⚡ electrical engineering

Ageing-aware Energy Management for Residential Multi-Carrier Energy Systems

Este artículo presenta un controlador predictivo económico no lineal consciente del envejecimiento para edificios electrificados que integra modelos de degradación de baterías basados en física y sistemas térmicos, logrando optimizar los costes de la red y extender la vida útil de las baterías mediante la gestión dinámica de recursos energéticos múltiples.

Autores originales: Darío Slaifstein (Delft University of Technology), Gautham Ram Chandra Mouli (Delft University of Technology), Laura Ramirez-Elizondo (Delft University of Technology), Pavol Bauer (Delft University of

Publicado 2026-04-20

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Darío Slaifstein (Delft University of Technology), Gautham Ram Chandra Mouli (Delft University of Technology), Laura Ramirez-Elizondo (Delft University of Technology), Pavol Bauer (Delft University of Technology)

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que tu casa es como un pequeño ecosistema energético que necesita alimentarse, calentarse y moverse. Este artículo presenta un "cerebro" inteligente para gestionar todo ese sistema, pero con un superpoder especial: sabe cuándo sus baterías están cansadas y cómo cuidarlas.

Aquí tienes la explicación sencilla, usando analogías de la vida diaria:

1. El Problema: El "Cocinero" que solo mira el precio

Imagina que tienes un chef (el sistema de gestión actual) que decide cuándo encender la luz, cuándo usar la calefacción y cuándo cargar tu coche eléctrico.

El problema: Este chef solo mira el precio del mercado. Si la electricidad es barata, carga todo a tope. Si es cara, apaga todo.
La consecuencia: El chef no sabe que, al cargar y descargar las baterías de tu coche o de tu casa de forma agresiva, las está "quemando" por dentro. Es como si un coche de carreras condujera a toda velocidad todo el día solo para ahorrar gasolina, pero terminara rompiendo el motor en un año. Los sistemas actuales no tienen en cuenta que las baterías envejecen y se desgastan.

2. La Solución: El "Médico" con Cristal de Rayos X

Los autores proponen un nuevo sistema (llamado CPBDeg) que actúa como un médico experto con un cristal de rayos X.

No solo mira el precio: Este nuevo sistema sabe exactamente qué pasa dentro de la batería (química, calor, desgaste). Sabe que si la batería es de un tipo (NMC) o de otro (LFP), reacciona de forma distinta.
La analogía del gimnasio: Imagina que las baterías son atletas.
- El sistema antiguo les dice: "¡Corre hasta que te caigas si el premio es bueno!".
- El nuevo sistema dice: "Hoy hace calor y tu rodilla (la batería) está un poco vieja. Vamos a correr un poco menos rápido para que puedas seguir compitiando el próximo año".
El resultado: Logran ahorrar dinero en la factura de la luz sin sacrificar la vida útil de las baterías. De hecho, al cuidarlas mejor, duran más tiempo.

3. Los Tres Trucos Maestros del Sistema

A. El "Equipo de Tres" (Electricidad, Calor y Movilidad)

Tu casa tiene tres formas de guardar energía:

Baterías eléctricas (rápidas, como un sprinter).
Baterías térmicas (agua caliente, lentas, como un maratonista).
Tu coche eléctrico (un atleta que a veces está en casa y a veces fuera).

El sistema antiguo trataba a todos igual. El nuevo sistema sabe que el agua caliente tarda más en enfriarse que la electricidad en gastarse. Por eso, decide: "Ahora guardemos calor en el agua (que es barato y lento) y guardemos electricidad en la batería del coche (que es rápido)". Es como un director de orquesta que sabe cuándo tocar el violín y cuándo el tambor para que suene perfecto.

B. Conocer al "Atleta" (Química de la Batería)

El sistema puede distinguir si tus baterías son de NMC (como las de muchos coches deportivos) o de LFP (más robustas, como las de los camiones).

El hallazgo: Descubrieron que las baterías LFP son como atletas más resistentes. Si el sistema sabe que tienes LFP, las deja trabajar más duro (cargando y descargando más) porque sabe que aguantan mejor. Esto les permite ahorrar un 10% más en la factura de luz en verano y degradar la batería un 20% menos que si usaran las baterías NMC.

C. Adaptarse a la "Edad" (Baterías Viejas vs. Nuevas)

Este es el punto más genial.

Batería nueva: Es como un joven de 20 años. Puede hacer mucho ejercicio, pero el sistema sabe que si lo fuerza demasiado, se desgastará rápido.
Batería vieja (envejecida): Es como un adulto mayor. Ya no tiene tanta energía "calendárica" (desgaste por el paso del tiempo), pero sigue siendo fuerte para el ejercicio diario.
La magia: El sistema detecta que la batería está vieja y cambia su estrategia. En lugar de tratarla como nueva (lo que la destruiría), ajusta el plan para aprovechar lo que le queda de vida útil. Curiosamente, cuanto más vieja es la batería, mejor funciona este nuevo sistema comparado con los antiguos, porque los antiguos siguen tratándola como si fuera nueva y la rompen.

4. ¿Qué gana el vecino de al lado?

Si instalas este sistema en tu casa:

Ahorras dinero: La factura de la luz baja porque el sistema es más inteligente comprando energía barata y vendiéndola cara.
Tu batería vive más: En lugar de que tu batería de coche o de casa dure 5 años, podría durar 8 o 10 años porque el sistema la "cuida" como un buen entrenador.
Menos basura: Alargar la vida de las baterías significa menos residuos tóxicos y menos necesidad de comprar baterías nuevas constantemente.

En resumen

Este artículo nos dice que la inteligencia artificial en las casas no debe ser solo "ahorradora de dinero", sino también "cuidadora de la salud". Al entender la física real de cómo envejecen las baterías, podemos tener un sistema que nos dé energía barata hoy y que siga funcionando perfectamente dentro de muchos años. Es pasar de ser un conductor imprudente a ser un conductor experto que cuida su vehículo.

Resumen Técnico: Gestión de Energía Consciente del Envejecimiento en Sistemas Multiportador Residenciales

1. Problema y Contexto

La descarbonización de los hogares requiere la integración de múltiples portadores de energía (electricidad, calor y movilidad) mediante sistemas de gestión de energía (EMS). Sin embargo, los EMS actuales enfrentan desafíos significativos:

Modelos de Envejecimiento Inadecuados: La mayoría de los EMS utilizan modelos de envejecimiento de baterías empíricos (basados en ajuste de datos) que carecen de capacidad de extrapolación, son dependientes de la química específica y a menudo se aplican fuera de sus condiciones de ajuste, lo que lleva a predicciones inexactas de degradación.
Falta de Integración Física: Se ignora la interacción dinámica entre sistemas eléctricos y térmicos, así como las diferencias en la dinámica de envejecimiento entre nuevas y baterías usadas.
Optimización Cortoplacista: Las estrategias actuales priorizan la reducción de costos de la red a corto plazo, ignorando el impacto en la vida útil de los activos de almacenamiento, lo que resulta en un mayor costo total de propiedad (TCO).

El objetivo del trabajo es desarrollar un controlador predictivo no lineal basado en economía (eMPC) que integre modelos de envejecimiento basados en física (PBROM) para optimizar la operación de sistemas residenciales multiportador, equilibrando el costo de la red y la degradación de las baterías.

2. Metodología

El autor propone un marco de control jerárquico que utiliza un Controlador Predictivo No Lineal Económico (eMPC) con un horizonte de visión (Lookahead).

Modelado Físico (PBROM):
- Se integran modelos de envejecimiento basados en primeros principios (reducción de orden) que distinguen mecanismos específicos de degradación: crecimiento de la capa de interfaz de electrolito sólido (SEI) y pérdida de material activo (AM).
- A diferencia de los modelos empíricos, estos modelos permiten diferenciar entre quimistías de cátodo (NMC vs. LFP) y estados de salud (SoH) de la batería (nuevas vs. usadas).
- Se utilizan dos submodelos: uno de rendimiento (Modelo de Circuito Equivalente de primer orden - ECM) y uno de envejecimiento que actualiza dinámicamente los parámetros del modelo de rendimiento (capacidad $Q$ y resistencia interna $R_0$ ).
Estrategia de Control (eMPC):
- Objetivo: Minimizar una función de costo compuesta por: costo de energía de la red, costo de degradación de la capacidad ( $C_{loss}$ ) y penalizaciones por no cumplir con la carga requerida del vehículo eléctrico (VE) al salir.
- Conjuntos Terminales Flexibles: Se diseñan condiciones terminales específicas para cada sistema de almacenamiento para manejar sus diferentes dinámicas:
  - BESS (Batería Estacionaria): Condición periódica flexible (no fija al 50%) para permitir arbitraje diario.
  - VE: Seguimiento suave (soft-tracking) del estado de carga (SoC) en el momento de salida.
  - TESS (Almacenamiento Térmico): Sin condición terminal estricta, operando bajo su constante de tiempo natural.
- Simulador de Alta Fidelidad: Se utiliza un simulador (basado en LiiBRA.jl y PyBaMM) que actúa como "gemelo digital" para validar las decisiones del controlador, proporcionando retroalimentación precisa sobre el estado de salud real de las baterías.

3. Contribuciones Clave

Integración de PBROM en EMS Multiportador: Es uno de los primeros trabajos en integrar modelos de envejecimiento físicos complejos directamente en la optimización de un sistema que incluye electricidad, calor y movilidad, permitiendo un intercambio explícito entre costo de red y vida útil.
Diferenciación de Quimistías y Estado de Salud: El algoritmo puede distinguir entre celdas NMC y LFP, así como entre baterías nuevas y envejecidas (SoH < 100%), adaptando la estrategia de despacho en tiempo real.
Estrategia de Envejecimiento Consciente: Demuestra que es posible reducir la degradación por ciclo ( $\partial Q_{loss}/\partial FEC$ ) sin sacrificar significativamente el ahorro en la factura eléctrica, pasando de una estrategia de "minimización de factura" a una de "Costo Total de Propiedad".
Validación en Escenarios Reales: Se evalúa el sistema con perfiles de carga reales, precios de mercado y condiciones estacionales (verano/invierno).

4. Resultados Principales

El estudio se basó en tres casos de prueba comparando tres controladores:

BNoDeg: Modelo de cubo (bucket) sin degradación.
CEmpDeg: Modelo ECM con envejecimiento empírico.
CPBDeg (Propuesto): Modelo ECM con envejecimiento basado en física (PBROM).

Hallazgos Cuantitativos:

Comparación de Modelos (Caso 1): El controlador CPBDeg logró un 10% menos de degradación que el controlador sin degradación (BNoDeg) manteniendo un costo de red comparable. El modelo empírico (CEmpDeg) subestimó la degradación real y fue menos eficiente.
Quimistías (Caso 2 - NMC vs. LFP):
- Las baterías LFP gestionadas por CPBDeg mostraron un 10% de reducción en costos de red y un 20% menos de degradación en comparación con las NMC durante el verano.
- El modelo basado en física permitió explotar las ventajas de la química LFP (menor sensibilidad al envejecimiento por SEI) de manera dinámica.
Baterías Usadas (Caso 3 - SoH 90% vs. 100%):
- El controlador CPBDeg mejoró su rendimiento relativo a medida que la batería envejecía. En verano, logró una reducción del 6% en el costo de la red y una reducción del 30-45% en la degradación en comparación con el controlador lineal (BNoDeg) cuando se usaban baterías envejecidas.
- Esto se debe a que el modelo PBROM identifica el cambio en los mecanismos dominantes de degradación (de SEI a pérdida de material activo) a medida que la batería envejece.
Costo Computacional: El aumento en la complejidad del modelo PBROM no fue prohibitivo; los tiempos de cálculo se mantuvieron entre 1 y 5 segundos por paso de tiempo, viables para aplicaciones en tiempo real.

5. Significado e Impacto

Este trabajo representa un avance significativo en la gestión de energía residencial al demostrar que:

Viabilidad Técnica: Los modelos de envejecimiento basados en física, aunque no lineales y complejos, pueden integrarse exitosamente en controladores predictivos para sistemas multiportador sin comprometer la velocidad de cálculo.
Beneficio Económico: La adopción de estrategias "conscientes del envejecimiento" extiende la vida útil de las baterías, reduciendo la frecuencia de reemplazo y mejorando el Valor Actual Neto (VAN) del sistema energético residencial.
Flexibilidad de Diseño: Permite a los usuarios y diseñadores de sistemas optimizar la elección de tecnologías (ej. preferir LFP sobre NMC) basándose en datos físicos reales y no solo en especificaciones estáticas.
Escalabilidad: Aunque el estudio se centra en residencias, la metodología es transferible a sectores comerciales e industriales y a microrredes, ofreciendo una base para una transición energética más sostenible y económicamente eficiente.

En conclusión, el artículo establece que la integración de la física de degradación en la capa de control superior es esencial para maximizar el valor de los activos de almacenamiento en la era de la electrificación de la energía.