Thermo-Relational State Inference for Lithium-Ion Battery SOC Estimation under Dynamic Thermal Excitation

La vida moderna funciona con energía almacenada. Desde los coches eléctricos que se deslizan silenciosamente por las calles de la ciudad hasta los enormes bancos de baterías que estabilizan la red eléctrica, las baterías de iones de litio son los motores silenciosos de nuestro futuro electrificado. Sin embargo, estas baterías no son simples contenedores de potencia; son sistemas químicos complejos que cambian su comportamiento dependiendo de si hace calor o frío. Para utilizarlas de forma segura y eficiente, un sistema informático dentro del dispositivo debe conocer constantemente cuánta energía queda exactamente. Esto se llama "estado de carga". Si el sistema adivina mal, un coche podría detenerse inesperadamente, o una batería podría dañarse por ser descargada demasiado. El desafío es que la relación entre lo que podemos medir —como el voltaje en los terminales de la batería— y la energía real en su interior no es fija. Esta se desplaza y se deforma a medida que la batería se calienta durante el uso o se enfría durante el invierno.

Durante años, los ingenieros han intentado construir mejores formas de rastrear este nivel de energía. Muchos enfoques se basan en observar el historial de la batería: qué pasó hace un segundo, hace un minuto o hace una hora. Pero estos métodos a menudo tratan la temperatura de la batería como un número de fondo simple, como una etiqueta estática en una caja. No logran comprender que la temperatura en sí misma es un objetivo móvil que cambia cómo el comportamiento pasado de la batería se relaciona con su estado presente. Una lectura de voltaje específica hoy podría significar algo completamente diferente que esa misma lectura de voltaje ayer si la batería estuviera a una temperatura distinta. Esta desconexión se vuelve crítica cuando una batería es sometida a una excitación térmica dinámica, una forma elegante de decir que está siendo calentada y enfriada rápidamente mientras está bajo una carga pesada, como durante una conducción rápida o un estallido repentino de potencia.

Un equipo de investigadores ha desarrollado un nuevo método para resolver este problema específico, creando un sistema que trata la historia térmica de la batería como una parte viva y palpitante del cálculo. En lugar de simplemente añadir la temperatura actual a una lista de entradas, su nuevo sistema, al que llaman Red de Inferencia de Estado Termorelacional (Thermo-Relational State Inference Network), reescribe activamente el significado de las mediciones eléctricas basándose en cómo está cambiando la temperatura. Hace dos preguntas para cada dato: ¿qué está haciendo la temperatura ahora mismo? y ¿en qué se diferencia este momento de los momentos anteriores? Al responder a estas preguntas, el sistema puede entender que dos señales eléctricas idénticas pueden representar cantidades de energía diferentes si ocurrieron bajo diferentes condiciones térmicas.

Los investigadores probaron este nuevo enfoque utilizando un perfil de conducción del mundo real conocido como LA92, que imita la naturaleza de paradas y arranques de la conducción urbana. Utilizaron un tipo específico de celda de batería, la Panasonic NCR18650PF, y la sometieron a un entorno térmico cambiante donde la temperatura del aire circundante variaba de unos 10 grados Celsius a 25 grados Celsius. En esta prueba, la temperatura de la superficie de la batería y la temperatura del aire se midieron por separado, lo que permitió al sistema ver exactamente cómo reaccionaba la batería al cambio de calor. El objetivo era ver si el nuevo sistema podía rastrear el nivel de energía de la batería con mayor precisión que los métodos existentes cuando las condiciones térmicas están en constante flujo.

Los resultados fueron sorprendentes. El nuevo sistema rastreó el nivel de energía de la batería con un error promedio de solo 0,47 por ciento. Para poner esto en perspectiva, si estuvieras tratando de adivinar el peso de un objeto de 100 kilogramos, este sistema fallaría por menos de medio kilogramo. En comparación, el método existente más sólido utilizado para esta prueba cometió errores más del doble de grandes, fallando el objetivo por un promedio de 1,24 por ciento. El nuevo sistema también redujo el tamaño de sus errores más grandes en un 65 por ciento en comparación con el mejor enfoque anterior. Esto significa que no solo la estimación promedio fue mejor, sino que el sistema también evitó los grandes saltos repentinos en el error que pueden ocurrir cuando la temperatura de una batería cambia rápidamente.

Lo que hace posible este logro es un cambio en la forma en que la computadora piensa sobre el tiempo y el calor. Los investigadores construyeron un sistema que no solo mira el pasado de la batería en una línea recta. En su lugar, crea un "campo de relación térmica", un mapa mental que conecta cada momento en la historia de la batería con todos los demás momentos basándose en dos factores: cuánto tiempo ha pasado y qué tan diferente era la temperatura en esos dos momentos. Si la batería estaba caliente hace diez minutos y ahora está fría, el sistema entiende que los datos de hace diez minutos son menos relevantes para el momento actual que si la temperatura se hubiera mantenido igual. Esto permite al sistema ponderar la importancia de los eventos pasados de forma dinámica, en lugar de tratar todos los datos pasados como igualmente útiles.

El sistema también incluye un mecanismo para ajustar las señales eléctricas antes de que sean analizadas. A medida que la temperatura cambia, la química interna de la batería se desplaza, haciendo que las lecturas de voltaje y corriente se comporten de manera diferente. El nuevo sistema utiliza la temperatura actual, la rapidez con la que cambia la temperatura y la diferencia entre la superficie de la batería y el aire circundante para recalibrar automáticamente estas señales eléctricas. Es, esencialmente, traduce los números brutos a un lenguaje que tiene sentido para el entorno térmico actual. Esto sucede en tiempo real, asegurando que el sistema siempre esté interpretando los datos correctamente para las condiciones que enfrenta.

Para demostrar que estas características específicas fueron la razón del éxito, los investigadores realizaron una serie de pruebas donde eliminaron una parte del sistema a la vez. Cuando eliminaron la capacidad de comparar las diferencias térmicas entre el pasado y el presente, la tasa de error aumentó significamente. Cuando reemplazaron el complejo ajuste de temperatura con un método de escalado unidireccional más simple, el sistema se volvió menos estable y cometió errores más grandes. Estas pruebas confirmaron que la mejora no provino de tener más datos o un modelo computacional más grande, sino de la forma específica en que el sistema vinculó los cambios térmicos con la relevancia histórica. El sistema funciona porque modela explícitamente el hecho de que el significado de la señal eléctrica de una batería depende de la historia térmica que la precedió.

El estudio se llevó a cabo utilizando un conjunto de datos disponible públicamente recolectado en la Universidad de Wisconsin–Madison, asegurando que los resultados se basen en mediciones del mundo real en lugar de simulaciones por computadora. Los investigadores fueron cuidadosos al probar su sistema en un perfil de conducción que era completamente separado de los datos utilizados para entrenarlo, demostrando que el sistema puede generalizar a nuevas situaciones. Si bien la prueba se limitó a un tipo específico de batería y a un rango de temperaturas moderado, los hallazgos ofrecen un camino claro para los sistemas de gestión de baterías. Al reconocer que el pasado no es solo una secuencia de eventos, sino una secuencia de estados térmicos cambiantes, este nuevo enfoque proporciona una forma más robusta y precisa de monitorear la energía almacenada en nuestros dispositivos más críticos. Sugiere que el futuro de la gestión de baterías no reside en ignorar el calor, sino en comprender cómo ese calor redefine la historia de la vida de la batería.