Equipo de Tongji reduce calibración de baterías de días a minutos
Los desarrolladores de vehículos eléctricos enfrentan un obstáculo persistente en la gestión de baterías: la incapacidad de evaluar rápida y precisamente el estado de carga real (SoC, por sus siglas en inglés) sin detener la operación durante días. Un nuevo estudio de la Universidad de Tongji, publicado en el Journal of Tongji University (Natural Science), demuestra un método revolucionario que reduce drásticamente esta ventana de calibración, eliminando la necesidad de las tradicionales pruebas de reposo de voltaje de circuito abierto (OCV) y permitiendo actualizaciones en tiempo real del estado de la batería utilizando únicamente datos de conducción estándar.
La innovación se basa en una idea simple pero poderosa: durante una descarga normal, la curva subyacente de OCV de una celda de iones de litio debe ser inherentemente suave. Las desviaciones de esta suavidad—picos, vibraciones u oscilaciones erráticas—señalan errores en el modelo de batería asumido, no en la realidad física. Aprovechando este principio, los investigadores Xue Jinwei, Du Xuzhi, Yang Zhigang, Zhao Lei y Xia Chao diseñaron un algoritmo que trata la extracción de OCV como un problema de optimización, utilizando la suavidad de la curva de OCV reconstruida como su métrica de ajuste. Su enfoque elimina el requisito de décadas de medición de voltaje estática basada en reposo, abriendo la puerta a diagnósticos de batería continuos e in situ.
Para los ingenieros automotrices y arquitectos de sistemas de baterías, esto representa un cambio de paradigma. Los sistemas actuales de gestión de baterías (BMS) dependen en gran medida de tablas de búsqueda OCV-SoC pre-cargadas—curvas generadas minuciosamente en condiciones de laboratorio utilizando protocolos de OCV incremental (IO) o OCV de baja corriente (LO). Estas pruebas a menudo requieren de 48 a 72 horas por celda para mitigar la histéresis y alcanzar el equilibrio electroquímico. Peor aún, esas curvas degradan su precisión a medida que la batería envejece. El agrietamiento de electrodos, el crecimiento de la interfaz de electrolito sólido (SEI), la deposición de litio y el agotamiento del electrolito remodelan sutilmente la relación OCV-SoC. Una tabla calibrada con una degradación de capacidad del 10 por ciento puede introducir errores de SoC superiores al 5 por ciento—suficientes para activar falsas advertencias de carga baja o, más peligrosamente, enmascarar un evento inminente de sobredescarga.
Hasta ahora, la industria tenía dos opciones insatisfactorias: volver a ejecutar ciclos de calibración de varios días durante el mantenimiento programado (costoso, disruptivo y aún desactualizado para el próximo intervalo de servicio), o implementar estimadores adaptativos—como mínimos cuadrados recursivos (RLS) o filtros de Kalman adaptativos—que intentan actualizar el OCV junto con otros parámetros en tiempo real. Pero estos esquemas de estimación conjunta sufren de acoplamiento de parámetros: los errores en la resistencia o las constantes de tiempo de polarización se filtran en las estimaciones de OCV, y viceversa. Además, debido a que dependen de conjeturas iniciales para el SoC y los estados del modelo, su convergencia puede ser lenta o poco confiable durante transitorios agresivos—precisamente cuando un SoC preciso es más crítico.
El método del equipo de Tongji elude ambos problemas. En lugar de intentar estimar el OCV y la resistencia y la polarización simultáneamente, aísla la reconstrucción del OCV como el objetivo principal. Los investigadores adoptaron un modelo de circuito equivalente (ECM) de primer orden—una resistencia (R₀) en serie con una rama paralela de resistor-capacitor (Rₚ–Cₚ) alimentando una fuente de OCV—como un marco computacionalmente ligero pero suficientemente expresivo. Dado cualquier segmento de datos de voltaje y corriente del mundo real (por ejemplo, de un ciclo de conducción urbana UDDS), el algoritmo ajusta iterativamente R₀, Rₚ y Cₚ hasta que la trayectoria de OCV derivada alcanza una suavidad máxima.
Crucialmente, la «suavidad» aquí no es una apreciación estética vaga. El equipo la formalizó mediante una restricción matemáticamente rigurosa: sobre una descarga completa del 100 al 0 por ciento de SoC, la variación total de la curva de OCV—la suma de los pasos de voltaje absolutos entre puntos de tiempo consecutivos—debe igualar la diferencia entre las mesetas de alto y bajo voltaje conocidas de la celda, ajustadas por cualquier evento de frenado regenerativo. Esto transforma la suavidad en un objetivo de optimización cuantificable: minimizar la desviación entre la variación total calculada y el límite teórico.
Para resolver este problema no lineal y no convexo de manera robusta, el grupo implementó NSGA-II (Algoritmo Genético de Clasificación No Dominado II), un optimizador evolutivo multiobjetivo conocido por navegar paisajes de búsqueda irregulares sin quedar atrapado en mínimos locales. En experimentos de validación utilizando el ampliamente citado conjunto de datos de envejecimiento de baterías de Stanford (celdas INR21700-M50T, 23 meses de ciclado a 23°C), el algoritmo convergió rápidamente—en menos de 100 generaciones—incluso cuando se inicializó con parámetros de ECM muy inexactos (por ejemplo, R₀ = 10⁻⁵ Ω, Cₚ = 1 F). Con una inicialización informada (utilizando parámetros de una prueba previa), la convergencia ocurrió en menos de 50 iteraciones.
Las curvas OCV-SoC extraídas exhibieron una alta fidelidad. Al superponerse con curvas de referencia reconstruidas mediante conteo de amperios-hora (asumiendo una eficiencia Coulombica del 100 por ciento a 23°C), las curvas optimizadas siguieron la disminución monótona esperada en celdas NMC-grafito saludables, con solo residuos de alta frecuencia menores—probablemente atribuibles al ruido del sensor o a la simplificación del modelo, no a una falta de suavidad física. Para refinar aún más la estabilidad para su uso posterior, el equipo aplicó un ajuste polinomial de octavo orden a los puntos brutos OCV-SoC, produciendo una función limpia y diferenciable lista para integrarse en estimadores estándar de SoC.
La prueba real llegó al acoplar este modelo de OCV con un filtro de Kalman extendido (EKF). Utilizando la curva extraída como tabla de búsqueda OCV-SoC, el EKF estimó el SoC durante un ciclo UDDS completo. Los resultados fueron sorprendentes: el error máximo de SoC se mantuvo por debajo del 2 por ciento en toda la descarga—incluso cuando el estado interno de SoC del filtro se corrompió deliberadamente a mitad de la prueba, restableciéndolo al 80 por ciento mientras el valor real estaba cerca del 40 por ciento. En aproximadamente 1,000 segundos (~17 minutos de conducción urbana), el EKF se autocorrigió, llevando la estimación de vuelta a within del 1 por ciento del valor real. Esta resiliencia subraya una ventaja clave: debido a que la curva de OCV está pre-optimizada para la plausibilidad física, actúa como una fuerte restricción a priori, guiando al filtro hacia la corrección incluso en medio de fallos de sensores o errores de inicialización.
La validación independiente se extendió más allá del seguimiento en el dominio del tiempo. El equipo cruzó referencias de sus parámetros de ECM optimizados con datos de espectroscopía de impedancia electroquímica (EIS) adquiridos en los mismos lotes de envejecimiento. Trazar la impedancia predicha por el modelo (usando los R₀, Rₚ, Cₚ ajustados) contra los diagramas de Nyquist medidos en la banda de frecuencia de 0–0.2 Hz—donde residen la mayoría de las dinámicas de conducción—mostró una excelente concordancia. Esta consistencia en el dominio de la frecuencia confirma que la optimización impulsada por la suavidad no simplemente «suaviza» los errores; recupera parámetros de circuito que reflejan un comportamiento electroquímico genuino.
Desde un punto de vista de integración de sistemas, el método es excepcionalmente ligero. No requiere hardware especializado más allá de los sensores estándar de voltaje y corriente ya integrados en cada BMS de vehículos eléctricos. Computacionalmente, NSGA-II es más pesado que una simple actualización RLS, pero los autores señalan que la optimización no necesita ejecutarse continuamente: un único proceso por lotes de 5 a 10 minutos sobre datos de conducción recientes—ejecutado durante la noche o en períodos de inactividad—puede actualizar el modelo de OCV semanal o incluso mensualmente. Una vez actualizada, la curva estática OCV-SoC sirve como una columna vertebral de alta fidelidad para filtros en tiempo real ligeros (EKF, UKF, filtros de partículas) durante la operación diaria.
Esta capacidad se alinea con las tendencias emergentes de mantenimiento predictivo y gemelos digitales. A medida que los fabricantes de automóviles avanzan hacia diagnósticos de batería por aire (OTA), la capacidad de extraer indicadores de salud—incluidos los desplazamientos de la curva OCV, el crecimiento de la resistencia y la pérdida de capacidad—directamente de los registros de conducción se vuelve invaluable. Por ejemplo, un desplazamiento hacia la derecha en la curva OCV-SoC (es decir, menor voltaje a SoC fijo) es una firma conocida de la pérdida de inventario de litio, mientras que una mayor resistencia de polarización se correlaciona con el engrosamiento del SEI. Con este método, una plataforma de gestión de flotas podría marcar automáticamente las baterías que muestran una evolución anómala del OCV, programando servicio preventivo antes de que el rendimiento se degrade notablemente para el conductor.
Las implicaciones se extienden más allá de los vehículos eléctricos de pasajeros. Las flotas comerciales—furgonetas de reparto, autobuses, equipos portuarios—operan bajo ciclos de servicio intensos donde el tiempo de inactividad es prohibitivamente costoso. La calibración tradicional de OCV es prácticamente inviable para estos vehículos. Permitir la calibración mediante la operación normal elimina una barrera importante para las actualizaciones generalizadas de BMS, potencialmente extendiendo la vida útil del paquete de baterías entre un 10 y un 15 por ciento mediante un control de carga y una gestión térmica más precisos.
Sin embargo, persisten desafíos antes de una adopción generalizada. La validación actual utilizó datos de envejecimiento en laboratorio a temperatura constante (23°C). Las baterías del mundo real experimentan variaciones diurnas y estacionales; los desplazamientos de OCV dependientes de la temperatura—aunque menores que los efectos de SoC—deben desacoplarse en trabajos futuros. El estudio también asumió un formato de celda única. En módulos multi-celda, las variaciones entre celdas y los gradientes térmicos podrían complicar el supuesto de suavidad. El equipo sugiere una aplicación jerárquica: ejecutar la optimización por módulo (o por grupo paralelo) donde esté disponible la sensión de voltaje, o aumentar la función de ajuste con penalizaciones de consistencia entre celdas.
Otra frontera es la integración con la estimación del estado de salud (SoH). Dado que la distorsión OCV-SoC se correlaciona con los mecanismos de envejecimiento, la forma de la curva extraída—no solo su desplazamiento vertical—podría servir como un biomarcador de salud. Los modelos de aprendizaje automático entrenados en bibliotecas de curvas OCV optimizadas por suavidad a través de etapas de envejecimiento podrían predecir la vida útil restante con mayor precisión que la sola degradación de capacidad.
Para los fabricantes de equipos originales (OEM) de baterías, la tecnología ofrece una ventaja competitiva. Las celdas emparejadas con BMS capaces de auto-calibración alcanzan precios premium, especialmente en mercados como Europa y California, donde las duraciones de garantía ahora superan rutinariamente los ocho años o 160,000 kilómetros. Los reguladores también están tomando nota: la próxima enmienda UN ECE R100 Rev. 3 enfatiza la «verificación continua de funciones críticas de seguridad», un requisito que este enfoque ayuda a cumplir.
Los inversores en la cadena de valor de la electrificación deben monitorear de cerca los desarrollos posteriores. La Universidad de Tongji no ha divulgado planes de licenciamiento de propiedad intelectual, pero la dependencia del método en algoritmos abiertos (NSGA-II es de dominio público) y sensores estándar reduce las barreras de replicación. Las startups especializadas en software BMS—como TWAICE, Voltaiq o Accure—podrían integrar técnicas similares rápidamente. Por el contrario, los fabricantes de chips BMS existentes (por ejemplo, Analog Devices, Texas Instruments, NXP) pueden incrustar co-procesadores para manejar la optimización a bordo.
La lección más amplia trasciende las baterías: a veces, las innovaciones más poderosas surgen no de agregar complejidad, sino de reexaminar los primeros principios. Durante décadas, los ingenieros aceptaron que el OCV requería reposo. El equipo de Tongji preguntó: ¿Por qué debe ser así? Al reconocer la suavidad como una inevitabilidad física—no como un artefacto de medición—convirtieron una restricción en una herramienta. Al hacerlo, le han dado a la industria de los vehículos eléctricos un camino más rápido, económico y resistente hacia la transparencia de las baterías.
—
Por Xue Jinwei¹, Du Xuzhi², Yang Zhigang³, Zhao Lei¹ y Xia Chao⁴ ¹ Centro de Túnel de Viento Automotriz de Shanghai, Universidad de Tongji, Shanghai 201804, China ² Departamento de Ciencia Mecánica e Ingeniería, Universidad de Illinois Urbana-Champaign, Urbana, IL 61801, EE. UU. ³ Instituto de Investigación de Tecnología de Aviones de Beijing COMAC, Beijing 102211, China ⁴ Escuela de Estudios Automotrices, Universidad de Tongji, Shanghai 201804, China Publicado en Journal of Tongji University (Natural Science), Vol. 52, No. S1, octubre de 2024 DOI: 10.11908/j.issn.0253-374x.24778