En el ámbito de la movilidad eléctrica, las baterías de fosfato de hierro-litio (LFP) destacan por su alta seguridad y longevidad, lo que las convierte en una opción ideal para vehículos eléctricos. Sin embargo, estimar con precisión su estado de carga (SOC) representa un desafío significativo debido a la característica distintiva de su curva tensión en circuito abierto (OCV) versus SOC, que es extremadamente plana en el rango de 20% a 95% del SOC. Este hecho dificulta la aplicación de métodos tradicionales, pero un equipo de expertos ha desarrollado una nueva metodología basada en deep learning que mejora notablemente la precisión en condiciones reales.
El reto técnico de la estimación del SOC en baterías LFP
Las baterías LFP ofrecen ventajas claras en términos de seguridad en comparación con otras químicas de baterías de iones de litio, como las de NCM. Su resistencia a ciclos prolongados de carga y descarga las hace especialmente adecuadas para vehículos eléctricos. No obstante, medir su SOC con exactitud es complicado.
La curva OCV-SOC de las baterías LFP presenta una región plana en la que, aunque el SOC varía en un 75% (desde 20% hasta 95%), la tensión cambia tan solo alrededor de 150 mV. Esta característica hace que los métodos basados en modelos matemáticos, como los filtros de Kalman extendidos, no sean suficientemente precisos, ya que pequeñas variaciones en la medición de la tensión se traducen en grandes errores en la estimación del SOC.
Los métodos basados en datos han mostrado buenos resultados en entornos controlados de laboratorio, pero suelen perder precisión cuando se aplican a condiciones reales de operación. En el mundo real, las baterías se enfrentan a fluctuaciones de temperatura (entre 5°C y 35°C), perfiles de carga y descarga irregularidades, y deterioro gradual, factores que son difíciles de replicar en un laboratorio. Además, los datos de SOC proporcionados por los sistemas de gestión de baterías (BMS) instalados en los vehículos a menudo son inaccurados, lo que dificulta la obtención de muestras fiables para entrenar modelos de machine learning.
Anteriormente, muchos enfoques se centraban en entornos estables con cargas constantes y temperatura controlada, lo que limitaba su aplicabilidad en situaciones reales donde los procesos son más variables y complejos.
El modelo CNNGRUM: una solución innovadora
Para abordar estos desafíos, se ha desarrollado un modelo híbrido denominado CNNGRUM, que combina redes neuronales convolucionales (CNN) y unidades recurrentes con puertas (GRU). Esta arquitectura aprovecha las fortalezas de ambos tipos de redes: las CNN son excelentes en la extracción de características complejas, mientras que las GRU manejan eficazmente las secuencias temporales y capturan dependencias a largo plazo.
Características de entrada y preparación de datos
El modelo utiliza cuatro variables clave para estimar el SOC: corriente, tensión, temperatura y la carga acumulada durante el proceso de carga (AC). Estas variables se presentan en forma de secuencias temporales, lo que permite al modelo analizar el comportamiento de la batería a lo largo del tiempo y detectar patrones que no serían evidentes en datos aislados.
Para obtener etiquetas de SOC precisas para entrenar el modelo, se emplea una técnica de integración de amperios-hora inversa. Este método parte del estado de carga completa (100% SOC), que se determina cuando la batería alcanza el voltaje de corte de carga. A partir de este punto, se calcula el SOC hacia atrás a lo largo del ciclo de carga, usando una fórmula que tiene en cuenta la corriente, la capacidad nominal de la batería, su estado de salud (SOH) y la eficiencia de Coulomb. Gracias a la estabilidad de la corriente durante el proceso de carga, los errores acumulados son mínimos, lo que garantiza etiquetas fiables.
Arquitectura del modelo
El modelo CNNGRUM está compuesto por tres módulos principales:
- Extractor de características CNN: Incluye dos capas convolucionales con 128 y 64 filtros respectivamente, con un tamaño de kernel de 3 y un stride de 1. Estas capas son eficaces en la extracción de patrones complejos en las características de entrada.
- Modelador temporal GRU: Consta de dos capas con 64 unidades cada una y un dropout de 0.2, lo que permite capturar dependencias temporales a largo plazo y evitar el sobreajuste.
- Meta-aprendizaje: Está formado por dos capas densas con 64 y 32 neuronas respectivamente, con función de activación ReLU. Este módulo combina las salidas de las CNN y las GRU para producir la estimación final del SOC.
Proceso de estimación del SOC
El método implementa un esquema híbrido que integra dos etapas: por una parte, la estimación mediante el modelo CNNGRUM durante el proceso de carga; por otra, el conteo de Coulomb durante la descarga. Durante la carga, el modelo CNNGRUM estima el SOC basándose en las secuencias de las cuatro variables mencionadas. Cuando la batería comienza a descargarse (durante la conducción), se emplea el conteo de Coulomb, comenzando desde el último SOC estimado por el modelo durante la carga. Esta combinación permite aprovechar la estabilidad de los procesos de carga y evitar la complejidad de los procesos de descarga.
Resultados de validación en condiciones reales
El modelo fue entrenado y validado con datos de 20 vehículos eléctricos equipados con baterías LFP, operando en condiciones reales durante dos meses. El conjunto de datos incluyó 1000 ciclos de carga, divididos en 600 para entrenamiento, 250 para validación y 150 para prueba. Las condiciones variaron en temperatura, SOC inicial de carga y estado de salud de las baterías, lo que permitió evaluar la robustez del modelo.
Precisión y estabilidad
Los resultados demostraron que el modelo CNNGRUM logra una precisión excepcional. En el conjunto de prueba, se obtuvo un error absoluto máximo de 2.85%, un error cuadrático medio (RMSE) de 0.61% y un error absoluto medio (MAE) de 0.42%. Además, más del 90% de los errores se encontraban en el rango de ±1%, lo que indica una estimación consistente y precisa.
El modelo mostró una excelente estabilidad en diferentes condiciones:
- Variaciones de temperatura: Aunque las baterías de iones de litio se ven afectadas por cambios de temperatura, el modelo mantuvo un MAE inferior a 0.45% y un RMSE menor a 0.58% en todo el rango de 5°C a 35°C.
- SOC inicial de carga: El modelo presentó consistencia con un MAE no superior a 0.42% y un RMSE menor a 0.57% para diferentes valores iniciales de SOC, demostrando que no se ve afectado por el punto de partida del proceso de carga.
- Estado de salud: Pruebas con baterías en diferentes estados de deterioro (SOH de 0.925 a 1.0) mostraron que el modelo sigue proporcionando estimaciones precisas, lo que indica su capacidad para adaptarse al envejecimiento de las baterías.
Comparación con otros modelos
La superioridad del modelo CNNGRUM se confirmó al compararlo con otros enfoques, como una red CNN simple, una red GRU simple y un modelo tradicional CNN-GRU apilado. En todos los indicadores de error, el modelo CNNGRUM mostró mejores resultados:
- En comparación con la CNN simple, el porcentaje de errores en el rango de 0% a 0.5% aumentó significativamente.
- Frente a la GRU simple, se lograron reducciones en los errores promedio de más del 18%.
- El modelo tradicional CNN-GRU apilado presentó errores mayores, lo que demuestra la eficacia de la arquitectura híbrida propuesta.
Importancia de la característica AC
Un experimento de ablación evaluó la importancia de la carga acumulada (AC) como característica de entrada. Al eliminar AC del conjunto de variables, se observaron aumentos significativos en los errores: el error absoluto máximo creció en 4.03%, el RMSE en 0.13% y el MAE en 0.08%. Esto demuestra que la carga acumulada proporciona información crucial sobre la historia de carga de la batería, complementando las mediciones instantáneas de corriente, tensión y temperatura.
Aplicaciones prácticas y perspectivas
El método desarrollado tiene aplicaciones clave en la industria automotriz eléctrica. Una estimación precisa del SOC mejora la experiencia del conductor al reducir la incertidumbre sobre la autonomía restante, aumentando la confianza en los vehículos eléctricos. Además, permite a los sistemas de gestión de baterías (BMS) optimizar el uso de la batería, prolongando su vida útil y garantizando su seguridad.
Técnicamente, el modelo CNNGRUM puede implementarse en BMS onboard después de ser entrenado en la nube, aprovechando los datos de operación real de flotas de vehículos. Esta arquitectura permite actualizar los modelos constantemente, adaptándose a diferentes condiciones y tipos de baterías.
Perspectivas futuras incluyen la extensión del método para incluir estimaciones durante los procesos de descarga, la integración con otros estados de la batería como el estado de salud (SOH) y la optimización de la eficiencia computacional para facilitar su implementación en hardware de bajo costo.
Conclusión
El desarrollo del modelo CNNGRUM representa un avance significativo en la estimación del SOC para baterías LFP en vehículos eléctricos. Al combinar redes convolucionales y recurrentes, y aprovechar datos de operación real, el modelo supera las limitaciones de métodos anteriores, proporcionando estimaciones precisas incluso en la región plana de la curva OCV-SOC.
Los resultados obtenidos demuestran que el deep learning es una herramienta poderosa para resolver problemas complejos de gestión de baterías. La capacidad del modelo para adaptarse a variaciones de temperatura, estados de salud y perfiles de carga hace que sea especialmente adecuado para aplicaciones en el mundo real, contribuyendo a la mejora de la eficiencia, seguridad y confiabilidad de los vehículos eléctricos.