Nuevo algoritmo acelera análisis de baterías en vehículos eléctricos
En la carrera por mejorar la confiabilidad y longevidad de los vehículos eléctricos, un desafío crítico pero frecuentemente pasado por alto se esconde bajo el capó: la inconsistencia de los paquetes de baterías. A medida que los VE proliferan globalmente, garantizar la salud y uniformidad de cientos de celdas de iones de litio dentro de cada paquete se ha convertido en un pilar fundamental para la seguridad, el rendimiento y el valor de reventa. Un equipo de investigadores de la Universidad de Yanshan y Geely Holding Group ha revelado un método revolucionario que reduce el tiempo computacional para evaluar la inconsistencia de las baterías en más de un 96%, sin sacrificar precisión.
La innovación, detallada en un estudio reciente publicado en Acta Metrologica Sinica, combina una técnica de submuestreo adaptativo con un algoritmo avanzado de agrupamiento de series temporales para evaluar datos de voltaje de operaciones reales de VE. A diferencia de los enfoques tradicionales que dependen de parámetros internos de la batería—como el estado de carga (SOC) o la resistencia interna—que son difíciles de medir en tiempo real, este nuevo método utiliza solamente las señales de voltaje ya capturadas por los sistemas estándar de gestión de baterías (BMS). Esto lo hace inmediatamente implementable en flotas existentes de VE.
En el corazón de la solución se encuentra una versión refinada del algoritmo Largest-Triangle-Three-Buckets (LTTB), denominado «LTTB adaptativo». Mientras el LTTB convencional reduce el volumen de datos preservando la forma visual de las curvas de series temporales, aplica una relación de compresión fija en todos los segmentos. Esto puede distorsionar características críticas—especialmente durante las fases de carga, donde las mesetas de voltaje y los aumentos rápidos contienen información diagnóstica vital. El LTTB adaptativo, por el contrario, asigna puntos de muestreo dinámicamente según la complejidad local de la curva de voltaje. Preserva alta resolución durante transiciones volátiles y la reduce durante períodos estables, todo mientras determina automáticamente la relación de compresión óptima para cada ciclo de carga-descarga.
«Observamos que los métodos existentes de submuestreo o bien simplifican demasiado los datos o no logran ajustarse a las características únicas de diferentes patrones de conducción y carga», señaló Fenghe Wu, autor principal y profesor de la Escuela de Ingeniería Mecánica de la Universidad de Yanshan. «Nuestro enfoque adaptativo garantiza que las características esenciales de forma de las secuencias de voltaje—particularmente durante las dos distintas fases de meseta en la carga de iones de litio—se conserven, incluso después de una reducción agresiva de datos».
Estos datos refinados se alimentan luego a una canalización de agrupamiento de series temporales basada en DTW-DBA-Means, un algoritmo sofisticado que supera a alternativas convencionales como k-Shape en capturar las dinámicas matizadas del comportamiento de la batería. DTW (Dynamic Time Warping) mide la similitud entre secuencias de voltaje alineando picos y valles—incluso si ocurren en momentos ligeramente diferentes—mientras que DBA (DTW Barycenter Averaging) calcula un centro de agrupamiento significativo que refleja la estructura temporal compartida de celdas similares.
El resultado es una métrica robusta de inconsistencia: el coeficiente de silueta. Con un rango de -1 a 1, esta medida estadística cuantifica qué tan bien las celdas individuales de batería se agrupan según sus trayectorias de voltaje. Un coeficiente de silueta más alto indica una mayor divergencia entre comportamientos celulares—es decir, peor inconsistencia. Crucialmente, los investigadores validaron esta métrica contra un proxy de veracidad básica: la dispersión de capacidades reales de descarga entre celdas, calculada a partir de datos reales de corriente y voltaje durante eventos de descarga profunda (70% de profundidad de descarga). La correlación fue fuerte, confirmando que el agrupamiento basado en voltaje refleja de manera confiable la divergencia electroquímica subyacente.
Las implicaciones prácticas son sustanciales. En pruebas utilizando nueve meses de datos operativos de un VE real—que comprenden 48 ciclos completos de carga-descarga—el nuevo método logró un coeficiente de silueta dentro del rango normal de 0.111 a 0.292, consistente con un vehículo que no muestra advertencias del BMS ni problemas de rendimiento. Más impresionantemente, el análisis completo, que habría tomado más de 17 horas (62,850 segundos) utilizando datos crudos sin procesar con DTW-DBA-Means solo, se completó en poco menos de 35 minutos (2,079 segundos) cuando se combinó con LTTB adaptativo—una reducción del 96.7% en el tiempo de ejecución.
Esta ganancia en eficiencia no es meramente una nota técnica al pie. Para fabricantes de automóviles y operadores de flotas que gestionan miles de vehículos, la evaluación rápida y escalable de la salud de las baterías es esencial para el mantenimiento predictivo, la gestión de garantías y la reutilización de baterías de segunda vida. El software actual de BMS a menudo carece del ancho de banda computacional para ejecutar algoritmos complejos de agrupamiento en tiempo real o incluso diariamente. Al comprimir datos inteligentemente antes del análisis, el método LTTB adaptativo salva esta brecha, permitiendo diagnósticos de alta fidelidad en hardware estándar a bordo o en plataformas de análisis basadas en la nube sin costosas actualizaciones.
Geely Holding Group, coafiliado del equipo de investigación, ya está evaluando la integración de esta técnica en su arquitectura de BMS de próxima generación. «La inconsistencia de la batería es un asesino silencioso», afirmó Zhengzhu Zhang, ingeniero senior en Geely y coautor del estudio. «No desencadena fallos inmediatos, pero acelera la degradación, reduce el alcance útil y aumenta el riesgo de fuga térmica con el tiempo. La detección temprana mediante métodos eficientes y basados en datos como este nos permite intervenir antes de que los problemas escalen—ya sea mediante equilibrio de celdas, reemplazo de módulos o recomendaciones de uso al conductor».
El método también se alinea con las tendencias globales hacia diagnósticos de VE centrados en datos. A medida que los vehículos se vuelven cada vez más conectados, terabytes de datos de telemetría fluyen diariamente desde las unidades BMS. Sin embargo, gran parte de estos datos se descartan o promedian en exceso debido a limitaciones de almacenamiento y procesamiento. Las técnicas que extraen la máxima información de datos mínimos—sin perder fidelidad diagnóstica—están por tanto muy demandadas. El enfoque LTTB adaptativo ejemplifica esta filosofía: no solo reduce datos; los reduce inteligentemente, preservando las señales que más importan para la evaluación de la salud.
Además, el marco es inherentemente escalable. Si bien el estudio actual se centró en datos de voltaje de un solo modelo de vehículo, el algoritmo es agnóstico respecto a la química de la batería, la arquitectura del paquete o las condiciones de conducción. Con una calibración menor, podría aplicarse a VE comerciales, e-buses, o incluso sistemas de almacenamiento de energía a escala de red—todos los cuales sufren de variabilidad entre celdas con el tiempo.
Críticamente, la investigación se adhiere a estándares científicos rigurosos. El equipo utilizó datos operativos del mundo real conforme al estándar chino GB/T 32960-2016 para telemática de VE, asegurando relevancia para escenarios de conducción reales en lugar de condiciones de laboratorio idealizadas. También realizaron estudios de ablación, comparando su canalización completa contra variantes que usan LTTB estándar o LTTB dinámico, y evaluaron DTW-DBA-Means contra k-Shape. En todos los casos, el método propuesto demostró una precisión y eficiencia superiores.
Para inversores y analistas de la industria, el desarrollo subraya un cambio más amplio en la tecnología de VE: el paso de la innovación centrada en hardware hacia la inteligencia definida por software. Si bien la química de las celdas y la gestión térmica siguen siendo vitales, la capacidad de entender y actuar sobre los datos de la batería en tiempo real se está convirtiendo en un diferenciador clave. Las empresas que dominen este dominio no solo mejorarán la seguridad y longevidad del vehículo, sino que también desbloquearán nuevas fuentes de ingresos mediante modelos de batería como servicio, contratos de mantenimiento predictivo y programas certificados de VE de pre-owned con informes verificados de salud de la batería.
Mirando hacia adelante, los investigadores planean extender el método para incorporar datos de temperatura y corriente, lo que podría refinar aún más la detección de inconsistencia—especialmente en climas extremos o escenarios de conducción de alto rendimiento. También exploran la integración con modelos de aprendizaje automático que predigan la vida útil restante basándose en coeficientes de silueta evolutivos en el tiempo.
En una industria donde milisegundos pueden significar la diferencia entre una operación segura y una falla catastrófica, una reducción del 96.7% en la latencia diagnóstica es más que un triunfo de ingeniería—es un potencial cambio de paradigma para la confiabilidad mundial de los VE.
Autores: Fenghe Wu¹, Haining Chai¹, Zhengzhu Zhang¹,², Ning Zhang¹, Zhengming Wang², Zhanpeng Jiang¹, Baosu Guo¹
Afiliaciones:
¹ Escuela de Ingeniería Mecánica, Universidad de Yanshan, Qinhuangdao, Hebei 066004, China
² Geely Holding Group, Hangzhou, Zhejiang 310051, China
Revista: Acta Metrologica Sinica
DOI: 10.3969/j.issn.1000-1158.2024.06.0890