Una oleada de miedo, incertidumbre, duda y desinformación sobre los vehículos eléctricos

 

Una oleada de FUD (miedo, incertidumbre y duda) y desinformación sobre los vehículos eléctricos

 Por: *Lee Goldberg  para Electronic Design

¿Es el reciente aumento de la desinformación sobre los vehículos eléctricos y las energías renovables una señal de que estas tecnologías están fracasando, o una prueba de los intentos desesperados de las industrias de combustibles fósiles por aferrarse a su imperio?

¿Es el reciente aumento de la propaganda contra los vehículos eléctricos (VE) una prueba de que la transición hacia un transporte ecológico se ha estancado? ¿O es señal de que las industrias cuyas fortunas se basan en tecnologías de combustión interna están atravesando una fase de extinción inminente? Este fenómeno suele preceder al rechazo de un comportamiento disfuncional o al rápido declive de una especie dominante.

Planteo esta pregunta porque, durante el último año, mi bandeja de entrada y mis *feeds* de LinkedIn se han visto inundados por una creciente oleada de FUD (siglas en inglés de miedo, incertidumbre y duda), verdades a medias y desinformación sobre las energías renovables, los vehículos eléctricos y los combustibles fósiles a los que estos están desplazando (véase la figura).

Persuasión hostil

La propaganda a favor de los combustibles fósiles que recibo abarca desde «mensajes de servicio público» de Exxon-Mobil y Chevron hasta artículos de opinión poco fundamentados de la Heritage Foundation, el Consensus Institute y otros «grupos de reflexión» (*think tanks*) financiados por multimillonarios. La mayoría de estas «autoridades» recurren a conjuntos sospechosamente similares de datos seleccionados a conveniencia y afirmaciones demostrablemente falsas para restar importancia a la amenaza del cambio climático, al tiempo que fomentan la dependencia continua del carbón, el gas y el petróleo.

 

Otras tácticas habituales consisten en cuestionar los beneficios medioambientales de los vehículos eléctricos o promover el hidrógeno como combustible «alternativo», a pesar de su elevado coste y su pésima eficiencia. Como era de esperar, gran parte de la financiación destinada a la desinformación sobre los vehículos eléctricos procede de organizaciones con vínculos evidentes con los mismos intereses de la industria de los combustibles fósiles; asimismo, algunas cuentan con el apoyo de fabricantes de automóviles rezagados que siguen centrados en vender soluciones de transporte basadas en motores de combustión interna.

 También observo cómo muchos de estos argumentos desinformativos aparecen en correos electrónicos aleatorios enviados por pequeñas empresas y por personas que se autodenominan «expertos del sector». Sus motivaciones no siempre están claras, pero parece que muchas de ellas simplemente aprovechan el auge de la propaganda contra los vehículos eléctricos para promover cualquier agenda particular que tengan entre manos.

 Un ejemplo reciente de esta práctica provino de Evan Cox, de la firma Law Bear, una empresa que parece especializarse en demandas por lesiones relacionadas con el automóvil. En una de las estrategias de marketing más extrañas que he visto este año, el Sr. Cox me propuso redactar un artículo sobre un estudio que supuestamente identificaba «los estados más inconvenientes para conducir vehículos eléctricos».

 Estaba a punto de pulsar la tecla de eliminar cuando me di cuenta de que el estudio clasificaba a mi estado natal, Nueva Jersey, como «el estado menos conveniente para los propietarios de vehículos eléctricos». Como propietario de un vehículo eléctrico residente en Nueva Jersey, el orgullo y la curiosidad se impusieron al sentido común, y decidí verificar las afirmaciones del Sr. Cox.

Bastaron unos minutos para descubrir que aquel estudio, de apariencia oficial, había utilizado fuentes de datos que oscilaban entre lo relativamente preciso y lo muy cuestionable. E incluso cuando los datos eran exactos, los autores emplearon metodologías defectuosas y suposiciones claramente sesgadas para llegar a conclusiones que apenas guardaban relación con la realidad.

 

Datos cuestionables, premisas erróneas y conclusiones distorsionadas

Una de las afirmaciones más contundentes de Law Bear sobre los inconvenientes de tener un vehículo eléctrico es el número relativamente bajo de estaciones de carga públicas. Con 74 vehículos por estación comercial —cada una equipada con entre dos y ocho cargadores—, el estudio sostiene que hay 22 vehículos eléctricos compitiendo por utilizar cada punto de carga público disponible. No sé de dónde sacó Law Bear esas cifras, pero mi investigación indica que la situación es aún «peor», ya que el número real de vehículos eléctricos por estación se acerca más a los 110. Esto puede parecer alarmantemente incómodo, hasta que se examinan los datos con mayor detenimiento y se aplica una pequeña dosis de realidad.

 

Empecemos por lo básico:

Un informe de 2025 de la Comisión de Vehículos de Motor de Nueva Jersey (NJ Motor Vehicle Commission) indicaba que el estado contaba con 6.431.666 vehículos registrados circulando por sus carreteras; de ellos, 206.271 eran vehículos eléctricos de batería (BEV). Esta cifra representaba el 3,5 % del parque automotor y el 11,96 % de las ventas de automóviles nuevos en el estado.

Según US EV Charging Stations.com, para agosto de 2026, Nueva Jersey disponía de 1.883 estaciones públicas de carga para vehículos eléctricos, con un total de 6.255 puntos de carga. Esto equivale a una proporción de 110 vehículos por estación o 32 vehículos por punto de carga.

La situación parece bastante desfavorable para los vehículos eléctricos, a menos que se considere que hay más del triple de vehículos de combustión interna (ICE) compitiendo por cada plaza en las gasolineras convencionales de Nueva Jersey. Según poidata.com, existen 2.462 gasolineras en el estado que abastecen a los aproximadamente 6.200.000 vehículos de combustión interna existentes. Esto significa que los propietarios de vehículos de gasolina o diésel en Nueva Jersey compiten actualmente con otros 252 vehículos por un espacio en una gasolinera. Además, el estudio de Law Bear pasa por alto —convenientemente— el hecho de que muchos propietarios de vehículos eléctricos en Nueva Jersey disponen de cargadores domésticos y rara vez, o nunca, utilizan las instalaciones de carga públicas.

 Lamentablemente, los únicos datos disponibles sobre instalaciones de carga residencial provienen del programa de reembolsos *ChargeUp* del estado de Nueva Jersey, el cual ha otorgado incentivos a 13.846 propietarios de viviendas por instalar cargadores en sus hogares. No obstante, dado que prácticamente todos los propietarios de vehículos eléctricos que conozco cuentan con uno, tengo motivos fundados para creer que la cifra de personas que cargan sus vehículos en casa es considerablemente mayor.

Asimismo, el estudio no contempla el número —pequeño pero en constante aumento— de complejos de apartamentos y condominios que ofrecen servicios de carga privados a sus residentes. A modo de referencia, el programa de carga de vehículos eléctricos para edificios residenciales multifamiliares (MUD) de ChargeUp ha otorgado otras 604 subvenciones para sistemas de carga de múltiples vehículos, lo que ha añadido 1.713 puntos de carga privados adicionales en todo el estado.

 Por último, Law Bear tiene en cuenta los elevados costes de la electricidad en Nueva Jersey al elaborar su clasificación de inconvenientes. Sin embargo, omite mencionar que, además de reducir la demanda en las estaciones de carga comerciales, los numerosos conductores de vehículos eléctricos que utilizan cargadores domésticos pagan aproximadamente la mitad de las tarifas (entre 0,42 y 0,50 dólares por kWh) que aplican la mayoría de los servicios comerciales de carga rápida de Nivel 3.

 

Siga el rastro del dinero

Estos son solo algunos ejemplos de cómo el estudio de Law Bear parte de la conclusión a la que desea llegar y luego ajusta los hechos para que encajen en ella. Otro factor que resta credibilidad al estudio es que una de sus fuentes principales es la Tax Foundation, un centro de estudios (*think tank*) de orientación libertaria que publica informes sobre la política fiscal de Estados Unidos.

Media Bias Fact Check describe a la Tax Foundation como una organización de «centro-derecha» y la califica como «mayormente basada en hechos», señalando que «a menudo publica información veraz, pero utiliza un lenguaje cargado de connotaciones (expresiones que intentan influir en la audiencia apelando a las emociones o a los estereotipos) para favorecer causas conservadoras». Esto no debería sorprender a nadie, dado que gran parte de la Fundación se financia mayoritariamente gracias a intereses corporativos vinculados a la industria de los combustibles fósiles, entre ellos los hermanos Koch y Exxon-Mobil.

La «noticia» de Law Bear es solo un ejemplo de las numerosas campañas de desinformación bien financiadas que he visto. Estas parecen ser intentos de mantener a nuestra nación en un estado de negación respecto a las tensiones geopolíticas, las preocupaciones medioambientales y las realidades económicas que hacen que seguir dependiendo de los combustibles fósiles sea una pésima apuesta a largo plazo.

 

*Lee Goldberg es un conocido periodista tecnológico, ingeniero y editor en Electronic Design Magazine, especializado en la cobertura de vehículos eléctricos, energías renovables y eficiencia energética.

Estimación de la distribución térmica interna de los motores eléctricos

 

Estimación de la distribución térmica interna de los motores eléctricos

Por: Anna Bonanomi  para  https://www.electricmotorengineering.com/

 

Los motores eléctricos modernos son cada vez más compactos, ligeros y de alto rendimiento. Esta tendencia trae consigo un desafío creciente: el sobrecalentamiento. Cuando un motor tiene que entregar alta potencia dentro de un recinto pequeño, las temperaturas internas aumentan de manera desigual, lo que lleva a la formación de puntos calientes que aceleran el envejecimiento del material, reducen el rendimiento y pueden causar fallas prematuras. En este contexto, la gestión térmica ciertamente no es un aspecto secundario del diseño, sino que se convierte en un factor que influye directamente en el rendimiento, la fiabilidad y la vida útil del sistema. Monitorear lo que realmente está sucediendo dentro del motor durante el funcionamiento no es sencillo, pero sería extremadamente útil.

 

 La integración de sensores térmicos dentro de un motor eléctrico presenta obvias limitaciones prácticas. El espacio disponible es a menudo mínimo, especialmente en máquinas compactas. Además, los puntos de mayor interés de diagnóstico no coinciden necesariamente con las zonas más accesibles. La monitorización de los componentes móviles, como el rotor, durante el funcionamiento a alta velocidad complica aún más la imagen. Los métodos tradicionales de medición interna son a menudo complejos y costosos, en la medida en que normalmente no se adoptan en aplicaciones prácticas.

 Esta limitación dio lugar al proyecto desarrollado en la de por el grupo de investigación del profesor Matthias Nienhaus: estimando la distribución térmica interna sin añadir sensores dedicados, sino utilizando información ya disponible para el impulso.

 La idea forma parte de una línea de investigación que el grupo ha estado llevando a cabo durante algún tiempo: utilizando el motor como sensor de sí mismo, extrayendo información de diagnóstico de sus propias señales electromagnéticas.

 (El Prof. Dr. Ing. Matthias Nienhaus es un destacado ingeniero y académico alemán, conocido por ser el titular de la cátedra de Sistemas de Accionamiento Eléctrico (Drive Systems Engineering) en la Universidad del Sarre (Universität des Saarlandes) en Saarbrücken, Alemania)

 

El enfoque

Saeed Farzami, M.Sc., investigador del grupo de trabajo, explica el enfoque técnico. «El sistema», explica Farzami, «usa solo señales disponibles en un accionamiento estándar: corrientes y voltajes en los ejes d-q, corrientes de fase, velocidad del rotor y condiciones límite como la temperatura ambiente. A esta información se añaden más parámetros derivados a través de la ingeniería de características, pero sin introducir nueva instrumentación física.» Las variaciones en todos estos parámetros también reflejan indirectamente el estado térmico de la máquina. El aspecto interesante es que el principio no se limita a una arquitectura de motor único. Según Farzami, el método es aplicable a diferentes topologías, incluyendo PMSM, motores de inducción y otras configuraciones.

 Esto no significa, sin embargo, que exista un modelo universal listo para usar. Farzami señala: «Cada tipo de motor requiere su propio proceso de entrenamiento específico, porque los mecanismos de pérdida y las trayectorias térmicas varían dependiendo de la arquitectura». Aquí es donde entra en juego la inteligencia artificial.

 

¿Cómo se forma cada modelo?

Para construir el sistema, los investigadores instalaron un banco de pruebas (que se muestra en la figura 2  equipado con sensores colocados en los puntos térmicamente críticos del motor: en los devanados, en el rotor y en la carcasa. Luego se adquirió una gran cantidad de datos: datos eléctricos, mecánicos y térmicos en diversas condiciones de funcionamiento, de bajas a altas velocidades, incluidos diferentes perfiles de carga. Los datos de medición en bruto se someten posteriormente a un extenso procesamiento y a una ingeniería sistemática de características. En este paso, los datos se refinan, se extraen características físicamente significativas y los datos se transforman en una representación que es óptimamente adecuada para el proceso de aprendizaje posterior.

 El conjunto de datos final se utilizó para entrenar una red neuronal capaz de correlacionar las señales disponibles en el accionamiento con la distribución térmica interna. Farzami explica que para entrenar un nuevo modelo, se requieren datos de banco de prueba que contengan señales eléctricas y mecánicas, junto con temperaturas de referencia obtenidas a través de sensores o modelos térmicos validados, como simulaciones FEM. El método de entrenamiento empleado utilizó diversas técnicas de regularización de los campos del aprendizaje automático y el aprendizaje profundo, con el objetivo de mejorar el rendimiento del método de aprendizaje y la generalización de los modelos, así como prevenir el sobreajuste.

 En términos de tiempo, el proceso requiere entre unas pocas horas y unos pocos días de adquisición de datos, dependiendo del nivel de cobertura deseado. Además, el conjunto de datos cubre una amplia gama de escenarios operativos, desde velocidades de rotación bajas a altas, con ciclos de carga que son representativos en términos de torque, velocidad y transitorios térmicos. Según Farzami, el método ha sido diseñado para ser replicable en un contexto industrial, con perfiles de excitación estandarizados, conjuntos de características definidos y procedimientos de ajuste automatizados. El uso del aprendizaje de transferencia también debería reducir el esfuerzo necesario para adaptar el sistema a las variantes dentro de la misma familia de productos.

 

 Precisión: errores en el orden de unos pocos kelvins

Los resultados experimentales documentados por el grupo de investigación confirman la eficacia del enfoque. Farzami informa de errores promedio del orden de 3-7 K para las temperaturas de devanado del estator y 2-4 K para los rotores e imanes. En los peores transitorios, el error generalmente se mantiene por debajo de 10-15 K, pero esto depende de la cobertura del conjunto de datos de entrenamiento y la fase operativa inicial, cuando el modelo aún no tiene suficiente información temporal para producir estimaciones estables.

 (En este contexto, la K significa Kelvin, que es la unidad de medida de la temperatura absoluta en el Sistema Internacional de Unidades. Un error de 3-7 K es exactamente equivalente a un error de 3-7 °C (grados Celsius))

 Farzami señala: «La precisión es más alta en condiciones de estado estacionario y disminuye ligeramente para puntos operativos raros o dinámicas extremas, así como en la puesta en marcha, cuando el modelo aún no ha acumulado suficiente contexto temporal para estabilizar sus estimaciones. Sin embargo, estos niveles de precisión son totalmente compatibles con aplicaciones industriales y automotrices.

 Por ejemplo, la figura 3 muestra los resultados de estimación para la temperatura de devanado del estator de fase 2 (T_WP2) en base a 35 horas de datos de medición. El error de cuadrado medio  (RMSE) de esta estimación es de 3,18 °C en todo el proceso de validación.

 

 El reto de la integración industrial

Desde una perspectiva de hardware, la integración no parece ser el principal obstáculo: según el equipo, los modelos compactos se pueden ejecutar en los controladores integrados actuales de un inversor estándar, sin hardware dedicado. Los desafíos más significativos se relacionan en cambio con la certificación funcional y la robustez industrial, especialmente cuando se utilizan modelos de IA de caja negra que son difíciles de interpretar. Por esta razón, los enfoques híbridos que combinan el aprendizaje automático y los modelos de sistemas físicos ahora parecen más realistas para el despliegue comercial.

 

Topología-agnóstica versus motor-específica

Como explica Farzami, el método desarrollado se puede aplicar a toda la gama de motores de un OEM, utilizando el aprendizaje de transferencia para reducir el esfuerzo requerido para cada variante. Es “topología-agnóstica” (compatible con PMSM, motores de inducción y otras arquitecturas), pero el modelo entrenado es “específico del motor”: el método es independiente de la topología del motor, en el sentido de que el principio se puede aplicar a los PMSM, motores asíncronos y otras arquitecturas. Sin embargo, el modelo de IA no es universal: cada motor requiere entrenamiento dedicado, ya que las pérdidas, las trayectorias térmicas y el comportamiento electromagnético varían de una máquina a otra.

 Los beneficios pueden ser inmediatos términos de aplicaciones, Farzami identifica los contextos más prometedores en tracción automotriz, accionamientos industriales de alto rendimiento y robótica. En términos más generales, el enfoque parece prometedor en todas las aplicaciones donde el coste, la complejidad o la imposibilidad física de la integración de sensores representan una limitación.

 Para los fabricantes, el beneficio potencial no se limita a simplemente ahorrar en los componentes. Farzami menciona explícitamente una mayor eficiencia en el uso de los recursos y una mayor densidad de potencia gracias a la posibilidad de reducir los márgenes térmicos conservadores. A esto se añaden limitaciones térmicas reducidas en el rendimiento en condiciones de alta temperatura, una vida útil más larga del motor debido a la prevención del sobrecalentamiento y la reducción de los costes asociados con los sensores, el cableado y la implementación, particularmente cuando de otro modo se requeriría la monitorización del rotor.

 Más allá del sensor virtual

Quizás el aspecto más interesante del proyecto no es la sustitución de un sensor físico por un algoritmo, sino el posible cambio de paradigma en la gestión del motor. Hoy en día, muchos sistemas operan con márgenes térmicos conservadores porque lo que sucede internamente no es completamente observable. Si esta opacidad se redujera, el control podría volverse más dinámico y menos conservador.

La pregunta, por lo tanto, no es simplemente si la IA puede estimar la temperatura de un motor, sino si esta capacidad puede redefinir la forma en que se diseñan y utilizan los accionamientos. Para el mundo de los impulsos, aquí es probablemente donde se juega el juego más interesante.

 

Cuando el conocimiento térmico se convierte en rendimiento

La estimación más precisa en tiempo real del estado térmico interno puede permitir estrategias de reducción menos conservadoras. Al reducir la incertidumbre sobre las temperaturas críticas, el accionamiento puede funcionar más cerca de los verdaderos límites térmicos de la máquina, permitiendo que las reservas térmicas disponibles se utilicen de manera más efectiva. Esto no solo admite un diseño de motor más compacto, sino que también puede desbloquear potencia máxima adicional. Durante el funcionamiento dinámico, la visibilidad térmica mejorada permite además estrategias de control adaptativo dependientes de la temperatura que maximizan la eficiencia energética. En este sentido, la estimación térmica mejorada no solo refina la monitorización, sino que proporciona una base para explotar dinámicamente la envolvente de rendimiento real del motor.

 

BYD se une al mercado europeo de eHGV con el ETT 44 (Eléctrico)

 Por: Theo Binns

 

BYD venderá un camión eléctrico de 372 millas de autonomía con velocidades de recarga de 1,5 MW en Europa

BYD utilizó el salón de transporte IAA de este año en Hannover para mostrar una serie de nuevos vehículos eléctricos comerciales, encabezados por su HGV eléctrico insignia, el ETT 44, que marca la entrada de la compañía en el mercado europeo de eHGV. La nueva unidad de tractora se enfrenta a un gran trabajo enfrentándose a camiones eléctricos establecidos de Volvo Trucks, Scania, MAN Trucks y más.

 

 El camión eléctrico insignia de BYD trae una carga de 1,5 MW y una garantía de batería de diez años

El modelo 4×2 del ETT 44 tendrá un peso combinado bruto de 44.000 kg impulsado por un motor eléctrico con una cifra de potencia máxima de 98 caballos de fuerza. Eso se combina con una batería de 651kWh basada en la tecnología interna ‘Blade’ de BYD, que ofrece un rango reclamado de alrededor de 372 millas. 

La batería en sí está respaldada por una garantía de 10 años y 1,2 millones de kilómetros como estándar, notablemente más larga que el mercado europeo típico, donde las garantías básicas de los vehículos generalmente funcionan a dos o tres años y la cubierta de la batería a seis u ocho años, a menudo solo disponible como un extra pagado en lugar de estándar.

La carga puede tener lugar a través de CCS2 a hasta 420 kW, llevando la batería de 20 a 80% en 60 minutos o menos, mientras que el soporte para el sistema de carga de megavatios aumenta esas velocidades a más de 1.5MW, reduciendo el tiempo de carga a menos de 20 minutos.

El precio del ETT 44 aún no se ha confirmado, pero con la garantía de la batería que ya se ve más competitiva que las que se ofrecen a los rivales europeos, dará a las marcas establecidas algo en lo que pensar.

BYD no es el único fabricante que traza una nueva entrada en el mercado europeo de eHGV, con Tesla listo para llevar su camión semieléctrico a la región pronto.

Stella Li, Vicepresidenta Ejecutiva de BYD, comentó:

“Ya hemos puesto en práctica la carga FLASH en vehículos de pasajeros. Hoy, estamos llevando esta tecnología a los vehículos comerciales, empezando por nuestros camiones. Con 1.5 megavatios de potencia de carga, puede cargar de 20% a 80% en aproximadamente 20 minutos, entregando hasta 248 millas de alcance. Menos tiempo de carga. Más tiempo en la carretera”.

Diferencias entre un vehículo homologado con ciclo NEDC, WLTP, EPA, CLTC

 

Diferencias entre un vehículo homologado con ciclo NEDC, WLTP, EPA, CLTC

Introducción

Un ciclo de conducción es una serie de datos que muestra la velocidad de un vehículo en función del tiempo. Los ciclos de conducción se establecen por diferentes países y organizaciones, para evaluar el rendimiento de vehículos en varias maneras, como por ejemplo en cuanto al consumo de combustible y emisiones contaminantes.

Para los coches de combustión, el consumo de combustible y las pruebas de emisión se llevan a cabo en dinamómetros de chasis. Las emisiones del tubo de escape se recogen y miden para indicar el rendimiento del vehículo.

Otro uso de los ciclos de conducción es en simulacros de vehículo. Más específicamente, se utilizan en simulacros del sistema de la propulsión para pronosticar el rendimiento de los motores de combustión interna, transmisiones, sistemas de propulsión eléctrica, baterías y componentes similares.

Algunos ciclos de conducción derivan de la teoría, como se prefiere en la Unión Europea, mientras que otros son medidas directas de un patrón de conducción considerado representativo.

 

NEDC versus WLTP

La diferencia principal radica en el realismo de las pruebas: el ciclo WLTP ofrece datos mucho más cercanos a la conducción cotidiana que el viejo ciclo NEDC.

 

El ciclo WLTP

El ciclo WLTP (Worldwide Harmonized Light Vehicles Test Procedure o Procedimiento de ensayo armonizado mundial para vehículos livianos) es un estándar internacional de laboratorio usado para medir de forma realista el consumo de combustible, las emisiones de gases contaminantes y la autonomía de los vehículos eléctricos o híbridos

 

Fases y Funcionamiento de la Prueba

Duración: 30 minutos por prueba en banco de rodillos. Las fases de velocidad se dividen en cuatro partes: baja, media, alta y muy alta. Siendo las velocidades que   alcanza un máximo de 131 km/h y una media de 46,5 km/h. Por otro lado simula un recorrido mixto de 23,25 kilómetros.

 

Objetivos y Diferencias Clave

Sustitución: Reemplazó al antiguo y obsoleto sistema europeo NEDC, cuyas pruebas eran mucho más teóricas y alejadas de la calle. A través de una mayor transparencia ya que ofrece datos fiables y comparables entre marcas, aunque la conducción real diaria pueda variar según el clima o el tráfico. El clima extremo provoca una reducción drástica de la autonomía real frente a la cifra homologada por el WLTP, en que la normativa realiza sus pruebas en un entorno controlado que no contempla temperaturas extremas ni el uso del climatizador.

 

 Cómo mide el WLTP (la brecha con la realidad)

Temperatura de laboratorio: Las pruebas oficiales se realizan a una temperatura constante de 23 °C (con variaciones reguladas a 14 °C). Con la climatización apagada, el protocolo WLTP exige que el aire acondicionado y la calefacción permanezcan completamente apagados durante el ensayo. En el mundo real, cuando te enfrentas al frío o al calor extremo, la autonomía se ve afectada por dos factores críticos:

 1. El Impacto del Frío Extremo (El peor escenario)

El invierno es el enemigo principal de los vehículos eléctricos, pudiendo reducir la autonomía real entre un 20% y un 50% en días bajo cero. Debido a la química de la batería, el frío ralentiza las reacciones químicas internas de las celdas de iones de litio. Esto disminuye temporalmente su capacidad energética y ralentiza la velocidad de carga.

Consumo de energía en calefacción, a diferencia de los autos de combustión, un motor eléctrico apenas genera calor residual. El vehículo debe usar un calefactor eléctrico o una bomba de calor para calentar el habitáculo y mantener la propia batería en su rango óptimo (entre 15 °C y 35 °C). Esto drena la energía directamente de la batería principal.

 2. El Impacto del Calor Extremo

El calor intenso también afecta la autonomía de conducción, provocando caídas de entre un 10% y un 25% en la autonomía real. Climatizar el habitáculo implica enfriar un auto expuesto al sol lo que requiere que el compresor del aire acondicionado trabaje a máxima potencia, consumiendo un flujo constante de electricidad.

Refrigeración de la batería: Si la batería supera los 45 °C o 50 °C, corre peligro de degradarse. El sistema del vehículo activa ventiladores o circuitos de refrigeración líquida para enfriarla, demandando aún más energía acumulada.

 El ciclo NEDC

El Nuevo Ciclo de Conducción Europeo (NEDC) fue un estándar de laboratorio empleado entre 1997 y 2018 para medir el consumo de combustible, las emisiones y la autonomía de los vehículos. Ha recibido fuertes críticas por arrojar cifras de rendimiento y autonomía muy optimistas y alejadas de la realidad del manejo diario.

De acuerdo a la directiva 98/69/EC se efectúa la prueba de acuerdo a este esquema:

 

 La primera parte representa conducción urbana, en la que el vehículo se arranca por la mañana (tras haber estado toda la noche parado) y se conduce en hora punta con múltiples paradas de atasco. La segunda parte representa una conducción de carretera con una velocidad máxima de 120 km/h. Todas las pruebas tienen los ajustes indicados en la directiva 70/220/EC. Para proporcionar condiciones de prueba reproducibles las medidas se toman en un dinamómetro de rodillos.

 La crítica fundamental es la incapacidad para representar una conducción real. El ciclo NEDC se diseñó cuando los coches europeos eran más livianos y menos potentes. La prueba reproduce un patrón de aceleraciones suaves, velocidades de crucero constantes y muchos períodos al ralentí. Sin embargo, en la práctica las aceleraciones son mayores y dinámicas debidas en parte al exceso de potencia de los motores modernos. La media de aceleración de 0 a 100 km/h ha descendido de 14 segundos en 1981 a 9 segundos en 2007. La brecha entre las cifras homologadas y las reales aumentaron de un 8% en 2001 a un 21% en 2012 y a un 40% en 2014.  Los consumidores podrían sentir un desengaño al observar un consumo muy superior al homologado.

 

 Comparativa técnica directa

Velocidad máxima: El ensayo NEDC solo llega a 120 km/h, mientras que el WLTP alcanza los 131.3 km/h. La velocidad promedio en NEDC es de 34 km/h, subiendo a 46.5 km/h en el protocolo WLTP.

La duración del test es de: La prueba NEDC dura 20 minutos, mientras que la WLTP se extiende a 30 minutos. Mientras que la distancia recorrida se testea sobre 11 kilómetros en NEDC, frente a los 23.2 kilómetros del WLTP. 

Marchas y cambios: NEDC usa puntos de cambio fijos; WLTP calcula puntos de cambio específicos para cada auto. Temperatura de la prueba: NEDC se mide siempre a 20-30°C, mientras que WLTP incluye mediciones a 14°C.

Equipamiento del vehículo, el ciclo  NEDC ignora el peso de los extras, mientras que WLTP considera el impacto de opciones como llantas más grandes.

 

Impacto en la autonomía eléctrica

Incremento de cifras: El ciclo NEDC aumenta la autonomía real de un auto eléctrico entre un 25% y un 30%. El WLTP  goza de mayor precisión ya que suele quedar solo un 10% o 15% por encima de lo que consume el auto en la calle.

 

 Otros ciclos de conducción

 Ciclo EPA (Agencia de Protección Ambiental de Estados Unidos)

Desarrollado por la Agencia de Protección Ambiental estadounidense, es el estándar más riguroso y exigente del planeta.  Incluye aceleraciones bruscas, velocidades elevadas de autopista, varias etapas de manejo urbano y ensayos específicos con el acondicionador de aire o la calefacción encendida a temperaturas extremas.

El grado de realismo es muy alto. La cifra que anuncia la etiqueta es prácticamente lo que va a recorrer el usuario en el día a día.

 

Ciclo CLTC (China Light-Duty Vehicle Test Cycle)  

Es el protocolo estándar de pruebas oficial en China para medir el consumo de energía y la autonomía de los vehículos, especialmente los autos eléctricos. Mide el rendimiento a través de fases lentas, medias y rápidas durante 30 minutos.

 

 Prioriza las condiciones de tránsito de las mega ciudades chinas: velocidades promedio muy bajas (alrededor de 29 km/h), frenadas constantes y arranques suaves.

El grado de realismo es de moderado a optimista. Funciona bien para estimar el uso exclusivamente urbano en el tránsito pesado, pero queda muy desfasado al salir a autopistas.

 

Ejemplos originados en la práctica pura

Para tener una idea más aproximada, se  aplica estos multiplicadores directos para saber cuánto va a recorrer el conductor  realmente en ciudad y en ruta a 120 km/h:

 .- Si el fabricante homologa según ciclo WLTP (Ejemplo: Tesla en Uruguay, Renault, Nissan, BMW)

En Ciudad: Multiplicar por 0.95, la autonomía en tránsito urbano es casi idéntica a la declarada.

En Ruta (120 km/h): Multiplicar por 0.80, aquí se resta un 20% por resistencia aerodinámica. Ejemplo: Si declara 400 km (WLTP). Entonces rinde ~380 km en ciudad / ~320 km en ruta.

 .- Si el fabricante homologa según  ciclo EPA (Ejemplo: Tesla en EE. UU. / México)

En Ciudad: multiplicar  por 1.00 (Es una cifra 100% realista).

En Ruta (120 km/h): multiplicar por 0.88, solo se resta un 12%. Ejemplo: Si declara 350 km EPA. Rinde ~350 km en ciudad / ~308 km en ruta.

 .- Si el fabricante homologa según ciclo CLTC o NEDC (autos de origen chino principalmente)

En Ciudad: multiplicar por 0.80, un 20% al valor del catálogo.

En Ruta (120 km/h): multiplicar por 0.65, un 35% porque las altas velocidades constantes agotan rápido la batería.

Ejemplo: Si declara 500 km (CLTC/NEDC). Alcanza ~400 km en ciudad / ~325 km en ruta.

 

 

Ricardo Berizzo

Ingeniero Electricista                                                                                  2026.-