El Filtro UKF Mejora la Precisión en la Estimación del SOC de Baterías para Vehículos Eléctricos
En la carrera por perfeccionar la movilidad eléctrica, uno de los desafíos más persistentes sigue siendo la estimación precisa del estado de carga (State of Charge, SOC) de las baterías de iones de litio. Para los conductores de vehículos eléctricos (VE), confiar en la lectura de autonomía restante no es solo una cuestión de comodidad, sino un factor determinante para la seguridad, la planificación de recargas y la longevidad del sistema de almacenamiento de energía. Detrás de esta métrica aparentemente simple se encuentra un sistema complejo de reacciones electroquímicas, dinámicas no lineales y procesamiento de datos en tiempo real. Un estudio reciente liderado por Wenqiang Shu, del Colegio de Ingeniería Eléctrica y Electrónica de la Universidad de Tecnología de la Información de Anhui, ha logrado un avance significativo en la mejora de la precisión de la estimación del SOC, especialmente para las baterías de fosfato de hierro y litio (LiFePO₄), que son cada vez más utilizadas en el sector automotriz por su alta estabilidad térmica, larga vida útil y seguridad operativa.
Publicado en el Journal of Foshan University (Natural Sciences Edition), el estudio presenta un marco computacional avanzado basado en el Filtro de Kalman sin trazas (Unscented Kalman Filter, UKF) para aumentar la exactitud y fiabilidad del monitoreo del SOC en vehículos eléctricos puros. A diferencia de métodos tradicionales, que suelen acumular errores o requieren condiciones operativas poco prácticas, el enfoque basado en UKF demuestra un error de estimación consistente por debajo del 4 %, un nivel de precisión que cumple con los rigurosos estándares exigidos por los modernos sistemas de gestión de baterías (BMS) en el sector automotriz.
La relevancia de esta investigación es fundamental. El sistema de gestión de baterías actúa como el sistema nervioso central de cualquier vehículo eléctrico, encargándose de supervisar continuamente la tensión de las celdas, la corriente, la temperatura y, sobre todo, el estado de carga. Una estimación inexacta del SOC puede provocar una variedad de problemas: desde la aparición de ansiedad por la autonomía y apagados prematuros, hasta condiciones peligrosas como la sobrecarga o la descarga profunda, ambas perjudiciales para la salud y la seguridad de la batería. Aunque existen varios métodos para estimar el SOC, todos presentan limitaciones que afectan su eficacia en condiciones reales de conducción.
Uno de los métodos más antiguos es la prueba de descarga, que implica descargar completamente la batería en condiciones controladas para medir su capacidad total. Aunque altamente preciso, este método es inviable para su uso en vehículos en movimiento, ya que requiere desconectar la batería y detener su operación. De manera similar, el método de voltaje en circuito abierto (OCV) depende de la medición de la tensión de la batería tras un período prolongado de reposo, momento en el que las reacciones químicas internas alcanzan el equilibrio. Sin embargo, este enfoque no es compatible con escenarios dinámicos, donde se necesita un monitoreo continuo.
El método de integración amperio-hora (Ah), también conocido como conteo de Coulomb, calcula el SOC mediante la integración de la corriente en el tiempo. Aunque conceptualmente sencillo, este método tiene dos debilidades importantes: requiere un valor inicial de SOC preciso, que a menudo es desconocido, y es susceptible a errores acumulativos derivados de imprecisiones en los sensores y de la autodescarga no contabilizada. Con el tiempo, estos pequeños errores se amplifican, generando desviaciones significativas respecto al SOC real.
Enfoques más sofisticados, como las redes neuronales y los sistemas de lógica difusa, han sido explorados para modelar el comportamiento no lineal de las baterías de iones de litio. Estas técnicas de aprendizaje automático pueden adaptarse a condiciones operativas complejas y aprender de datos históricos. No obstante, requieren grandes volúmenes de datos de entrenamiento y son sensibles a variaciones en los patrones de conducción, fluctuaciones de temperatura y efectos de envejecimiento. Además, su naturaleza de «caja negra» dificulta su validación e integración en sistemas automotrices críticos para la seguridad.
En contraste, las técnicas de filtrado basadas en modelos ofrecen una solución equilibrada al combinar modelos físicos de baterías con algoritmos estadísticos de estimación. Entre ellos, el Filtro de Kalman (KF) y sus variantes han ganado amplia aceptación por su capacidad de fusionar mediciones ruidosas con modelos dinámicos del sistema para producir estimaciones óptimas del estado. El Filtro de Kalman Extendido (EKF), ampliamente utilizado en los primeros diseños de BMS, linealiza las dinámicas no lineales del sistema en torno al punto de operación actual. Aunque eficaz en sistemas con no linealidades leves, el EKF puede introducir errores significativos cuando se aplica a procesos altamente no lineales, como la electroquímica de las baterías, especialmente bajo condiciones de carga variables.
Reconociendo estas limitaciones, la investigación de Shu se centra en el Filtro de Kalman sin trazas (UKF), una alternativa más robusta que evita la linealización mediante una técnica de muestreo determinista conocida como Transformada sin trazas (Unscented Transform, UT). En lugar de aproximar las no linealidades del sistema mediante derivadas, el UKF selecciona un conjunto de puntos de muestra, llamados puntos sigma, que capturan la media y la covarianza de la distribución del estado. Estos puntos se propagan a través del modelo no lineal real del sistema, y los puntos transformados resultantes se utilizan para calcular la estimación actualizada del estado y su incertidumbre.
Este enfoque preserva con mayor precisión las propiedades estadísticas del sistema, lo que lo hace especialmente adecuado para aplicaciones donde la relación entre el SOC y el voltaje en circuito abierto es altamente no lineal, un comportamiento claramente observable en las baterías LiFePO₄. De hecho, el estudio destaca que la curva OCV-SOC para la celda de 10 Ah de fosfato de hierro y litio analizada presenta un perfil relativamente plano en gran parte de su rango operativo, lo que dificulta enormemente la estimación del SOC a partir del voltaje únicamente. Pequeños errores de medición pueden generar grandes incertidumbres en el SOC, lo que subraya la necesidad de un método de filtrado capaz de manejar esta ambigüedad.
Para implementar el algoritmo UKF, Shu desarrolló primero un modelo de circuito equivalente de segundo orden de Thevenin de la batería. Este modelo representa el comportamiento interno de la batería mediante una combinación de resistencias y condensadores que simulan la resistencia óhmica, los efectos de polarización y las respuestas de voltaje transitorio. El voltaje en circuito abierto se trata como una función no lineal del SOC, derivada de pruebas experimentales de descarga por pulsos realizadas en condiciones controladas. Sometiendo la batería a una serie de pulsos de descarga de 1C con períodos de reposo de 60 minutos entre cada paso, los investigadores pudieron mapear la relación OCV-SOC en todo el rango de estado de carga, desde el 100 % hasta el 0 %.
Los datos resultantes se importaron luego a MATLAB para el ajuste de curvas, obteniéndose una representación funcional de alta fidelidad de la dependencia OCV-SOC. Este modelo matemático sirve como base para la ecuación de salida del UKF, permitiendo al filtro predecir el voltaje terminal esperado en función del SOC estimado y compararlo con las mediciones reales. La diferencia entre el voltaje predicho y el medido, conocida como innovación, se utiliza para corregir la estimación del SOC en tiempo real, minimizando así el error de estimación.
Lo que distingue al UKF es su capacidad para manejar el ruido inherente y la incertidumbre presentes en las mediciones del mundo real. Todos los sensores, ya sean de corriente, voltaje o temperatura, están sujetos a fluctuaciones aleatorias y sesgos sistemáticos. Además, la propia batería actúa como un sistema estocástico, con parámetros internos como la resistencia interna y la capacidad que cambian con el tiempo debido al envejecimiento, las variaciones de temperatura y los patrones de uso. El UKF tiene en cuenta estas incertidumbres mediante una matriz de covarianza que cuantifica la confianza en la estimación del estado. Cuando llegan nuevas mediciones, el filtro calcula una ganancia óptima que equilibra la confianza relativa entre la predicción del modelo y los datos del sensor.
En los experimentos de simulación realizados por Shu, el UKF fue comparado con el EKF bajo condiciones idénticas: una descarga constante de 5 A a partir de un SOC inicial del 95 %. La trayectoria de referencia del SOC fue generada mediante el método amperio-hora, asumiendo un conocimiento perfecto del estado inicial y la ausencia de errores de medición, un escenario ideal que proporciona una línea base confiable para la comparación. Los resultados revelaron una clara diferencia de rendimiento entre los dos filtros.
En las primeras etapas de la descarga, ambos algoritmos siguieron de cerca el SOC de referencia, demostrando su capacidad para inicializarse y responder a cargas dinámicas. Sin embargo, a medida que avanzaba la descarga, el EKF comenzó a desviarse, con su error de estimación aumentando de forma constante. Al final de la prueba de 80 minutos, el error del EKF alcanzó el 6,08 %, superando el umbral aceptable para la mayoría de las aplicaciones automotrices. En contraste, el UKF mantuvo un margen de error mucho más estrecho, permaneciendo dentro del 4 % durante todo el ciclo de descarga. Este rendimiento superior se debe a la mejor gestión de las no linealidades por parte del UKF y a su capacidad para preservar momentos estadísticos de orden superior durante la propagación del estado.
Las implicaciones de esta investigación van más allá del interés académico. Para los fabricantes de automóviles y baterías, la adopción de la estimación del SOC basada en UKF podría traducirse en predicciones de autonomía más fiables, menor degradación de la batería y una experiencia de usuario mejorada. Una estimación precisa del SOC permite estrategias de gestión energética más inteligentes, como el frenado regenerativo predictivo, perfiles de carga optimizados y control térmico adaptativo. También apoya aplicaciones de segunda vida para baterías de VE retiradas, donde una evaluación precisa de la salud es crítica para su reutilización en sistemas de almacenamiento de energía estacionarios.
Además, la metodología presentada por Shu no se limita a entornos de laboratorio. El uso de MATLAB para la simulación y el desarrollo de algoritmos se alinea con las prácticas estándar en el diseño de sistemas de control automotrices. La estructura modular del marco UKF permite su integración con arquitecturas de BMS existentes, y la dependencia de mediciones eléctricas estándar —voltaje, corriente y temperatura— garantiza la compatibilidad con hardware de sensores comerciales.
Sin embargo, el estudio también reconoce ciertas limitaciones que requieren una investigación futura. Uno de los desafíos clave es la suposición de covarianzas fijas de ruido de proceso y de medición. En la práctica, estas características de ruido pueden variar considerablemente según las condiciones operativas, la edad de la batería y los factores ambientales. Un modelo de ruido estático puede conducir a un rendimiento subóptimo del filtro, especialmente durante eventos transitorios o en temperaturas extremas. Para abordar esto, trabajos futuros podrían explorar técnicas de filtrado adaptativo que ajusten dinámicamente los parámetros de ruido según los datos en tiempo real, mejorando así la robustez y la precisión a largo plazo.
Otro área de mejora radica en la integración de modelos de envejecimiento. A medida que las baterías envejecen, su capacidad disminuye y su resistencia interna aumenta, alterando la relación OCV-SOC y afectando la precisión de la estimación del SOC. Incorporar la estimación en línea de la capacidad y el seguimiento de la impedancia en el marco UKF podría permitir que el sistema se autorcalibre y mantenga una alta precisión durante toda la vida útil de la batería.
Desde una perspectiva más amplia, esta investigación contribuye al creciente cuerpo de conocimiento destinado a hacer que los vehículos eléctricos sean más inteligentes, eficientes y fáciles de usar. A medida que los gobiernos de todo el mundo implementan regulaciones más estrictas sobre emisiones y los consumidores se vuelven más conscientes del medio ambiente, la demanda de vehículos eléctricos confiables y de alto rendimiento seguirá aumentando. Las tecnologías que mejoran la supervisión y gestión de baterías no son solo avances técnicos; son habilitadores de la movilidad sostenible.
La industria automotriz ya ha comenzado a reconocer el valor de los algoritmos avanzados de batería. Los principales fabricantes y proveedores de primer nivel están invirtiendo fuertemente en vehículos definidos por software, donde las actualizaciones por aire y los diagnósticos impulsados por inteligencia artificial desempeñan un papel central en el rendimiento y la seguridad del vehículo. En este contexto, el UKF representa una tecnología madura y probada que puede desplegarse hoy para mejorar la inteligencia de la batería sin necesidad de costosas actualizaciones de hardware.
Las instituciones educativas y los centros de investigación también se benefician de este trabajo. Al publicar metodologías detalladas y resultados de simulación, el estudio de Shu ofrece un recurso valioso para estudiantes, ingenieros e investigadores que trabajan en el campo de los sistemas de baterías. La transparencia del enfoque —utilizando herramientas ampliamente disponibles como MATLAB y protocolos estándar de pruebas de baterías— fomenta la reproducibilidad y la colaboración, impulsando la innovación entre los límites académicos e industriales.
En conclusión, la aplicación del Filtro de Kalman sin trazas a la estimación del SOC de baterías de iones de litio marca un paso significativo hacia la búsqueda de sistemas de gestión energética más precisos y confiables en vehículos eléctricos. Al aprovechar las fortalezas del filtrado no lineal y el modelado basado en la física, este enfoque supera muchas de las deficiencias de los métodos tradicionales, ofreciendo una precisión de estimación dentro de los estándares aceptados por la industria. A medida que el mundo avanza hacia un futuro con cero emisiones, avances como este desempeñarán un papel crucial para construir la confianza y la aceptación necesarias para acelerar la adopción de la movilidad eléctrica.
Wenqiang Shu, Colegio de Ingeniería Eléctrica y Electrónica, Universidad de Tecnología de la Información de Anhui, Journal of Foshan University (Natural Sciences Edition)