⚡ electrical engineering

Modeling of Non-linear Dynamics of Lithium-ion Batteries via Delay-Embedded Dynamic Mode Decomposition

Este trabajo propone un modelo de datos basado en la descomposición de modos dinámicos con control (DMDc) que utiliza datos de voltaje y corriente de pruebas HPPC para capturar con alta eficiencia computacional la dinámica no lineal de las baterías de iones de litio, logrando predecir con precisión el voltaje terminal en diferentes estados de carga y envejecimiento sin requerir conocimiento detallado de los materiales.

Autores originales: Khalid Mahmud Labib, Shabbir Ahmed

Publicado 2026-02-25

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Khalid Mahmud Labib, Shabbir Ahmed

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 esta investigación es como intentar predecir el comportamiento de un coche de carreras (la batería) sin tener el manual del motor ni saber de mecánica, solo observando cómo se mueve y qué hace el conductor.

Aquí tienes la explicación de este trabajo científico, traducida a un lenguaje sencillo y con analogías divertidas:

🏁 El Problema: La Batería es un "Mago" Difícil de Entender

Las baterías de iones de litio (las que tienen tu teléfono o tu coche eléctrico) son como cajas negras mágicas. Por dentro, tienen reacciones químicas complejas que cambian con el tiempo, el calor y el uso.

Los ingenieros necesitan saber exactamente qué va a pasar con la batería (¿cuánta energía le queda? ¿Cuándo va a fallar?) para controlar los coches y aviones.

El problema: Los modelos tradicionales son como intentar adivinar el clima mirando solo una nube. O bien son demasiado complicados (requieren saber la química exacta de los materiales) o son demasiado simples (como un dibujo de un circuito eléctrico que no capta la realidad).

🕵️‍♂️ La Solución: El "Detective de Datos" (DMD)

Los autores, Khalid y Shabbir, propusieron una nueva forma de mirar la batería. En lugar de intentar entender la química interna, decidieron usar un método llamado Descomposición de Modos Dinámicos (DMD).

Imagina que la batería es un instrumento musical (como un violín).

Si tocas una cuerda, el sonido cambia con el tiempo.
En lugar de estudiar la madera, las cuerdas y el barniz (la física interna), el método DMD simplemente escucha la melodía (el voltaje) y trata de adivinar la siguiente nota.

🧱 El Truco: La "Escalera de Tiempo" (Embedding)

Aquí viene la parte genial. Como solo tenían un dato (el voltaje), el sistema no podía ver el "futuro" solo mirando el presente.

La analogía: Imagina que intentas predecir si va a llover mirando solo el suelo mojado de ahora. Es difícil. Pero si miras el suelo de hace 1 minuto, hace 2 minutos y hace 3 minutos, puedes ver la tendencia.
La técnica: Crearon una "escalera de tiempo" (llamada matriz de Hankel). En lugar de mirar un solo punto de voltaje, miraron una pila de puntos pasados (como si el sistema tuviera memoria). Esto les permitió ver patrones ocultos en el caos.

🎮 El Control: El "Volante" del Coche (DMDc)

El modelo básico (DMD) es como un coche que va solo por la carretera. Pero una batería depende de la corriente que le inyectas (cargar o descargar).

La mejora (DMDc): Introdujeron el control. Ahora, el modelo no solo mira el voltaje pasado, sino que también mira qué le pidió el conductor (¿estás acelerando o frenando?).
Resultado: Al incluir la corriente como una "instrucción" en el modelo, las predicciones se volvieron mucho más precisas. Fue como pasar de un coche autónomo que se pierde, a uno con un GPS y un conductor experto.

🧪 El Experimento: Entrenando a un "Atleta"

El entrenamiento: Usaron una batería nueva y saludable. Le dieron una serie de "ejercicios" (cargas y descargas rápidas, llamadas pruebas HPPC).
El truco de la magia: Tomaron solo el 60% de los datos de cuando la batería estaba nueva para "enseñarle" al modelo cómo funciona.
La prueba de fuego: Luego, usaron ese mismo modelo (que nunca vio una batería vieja) para predecir lo que pasaría cuando la batería estuviera vieja y desgastada (después de cientos de ciclos).

🏆 Los Resultados: ¡Funcionó!

Precisión: El modelo con control (DMDc) fue increíblemente preciso. Predijo el voltaje futuro con un error casi nulo, incluso cuando la batería envejecía.
Robustez: Aunque la batería se degradó (como un atleta que envejece y se cansa más rápido), el modelo logró capturar esos cambios simplemente ajustando la "instrucción" de la corriente, sin necesidad de reprogramar todo el cerebro del modelo.
Ventaja: A diferencia de otros modelos de "caja negra" (como las redes neuronales que no sabes por qué funcionan), este modelo es transparente. Puedes ver sus "modos" y entender cómo se comporta, como si pudieras ver las piezas del reloj funcionando.

💡 En Resumen

Este paper nos dice: "No necesitas ser un químico para entender una batería".

Si solo observas cuidadosamente el voltaje y la corriente a lo largo del tiempo, y usas un poco de matemáticas inteligentes (DMD) para crear una "memoria" de los datos, puedes predecir el futuro de la batería con gran precisión, incluso cuando está vieja. Es como enseñarle a un robot a conducir un coche eléctrico solo mostrándole cómo se mueve el volante y el velocímetro, sin explicarle la teoría de la combustión.

¡Es una forma más rápida, barata y clara de gestionar la energía del futuro! 🔋🚀

Resumen Técnico: Modelado de la Dinámica No Lineal de Baterías de Iones de Litio mediante Descomposición de Modos Dinámicos Incrustados con Retardo

1. Planteamiento del Problema

Las baterías de iones de litio exhiben un comportamiento electroquímico complejo que resulta en dinámicas no lineales. La gestión y el control efectivos de estos sistemas requieren modelos precisos que puedan rastrear la degradación a lo largo del tiempo y el uso.

Limitaciones de los modelos existentes:
- Modelos basados en física (ECM y PDE): Requieren un conocimiento profundo de los materiales y parámetros físicos, lo cual es difícil de obtener y computacionalmente costoso. Además, su precisión depende de la topología del circuito elegida.
- Modelos puramente basados en datos (Machine Learning): A menudo carecen de interpretabilidad y explicabilidad ("cajas negras").
- Modelos SINDy y NARX: Pueden tener dificultades para proporcionar matrices de transición de estado (A) y entrada (B) directamente, son sensibles al ruido y requieren derivadas temporales.
El desafío específico: La mayoría de los enfoques de datos requieren variables derivadas como el Estado de Carga (SoC) o la capacidad, las cuales no siempre están disponibles directamente y deben estimarse. El objetivo es modelar la dinámica no lineal utilizando únicamente datos de voltaje y corriente crudos, sin necesidad de conocimiento físico detallado ni estimación de estados internos.

2. Metodología

Los autores proponen un marco de trabajo basado en datos que utiliza la Descomposición de Modos Dinámicos (DMD) y su variante con control (DMDc), combinadas con una incrustación de retardo temporal (Delay-Embedded) mediante matrices de Hankel.

Adquisición de Datos: Se utilizaron pruebas de Caracterización de Potencia de Pulso Híbrido (HPPC) en una batería de iones de litio de 30 Ah. Los datos incluyen voltaje terminal y corriente durante ciclos de carga/descarga en diferentes estados de carga (SoC) y niveles de degradación (envejecimiento).
Construcción del Espacio de Estados (Matriz de Hankel):
- Dado que solo se dispone de una salida (voltaje), se construyó una matriz de Hankel a partir de la serie temporal de voltaje para crear un espacio de estados de mayor dimensión.
- Se probaron dimensiones de incrustación ( $m$ ) desde 40 hasta 2000. La dimensión óptima encontrada fue 1810, lo que permitió capturar las dependencias temporales no lineales.
Formulación del Modelo:
- DMD Estándar: Busca un operador lineal $A$ tal que $x_{k+1} = Ax_k$ .
- DMD con Control (DMDc): Busca operadores lineales $A$ y $B$ tal que $x_{k+1} = Ax_k + Bu_k$ , donde $u_k$ es la corriente de entrada.
- Se aplicó una incrustación de retardo también a la señal de entrada (corriente). La dimensión óptima para la entrada fue 6.
Entrenamiento y Validación:
- Se utilizó el 60% de los datos de un ciclo HPPC en estado saludable para identificar las matrices del sistema ( $A$ y $B$ ).
- El 40% restante se utilizó para validación.
- Se evaluó la capacidad del modelo para predecir la dinámica en ciclos futuros y en baterías degradadas (hasta el ciclo 360) manteniendo las matrices $A$ y $B$ fijas (identificadas en estado saludable) y actualizando solo la entrada de control.

3. Contribuciones Clave

Modelado Lineal de Dinámicas No Lineales: Demostración de que la dinámica no lineal compleja de una batería puede ser capturada eficazmente dentro de un marco de espacio de estados lineal e interpretable mediante el uso de incrustaciones de retardo (Hankel).
Independencia de Variables Derivadas: El modelo no requiere el conocimiento previo o la estimación del SoC o la capacidad; utiliza únicamente las mediciones crudas de voltaje y corriente.
Robustez ante la Degradación: Se demostró que las matrices del sistema identificadas en una batería nueva pueden utilizarse para simular con precisión el comportamiento de una batería degradada, actualizando solo la entrada de corriente. Esto sugiere que la dinámica interna subyacente se mantiene capturada por el modelo lineal incluso con efectos no lineales de degradación.
Superioridad del DMDc: Se estableció que la inclusión explícita de la corriente como entrada de control (DMDc) mejora significativamente la precisión en comparación con el DMD estándar.

4. Resultados

Precisión del Modelo:
- DMD Estándar: Con una dimensión de incrustación de 1810, el error de suma de cuadrados residuales (RSS) fue de 30.
- DMDc (con entrada): Con una dimensión de incrustación de salida de 1810 y de entrada de 6, el RSS se redujo drásticamente a 1.74 (y hasta 1.29 en ciertas configuraciones reportadas en la conclusión).
Predicción a Largo Plazo:
- El modelo DMDc mantuvo una alta precisión en horizontes de predicción largos (más de 10 horas), capturando con éxito las caídas de voltaje y las respuestas transitorias.
- El modelo DMD estándar mostró desviaciones significativas después de ~6.5 horas.
Evaluación en Baterías Degradadas:
- Al aplicar el modelo entrenado en estado saludable a ciclos posteriores (ej. ciclo 360), el DMDc mantuvo un RSS entre 20 y 80, mientras que el DMD estándar osciló entre 30 y 143.
- El modelo logró reproducir fielmente los perfiles de voltaje de pulsos de carga/descarga incluso en estados de degradación avanzada, capturando cambios en la dinámica inducidos por el envejecimiento.

5. Significado e Impacto

Este trabajo presenta un avance significativo en el modelado de baterías al ofrecer una alternativa interpretable y eficiente computacionalmente a los modelos de circuitos equivalentes (ECM) y a las redes neuronales profundas.

Gestión de Baterías (BMS): El enfoque permite la integración en sistemas de gestión de baterías para la estimación de estado y la predicción de vida útil sin necesidad de sensores internos complejos o modelos electroquímicos pesados.
Diagnóstico Adaptativo: La capacidad de utilizar un modelo lineal identificado en estado saludable para monitorear baterías degradadas abre nuevas vías para el desarrollo de marcos de diagnóstico y pronóstico adaptativos en tiempo real.
Generalización: La metodología no está limitada a las baterías de iones de litio y podría extenderse a otras tecnologías de almacenamiento de energía que presenten dinámicas no lineales complejas.

En conclusión, el estudio valida que la combinación de incrustación de Hankel y DMD con control es una herramienta poderosa para descomponer y predecir la dinámica no lineal de las baterías, ofreciendo un equilibrio óptimo entre precisión, interpretabilidad y eficiencia computacional.