⚡ ingeniería eléctrica

Activation-Grade-Scheduled Predictive Control for Battery–Supercapacitor Electric-Vehicle Energy Management

Este artículo propone un controlador predictivo con programación de grado de activación con una extensión de cribado de candidatos (M6) para vehículos eléctricos de batería y supercondensador que elimina con éxito las violaciones de agotamiento de la reserva del supercondensador, pero introduce un compromiso al aumentar el estrés de la corriente de la batería y los errores de tensión del enlace de CC en comparación con el control convencional de peso fijo.

Autores originales: Vo Thanh Ha, Nguyen Van Hai, Vo Quang Vinh, Nguyen Duy Trung

Publicado 2026-10-21

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Vo Thanh Ha, Nguyen Van Hai, Vo Quang Vinh, Nguyen Duy Trung

Artículo original bajo licencia CC BY 4.0 (https://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

Los vehículos eléctricos modernos dependen de una única y masiva batería para alimentar todo, desde el motor hasta el aire acondicionado. Si bien estas baterías son excelentes para almacenar grandes cantidades de energía, tienen dificultades cuando se les exige manejar ráfagas repentinas y violentas de potencia, como una aceleración rápida o un frenado brusco. Estos picos agudos en la demanda pueden sobrecalentar la batería, desgastarla prematuramente e incluso hacer que el sistema eléctrico del vehículo se vuelva inestable. Para resolver esto, los ingenieros suelen emparejar la batería principal con un supercapacitor, un dispositivo que actúa como un amortiguador de alta velocidad para la electricidad. Este puede liberar o absorber energía casi instantáneamente, suavizando los bordos rugosos de la conducción. Sin embargo, añadir simplemente un segundo dispositivo no es suficiente; el vehículo necesita un cerebro inteligente para decidir exactamente cuándo usar la batería y cuándo recurrir al supercapacitor. Si el cerebro toma la decisión equivocada, el supercapacitor podría quedarse sin energía demasiado pronto, o la batería aún podría sufrir daños.

Investigadores de la Universidad de Transporte y Comunicaciones y de la Universidad de Energía Eléctrica en Vietnam han desarrollado una nueva forma de gestionar esta asociación. Crearon un sistema de control que actúa como un gestor de tráfico dinámico, ajustando constantemente sus prioridades basándose en cómo conduce el coche. En lugar de utilizar un conjunto fijo de reglas, este sistema observa la demanda de la carretera y el estado de ambos depósitos de energía. Cuando el coche enfrenta un aumento repentino en las necesidades de potencia, el sistema cambia automáticamente su enfoque para proteger la batería, permitiendo que el supercapacitor realice el trabajo pesado. Cuando la conducción es fluida, relaja su guardia para asegurar que el supercapacitor guarde suficiente energía para el siguiente desafío. El equipo probó este enfoque en una simulación computacional detallada utilizando ciclos de conducción estándar que imitan el tráfico real de ciudad y autopista. Encontraron que, al reajustar constantemente sus prioridades, el nuevo sistema redujo el estrés eléctrico promedio en la batería en aproximadamente un 2,35% a 3,40% en comparación con los métodos estáticos más antiguos. Esta reducción de estrés es significativa porque sugiere que la batería podría durar más y el vehículo podría funcionar de manera más eficiente sin necesidad de componentes más grandes y pesados.

Los investigadores también exploraron una versión más agresiva de su sistema, diseñada para evitar estrictamente que el supercapacitor caiga por debajo de un nivel mínimo seguro de energía. En simulaciones donde el supercapacitor comenzó con una carga baja, esta versión más estricta logró mantener el dispositivo por encima de su umbral de seguridad durante todo el trayecto, mientras que la versión estándar permitió que cayera por debajo del límite cientos de veces. Sin embargo, esta seguridad tuvo un costo. Al obligar al sistema a mantener el supercapacitor en reserva, la batería tuvo que trabajar un poco más, lo que resultó en un pequeño aumento en el estrés eléctrico y un voltaje ligeramente menos estable para la electrónica del vehículo. El estudio destaca un compromiso fundamental en la ingeniería: se puede priorizar la seguridad de un componente o la fluidez de todo el sistema, pero lograr ambos perfectamente al mismo tiempo es difícil. El nuevo método no resuelve el problema por completo, pero proporciona una herramienta flexible que permite a los ingenieros elegir el equilibrio adecuado para sus necesidades específicas.

El trabajo presentado en este artículo es un estudio de simulación, lo que significa que los resultados fueron generados por un modelo computacional en lugar de un coche físico en una carretera. Los investigadores utilizaron modelos matemáticos para representar la batería, el supercapacitor y el motor del vehículo, ejecutando miles de cálculos para ver cómo se desempeñaban diferentes estrategias de control a lo largo del tiempo. Aunque los resultados son prometedores, los autores advierten cuidadosamente que estos hallazgos aún no han sido probados en el mundo real. Los modelos computacionales son versiones simplificadas de la realidad, y factores como los cambios de temperatura, los errores de los sensores o las condiciones inesperadas de la carretera no fueron probados completamente. El equipo reconoce que su sistema depende de un mecanismo de "respaldo"; si la computadora no puede encontrar un camino seguro que mantenga al supercapacitor dentro de sus límites, revierte a un modo menos estricto para mantener el coche en movimiento. Esto significa que el sistema no puede garantizar que el supercapacitor nunca se quede sin energía en todas las situaciones posibles.

A pesar de estas limitaciones, el estudio ofrece un camino claro para mejorar el diseño de los vehículos eléctricos. La idea central es que un sistema de control no debe ser rígido. Así como un conductor ajusta su velocidad y frenado basándose en el tráfico y las condiciones de la carretera, el gestor de energía del vehículo debe adaptar su estrategia en tiempo real. Los investigadores demostraron que, al realizar estos ajustes automáticamente, podrían reducir el desgaste de la batería manteniendo el rendimiento del vehículo. El estudio también enfatizó la importancia de la equidad en el uso de la energía; el sistema fue diseñado para asegurar que el supercapacitor no se agotara por completo, dejando a la batería sola para lidiar con el resto del viaje. Al mantener una pequeña reserva de energía en el supercapacitor, el sistema asegura que el vehículo esté siempre listo para la próxima parada o arranque repentino.

Las implicaciones prácticas de este trabajo se extienden más allá de solo ahorrar un pequeño porcentaje de la vida útil de la batería. A medida que los vehículos eléctricos sean más comunes, la demanda sobre sus sistemas eléctricos solo aumentará. Un sistema que pueda compartir inteligentemente la carga entre diferentes fuentes de energía podría conducir a vehículos más ligeros, más baratos de construir y más fiables a lo largo de su vida útil. Los investigadores planean dar sus siguientes pasos probando estas ideas en hardware real y con modelos más complejos que tengan en cuenta la naturaleza impredecible de la conducción del mundo real. Hasta entonces, su trabajo sirve como una sólida prueba de concepto, mostrando que la clave para mejores vehículos eléctricos no reside en baterías más grandes, sino en formas más inteligentes de gestionar la energía que ya poseen. El estudio concluye que, si bien ninguna solución única es perfecta, la capacidad de programar dinámicamente el uso de la energía ofrece una poderosa nueva herramienta para los ingenieros que se esfuerzan por hacer que el transporte eléctrico sea más eficiente y duradero.

Resumen Técnico: Control Predictivo Programado por Grados de Activación para la Gestión de Energía de Vehículos Eléctricos con Batería–Supercapacitor

Planteamiento del Problema
Los vehículos eléctricos (EV) que utilizan baterías de ion de litio enfrentan un estrés eléctrico significativo debido a los transitorios de tracción de alta potencia, el frenado regenerativo y los cambios rápidos de carga. Estas condiciones aceleran la degradación de la batería mediante el calentamiento óhmico y la carga térmica. Si bien los Sistemas de Almacenamiento de Energía Híbridos (HESS) de Batería–Supercapacitor ofrecen una solución al separar los requisitos de energía (batería) y potencia (supercapacitor), los Sistemas de Gestión de Energía (EMS) existentes a menudo luchan por equilibrar objetivos contrapuestos. Específicamente, el Control Predictivo Basado en Modelo (MPC) convencional depende de coeficientes de ponderación fijos y predefinidos que no pueden adaptarse a las demandas de tracción y estados de almacenamiento que cambian continuamente. Además, las estrategias existentes a menudo no informan explícitamente la equidad de la energía terminal del supercapacitor (SC) junto con las métricas de estrés de la batería, o carecen de pruebas de robustez frente a la incertidumbre de los parámetros y el ruido de los sensores.

Metodología
Los autores proponen un Control Predictivo Programado por Grados de Activación (M5) jerárquico, diseñado para una topología HESS de batería–supercapacitor totalmente activa. La arquitectura del sistema consta de dos capas:

Capa de Supervisión (Programación por Grados de Activación): En lugar de un sistema de lógica difusa que genera directamente comandos de división de potencia, esta capa actúa como un supervisor ligero y determinista que ajusta dinámicamente los pesos de los objetivos internos del MPC. Mapea las condiciones de operación —demanda de potencia de tracción ( $P_{dem}$ ), tasa de cambio de la demanda ( $\Delta P_{dem}$ ), Estado de Carga (SOC) de la batería/SC y el error de voltaje del enlace de CC— en "grados de activación". Estos grados escalan cuatro pesos de costo predictivo:
- $w_I$ : Magnitud de la corriente de la batería.
- $w_{\Delta I}$ : Variación de la corriente de la batería (tasa de respuesta).
- $w_{Vdc}$ : Desviación del voltaje del enlace de CC.
- $w_{SC}$ : Desviación de la energía del SC respecto a una referencia.
  Las severidades de tracción altas o los cambios rápidos de demanda aumentan las penalizaciones sobre la corriente de la batería y su variación, mientras que los errores del enlace de CC aumentan las penalidades de regulación de voltaje. Un término de energía terminal suave desincentiva el agotamiento sistemático del SC sin imponer una igualdad estricta en cada paso del horizonte.
Capa Predictiva (Optimización de Rejilla Fina): El controlador emplea una búsqueda escalar determinista de dos etapas "de grueso a fino" para seleccionar un único comando de potencia de la batería sobre un horizonte de predicción de 10 pasos ( $N_p=10$ , $\Delta t = 0.1$ s).
- Búsqueda de Grueso: Evalúa 61 candidatos espaciados uniformemente.
- Búsqueda de Fino: Evalúa 31 candidatos en un intervalo local alrededor del mejor candidato de la búsqueda de grueso.
  La función objetivo incluye costos de ejecución para corriente, variación, voltaje y deriva de energía, además de un término de equidad terminal y penalizaciones suaves por violaciones de restricciones (límites de SOC, límites de corriente).
Extensión (M6): Se desarrolló una variante de cribado de candidatos (M6) para probar reservas operativas cercanas al límite. M6 excluye cualquier trayectoria de candidato donde el SOC predicho del SC caiga fuera de un intervalo interno específico $[0.082, 0.948]$ (ligeramente dentro de los límites físicos de $[0.08, 0.95]$ ). Si ningún candidato supera el cribado, el sistema recurre al candidato de costo mínimo no cribado.

Contribuciones Clave
El artículo realiza cuatro contribuciones principales:

Programación de Pesos Múltiples en Línea: Introduce un supervisor de grados de activación que ajusta dinámicamente los pesos de costo del MPC basándose en las condiciones de operación en tiempo real, yendo más allá de los coeficientes estáticos configurados previamente.
Comparación Consciente de la Energía: Establece un marco de comparación que evalúa el estrés eléctrico de la batería (corriente RMS, corriente pico, proxy de estrés) simultáneamente con la equidad de la energía terminal del SC, asegurando que la protección de la batería no se produzca a costa de un agotamiento excesivo de la reserva del SC.
Experimento de Reserva Operativa Cercana al Límite: Evalúa la extensión de cribado M6, demostrando el compromiso entre mantener las reservas operativas del SC y el rendimiento eléctrico.
Evaluación Numérica Trazable: El estudio proporciona un protocolo de evaluación riguroso utilizando ciclos de conducción WLTP y UDDS emparejados, sumas de comprobación de archivos de entrada específicos (SHA-256) y un reporte detallado de tiempos de resolución computacional y escenarios de desajuste de parámetros (por ejemplo, $+20\%$ de resistencia de la batería, $-20\%$ de capacitancia del SC y ruido del sensor).

Resultados
El estudio presenta resultados de simulaciones utilizando un modelo de planta de orden reducido con parámetros nominales y perturbados:

M5 vs. M3 (MPC de Peso Fijo): Bajo condiciones nominales ( $V_{sc}(0) = 350$ V), el controlador programado M5 redujo la corriente RMS de la batería en un 2.35% (WLTP) y un 3.40% (UDDS) en comparación con la línea base M3 de peso fijo. La regulación del voltaje del enlace de CC y los cambios de energía terminal del SC se mantuvieron comparables entre ambos.
Robustez: En las pruebas de sensibilidad que involucran desajustes de parámetros de la planta y ruido de los sensores, M5 mantuvo una corriente RMS de batería más baja que M3, aunque ambos controladores exhibieron un aumento en los errores de corriente y voltaje bajo condiciones ruidosas.
M5 vs. M6 (Extensión de Cribado): En un experimento específico que comienza con un voltaje inicial del SC más bajo ( $V_{sc}(0) = 267$ $V_{sc} (0) = 267$ V, $\approx 0.09$ $\approx 0.09$ SOC), el cribado M6 eliminó con éxito todas las muestras posteriores al paso donde el SOC del SC caía por debajo del umbral operativo de 0.08 (reduciendo los conteos de 963 a 0 en WLTP y de 49 a 0 en UDDS). Sin embargo, esta mejora conllevó un costo eléctrico mensurable:
- La corriente RMS de la batería aumentó un 1.03% (WLTP) y un 2.06% (UDDS).
- El RMSE del voltaje del enlace de CC aumentó significativamente (por ejemplo, de 0.334 V a 0.461 V en WLTP).
- Los cambios de energía terminal del SC se mantuvieron similares entre M5 y M6, lo que indica que el cribado no alteró el flujo neto de energía, sino que desplazó la carga de la regulación hacia la batería y el enlace de CC.

Significancia y Reivindicaciones
El artículo afirma modestamente que la programación por grados de activación propuesta ofrece un método viable para equilibrar la reducción del estrés de la batería y la regulación del enlace de CC en aplicaciones HESS. Los autores declaran explícitamente que los resultados identifican un compromiso entre la reserva operativa y el rendimiento eléctrico en lugar de una mejora generalizada.

Crucialmente, el artículo no afirma que el cribado M6 garantice la satisfacción de restricciones o la viabilidad recursiva. Los autores señalan que el margen de cribado es heurístico, el modelo de predicción difiere del modelo de la planta y el mecanismo de recuperación (fallback) evita las garantías de restricción estricta. Por consiguiente, los cruces por cero observados en las simulaciones nominales no establecen la robustez frente a la incertidumbre del modelo, ensayos repetidos de ruido o condiciones de hardware en el lazo (HIL). El estudio se posiciona como un paso hacia el control predictivo adaptable y consciente de la energía, enfatizando la necesidad de validaciones futuras utilizando ciclos independientes, márgenes de incertidumbre cuantificados y pruebas de hardware experimental antes de realizar afirmaciones de seguridad o rendimiento a nivel de vehículo.

Más como este