Nuevo algoritmo optimiza gestión de baterías para vehículos eléctricos
En un avance significativo para la gestión de baterías de vehículos eléctricos (VE), investigadores han desarrollado un método novedoso para extraer rápida y precisamente la relación entre el voltaje de circuito abierto (OCV) y el estado de carga (SoC)—crítica para el monitoreo preciso de baterías—sin necesidad de los procedimientos de prueba tradicionales que consumen mucho tiempo. Este avance, detallado en un estudio reciente, promete mejorar la seguridad, eficiencia y longevidad de las baterías de iones de litio utilizadas en todo, desde vehículos eléctricos de pasajeros hasta flotas comerciales.
El enfoque convencional para determinar la curva OCV-SoC—una entrada fundamental para los sistemas de gestión de baterías (BMS)—ha sido durante mucho tiempo un cuello de botella en las operaciones reales de VE. Históricamente, los ingenieros dependían de pruebas de OCV incremental (IO) o OCV de baja corriente (LO) que requieren que la batería descanse durante períodos prolongados entre pequeños pasos de carga o descarga para alcanzar el equilibrio electroquímico. Debido a los efectos de histéresis inherentes a las química de iones de litio, estos protocolos pueden tomar varios días para completar un solo ciclo completo. Además, dado que la relación OCV-SoC se desvía a medida que la batería envejece, esta calibración laboriosa debe repetirse periódicamente durante la vida útil de la batería—haciéndola impracticable para vehículos en servicio.
El método recién propuesto elude estas limitaciones aprovechando una idea física clave: durante la descarga normal, la curva OCV verdadera evoluciona suavemente con el tiempo. Esta «hipótesis de suavidad» forma la piedra angular de un marco de optimización innovador que puede reconstruir el mapeo OCV-SoC a partir de datos arbitrarios de corriente y voltaje del mundo real—como los registrados durante ciclos de conducción urbana—sin requerir períodos de descanso o condiciones de laboratorio controladas.
Liderado por Jinwei Xue del Centro de Túneles de Viento Automotrices de Shanghái en la Universidad de Tongji, el equipo de investigación combinó un modelo de circuito equivalente (ECM) de primer orden con un poderoso algoritmo evolutivo multiobjetivo conocido como NSGA-II (Algoritmo Genético de Clasificación No Dominado II). El ECM simula la respuesta dinámica de voltaje de la batería bajo carga, descomponiendo el voltaje terminal medido en contribuciones de resistencia óhmica, efectos de polarización y el OCV subyacente. Sin embargo, sin conocimiento previo de los parámetros del ECM (como la resistencia interna y las constantes de tiempo RC), el cálculo directo del OCV produce una curva ruidosa y errática.
Aquí es donde la suposición de suavidad resulta transformadora. Los investigadores observaron que solo cuando los parámetros del ECM se identifican correctamente, la curva OCV-t reconstruida exhibe el comportamiento monótono y suave esperado. Los parámetros incorrectos producen oscilaciones artificiales y discontinuidades. Al definir una métrica de suavidad—esencialmente cuantificando la variación total de los incrementos de OCV en el tiempo—convirtieron la identificación de parámetros en un problema de optimización: encontrar el conjunto de parámetros del ECM que minimice esta métrica, produciendo así la trayectoria OCV más suave posible consistente con los datos medidos.
NSGA-II, reconocido por su robustez para navegar espacios de búsqueda complejos y no convexos, se empleó para resolver este problema eficientemente. El algoritmo evoluciona iterativamente una población de conjuntos de parámetros candidatos, utilizando principios inspirados en la selección natural—cruce, mutación y clasificación no dominada—para converger hacia soluciones óptimas. Crucialmente, el método no requiere datos de calibración previos o suposiciones sobre la química de la batería más allá de la suavidad general del OCV durante la descarga.
Para validar su enfoque, el equipo utilizó datos de envejecimiento de baterías del mundo real del Laboratorio de Control de Energía de la Universidad de Stanford, con celdas INR21700-M50T con ánodos de grafito/silicio y cátodos NMC, cicladas bajo el Programa de Conducción Dinamométrica Urbana (UDDS)—un ciclo de prueba estándar que imita patrones de conducción urbana. A pesar de la ausencia de etiquetas de OCV o SoC de verdad fundamental en el conjunto de datos, los investigadores utilizaron el conteo de Coulomb (integración de amperios-hora) como referencia para el SoC, anclado en el punto de corte de descarga.
Los resultados fueron sorprendentes. Los parámetros optimizados del ECM no solo produjeron una curva OCV-t notablemente suave, sino que también se alinearon estrechamente con mediciones independientes de espectroscopía de impedancia electroquímica (EIS) en la banda de frecuencia relevante (0–0.2 Hz), confirmando la plausibilidad física de los parámetros identificados. Un refinamiento adicional utilizando un ajuste polinomial de octavo orden produjo una curva OCV-SoC limpia y continua lista para integrarse en algoritmos de estimación.
La prueba definitiva llegó en forma de estimación de SoC utilizando un Filtro de Kalman Extendido (EKF)—una técnica estándar en BMS que fusiona predicciones del modelo con mediciones de voltaje en tiempo real. Cuando se inicializó con la curva OCV-SoC extraída, el EKF logró un error de estimación máximo de solo 2% durante un ciclo completo de descarga UDDS. Más impresionantemente, el método demostró una robustez excepcional frente a errores de inicialización. En una prueba de estrés, los investigadores restablecieron artificialmente la estimación interna de SoC del EKF al 80% a mitad de la descarga—introduciendo un error de 40 puntos porcentuales. En aproximadamente 1,000 segundos (menos de 17 minutos de conducción), el filtro convergió de nuevo a la trayectoria verdadera de SoC, mostrando el poder autocorrector de la relación OCV extraída con precisión.
Esta resiliencia es un cambio de juego para aplicaciones del mundo real. En la práctica, los BMS pueden sufrir deriva de sensores, fallos de comunicación o perturbaciones repentinas que corrompen la estimación de SoC. Los sistemas tradicionales que dependen de curvas OCV-SoC obsoletas o genéricas pueden nunca recuperarse con precisión de tales errores, llevando a ansiedad de autonomía o incluso riesgos de seguridad por sobrecarga/descarga excesiva. El nuevo método asegura que el mapeo central OCV-SoC permanezca preciso y adaptable, permitiendo una corrección rápida de errores incluso bajo condiciones adversas.
Además, la técnica es inherentemente escalable y desplegable. Requiere solo telemetría estándar de voltaje y corriente—datos ya recolectados por cada BMS moderno—y se ejecuta en procesadores embebidos convencionales. No se necesita equipamiento especializado, períodos de descanso o pruebas de laboratorio fuera de línea. Esto la hace ideal para actualizaciones over-the-air (OTA) o calibración continua en vehículo, permitiendo que el BMS refine autónomamente su modelo OCV-SoC a medida que la batería envejece.
Desde una perspectiva de sistemas, la estimación precisa y actualizada de SoC desbloquea múltiples beneficios. Permite estrategias más agresivas de frenado regenerativo sin miedo a sobrecargar, optimiza la gestión térmica anticipando demandas de alta corriente, y extiende la vida útil de la batería evitando operar en regiones de voltaje de alto estrés. Para operadores de flotas y OEMs, esto se traduce en menor costo total de propiedad, confiabilidad mejorada del vehículo y mayor satisfacción del cliente.
Las implicaciones se extienden más allá de los VE de pasajeros. Camiones eléctricos comerciales, autobuses, e incluso sistemas de almacenamiento de energía a escala de red—todos dependientes de un seguimiento preciso de SoC—podrían beneficiarse de esta metodología. A medida que la adopción global de VE se acelera y las química de baterías continúan evolucionando (ej., ánodo de silicio, estado sólido), la necesidad de técnicas de calibración flexibles y agnósticas a la química se vuelve cada vez más apremiante. Este enfoque basado en suavidad ofrece un marco universal adaptable a diversos formatos de celdas y mecanismos de envejecimiento.
Críticamente, la investigación aborda un desafío de larga data en el modelado de baterías: el acoplamiento entre la identificación de OCV y otros parámetros del ECM. Intentos previos para estimar OCV en línea a menudo sufrían de problemas de identificabilidad, donde errores en estimaciones de resistencia o capacitancia se propagaban en inexactitudes de OCV. Al anclar la solución en un criterio de suavidad físicamente significativo, el nuevo método desacopla estas incertidumbres, produciendo resultados más estables y confiables.
Mirando hacia adelante, el equipo prevé integrar esta técnica de extracción de OCV con estimadores avanzados del estado de salud (SoH). Dado que las curvas OCV-SoC se desplazan característicamente con la pérdida de capacidad y el crecimiento de impedancia, el monitoreo continuo de estos cambios podría proporcionar advertencias tempranas de degradación. Combinado con modelos de aprendizaje automático entrenados en conjuntos de datos de envejecimiento, tal sistema podría predecir la vida útil restante con una precisión sin precedentes.
La industria automotriz ya está tomando nota. Con presiones regulatorias crecientes para garantías de batería más largas y estándares de seguridad más estrictos, los OEMs están invirtiendo fuertemente en capacidades de BMS de próxima generación. Técnicas como esta—nacidas del rigor académico pero diseñadas para robustez en el mundo real—representan el puente entre la ciencia teórica de baterías y la ingeniería práctica de vehículos.
En resumen, este trabajo redefine lo que es posible en la estimación del estado de la batería. Al reemplazar días de pruebas de laboratorio con minutos de optimización computacional en datos de conducción reales, lleva el mapeo de alta fidelidad OCV-SoC al ámbito de la operación en tiempo real y en vehículo. Para los conductores, esto significa predicciones de autonomía más precisas y baterías de mayor duración. Para los fabricantes, significa vehículos eléctricos más inteligentes, seguros y eficientes. Y para la transición energética más amplia, elimina una barrera técnica crítica para la adopción masiva de VE.
A medida que la movilidad eléctrica continúa su ascenso imparable, innovaciones como esta—operando silenciosamente en el fondo de cada paquete de baterías—serán tan vitales como los avances llamativos en química de celdas o velocidad de carga. Después de todo, la verdadera medida de una batería no es solo cuánta energía almacena, sino qué tan bien entendemos y gestionamos esa energía en cada momento de su vida.
Jinwei Xue¹, Xuzhi Du², Zhigang Yang³, Lei Zhao¹, Chao Xia⁴. «Extracción de la curva de voltaje de circuito abierto-estado de carga para baterías de iones de litio basada en optimización de suavidad.» Journal of Tongji University (Natural Science), Vol. 52, No. S1, Oct. 2024. DOI: 10.11908/j.issn.0253-374x.24778. ¹Shanghai Automotive Wind Tunnel Center, Tongji University, Shanghai 201804, China ²Department of Mechanical Science and Engineering, University of Illinois Urbana-Champaign, Urbana, IL 61801, USA ³COMAC Beijing Aircraft Technology Research Institute, Beijing 102211, China ⁴School of Automotive Studies, Tongji University, Shanghai 201804, China