⚡ electrical engineering

Aging States Estimation and Monitoring Strategies of Li-Ion Batteries Using Incremental Capacity Analysis and Gaussian Process Regression

Este estudio propone una estrategia de monitoreo para estimar el estado de salud y la vida útil restante de celdas de iones de litio previamente desconocidas utilizando análisis de capacidad incremental y un ensemble de regresión por procesos gaussianos, logrando una alta precisión con solo cuatro mediciones diagnósticas a lo largo de la vida de la celda.

Autores originales: Moritz Landwehr, Patrick Hoher, Johannes Reuter

Publicado 2026-03-30

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Moritz Landwehr, Patrick Hoher, Johannes Reuter

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 tienes un coche eléctrico y quieres saber cuánto le queda de vida a su batería antes de que se ponga "vieja" y necesite ser reemplazada. El problema es que, en la vida real, no tenemos un laboratorio gigante que vigile la batería 24/7. Solo tenemos unos pocos momentos donde podemos hacerle una "radiografía" rápida.

Este artículo de investigación es como un manual de supervivencia para predecir la salud de las baterías de litio usando muy poca información. Aquí te lo explico con analogías sencillas:

1. El Problema: "La foto borrosa"

Imagina que quieres saber si una persona está enferma. Lo ideal sería tener un historial médico completo de toda su vida. Pero, en el mundo real, a veces solo tienes una foto de esa persona tomada hace 5 años y otra de hoy.

Lo que hacen los métodos antiguos: Intentan adivinar la salud basándose en miles de datos continuos (como si necesitaran un video de 24 horas).
Lo que hacen estos autores: Se dan cuenta de que con una sola foto (un ciclo de carga rápido) y comparándola con las fotos de otras personas similares, pueden hacer un diagnóstico muy bueno.

2. La Herramienta Mágica: "La Huella Digital de la Batería" (Análisis de Capacidad Incremental)

Las baterías, al envejecer, cambian su forma de "respirar" (cargar y descargar). Si miras la curva de voltaje normal, es como una línea recta aburrida que no te dice mucho.

La analogía: Imagina que la batería es un acordeón. Cuando se envejece, sus pliegues cambian.
La técnica (ICA): Los autores toman esa curva aburrida y la transforman en un mapa de montañas y valles (llamado curva de capacidad incremental).
- Cada pico en este mapa es como una huella digital única de cómo está envejeciendo la batería.
- Si el pico es alto, la batería está joven. Si el pico es bajo y plano, la batería está cansada.
- Lo genial es que estos picos son muy estables: casi todas las baterías del mismo modelo tienen los mismos picos, solo que cambian de tamaño a medida que envejecen.

3. El Cerebro: "El Consejo de Expertos" (Regresión de Procesos Gaussianos)

Aquí es donde entra la inteligencia artificial, pero no de la forma complicada que suena.

El problema: Cada batería es un poco diferente. Una puede envejecer rápido (como un atleta que corre mucho) y otra lento (como alguien que camina). Si usas un solo modelo para todas, te equivocas.
La solución (GPRn): Imagina que tienes un consejo de 8 expertos.
- Cada experto es un "médico" que solo ha estudiado a una batería específica durante toda su vida.
- Cuando llega una batería nueva (que nunca han visto), le preguntan a todos los expertos a la vez.
- El sistema toma la opinión de todos, hace un promedio y te dice: "Creemos que le quedan 3000 ciclos, pero ten en cuenta que el experto 4 está muy preocupado, así que añadamos un margen de seguridad".
- La ventaja: No solo te da un número, sino que te dice cuánto confía en ese número (la incertidumbre). Es como si el médico dijera: "Estoy 90% seguro" en lugar de solo dar un diagnóstico.

4. La Estrategia: "El Viaje con Paradas de Control"

El objetivo final es usar la batería hasta el último segundo posible sin romperla.

La estrategia: En lugar de vigilar la batería cada día (lo cual es caro y molesto), el sistema dice: "Hagamos una parada de control cada cierto tiempo".
Cómo funciona:
1. Haces una carga rápida (el "chequeo").
2. El sistema analiza los "picos" (la huella digital).
3. Calcula cuántos ciclos le quedan, pero resta un margen de seguridad (por si acaso los expertos están equivocados).
4. Te deja usar la batería hasta ese límite seguro.
5. Repites el proceso solo 3 o 4 veces en toda la vida de la batería (que puede durar miles de ciclos).

5. Los Resultados: "¡Funciona!"

Salud (SoH): Pueden decirte qué porcentaje de vida le queda con una precisión increíble (casi perfecta), porque la "huella digital" es muy clara.
Vida útil restante (RUL): Es más difícil predecir exactamente cuándo morirá la batería porque cada una envejece a su ritmo. Aquí el "Consejo de Expertos" brilla, logrando un error muy bajo.
El resultado final: Con solo 4 o 5 paradas de control en toda la vida de la batería, logran usar más del 95% de su capacidad sin que se rompa ni se ponga en peligro.

En resumen

Este paper nos enseña que no necesitamos vigilar una batería todo el tiempo para saber cuándo morirá. Si tomamos una "foto" rápida, analizamos sus huellas digitales internas y consultamos a un consejo de expertos virtuales, podemos sacar el máximo provecho a la batería de tu coche o teléfono, ahorrando dinero y evitando accidentes, todo con muy pocos datos.

Es como tener un oráculo que te dice: "Tu batería está bien, sigue usándola, pero hazme una llamada rápida cada 1000 millas para estar seguros".

Aquí presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Estimación y Estrategias de Monitoreo de Estados de Envejecimiento de Baterías de Iones de Litio Utilizando Análisis de Capacidad Incremental y Regresión de Procesos Gaussianos

Autores: Moritz Landwehr, Patrick Hoher y Johannes Reuter (HTWG University of Applied Sciences, Konstanz, Alemania).

1. Problema y Motivación

El envejecimiento de las baterías de iones de litio impacta directamente en la fiabilidad, seguridad y costos de sistemas como vehículos eléctricos y almacenamiento estacionario. La estimación precisa del Estado de Salud (SoH) y la Vida Útil Remanente (RUL) es crucial para el mantenimiento predictivo y la toma de decisiones económicas.

Sin embargo, existe una brecha significativa entre los métodos académicos y las aplicaciones del mundo real:

Limitación de datos: La mayoría de los enfoques actuales requieren historiales de ciclado extensos y monitoreo continuo de celdas individuales.
Escenarios reales: En muchas aplicaciones (especialmente en baterías de "segunda vida" o flotas), solo se dispone de información dispersa (ej. un único ciclo de diagnóstico) en lugar de datos continuos.
Variabilidad celda a celda: Los métodos que procesan directamente datos temporales densos a menudo fallan al generalizar debido a las variaciones inherentes entre celdas de la misma química.

El objetivo del estudio es estimar el SoH y RUL de celdas previamente no vistas utilizando solo un ciclo de diagnóstico, basándose en datos de envejecimiento (de inicio de vida BOL a fin de vida EOL) de un conjunto de celdas similares.

2. Metodología

A. Dataset y Preprocesamiento

Fuente de datos: Se utilizó el Oxford Battery Degradation Dataset 1, que contiene 8 celdas de litio-cobalto/grafito (740 mAh) cicladas a 40°C hasta un SoH del 80% (entre 3300 y 5300 ciclos).
Análisis de Capacidad Incremental (ICA):
- Se transforma la curva de voltaje-capacidad en una curva de capacidad incremental ($IC = dQ/dV$).
- Esta transformación convierte las mesas de voltaje en picos y valles identificables, correlacionados con mecanismos de degradación (pérdida de inventario de litio, pérdida de material activo, aumento de resistencia óhmica).
- Extracción de Características: Se definieron 5 características clave (F1-F5) de la curva IC, como la altura del pico máximo ( $IC_{peak}$ ), el voltaje correspondiente y las pendientes máximas en intervalos específicos.
- Filtrado: Se aplicó un filtro Butterworth de bajo paso y un promedio móvil para reducir el ruido en la derivación numérica del voltaje.

B. Modelado de Regresión

Se compararon varios algoritmos de aprendizaje automático, pero el enfoque principal fue un Ensamble de Regresión de Procesos Gaussianos (GPRn):

GPR Estándar (Pooled): Entrenado con datos agrupados de todas las celdas. Funciona bien para SoH, pero sufre de sobreajuste (overfitting) en RUL debido a la alta variabilidad entre celdas.
GPRn (Ensamble):
- Se entrena un experto GPR individual para cada celda de entrenamiento.
- Para una nueva celda, el modelo combina las predicciones de todos los expertos en una mezcla finita de Gaussianas.
- Cuantificación de Incertidumbre: El modelo descompone la varianza total en:
  1. Incertidumbre Epistémica: Falta de conocimiento (limitada por el tamaño de la muestra).
  2. Incertidumbre Aleatoria: Variabilidad inherente entre celdas (dominante en RUL).

C. Estrategia de Monitoreo de RUL

Se propone un flujo de trabajo iterativo que opera con mediciones dispersas:

Realizar un ciclo de carga de diagnóstico.
Extraer características ICA.
Estimar RUL conservadoramente: $\text{RUL}_{cons} = \mu - k \cdot \sigma$ (donde $\mu$ es la media y $\sigma$ la incertidumbre del modelo).
Operar la batería durante ese número de ciclos.
Repetir hasta alcanzar el EOL (definido por un umbral de RUL conservador o SoH < 80%).

3. Contribuciones Clave

Desarrollo de GPRn: Derivación de un regresor de ensamble que combina GPs individuales para manejar la variabilidad celda a celda, superando las limitaciones de los modelos agrupados.
Comparativa de Rendimiento: Evaluación exhaustiva de GPRn frente a métodos estándar (Polinomios, FFNN, SVR, GPR simple) para SoH y RUL.
Estrategia de Monitoreo Adaptativo: Derivación de una estrategia operativa que utiliza la cuantificación de incertidumbre para equilibrar la seguridad y la maximización de la vida útil con solo 3-5 mediciones en toda la vida de la batería.
Ajuste de Hiperparámetros: Optimización cuantitativa del parámetro de conservadurismo ( $k$ ) y los epochs de entrenamiento para minimizar errores y riesgos de sobre-ciclado.

4. Resultados

Estimación de SoH

La relación entre características ICA y SoH es casi invariante entre celdas.
Precisión: Todos los modelos (incluyendo SVR y GPR simple) lograron un error absoluto medio normalizado (NMAE) bajo.
Mejor modelo: SVR obtuvo el mejor rendimiento con un NMAE de 1.3% y un error máximo de 1.01%. El GPRn fue ligeramente peor debido a que la variabilidad entre celdas es baja para SoH, por lo que agrupar datos (GPR simple) reduce la incertidumbre epistémica.

Estimación de RUL

La relación entre características ICA y RUL es altamente variable entre celdas.
Desempeño: Los modelos agrupados (GPR simple) sufrieron de sobreajuste severo (NMAE alto en prueba).
Mejor modelo: El GPRn fue superior, logrando un NMAE de 5.3% y reduciendo significativamente el error máximo en comparación con otros métodos. Esto demuestra la necesidad de modelar explícitamente la heterogeneidad de la degradación.

Estrategia de Monitoreo

Con un parámetro de conservadurismo $k=2$ $k = 2$ :
- Se requieren en promedio 3 a 5 ciclos de diagnóstico en toda la vida útil (3300-5000 ciclos).
- Se logra una utilización del 90-99% de los ciclos disponibles.
- La tasa de sobre-ciclado (celdas que caen por debajo del 80% de SoH) es mínima (0 en 7 de 8 celdas, 1 en la restante).
- La desviación de SoH al final de la vida es menor al 1% para la mayoría de las celdas.

5. Significado y Conclusión

El trabajo demuestra que es posible estimar con precisión el SoH y RUL de baterías de iones de litio en escenarios con datos dispersos, utilizando únicamente un ciclo de diagnóstico y un conjunto de referencia de celdas similares.

Innovación Técnica: La combinación de ICA (para extraer características físicas interpretables) con GPRn (para manejar la incertidumbre y variabilidad) es clave para la robustez del modelo.
Impacto Práctico: La estrategia propuesta permite operar baterías de manera segura desde el inicio hasta el fin de su vida útil sin necesidad de monitoreo continuo costoso. Esto es particularmente valioso para aplicaciones de segunda vida, donde el historial de uso es desconocido.
Futuro: Los autores sugieren mejorar el modelo incorporando tendencias de degradación de la celda objetivo a medida que se acumulan más mediciones, lo que permitiría ajustar los pesos del ensamble y reducir aún más la incertidumbre aleatoria.

En resumen, el estudio valida un enfoque eficiente en datos que equilibra la seguridad operativa con la maximización de la vida útil, resolviendo el problema de la escasez de datos en el diagnóstico de baterías.