Nuevo algoritmo mejora precisión en baterías EV
La evolución de los vehículos eléctricos (VE) enfrenta un desafío fundamental: determinar con precisión la potencia máxima que puede entregar o absorber una batería de iones de litio en tiempo real, conocida como Estado de Potencia (State of Power, SOP). Este parámetro es crucial, ya que define la capacidad del vehículo para acelerar o recuperar energía durante el frenado regenerativo. Una estimación conservadora limita innecesariamente el rendimiento, mientras que una sobrestimación puede dañar la batería o provocar desconexiones de seguridad. Un avance significativo en esta área ha sido presentado por un equipo de investigación liderado por Li Qiang de Weichai Power Co., Ltd., en colaboración con colegas de la Escuela de Ingeniería Mecánica de la Universidad de Tecnología de Beijing, incluidos Zhang Kaixuan, Yuan Wenwen, Xu Yahan, Yang Ruixin y Fang Yu. Su trabajo, publicado en la prestigiosa revista Transactions of China Electrotechnical Society, introduce un algoritmo innovador que promete una precisión y robustez sin precedentes a lo largo de todo el ciclo de vida de la batería.
La gestión de baterías es un aspecto crítico para el rendimiento, seguridad y longevidad de los vehículos eléctricos. El Sistema de Gestión de Baterías (BMS) actúa como el cerebro electrónico que controla cada aspecto del funcionamiento del paquete de baterías. Una de sus funciones más importantes es la estimación del SOP, que debe ser precisa, estable y adaptable para permitir una toma de decisiones eficiente. Sin embargo, las baterías no son componentes estáticos; su comportamiento cambia con el tiempo, la temperatura y la carga eléctrica, presentando características no lineales y variables en el tiempo que complican enormemente la estimación precisa en tiempo real.
Los métodos tradicionales para estimar el SOP han mostrado limitaciones en aplicaciones del mundo real. El método de mapas característicos se basa en tablas de datos preprogramadas obtenidas mediante pruebas fuera de línea. Aunque es computacionalmente simple, este enfoque no puede adaptarse al estado cambiante de una batería a medida que envejece o opera bajo condiciones no previstas, lo que lleva a predicciones inexactas. Los modelos basados en datos tratan la batería como una «caja negra», aprendiendo de grandes conjuntos de datos. Su precisión depende en gran medida de la calidad y cantidad de datos de entrenamiento. Obtener una corriente continua y confiable de datos de SOP de referencia para entrenar estos modelos es extremadamente difícil, lo que limita su utilidad para estimaciones en línea y en tiempo real. El tercer enfoque, la estimación basada en múltiples restricciones, utiliza un modelo dinámico de la batería para calcular la corriente máxima permitida según límites de voltaje, Estado de Carga (SOC), temperatura y otros factores, multiplicando luego esta corriente por el voltaje terminal para obtener la potencia. La precisión de este método depende directamente de la fidelidad del modelo de batería subyacente y de la precisión con la que se pueden identificar sus parámetros internos, como la resistencia interna y la capacitancia, en tiempo real. Los métodos anteriores a menudo tenían dificultades para rastrear estos parámetros a medida que cambian lentamente con el envejecimiento y las variaciones de temperatura, lo que provocaba errores acumulativos.
La nueva metodología desarrollada por Li Qiang y sus colegas aborda directamente este desafío central del desplazamiento de parámetros. Su solución se basa en una selección rigurosa de modelos y una comprensión a nivel de sistema. El equipo comenzó evaluando doce modelos de circuito equivalente (ECM) comunes, que son representaciones matemáticas del comportamiento eléctrico de una batería. Después de pruebas exhaustivas, incluyendo el estándar Hybrid Pulse Power Characteristic (HPPC) y ciclos de conducción dinámicos como UDDS y DST, seleccionaron el modelo RC de primer orden (modelo de Thevenin). Este modelo, que incluye un voltaje de circuito abierto, una resistencia óhmica y una red RC para representar los efectos de polarización, fue elegido por su equilibrio óptimo entre alta precisión en la predicción de voltaje y baja demanda computacional, una característica esencial para su implementación en un BMS con recursos limitados.
Una innovación clave radica en la transición de un modelo de celda individual a un sistema completo de paquete de baterías. En lugar de modelar cada celda individual, lo que sería computacionalmente prohibitivo, los investigadores desarrollaron un modelo de paquete «de celdas de doble característica distribuidas uniformemente». Este modelo se centra en las dos celdas más críticas del paquete: la que tiene el voltaje más alto y la que tiene el voltaje más bajo en un momento dado. Al asumir una distribución uniforme de los estados de las celdas en todo el paquete, el sistema complejo puede simplificarse eficazmente. El BMS solo necesita monitorear el voltaje total del paquete y los voltajes de estas dos celdas representativas. Esta simplificación elegante permite que el algoritmo de alta precisión para celdas individuales se escale para gestionar un paquete completo con una sobrecarga computacional mínima, una ventaja crucial para aplicaciones comerciales.
El núcleo del avance es el novedoso algoritmo del «Filtro de Kalman Doble Extendido (DEKF) con ventana deslizante de múltiples escalas de tiempo». El filtro de Kalman es una herramienta matemática poderosa utilizada para estimar el estado de un sistema dinámico a partir de mediciones ruidosas. El filtro de Kalman Doble Extendido (DEKF) utiliza dos filtros interconectados: uno para estimar los estados instantáneos de la batería (como el SOC y el voltaje de polarización) y otro para estimar los parámetros del modelo que cambian lentamente (como las resistencias y capacitancias internas). El aspecto de «múltiples escalas de tiempo» es el refinamiento crítico. Reconoce que el estado de la batería (por ejemplo, el SOC) puede cambiar rápidamente con la carga, mientras que sus parámetros fundamentales (por ejemplo, la resistencia interna) cambian muy lentamente durante horas, días o semanas debido al envejecimiento y los cambios de temperatura. El algoritmo opera en dos escalas de tiempo diferentes: una escala «estrecha» para actualizaciones rápidas del estado y una escala «amplia» para actualizaciones infrecuentes de los parámetros. Esto evita que el ruido del estado, que cambia rápidamente, corrompa la estimación de los parámetros que cambian lentamente, un problema común en las implementaciones estándar de DEKF que conduce a inestabilidad y errores.
El componente de «ventana deslizante» mejora aún más la robustez y precisión del algoritmo. En lugar de confiar en un solo punto de datos, el filtro de estimación de parámetros analiza una ventana de datos recientes (300 puntos de datos consecutivos en su implementación). Este efecto de promediado suaviza el ruido transitorio y los errores de medición, conduciendo a una estimación de parámetros más estable y confiable. El algoritmo también está diseñado para autoactualizarse. Al incorporar los resultados de pruebas periódicas de potencia pico, procedimientos estandarizados que miden la capacidad de potencia real de la batería en diferentes estados, la biblioteca de parámetros del modelo se refina continuamente. Esto crea un bucle de retroalimentación donde el algoritmo aprende del rendimiento del mundo real, permitiendo una estimación de «cambio lento en el tiempo» de los parámetros que rastrea con precisión el envejecimiento y las características cambiantes de la batería a lo largo de toda su vida útil.
Para calcular el SOP, el equipo empleó un enfoque sofisticado centrado en el concepto de potencia constante. En lugar de hacer un cálculo instantáneo simple, el algoritmo predice si un nivel de potencia constante propuesto puede mantenerse durante un período específico (por ejemplo, 10 segundos) sin violar los límites de voltaje. Esto implica una simulación hacia adelante de la respuesta de voltaje de la batería durante ese período. Debido a que esta relación es compleja y no lineal, los investigadores utilizaron un «método de bisección» (una forma de búsqueda binaria). El algoritmo comienza con una suposición inicial para la potencia máxima, simula el voltaje resultante, lo compara con los límites de voltaje seguros y luego ajusta iterativamente su suposición de potencia, hacia arriba o hacia abajo, hasta que converge en la verdadera potencia máxima sostenible con alta precisión. Este método asegura que el SOP estimado refleje un nivel de potencia práctico y utilizable, no solo un pico teórico instantáneo.
La verdadera prueba de cualquier algoritmo de BMS es su rendimiento bajo condiciones del mundo real. Para validar su método, el equipo de investigación fue más allá de las simulaciones simples y construyó una plataforma de prueba de hardware en el bucle (HIL) integral. Esta configuración sofisticada integra componentes físicos reales, como un paquete de baterías de 150Ah compuesto por tres celdas de iones de litio ternarias conectadas en paralelo de 50Ah, hardware de ciclador de baterías de alta precisión de ARBIN y una cámara térmica programable, con un entorno de simulación en tiempo real que se ejecuta en una placa de control principal dedicada MPC5644. Esto permite probar el algoritmo contra el comportamiento real de la batería bajo condiciones controladas pero realistas, proporcionando una validación mucho más rigurosa que una simulación puramente de software.
La campaña experimental fue excepcionalmente exhaustiva. El equipo realizó pruebas extensas en un paquete de baterías nuevo y uno envejecido, sometiéndolos a una amplia gama de condiciones durante un período de seis meses. Esto incluyó cuatro temperaturas diferentes (-10°C, 0°C, 25°C y 45°C) y cuatro ciclos de conducción exigentes (NEDC, UDDS, US06 y WLTC), simulando desde la conducción en ciudad hasta maniobras agresivas en autopista. La plataforma HIL ejecutó estos protocolos de prueba complejos, recolectando grandes cantidades de datos sobre voltaje, corriente, temperatura y las estimaciones internas del algoritmo.
Los resultados de esta validación rigurosa fueron impresionantes. Para la estimación del Estado de Carga (SOC), un parámetro crítico en sí mismo, el algoritmo demostró una precisión excepcional. A través de 14 escenarios de prueba diferentes en el paquete de baterías nuevo, el error máximo de estimación del SOC fue una notablemente baja de 2.192%. Aún más desafiante, en el paquete de baterías envejecido, donde los cambios internos son más pronunciados, el error máximo fue de solo 2.82%. Estos resultados están bien dentro de los estrictos requisitos de la industria para la precisión del BMS.
El rendimiento en la estimación del SOP fue aún más convincente. La métrica principal para la precisión del SOP es el «error de voltaje equivalente», que mide la diferencia entre el voltaje predicho al final de una descarga o carga de potencia pico y el voltaje medido real. Un error pequeño indica que el algoritmo predijo correctamente el límite de potencia. Los investigadores evaluaron esto en múltiples niveles de SOC (desde 3% hasta 95%) y a través de cuatro temperaturas. Los resultados, resumidos en sus datos, muestran que en cada punto de prueba donde había datos disponibles, el error de voltaje equivalente fue inferior a 40 milivoltios (mV). En muchos casos, fue mucho más bajo, a menudo por debajo de 20 mV. Un error de 40 mV en una celda típica de 3-4 voltios representa una precisión superior al 98%, lo cual se considera excelente para aplicaciones de BMS en el mundo real. Este nivel de precisión significa que el BMS puede confiadamente acercar la batería más a sus límites físicos reales, maximizando el rendimiento del vehículo y la eficiencia de la frenada regenerativa sin comprometer la seguridad.
Las implicaciones de esta investigación son significativas para toda la industria de vehículos eléctricos. Una estimación precisa del SOP permite estrategias de gestión de energía más agresivas y eficientes. Durante la aceleración, el vehículo puede entregar todo su potencial de potencia. Durante la frenada regenerativa, puede capturar más energía cinética, extendiendo el alcance. También permite predicciones más precisas del alcance y el rendimiento del vehículo, mejorando la experiencia del conductor. Además, al prevenir que la batería se empuje más allá de sus límites de operación seguros, el algoritmo contribuye a una vida útil más larga y una mayor seguridad, abordando dos de las mayores preocupaciones de los consumidores de vehículos eléctricos.
El trabajo de Li Qiang y su equipo representa un gran paso adelante en la tecnología de BMS. Al combinar un modelo de batería cuidadosamente seleccionado, un enfoque escalable a nivel de sistema y un algoritmo DEKF de múltiples escalas de tiempo altamente sofisticado con una ventana deslizante, han creado una solución que no solo es precisa, sino también robusta y adaptable. Navega con éxito por la naturaleza compleja y variable en el tiempo del funcionamiento de la batería real a través de la temperatura, el envejecimiento y diversas condiciones de conducción. Aunque los investigadores señalan que el rendimiento a temperaturas muy bajas (por debajo de -20°C) sigue siendo un desafío debido a los efectos de polarización extremos, su trabajo actual establece un nuevo punto de referencia para la estimación del SOP. Esta investigación, publicada en Transactions of China Electrotechnical Society (DOI:10.19595/j.cnki.1000-6753.tces.230086), proporciona una herramienta poderosa para los ingenieros de BMS y allana el camino para vehículos eléctricos más seguros, eficientes y de alto rendimiento. Li Qiang, Zhang Kaixuan, Yuan Wenwen, Xu Yahan, Yang Ruixin, Fang Yu, Transactions of China Electrotechnical Society, DOI:10.19595/j.cnki.1000-6753.tces.230086