A Repeated Measurements Approach to $SoH$ Battery Modelling of Cyclic Aged Data in a Laboratory Environment

Las baterías son los motores silenciosos del mundo moderno, impulsando todo, desde los teléfonos en nuestros bolsillos hasta los coches en nuestras carreteras. Sin embargo, como todos los seres vivos, envejecen. Con el tiempo, las reacciones químicas dentro de una celda de batería se degradan, lo que provoca que almacene menos energía de la que tenía cuando era nueva. Los científicos llaman a esto el "estado de salud", una medida de cuánta vida le queda a una batería antes de fallar. Comprender exactamente cómo y por qué sucede esto es crucial para construir sistemas de almacenamiento de energía mejores, más seguros y de mayor duración. En un entorno de laboratorio, los investigadores pueden observar este proceso desarrollarse sometiendo las celdas de batería a ciclos repetidos de carga y descarga, de forma muy similar al latido de un corazón. No obstante, observar el envejecimiento de una sola batería no es suficiente; para comprender la verdadera naturaleza de la vida de una batería, los científicos deben observar muchas baterías a la vez, rastreando cómo cambian con el tiempo y cómo difieren entre sí. El desafío reside en los datos mismos: no son solo una colección de puntos aleatorios, sino una serie de historias conectadas, donde cada batería tiene su propio camino único de declive, influenciado tanto por las condiciones de la prueba como por sus propias peculiaridades internas.

En un estudio reciente, investigadores de la Universidad de Loughborough y la Universidad Oxford Brookes abordaron esta complejidad mediante el desarrollo de una nueva forma de modelar cómo envejecen las baterías. Trabajaron con diez celdas de batería específicas, todas fabricadas con un cátodo de níquel-cobalto-aluminio y un ánodo de grafito-silicio, que son comunes en aplicaciones de alto rendimiento. Estas celdas fueron colocadas en un entorno controlado a una temperatura constante de 25 grados Celsius y sometidas a un riguroso protocolo de prueba. Cada celda se descargó a una tasa constante, pero la corriente de carga fue variada, con algunas celdas cargadas a 1 amperio y otras a tasas más altas de hasta 5 amperios. Cada cincuenta ciclos, los investigadores hicieron una pausa para medir la capacidad de la celda, calculando exactamente cuánta energía había perdido en comparación con su estado original. Este proceso continuó hasta que las celdas fallaron, generando un rico conjunto de datos que mostraba no solo cuánta capacidad se perdió, sino cómo cambió la tasa de pérdida a lo largo del tiempo para cada celja individual.

Los investigadores descubrieron que el envejecimiento de estas baterías seguía un patrón predecible que podía describirse mediante una relación matemática simple conocida como ley de potencia. Esto significa que la pérdida de capacidad no ocurre en una línea recta; en cambio, se acelera o desacelera de una manera específica dependiendo de cómo se utilice la batería. Sin embargo, un modelo simple que observa cada batería de forma aislada pierde una pieza crítica del rompecabezas. No tiene en cuenta el hecho de que, si bien cada batería es única, todas comparten una historia común y están sujetas a las mismas leyes físicas. El equipo se dio cuenta de que los datos contenían dos tipos distintos de variación. El primero era el ruido pequeño y aleatorio que ocurre durante cada medición, como un ligero temblor en una regla. El segundo era la diferencia genuina entre las celdas, donde una batería podría envejecer un poco más rápido o más lento que otra incluso bajo condiciones idénticas. Para capturar esto, construyeron un modelo jerárquico, una estructura que trata los datos como un conjunto de historias anidadas: la historia individual de cada celda situada dentro de la historia más amplia de todo el grupo.

Para dar sentido a esta estructura compleja, los investigadores emplearon un enfoque estadístico sofisticado que les permitió separar el ruido de la señal. Utilizaron un método que esencialmente suaviza los errores aleatorios mientras preserva las diferencias reales entre las celdas. Esta técnica, que implica un proceso llamado regularización, ayuda a evitar que el modelo reaccione de forma exagerada ante fluctuaciones menores en los datos, asegurando que la imagen final sea clara y fiable. También desarrollaron una forma de detectar y eliminar automáticamente los puntos de datos que eran claramente erróneos o valores atípicos, como una medición que de repente saltara muy lejos del camino esperado, lo que podría sesgar los resultados. Al hacer esto, se aseguraron de que su modelo estuviera construido sobre la representación más precisa posible de la realidad.

Los resultados de este enfoque fueron sorprendentemente precisos. El modelo fue capaz de predecir el estado de salud de las baterías con una precisión de dentro de un 0,191 por ciento para los datos de entrenamiento específicos presentados. Este nivel de precisión es significativo porque demuestra la capacidad del modelo para ajustarse eficazmente a los datos observados en el laboratorio. Además, el modelo proporcionó una forma de calcular intervalos de confianza, que son rangos que muestran qué tan segura es la predicción. Por ejemplo, los investigadores podrían decir con alta confianza que la capacidad restante de una batería caería dentro de una banda muy estrecha, proporcionando a los ingenieros una herramienta fiable para la planificación. El estudio también reveló que las diferencias entre las celdas eran bastante pequeñas, lo que sugiere que, cuando se fabrican bajo condiciones controladas, estas baterías son notablemente consistentes. Sin embargo, el modelo también destacó que la tasa de envejecimiento está fuertemente influenciada por la corriente de carga, con corrientes más altas que conducen a diferentes patrones de degradación.

Este trabajo representa un paso significativo hacia adelante en nuestra comprensión del envejecimiento de las baterías. Al tratar los datos como una colección de mediciones repetidas en lugar de puntos aislados, los investigadores crearon un modelo que refleja la verdadera estructura del proceso de envejecimiento. Reconoce que, si bien cada batería tiene su propia personalidad, todas siguen las mismas reglas fundamentales. El modelo es una herramienta práctica para analizar datos controlados de laboratorio, pero los investigadores señalan que aplicar este modelo a escenarios del mundo real requiere modificaciones. En aplicaciones del mundo real, como los vehículos eléctricos, el estrés de envejecimiento aplicado al paquete de baterías varía con las condiciones ambientales, las prácticas de carga y el uso del cliente. En consecuencia, la estructura del modelo debe adaptarse para manejar estas variables dependientes del tiempo. Aunque el estudio se llevó a cabo en un laboratorio controlado con condiciones constantes, los investigadores sugieren que las extensiones a los protocolos de covariables dependientes del tiempo podrían abordar el problema del análisis en servicio en el mundo real. La capacidad de predecir con precisión cuándo fallará una batería es una capacidad poderosa, una que podría conducir a sistemas de energía más seguros, más eficientes y de mayor duración para el futuro. El estudio confirma que, con las herramientas matemáticas adecuadas, el viaje complejo y a menudo impredecible de la vida de una batería puede mapearse con una claridad notable, siempre que el modelo se ajuste apropiadamente para las condiciones específicas de su uso.