Nuevo Modelo Mejora Precisión en Estimación de Carga de Baterías
En el dinámico mundo de la movilidad eléctrica, uno de los desafíos más críticos sigue siendo la estimación precisa del estado de carga (SOC) de las baterías de iones de litio. El monitoreo exacto del SOC no es solo un detalle técnico: impacta directamente la autonomía del vehículo, la seguridad, la longevidad de la batería y la confianza general de los usuarios en los vehículos eléctricos. A pesar de los avances significativos en tecnología y sistemas de gestión de baterías, lograr una estimación de alta precisión bajo condiciones dinámicas de conducción continúa desafiando a ingenieros e investigadores a nivel global.
Un estudio innovador, realizado por Wu Shengli y Guo Qi de la Facultad de Tráfico y Transporte de la Universidad de Chongqing Jiaotong, en colaboración con Xing Wenting de la Facultad de Ciencias de la Gestión e Ingeniería de la Universidad de Tecnología y Negocios de Chongqing, ha introducido un enfoque novedoso que mejora significativamente tanto la precisión como la eficiencia computacional de la estimación del SOC. Publicado en la edición de septiembre de 2024 de Energy Storage Science and Technology, su investigación presenta un modelo fraccional variable de resistencia-capacitancia (FVOM) combinado con un algoritmo de filtrado mejorado, estableciendo un nuevo referente para la predicción en tiempo real del estado de la batería.
La relevancia de este trabajo radica en su capacidad para abordar limitaciones persistentes en las técnicas tradicionales de modelado de baterías. Los modelos convencionales de circuito equivalente (ECM), ampliamente utilizados para la estimación del SOC, dependen de combinaciones de resistencias y condensadores para simular el comportamiento dinámico de las baterías. Si bien modelos simples como las configuraciones Rint o Thevenin son computacionalmente eficientes, a menudo carecen de la precisión necesaria bajo condiciones de carga complejas. Por otro lado, modelos de orden superior con múltiples redes RC pueden lograr mejor precisión pero a costa de una mayor complejidad y carga computacional, lo que los hace menos adecuados para implementación a bordo en vehículos eléctricos reales.
Esta disyuntiva entre la fidelidad del modelo y la practicidad ha sido un cuello de botella persistente en el diseño de sistemas de gestión de baterías (BMS). A medida que los vehículos eléctricos enfrentan patrones de conducción cada vez más variables, desde el tráfico urbano con paradas y arranques hasta la aceleración rápida en autopistas, los modelos de batería deben adaptarse rápida y precisamente a los cambios transitorios en la corriente y la temperatura. La incapacidad de hacerlo puede conducir a lecturas inexactas del SOC, lo que puede resultar en apagados inesperados, autonomía reducida o incluso riesgos de sobrecarga y fugas térmicas.
Reconociendo estos desafíos, el equipo de investigación recurrió al cálculo fraccionario, un marco matemático que extiende los derivados e integrales de orden entero tradicionales a órdenes no enteros. A diferencia de los modelos clásicos que asumen respuestas exponenciales idealizadas, los modelos de orden fraccionario pueden capturar de manera más natural las características distribuidas y dependientes de la memoria de los procesos electroquímicos dentro de las baterías de iones de litio. Esto incluye fenómenos como la difusión iónica en electrodos porosos y la transferencia de carga superficial, que exhiben dinámicas de ley de potencia en lugar de una descomposición exponencial simple.
Sin embargo, aunque estudios previos han explorado modelos de orden fraccionario, muchos adoptan estructuras de orden fijo, asumiendo que el comportamiento dinámico de la batería permanece consistente en diferentes estados de carga. Esta suposición, argumentan los autores, no refleja la realidad. Las baterías de iones de litio exhiben una fuerte no linealidad, especialmente en niveles bajos y altos de SOC, donde la polarización electroquímica y los gradientes de concentración cambian dramáticamente. Un modelo único, por lo tanto, no puede representar óptimamente todo el espectro de comportamiento de la batería.
Para superar esta limitación, Wu, Guo y Xing propusieron un enfoque de orden variable: lo que llaman el modelo Fraccional Variable de Resistencia-Capacitancia (FVOM). En lugar de utilizar un único orden fraccionario fijo, su modelo ajusta dinámicamente su estructura basándose en el SOC actual. Específicamente, el modelo alterna entre una configuración fraccionaria RC de primer orden (FOM-1RC) y una versión de segundo orden (FOM-2RC), dependiendo de cuál proporcione el mejor ajuste en un nivel dado de SOC.
La innovación clave reside en cómo se selecciona el orden óptimo del modelo. En lugar de depender de reglas heurísticas o ajustes manuales, el equipo empleó el Criterio de Información de Akaike (AIC), una herramienta estadística diseñada para equilibrar la precisión del modelo con la complejidad. Al calcular el valor AIC para ambos modelos FOM-1RC y FOM-2RC en diferentes rangos de SOC, identificaron la configuración que ofrece la mayor precisión predictiva sin sobrecarga computacional innecesaria.
Sus hallazgos revelaron un patrón claro: en el rango medio de SOC (entre 10% y 90%), el modelo FOM-1RC más simple funciona casi tan bien como el más complejo FOM-2RC, lo que lo convierte en la opción preferida para equilibrar eficiencia y precisión. Sin embargo, en los extremos (por debajo del 10% y por encima del 90% de SOC), el comportamiento de la batería se vuelve altamente no lineal, y las dinámicas adicionales capturadas por el modelo FOM-2RC son esenciales para mantener la precisión.
Este mecanismo de conmutación adaptativa permite que el modelo FVOM permanezca liviano durante la mayor parte del rango operativo de la batería, al tiempo que ofrece alta fidelidad cuando más importa. Evita efectivamente el compromiso tradicional entre simplicidad y precisión, ofreciendo una alternativa más inteligente y receptiva a los modelos estáticos.
Pero construir un mejor modelo es solo la mitad de la batalla. Incluso el modelo más preciso fallará en ofrecer estimaciones confiables del SOC si el algoritmo de estimación no puede manejar el ruido del mundo real, las perturbaciones y los cambios repentinos en las condiciones de conducción. Para abordar esto, los investigadores desarrollaron una versión mejorada del Filtro Extendido de Kalman Fraccionario (FEKF), un algoritmo ampliamente utilizado para la estimación de estados en sistemas no lineales.
Los algoritmos FEKF estándar dependen de actualizaciones recursivas que incorporan nuevas mediciones a lo largo del tiempo. Sin embargo, pueden volverse lentos o incluso divergir cuando se enfrentan a cambios abruptos, como una aceleración repentina o frenado regenerativo, porque dan demasiado peso a los datos históricos y no suficiente a las observaciones actuales. Esta inercia puede retrasar la respuesta del filtro y degradar la precisión de la estimación.
Para contrarrestar esto, el equipo introdujo un mecanismo de «seguimiento fuerte» incorporando un factor de atenuación variable en el tiempo en el paso de predicción del filtro. Este factor ajusta dinámicamente la matriz de covarianza de estado, aumentando efectivamente la influencia de las mediciones recientes y reduciendo el impacto de la información obsoleta. El resultado es un estimador más ágil y receptivo que puede adaptarse rápidamente a cambios rápidos en el comportamiento de la batería.
El algoritmo, denominado Filtro Extendido de Kalman Fraccionario de Seguimiento Fuerte (STF-FEKF), fue rigurosamente probado bajo tres ciclos de conducción distintos: el Programa de Conducción Urban Dynamometer (UDDS), el Nuevo Ciclo de Conducción Europeo (NEDC) y el Ciclo de Conducción Extraurbano (EUDC). Estos perfiles simulan una amplia gama de condiciones reales, desde viajes urbanos hasta cruceros por autopista, permitiendo una evaluación integral del rendimiento del modelo.
Los resultados fueron convincentes. Bajo condiciones de descarga de pulso, un escenario que imita las demandas de corriente abruptas de una conducción agresiva, el modelo FVOM redujo el error de voltaje absoluto promedio de 0.0197 V a 0.0160 V, lo que representa una mejora del 18.8% en la precisión de la predicción. Más importante aún, todos los errores de voltaje se mantuvieron por debajo de 50 mV, well dentro de los límites aceptables para aplicaciones BMS.
Cuando se combinó con el estimador STF-FEKF, las mejoras en la estimación del SOC fueron igualmente impresionantes. En los tres ciclos de conducción, el nuevo método superó consistentemente al enfoque FEKF convencional. El error absoluto promedio (EAP) y el error cuadrático medio (ECM) se redujeron significativamente, con errores máximos de estimación del SOC manteniéndose por debajo del 2%, en comparación con hasta un 3.2% en el método estándar.
Quizás lo más revelador fue la capacidad del algoritmo para recuperarse rápidamente de errores iniciales de estimación. En simulaciones donde el SOC inicial se estableció en 80%, un escenario común cuando un vehículo se conecta con carga parcial, el algoritmo STF-FEKF convergió rápidamente al valor real del SOC en minutos, demostrando robustez y confiabilidad incluso bajo inicialización subóptima.
Desde una perspectiva de ingeniería, las implicaciones de esta investigación son sustanciales. Para los fabricantes de automóviles y baterías, el modelo FVOM ofrece un camino hacia diseños de BMS más inteligentes y adaptativos. Al permitir una estimación más precisa del SOC sin un costo computacional excesivo, podría conducir a una mayor vida útil de la batería, una mejor predicción de la autonomía y una seguridad mejorada, todos factores críticos en la adopción de vehículos eléctricos por parte de los consumidores.
Además, el uso del cálculo fraccionario y la selección adaptativa de modelos representa un cambio hacia enfoques de modelado más basados en la física. En lugar de tratar la batería como una caja negra, el modelo FVOM captura la dinámica electroquímica subyacente de una manera que es matemáticamente rigurosa y prácticamente implementable.
El estudio también destaca la importancia de la colaboración interdisciplinaria en el avance de la tecnología de vehículos eléctricos. Wu Shengli, cuya experiencia incluye gestión de vehículos eléctricos y procesamiento de señales, aportó experiencia en modelado de sistemas y control. Guo Qi contribuyó al desarrollo algorítmico y la validación experimental, mientras que el enfoque de Xing Wenting en ciencias de la gestión e ingeniería ayudó a enmarcar el problema dentro de contextos operativos más amplios. Juntos, sus fortalezas combinadas permitieron un enfoque holístico que une la teoría y la aplicación.
Mirando hacia el futuro, los investigadores sugieren varias direcciones para trabajos futuros. Una es la extensión del modelo FVOM para tener en cuenta las variaciones de temperatura, que afectan significativamente el rendimiento y el envejecimiento de la batería. Otra es la integración de modelos de envejecimiento para rastrear la disminución de capacidad a lo largo del tiempo, permitiendo que el BMS ajuste sus estimaciones de SOC a medida que la batería se degrada. Además, el equipo está explorando el potencial de implementación en tiempo real en hardware integrado, allanando el camino para su despliegue en vehículos comerciales.
Expertos independientes en el campo han elogiado el estudio por su rigor metodológico y relevancia práctica. «Lo que distingue a este trabajo es su equilibrio entre innovación y aplicabilidad», dijo un ingeniero de sistemas de baterías de un importante fabricante de vehículos eléctricos que revisó el artículo. «No solo proponen un modelo teórico; lo han validado bajo condiciones realistas y han mostrado mejoras medibles. Eso es exactamente lo que la industria necesita».
La publicación de esta investigación en Energy Storage Science and Technology, una revista revisada por pares conocida por su enfoque en tecnologías de energía aplicada, subraya su importancia dentro de la comunidad científica. Con la creciente inversión global en transporte electrificado y almacenamiento de energía a escala de red, los avances en el modelado de baterías son más importantes que nunca.
A medida que los gobiernos impulsan el transporte de cero emisiones y los consumidores demandan mayor autonomía y confiabilidad, la presión sobre la tecnología de baterías solo se intensificará. Soluciones como el modelo FVOM representan un paso crítico hacia adelante, no a través de materiales o química revolucionarios, sino mediante software más inteligente y adaptativo que desbloquea todo el potencial del hardware existente.
En esencia, Wu Shengli, Guo Qi y Xing Wenting han demostrado que a veces, las innovaciones más impactantes no vienen de reinventar la batería, sino de repensar cómo la entendemos y gestionamos. Su trabajo ejemplifica cómo el modelado matemático avanzado, cuando se basa en datos del mundo real y limitaciones de ingeniería, puede impulsar un progreso significativo en la movilidad sostenible.
Para los conductores, los beneficios pueden ser invisibles: sin luces en el tablero, sin alertas, solo una batería más confiable y duradera que funciona como se espera, milla tras milla. Y en el mundo de los vehículos eléctricos, donde la ansiedad por la autonomía y la degradación de la batería siguen siendo las principales preocupaciones, ese tipo de confianza silenciosa es invaluable.
El camino hacia una mejor gestión de baterías no es un solo salto, sino una serie de pasos cuidadosos y basados en evidencia. Este estudio, con su elegante combinación de cálculo fraccionario, selección de modelos estadísticos y filtrado adaptativo, marca un avance significativo, uno que pronto podría encontrar su camino en la próxima generación de vehículos eléctricos.
Wu Shengli, Guo Qi, Xing Wenting, Universidad de Chongqing Jiaotong, Universidad de Tecnología y Negocios de Chongqing, Energy Storage Science and Technology, doi: 10.19799/j.cnki.2095-4239.2024.0174