Nuevo Sistema Adaptativo de Estimación de SOC Mejora la Precisión de la Autonomía en Vehículos Eléctricos y la Longevidad de la Batería
En el mundo en constante evolución de la movilidad eléctrica, uno de los desafíos más persistentes—y a menudo subestimados—sigue siendo la estimación precisa del estado de carga (SOC) de una batería. Imagina el SOC como el indicador de combustible para un vehículo eléctrico (EV): le dice al conductor cuánta energía queda antes de la próxima recarga. Pero a diferencia de un tanque de gasolina, cuyo nivel puede medirse directamente con un flotador simple, el «combustible restante» de una batería de iones de litio es una cantidad abstracta—una variable oculta que debe inferirse a partir del voltaje, la corriente, la temperatura y una serie de comportamientos electroquímicos internos. Si la estimación falla, se arriesga a dejar a un conductor varado a mitad del camino o a limitar innecesariamente la autonomía útil por exceso de precaución.
Durante años, los ingenieros han lidiado con este problema utilizando un conjunto de modelos: análogos de circuitos basados en física, regresiones estadísticas y, cada vez más, aprendizaje automático de caja negra. Sin embargo, incluso los enfoques más sofisticados tienden a flaquear a medida que las baterías envejecen. La degradación de la capacidad, el crecimiento de la resistencia interna y las respuestas térmicas cambiantes erosionan gradualmente los supuestos integrados en los modelos estáticos—haciendo que las calibraciones iniciales queden obsoletas mucho antes de que la batería llegue al final de su vida útil.
Un estudio recientemente publicado, no obstante, ofrece un camino convincente hacia adelante—no descartando los métodos existentes, sino fusionándolos de manera inteligente. Desarrollado por investigadores del Instituto de Dispositivos Optoelectrónicos Integrados de China Oriental y el Instituto de Tecnología de Pekín, el sistema propuesto integra identificación de parámetros en línea, modelado dinámico de degradación de capacidad y filtrado adaptativo en una única arquitectura de estimación autocorrectora. ¿El resultado? Un estimador de SOC que no solo mantiene una alta precisión durante cientos de ciclos, sino que también anticipa activamente cómo el envejecimiento remodela el comportamiento de la batería—convirtiendo la degradación de un pasivo en una señal predictiva.
En esencia, la innovación radica en la negativa a tratar el envejecimiento de la batería como ruido a filtrar. En cambio, el equipo liderado por Wu Yizhou y sus colegas lo acepta como datos. Su enfoque comienza con una base bien establecida: el modelo de circuito equivalente de doble polarización (DP). Este modelo imita la respuesta eléctrica de una celda real utilizando una combinación de resistencias, condensadores y una fuente de voltaje—que representan respectivamente la resistencia óhmica, la polarización electroquímica y los gradientes de concentración. No es el modelo más complejo en el ámbito académico, pero logra un equilibrio práctico entre fidelidad y eficiencia computacional, haciéndolo viable para una implementación en tiempo real a bordo.
Pero aquí es donde las cosas se ponen interesantes. Las implementaciones tradicionales fijan los parámetros del modelo después de una calibración inicial de laboratorio—asumiendo, por ejemplo, que la resistencia de la interfaz electrodo-electrolito (R₀) o las constantes de tiempo de las redes RC (τ = RC) permanecen estables con el tiempo. En realidad, no lo hacen. A medida que los iones de litio se mueven de un lado a otro durante miles de ciclos, las reacciones secundarias acumulan capas aislantes, los poros se obstruyen y el material activo se desprende, alterando sutilmente el panorama de impedancia interna de la celda—a menudo mucho antes de que la pérdida de capacidad se vuelva obvia.
Para abordar esto, el equipo despliega un algoritmo de mínimos cuadrados recursivos con factor de olvido (FFRLS, por sus siglas en inglés) para la reidentificación continua de parámetros. A diferencia de los mínimos cuadrados recursivos estándar—que trata todos los datos pasados por igual—el FFRLS asigna un mayor peso a las mediciones recientes. Esta «decaída de la memoria» imita la intuición humana: si el indicador de combustible de tu automóvil ha estado fluctuando últimamente, confías más en la última recarga que en una de hace seis meses. Al actualizar los parámetros del circuito sobre la marcha—cada pocos segundos durante la operación—el modelo se mantiene sincronizado con el estado físico actual de la batería, no con su condición prístina de fábrica.
Aún así, incluso un modelo de circuito perfectamente ajustado no puede predecir la degradación futura. Para eso, los investigadores recurrieron a experimentos de envejecimiento acelerado—y no a cualquier experimento. En lugar de confinar las celdas a ciclos monótonos de corriente constante a temperaturas fijas (un atajo común en laboratorio), expusieron celdas de bolsa de iones de litio de óxido de manganeso de 45 Ah a perfiles de estrés dinámico: variando las tasas de descarga (1C a 3C) y las temperaturas (20°C a 40°C), simulando las realidades de la conducción en el mundo real con paradas-arranques, subidas de colinas y cruceros por autopista.
A partir de este rico conjunto de datos, destilaron dos ideas empíricas clave. Primero, la degradación de la capacidad sigue una relación de ley de potencia con el número de ciclos—no lineal, como a veces se asume—y, crucialmente, el exponente se mantiene notablemente estable (~0,79) en diferentes niveles de estrés. Segundo, la escala de la degradación—qué tan rápido se intensifica esa ley de potencia—está gobernada por una función compuesta de temperatura y tasa de descarga. Las altas temperaturas aceleran el envejecimiento exponencialmente (siguiendo una dependencia tipo Arrhenius), mientras que las tasas de descarga más altas siguen una ley de potencia inversa—lo que significa que duplicar la tasa C no solo duplica el daño; lo multiplica por más de cuatro (R²·⁰³⁵).
Lo más importante es que el equipo reconoció que los EVs reales no operan bajo un estrés constante. La tasa de descarga de una batería no es fija—aumenta con el tiempo, incluso para el mismo patrón de conducción, porque a medida que la capacidad se degrada, la misma demanda de potencia extrae una corriente más alta (dado que P = V·I, y el voltaje disminuye con el envejecimiento). Ignorar este bucle de retroalimentación conduce a una subestimación sistemática de la degradación en las etapas posteriores de la vida.
¿Su solución? Un modelo dinámico de degradación de capacidad por estrés—una formulación recursiva donde la contribución de cada ciclo a la degradación total depende de la capacidad actual y del perfil real de temperatura y corriente experimentado durante ese ciclo. En lugar de predecir «después de 500 ciclos a 25°C y 1.5C, espera una pérdida del 12%», el modelo pregunta: «Dada la salud presente de la celda (Cₜ), y los estrés que acaba de sufrir (Tᵢ, R_d,ᵢ), ¿cuánto se degradó esta vez?» Esto convierte la ecuación de degradación de una tabla de búsqueda estática en un estimador vivo y en evolución—capaz de adaptarse a patrones de uso individuales, condiciones ambientales e incluso cambios en el comportamiento del conductor.
Armados con un modelo de circuito que se actualiza solo y un rastreador de degradación con visión de futuro, la pieza final es el estimador de SOC en sí. Aquí, los investigadores optaron por el filtro de Kalman extendido adaptativo (AEKF)—una evolución inteligente del filtro de Kalman clásico, ampliamente utilizado en sistemas de navegación y control.
Los filtros de Kalman estándar asumen estadísticas de ruido conocidas y fijas: cuánto fluctuán tus sensores, cuán impredecibles son las dinámicas de tu sistema. Pero en una batería, estos niveles de ruido cambian con la edad y el estado. La respuesta de voltaje de una celda nueva es nítida y repetible; una envejecida es más ruidosa, más lenta, más sensible a los gradientes térmicos. Si el filtro no se adapta, o confía demasiado en mediciones ruidosas (llevando a estimaciones de SOC con fluctuaciones) o les asigna poco peso (causando deriva lenta).
El AEKF resuelve esto monitoreando continuamente las innovaciones—la diferencia entre las mediciones predichas y las reales. Innovaciones consistentemente grandes señalan que los supuestos internos de ruido del filtro están desactualizados. En respuesta, el algoritmo infla sutilmente la covarianza de ruido del proceso o de la medición estimada, incitando al filtro a confiar más en las mediciones (si se subestimó el ruido del sensor) o más en su modelo (si las dinámicas fueron demasiado optimistas). Es como un conductor que instintivamente ajusta cuánto confiar en el tacómetro versus la sensación al volante a medida que el motor se desgasta.
La integración es perfecta: el FFRLS refina los parámetros del modelo de circuito en tiempo real; el modelo de degradación dinámica actualiza la capacidad (Cₜ) utilizada en el backbone de conteo de Coulomb; y el AEKF fusiona voltaje, corriente y el mapeo voltaje de circuito abierto (OCV)-SOC para producir una estimación de SOC robusta y autocorrectora—incluso cuando la suposición inicial tiene un error del 10%.
La validación fue rigurosa. Utilizando el Urban Dynamometer Driving Schedule (UDDS)—un ciclo de conducción estándar que simula el tráfico urbano—el equipo simuló 600 ciclos profundos (90% a 20% SOC) a 25°C, verificando periódicamente la capacidad verdadera mediante carga-descarga completa. Los resultados fueron sorprendentes. Durante 600 ciclos, la trayectoria de capacidad predicha siguió a la medida con un error de ±1,5%—mucho más ajustado que los modelos de parámetros fijos, que se desviaron hasta un 4–5% para el ciclo 400. Aún más impresionante fue el rendimiento del SOC: comenzando con un SOC inicial deliberadamente incorrecto (±10% de error), el estimador convergió a within 1,5% del valor de referencia en menos de 200 segundos—y se mantuvo allí, ciclo tras ciclo, a pesar de una degradación significativa de la capacidad.
¿Qué significa esto para los conductores y los fabricantes de automóviles? En términos prácticos, se traduce en confianza. Un tablero que de manera confiable dice «112 millas restantes» en lugar de vacilar entre «128» y «94» reduce la ansiedad de autonomía—la barrera psicológica que aún frena la adopción de EVs más que la infraestructura de carga en muchos mercados. También permite una gestión de energía más agresiva: si el Sistema de Gestión de Baterías (BMS) sabe exactamente cuánto amortiguamiento se necesita para seguridad, puede desbloquear capacidad útil adicional sin riesgo—efectivamente exprimiendo algunas millas más del mismo paquete.
Para los operadores de flotas y aplicaciones de segunda vida, la predicción precisa del envejecimiento es invaluable. Saber cómo se degradó una batería específica—no solo cuánto—ayuda a predecir la vida útil restante, optimizar su reutilización (por ejemplo, almacenamiento estacionario versus reciclaje) e incluso informar reclamos de garantía. Un modelo que distingue entre el envejecimiento por calendario y el desgaste inducido por ciclos, por ejemplo, podría exonerar a un paquete poco usado pero maltratado térmicamente—o señalar uno intensamente ciclado que se acerca a un punto de falla repentino de «rodilla».
También hay una victoria sutil en sostenibilidad. Una estimación de SOC excesivamente conservadora desperdicia el potencial de la batería—como conducir un automóvil de gasolina con una reserva de 10 litros a la que no se puede acceder. Al recuperar incluso un 2–3% de la capacidad previamente inutilizable en millones de EVs, los ahorros acumulativos de energía no son triviales. Y extender la vida útil del paquete solo unos meses por vehículo reduce la frecuencia de reemplazos de baterías—disminuyendo la demanda de materias primas y la carga al final de la vida útil.
Por supuesto, ningún modelo es perfecto. El trabajo actual se centra en celdas basadas en manganeso; las químicaes ricas en níquel NMC o LFP pueden requerir reajustes de los coeficientes de estrés. La validación en el mundo real—especialmente bajo escenarios de frío extremo o carga rápida—sigue siendo la próxima frontera. Y aunque la carga computacional es manejable para los chips modernos de BMS, la robustez en casos extremos (por ejemplo, fallos de sensores, interrupciones de comunicación) necesitará pruebas exhaustivas antes del despliegue masivo.
Pero el salto conceptual es claro: dejar de luchar contra el envejecimiento de la batería—dialogar con él. Tratar la celda no como un componente estático, sino como un sistema vivo cuyo voz cambiante (transitorios de voltaje, cambios de impedancia) lleva información diagnóstica vital. Al escuchar de cerca—y construir modelos lo suficientemente flexibles para aprender de esa conversación—los ingenieros pueden extraer más rendimiento, seguridad y longevidad de cada kilovatio-hora.
A medida que los EVs hacen la transición de novedades para early-adopters a transporte convencional, la inteligencia silenciosa integrada en el sistema de gestión de baterías importará más que los tableros llamativos o las actualizaciones over-the-air. Porque al final, lo que los conductores quieren no es solo un automóvil que pueda recorrer 300 millas—quieren uno que honestamente les diga que todavía puede, incluso después de tres inviernos, dos viajes transcontinentales y mil viajes a la escuela. Esa es la promesa de la estimación adaptativa: no solo algoritmos más inteligentes, sino confianza ganada, una milla precisa a la vez.
Wu Yizhou, Liu Yan, Zhu Xianran — Instituto de Dispositivos Optoelectrónicos Integrados de China Oriental, Suzhou, Jiangsu 215000, China Wang Yixuan — Instituto de Tecnología de Pekín, Pekín 100089, China Journal of Power Supply, 2023, Vol. 47, No. 9, pp. 1158–1163 DOI: 10.3969/j.issn.1002-087X.2023.09.012