Nuevo algoritmo IFFRLS-IAEKF optimiza estimación de carga en baterías para vehículos eléctricos
A medida que la industria automotriz global acelera su transición hacia la electrificación, uno de los desafíos más apremiantes sigue siendo la estimación precisa y confiable del estado de carga (SOC) de las baterías. Para los conductores, esta métrica es más que un simple número en el tablero: influye directamente en la ansiedad por la autonomía, los hábitos de carga y la confianza general en los vehículos eléctricos. Detrás de escena, algoritmos sofisticados dentro del sistema de gestión de baterías (BMS) son responsables de calcular este parámetro vital. Sin embargo, los métodos tradicionales often fallan en condiciones de conducción dinámicas, donde los cambios rápidos en la carga, la temperatura y los patrones de uso pueden degradar la precisión de la estimación.
Un enfoque revolucionario desarrollado por investigadores de la Universidad Politécnica de Anhui promete mejorar significativamente la precisión de la estimación del SOC en tiempo real. El equipo—compuesto por Yan Huihui, Zhang Yan, Zhang Peixian, Ma Wenjing y Zhou Yuan—ha introducido un algoritmo híbrido innovador conocido como IFFRLS-IAEKF, que combina identificación de parámetros mejorada con técnicas de filtrado adaptativo para ofrecer un rendimiento superior en escenarios operativos complejos.
Publicada en el Journal of Harbin University of Commerce (Natural Sciences Edition), esta investigación presenta una solución integral que aborda dos debilidades críticas en los frameworks existentes de estimación del SOC: parámetros de modelo estáticos y manejo no adaptativo del ruido en el filtrado de Kalman. Al replantear cómo se ponderan los datos en el tiempo y cómo se corrigen los errores dinámicamente, el método propuesto establece un nuevo referente para el monitoreo en línea del estado de la batería.
La importancia de una estimación precisa del SOC no puede subestimarse. Lecturas inexactas pueden llevar a apagados prematuras, uso ineficiente de la energía o incluso riesgos de sobrecarga—todo lo cual compromete tanto la seguridad como la experiencia del usuario. Enfoques actuales como la integración amperio-hora sufren de deriva acumulativa debido a inexactitudes de los sensores, mientras que los métodos de voltaje de circuito abierto (OCV) requieren períodos de reposo prolongados que son impracticables en la conducción real. Las estrategias basadas en el Filtro de Kalman Extendido (EKF) se han convertido en estándar en muchas plataformas de BMS porque equilibran eficiencia computacional con precisión razonable. Sin embargo, su dependencia de covarianzas de ruido de proceso y medición fijas limita la adaptabilidad cuando las características de la batería evolucionan durante la operación.
Reconociendo estas limitaciones, el equipo de Anhui Politécnica se enfocó en mejorar tanto la fidelidad del modelado como la inteligencia del filtrado en la pipeline de estimación del SOC. Su estrategia comienza con el refinamiento de la técnica de mínimos cuadrados recursivos (RLS)—un método ampliamente utilizado para identificar parámetros en modelos de circuito equivalente como el modelo de Thevenin de primer orden. Si bien el RLS con factor de olvido convencional (FFRLS) mejora la capacidad de seguimiento al enfatizar datos recientes, depende de un factor de olvido constante predeterminado. Esta rigidez se vuelve problemática bajo cargas de trabajo fluctuantes, llevando ya sea a una respuesta lenta o a una sensibilidad excesiva a valores atípicos.
Para superar esto, los investigadores introdujeron el algoritmo de Mínimos Cuadrados Recursivos con Factor de Olvido Mejorado (IFFRLS), que presenta una función de factor de olvido segmentada y dependiente de los datos. En lugar de usar un único valor fijo, el algoritmo ajusta dinámicamente el peso dado a las mediciones históricas versus las actuales basándose en el volumen de datos entrantes. Específicamente, cuando el recuento de muestras es bajo (≤32), un factor conservador de 0.95 asegura estabilidad y previene el sobreajuste. Más allá de este umbral, el factor de olvido transiciona a un régimen continuamente adaptativo gobernado por una relación inversa con la longitud de los datos, minimizando efectivamente el riesgo de «saturación de datos»—un fenómeno donde información antigua pero aún relevante se descarta prematuramente.
Esta innovación permite al método IFFRLS mantener alta capacidad de respuesta durante eventos transitorios—como aceleración repentina o frenado regenerativo—mientras preserva la precisión en estado estable durante cruceros prolongados. Como resultado, parámetros clave incluyendo la resistencia óhmica (Ro), resistencia de polarización (Rp) y capacitancia de polarización (Cp) son rastreados con mayor fidelidad a través de diversos ciclos de conducción.
Pero la identificación precisa de parámetros por sí sola es insuficiente sin un estimador de estado robusto capaz de fusionar esta información en una predicción confiable del SOC. Aquí, el equipo recurrió al Filtro de Kalman Extendido Adaptativo (AEKF), conocido por su capacidad para autoajustar estadísticas de ruido. Sin embargo, incluso el AEKF tiene sus deficiencias, particularmente cuando las suposiciones iniciales sobre el ruido de proceso y medición divergen de las condiciones reales.
Para abordar esto, los investigadores desarrollaron el Filtro de Kalman Extendido Adaptativo Mejorado (IAEKF), una variante novedosa que incorpora un mecanismo de ponderación de errores derivado de la discrepancia entre estimaciones basadas en EKF y aquellas obtenidas mediante conteo de coulomb (integración amperio-hora). Esta diferencia, que representa el sesgo acumulado en la salida del filtro, sirve como una señal de corrección que modula la matriz de covarianza del ruido del proceso en tiempo real.
Al introducir este bucle de retroalimentación, el IAEKF gana una forma de autoconciencia—su modelo de incertidumbre interno evoluciona en respuesta a desviaciones observadas, haciéndolo mucho más resistente a inexactitudes de modelado e imperfecciones de los sensores. Además, el ajuste de la matriz de covarianza de errores influye indirectamente en la ganancia de Kalman, permitiendo al filtro confiar selectivamente en ciertas entradas más heavily dependiendo de la confiabilidad actual.
La sinergia entre IFFRLS e IAEKF crea un sistema de bucle cerrado donde parámetros de modelo mejorados alimentan un filtro más inteligente, que a su vez produce estimaciones de estado más limpias que refinan aún más el proceso de identificación. Esta arquitectura co-adaptativa representa un avance significativo sobre enfoques secuenciales o desacoplados comúnmente encontrados en literatura previa.
Para validar su metodología, el equipo realizó simulaciones extensivas bajo el protocolo de Prueba de Estrés Dinámico (DST)—un ciclo de conducción riguroso diseñado para simular conducción urbana agresiva con paradas, arranques y variaciones de velocidad frecuentes. Utilizando datos experimentales recolectados de una batería de plomo-ácido Leoch AGM probada bajo condiciones térmicas controladas (25°C), los investigadores compararon el rendimiento de varios algoritmos: RLS estándar, FFRLS, EKF, AEKF y su combinación propuesta IFFRLS-IAEKF.
La precisión de predicción de voltaje sirvió como la métrica principal para evaluar la identificación de parámetros. Los resultados mostraron que el algoritmo IFFRLS logró menores errores de seguimiento de voltaje throughout el ciclo de prueba, con el error acumulado reducido en un 24% compared al RLS básico y 14.8% relative al FFRLS. Estas mejoras provienen directamente de la capacidad del algoritmo para evitar la dependencia excesiva de datos obsoletos mientras mantiene estabilidad numérica—un balance delicado que los métodos de factor fijo luchan por lograr.
Más importante aún, el objetivo final era la precisión de estimación del SOC. Bajo condiciones DST, el IAEKF demostró una convergencia más ajustada a la trayectoria real del SOC, con sobreimpulso mínimo y recuperación más rápida after perturbaciones. El error de estimación promedio se mantuvo por debajo de umbrales reportados previamente, superando consistentemente a sus contrapartes EKF y AEKF. Notablemente, la desviación máxima nunca excedió los márgenes de seguridad aceptables, subrayando la idoneidad del método para implementación en entornos comerciales de BMS.
Una de las características sobresalientes de esta investigación es su orientación práctica. A diferencia de estudios puramente teóricos que dependen de conjuntos de datos idealizados o suposiciones simplificadas, este trabajo integra datos reales de caracterización de baterías obtenidos through pruebas de Caracterización de Pulso de Potencia Híbrida (HPPC). Esta base empírica asegura que la relación OCV-SOC identificada refleje un comportamiento electroquímico genuino en lugar de aproximaciones sintéticas. El ajuste polinomial de sexto orden resultante proporciona una representación altamente precisa de la dependencia no lineal entre el voltaje terminal y el nivel de carga, formando una base sólida para operaciones de filtrado subsecuentes.
Además, la complejidad computacional del algoritmo propuesto remains compatible con sistemas embebidos típicamente encontrados en vehículos eléctricos modernos. Si bien algunos filtros avanzados como los Filtros de Kalman Unscented (UKF) ofrecen precisión de orden superior, vienen a costa de mayores demandas de procesamiento. El framework IFFRLS-IAEKF retiene la estructura liviana de las implementaciones clásicas de EKF mientras ofrece ganancias de rendimiento through adaptación inteligente—haciéndolo un candidato atractivo para integración en chips de BMS de próxima generación.
Desde una perspectiva de ingeniería, las implicaciones de esta investigación se extienden beyond meras mejoras de precisión. Una estimación más precisa del SOC permite a los fabricantes de automóviles extraer capacidad utilizable adicional de las baterías sin comprometer los márgenes de seguridad. También mejora las capacidades predictivas para la estimación de autonomía, reduciendo la ansiedad del conductor y mejorando la funcionalidad de planificación de rutas en sistemas de navegación. Adicionalmente, una mejor conciencia del estado soporta funciones avanzadas como optimización de carga rápida, balanceo de celdas y diagnósticos de salud—todos componentes cruciales de la gestión integral del ciclo de vida de la batería.
Para operadores de flotas y proveedores de servicios de movilidad, tales avances se traducen en beneficios operativos tangibles. El seguimiento preciso del SOC reduce el tiempo de inactividad no planificado, optimiza los horarios de carga y extiende la vida útil de la batería through patrones de uso más refinados. En aplicaciones de movilidad compartida, donde la disponibilidad de vehículos impacta directamente los ingresos, incluso pequeñas ganancias en predictibilidad pueden generar retornos sustanciales.
Los organismos reguladores también pueden encontrar valor en esta tecnología. A medida que los gobiernos worldwide impulsan estándares de emisiones más estrictos e incentivan el transporte de cero emisiones, asegurar la confiabilidad y transparencia de las métricas de rendimiento de los vehículos eléctricos se vuelve cada vez más importante. Métodos estandarizados de estimación del SOC de alta fidelidad podrían soportar procesos de certificación e iniciativas de protección al consumidor, fomentando una mayor confianza en las soluciones de movilidad eléctrica.
Mirando hacia adelante, la investigación abre varias avenues para exploración futura. Una dirección prometedora implica extender el framework IFFRLS-IAEKF para account por efectos de envejecimiento y dependencias de temperatura, que se mantuvieron constantes en el estudio actual. Incorporar detección de degradación de capacidad en línea y compensación térmica haría el algoritmo aún más robusto across estaciones y años de servicio.
Otra área madura para el desarrollo es la validación hardware-in-the-loop (HIL). Si bien los resultados de simulación son convincentes, las pruebas en el mundo real en unidades prototipo de BMS proporcionarían una prueba definitiva de viabilidad. Colaboraciones con proveedores automotrices o OEMs podrían acelerar la transición from concepto académico to aplicación industrial.
Adicionalmente, la naturaleza modular del algoritmo se presta well para integración con componentes de aprendizaje automático. Por ejemplo, redes neuronales entrenadas en conjuntos de datos de conducción a gran escala podrían asistir en predecir perfiles de carga futuros, permitiendo ajustes proactivos a parámetros de filtrado. Tales arquitecturas híbridas de control clásico-IA representan la frontera de la gestión inteligente de baterías.
Las consideraciones de ciberseguridad también deben addressed a medida que el software de BMS se vuelve más complejo. Asegurar la integridad y autenticidad de las estimaciones del SOC será esencial, especialmente a medida que los vehículos se vuelven más conectados y autónomos. Cifrado robusto, mecanismos de arranque seguro y protocolos de detección de anomalías deberían acompañar cualquier implementación de algoritmos avanzados de estimación.
En conclusión, el algoritmo IFFRLS-IAEKF desarrollado por Yan Huihui, Zhang Yan, Zhang Peixian, Ma Wenjing y Zhou Yuan marca un paso significativo adelante en la búsqueda de una estimación confiable del estado de la batería. Al combinar inteligentemente identificación adaptativa de parámetros con filtrado consciente de errores, el método ofrece mejoras medibles en precisión, estabilidad y capacidad de respuesta bajo condiciones operativas realistas. Su publicación en el Journal of Harbin University of Commerce (Natural Sciences Edition) subraya la creciente contribución de las instituciones académicas chinas a las tecnologías automotrices de vanguardia.
A medida que el mercado de vehículos eléctricos continúa expandiéndose, innovaciones como esta jugarán un papel pivotal en moldear la experiencia de conducción del mañana. Con consumidores demandando una confiabilidad y transparencia cada vez mayores, las matemáticas detrás de escena de la gestión de baterías entrarán cada vez más en el centro de atención. El trabajo de este equipo de Anhui Politécnica ejemplifica cómo la investigación científica rigurosa, basada en experimentación práctica, puede producir soluciones que no solo son técnicamente sólidas sino también comercialmente viables.
Para ingenieros, formuladores de políticas y conductores por igual, el mensaje es claro: el futuro de la movilidad eléctrica depende no solo de baterías más grandes o cargadores más rápidos, sino de formas más inteligentes de entender y gestionar la energía que ya tenemos. Y con algoritmos como IFFRLS-IAEKF entrando en la conversación, ese futuro se ve más brillante—y más predecible—que nunca.
Yan Huihui, Zhang Yan, Zhang Peixian, Ma Wenjing, Zhou Yuan, Escuela de Ingeniería Eléctrica, Universidad Politécnica de Anhui; Journal of Harbin University of Commerce (Natural Sciences Edition), DOI: 10.1672-0946(2024)06-0658-06