron estudios tanto de simulación como experimentales. Utilizando ANSYS Maxwell, una herramienta de análisis de elementos finitos ampliamente usada en diseño electromagnético, modelaron un sistema típico de carga inalámbrica compensado LCC-S—una topología favorecida por su capacidad para entregar corriente constante en el lado primario y voltaje de salida estable en el secundario. Las bobinas transmisora y receptora eran de forma cuadrada, midiendo 550 mm y 450 mm por lado respectivamente, con una separación vertical estándar de 20 cm, simulando la altura libre realista de un vehículo.
Se definió una cuadrícula de 1.600 puntos sobre un área de 20 cm × 20 cm centrada en la bobina transmisora, tomando mediciones cada 0.5 cm. A partir de este mapa exhaustivo, se seleccionaron 25 puntos de datos representativos para entrenar la red neuronal. De estos, 17 se usaron para el entrenamiento real, mientras que 4 sirvieron para validación y otros 4 para pruebas finales. Se empleó la caja de herramientas de aprendizaje profundo de MATLAB, utilizando el algoritmo Levenberg-Marquardt—una técnica de optimización avanzada conocida por su rápida convergencia en redes de tamaño pequeño a mediano.
Una decisión clave en el diseño de redes neuronales es determinar el número de neuronas en la capa oculta, lo que impacta directamente la capacidad del modelo y la carga computacional. Muy pocas neuronas pueden resultar en subajuste, mientras que demasiadas pueden conducir a sobreajuste y tiempos de procesamiento más largos. Guiados por reglas empíricas que sugieren un rango entre √(n + r) + a (donde n es el número de entradas, r el número de salidas y a un pequeño entero), el equipo probó configuraciones con 5, 10 y 15 neuronas ocultas. Sorprendentemente, la configuración más simple—con solo cinco neuronas—produjo el mejor rendimiento, logrando un error de posicionamiento promedio de solo 0.907 cm en simulaciones. Aumentar el número de neuronas no mejoró la precisión, indicando que la complejidad del problema podía capturarse eficientemente sin computación excesiva.
Animados por estos resultados, el equipo procedió a la experimentación física. Se construyó un banco de pruebas real con el mismo circuito LCC-S alimentado por una fuente de CA de 390V operando a frecuencia resonante. Cuatro bobinas de detección se montaron bajo el transmisor, cada una conectada a un circuito de acondicionamiento de señal que comprendía diodos para rectificación de media onda, filtros RC para retención de picos y divisores resistivos para escalar voltajes aptos para conversión analógico-digital de microcontroladores. La adquisición de datos se manejó mediante un procesador de un solo chip, que alimentaba los valores de voltaje crudos a la red BP preentrenada ejecutándose en una computadora anfitriona.
El protocolo experimental reflejó la configuración de simulación: los mismos 25 puntos de calibración se midieron manualmente, luego se usaron para entrenar la red. Se evaluaron cinco nuevas posiciones de prueba, incluyendo ubicaciones descentradas como (-2.5 cm, -7.5 cm) y (7.0 cm, 3.5 cm). El sistema predijo exitosamente todas las posiciones con precisión a nivel centimétrico, aunque se observaron ligeras desviaciones comparado con los resultados de simulación. Por ejemplo, en el punto (-2.5, -7.5), la red estimó (-4.14, -8.4), resultando en un error de aproximadamente 1.8 cm. Discrepancias similares ocurrieron en otros lugares, atribuidas principalmente a ruido en las mediciones, leve desplazamiento durante el posicionamiento manual y no idealidades en el circuito analógico.
A pesar de estas variaciones, la consistencia general entre los resultados simulados y los del mundo real confirmó la robustez del método. Como se muestra en gráficos comparativos de distribución de errores, los errores experimentales se mantuvieron dentro de límites aceptables, reforzando la viabilidad de implementar tal sistema en aplicaciones comerciales. Notablemente, todo el proceso—desde el muestreo de voltaje hasta la estimación de coordenadas—ocurrió rápidamente, permitiendo retroalimentación casi en tiempo real ideal para integración con sistemas de estacionamiento automatizado.
Lo que distingue a este enfoque es su equilibrio entre simplicidad, costo-efectividad y rendimiento. A diferencia de alternativas que requieren múltiples sensores, como arreglos de dispositivos de efecto Hall o infraestructura RFID externa, esta solución utiliza solo elementos inductivos pasivos ya compatibles con el hardware de carga existente. No hay necesidad de transmisores adicionales, cámaras o módulos ultrasónicos. La inteligencia reside completamente en software, haciendo las actualizaciones y recalibraciones sencillas mediante actualizaciones de firmware.
Además, la dependencia de redes neuronales BP trae inherente adaptabilidad. Si las condiciones ambientales cambian—como variaciones de temperatura que afecten la resistencia de la bobina u objetos metálicos cercanos que distorsionen el campo magnético—la red puede reentrenarse con datos actualizados para mantener la precisión. Esto contrasta marcadamente con modelos de parámetros fijos que se degradan con el tiempo sin recalibración manual.
Desde un punto de vista práctico, integrar esta tecnología en las arquitecturas actuales de vehículos eléctricos requeriría modificaciones mínimas. Los fabricantes de vehículos podrían incrustar la red neuronal entrenada dentro de la unidad de control de carga a bordo, mientras los operadores de estaciones de carga podrían implementar el circuito de detección durante la instalación de la almohadilla. La retroalimentación podría luego transmitirse visualmente a través de la pantalla del tablero, auditivamente mediante alertas, o automáticamente a través de protocolos de comunicación vehículo-infraestructura permitiendo maniobras de autoestacionamiento.
Las implicaciones se extienden más allá de la conveniencia del consumidor. Los operadores de flotas que gestionan autobuses eléctricos o furgonetas de reparto se beneficiarían significativamente, ya que la alineación consistente y rápida reduce el tiempo de inactividad y maximiza la eficiencia operacional. Los centros de carga públicos podrían experimentar mayor rendimiento, reduciendo la congestión y mejorando la satisfacción del usuario. Adicionalmente, la alineación precisa asegura la máxima transferencia de energía, minimizando el calor residual y prolongando la vida útil de los componentes—consideraciones clave para la sostenibilidad a largo plazo.
La seguridad es otra dimensión mejorada por el posicionamiento exacto. Cuando las bobinas están desalineadas, los campos electromagnéticos dispersos pueden aumentar, potencialmente interfiriendo con marcapasos u otros dispositivos electrónicos sensibles. Los estándares regulatorios, como aquellos establecidos por la Comisión Electrotécnica Internacional (IEC), imponen límites estrictos a las emisiones electromagnéticas. Al asegurar un acoplamiento óptimo, este método impulsado por inteligencia artificial ayuda a mantener las emisiones dentro de umbrales seguros, contribuyendo a una mayor aceptación de la carga inalámbrica en entornos urbanos.
Si bien la implementación actual se centra en el desplazamiento planar, trabajos futuros podrían expandirse para incluir distancia vertical (eje z) y orientación angular (inclinación y guiñada), proporcionando seguimiento completo de seis grados de libertad. Esto sería particularmente útil para superficies irregulares o entradas en pendiente. Incorporar capacidades de aprendizaje dinámico—donde la red se refina continuamente basándose en datos en vivo—podría further mejorar la resiliencia contra el desgaste y la deriva ambiental.
Otra vía implica arreglos de transmisores multi-bobina, donde múltiples bobinas superpuestas permiten mayor flexibilidad espacial. En tales configuraciones, conocer la posición exacta del receptor permite la activación selectiva de la sub-bobina más cercana, aumentando la eficiencia y reduciendo pérdidas en espera. El marco de red neuronal BP descrito aquí proporciona una base sólida para tales estrategias de conmutación inteligente.
La respuesta de la industria al estudio ha sido positiva. Los expertos señalan que, aunque la carga inalámbrica ha sido vista durante mucho tiempo como una característica premium, avances como este la acercan a la viabilidad generalizada. Los cuerpos de estandarización, incluyendo SAE International y el Wireless Power Consortium, están desarrollando activamente pautas de interoperabilidad, y la incorporación de posicionamiento basado en inteligencia artificial podría volverse parte de especificaciones futuras.
En conclusión, la investigación realizada por Pan Zhixin, Yang Xiaomei, Wang Chengliang, Fei Yijun, Xu Qingqiang y Li Chengyun representa un avance significativo en la tecnología de carga inalámbrica para vehículos eléctricos. Al combinar principios electromagnéticos fundamentales con aprendizaje automático moderno, han creado una solución escalable, precisa y económicamente viable para uno de los desafíos más perdurables del campo. Su trabajo demuestra cómo la colaboración interdisciplinaria—abarcando ingeniería de potencia, procesamiento de señales e inteligencia artificial—puede producir innovaciones prácticas con impacto de amplio alcance.
A medida que las ciudades worldwide aceleran su transición hacia el transporte electrificado, las tecnologías que simplifican y optimizan la experiencia de carga serán cruciales. Este sistema de posicionamiento basado en red neuronal BP no solo mejora el rendimiento técnico sino que también aumenta la confianza y compromiso del usuario, eliminando una barrera psicológica mayor para la adopción. Con continuo refinamiento y despliegue, pronto podría convertirse en una característica estándar en sistemas de carga inalámbrica de próxima generación.
Investigación sobre tecnología de posicionamiento de bobinas basada en red neuronal BP – Pan Zhixin, Yang Xiaomei, Wang Chengliang, Fei Yijun, Xu Qingqiang, Li Chengyun; Electrical Measurement & Instrumentation; DOI: 10.19753/j.issn1001-1390.2024.02.029