Cómo se mide el estado de carga (SoC) de un banco de baterías de litio
La cantidad de energía utilizable en una batería se expresa como estado de carga, o SoC. El valor oscila entre 0 y 100%, donde 0% significa que la batería está completamente descargada y 100% significa que la batería está completamente cargada y, según el tipo de BMS, también completamente equilibrada.
Introducción
Existen varios métodos para medir y calcular el SoC:
a.- Basado en el voltaje de la batería
Ventajas: Método simple de medición.
Desventajas:
-Solo funciona cuando la batería está en reposo
-No funciona bien con LiFePO4 ya que esta tecnología tiene casi el mismo voltaje entre los SoC 40% y 80%.
b.- Basado en la medición del equilibrio químico.
Ventajas: Preciso
Desventajas:
-Método invasivo que requiere la apertura de la célula.
-Difícil de aplicar
c.- Medición de la corriente que entra o sale del paquete de baterías
Este método se llama conteo de culombio. Básicamente es la integración de las corrientes medidas a lo largo del tiempo. Por ejemplo, si el sistema mide una corriente de descarga de 2A durante 4 horas, se tiene una descarga total de 2A x 4h = 8Ah.
Ventajas:
-Cuando el medidor de corriente es preciso, el SoC también es bastante preciso
-No invasivo, fácil de medir.
Desventajas:
-Solo funciona si la medición actual es precisa
-Si el BMS (Battery Management System) no sincroniza el SoC con frecuencia, es posible que el SoC ya no sea preciso.
1.- Métodos de aplicación
1.1 Métodos de voltaje y OCV (Open Circuit Voltaje)
El método de voltaje de circuito abierto es una de las formas más directas de medir el estado de carga de las baterías de litio. Se mide el voltaje en los terminales de la batería después de que esta se encuentre en reposo, lo que permite que el voltaje se estabilice. Este voltaje se correlaciona con el estado de carga de la batería de litio, especialmente en químicas como LCO, NMC y LiFePO₄. El método de voltaje de circuito abierto es simple, rentable y adecuado para la estimación del estado de carga en tiempo real en sistemas de gestión de baterías.
1.2 Conteo de Coulomb
El conteo de Coulomb, también conocido como método integral amperio-hora, estima el estado de carga integrando la corriente que entra y sale de la batería a lo largo del tiempo. Se parte de un estado de carga inicial conocido y se registra cada evento de carga y descarga. Este método es sencillo y fácil de implementar en sistemas de gestión de baterías.
Sin embargo, estudios empíricos demuestran que el conteo de Coulomb presenta errores acumulativos debido al ruido del sensor, imprecisiones en la medición de la corriente e incertidumbres en la capacidad de la batería.
El conteo de Coulomb es más adecuado para aplicaciones donde se puede restablecer frecuentemente el estado de carga, como en electrónica de consumo o dispositivos médicos.
1.3 Impedancia
La medición de impedancia, especialmente la espectroscopia de impedancia, ofrece una forma eficaz de medir el estado de carga de las baterías de litio. Se aplica una pequeña señal de CA, corriente alterna, a la batería y se analiza la respuesta para determinar la resistencia interna y otras propiedades electroquímicas. La espectroscopia de impedancia es sensible a los cambios en el estado de carga de las baterías de litio, su envejecimiento y la temperatura.
Los análisis estadísticos muestran que los métodos de estimación del estado de carga basados en la impedancia alcanzan tasas de precisión superiores al 90 % en diferentes tipos de baterías y temperaturas. Estos métodos son robustos y pueden detectar cambios sutiles en el estado de la batería, lo que los hace valiosos para infraestructuras críticas, sistemas de seguridad y aplicaciones industriales. La medición de impedancia es especialmente útil para la monitorización de grandes paquetes de baterías de iones de litio, donde la fiabilidad es fundamental.
1.4 Aprendizaje automático y basado en modelos
La estimación del estado de carga (SOC) basada en modelos utiliza modelos matemáticos, como modelos de circuitos equivalentes o modelos electroquímicos, para predecir el estado de carga de una batería de litio basándose en datos de voltaje, corriente y temperatura. Algoritmos de filtrado avanzados, como el Filtro de Kalman Extendido, mejoran la precisión al corregir dinámicamente errores de medición y no linealidades de la batería.
Los enfoques de aprendizaje automático, como las redes neuronales y el aprendizaje profundo, han revolucionado la estimación del estado de carga (SOC). Estos modelos se pueden entrenar con grandes conjuntos de datos de baterías de iones de litio reales para capturar relaciones complejas entre las señales de entrada y el estado de carga. Estudios de caso confirman que los métodos de aprendizaje automático, como RNARX-LSA y LSTM, logran errores cuadráticos medios inferiores al 1%, superando a los enfoques tradicionales basados en modelos y métodos de voltaje de circuito abierto.
(El método RNARX-LSA combina modelos de Red Neuronal Recurrente (RNN), Red Neuronal Recurrente con entrada de retardo (RX), y Redes Neuronales de Largas y Cortas Distancias de Memoria (LSA))
(LSTM (Memoria a Largo Corto Plazo) es un tipo de red neuronal recurrente (RNN) diseñada para procesar y predecir secuencias de datos, como texto o series temporales)
-El método RNARX-LSA ofrece consistentemente un RMSE inferior al 1 % en diferentes temperaturas, ciclos de envejecimiento y tasas de descarga.
-Las redes neuronales MLP y LSTM mantienen una alta precisión incluso con datos de entrenamiento limitados, lo que las hace robustas para diversas aplicaciones.
-Los modelos de aprendizaje automático se adaptan al comportamiento no lineal de las baterías y a las fluctuaciones de temperatura, proporcionando una estimación fiable del estado de carga (SOC) para vehículos eléctricos, almacenamiento en red y paquetes de baterías industriales a gran escala.
Un filtro de Kalman es un algoritmo matemático que estima el estado de un sistema dinámico a partir de mediciones ruidosas e incompletas, utilizando un proceso recursivo de dos pasos: predicción y actualización. Sirve para obtener estimaciones precisas y suavizadas de la posición, velocidad u otros parámetros de un objeto, incluso cuando los datos de los sensores son imprecisos.
Los filtros Kalman se introdujeron en 1960 para proporcionar una solución recursiva al filtrado lineal óptimo tanto para problemas de observación de estado como de predicción. En comparación con otros enfoques de estimación, el filtro de Kalman proporciona automáticamente límites de error dinámicos en sus propias estimaciones de estado. El filtro Kalman extendido se aplica para estimar el SOC directamente para un paquete de baterías de litio. Se supone que la relación entre la batería OCV y SOC es aproximadamente lineal, y varía con la temperatura ambiente. Esta suposición coincide con el comportamiento real de la batería. Una batería se modela como un sistema no lineal con el SOC definido como un estado del sistema y, por lo tanto, se puede aplicar el filtro Kalman extendido.
Al modelar el sistema de batería para incluir las cantidades desconocidas deseadas (como SOC) en su descripción de estado, el filtro Kalman estima sus valores y da límites de error en las estimaciones. Luego se convierte en una técnica de estimación de estado basada en modelo que emplea un mecanismo de corrección de errores para proporcionar predicciones en tiempo real del SOC.
Se puede extender para aumentar la capacidad de la estimación de SOH (estado de salud) en tiempo real utilizando el filtro de Kalman extendido. En particular, el filtro de Kalman extendido se aplica cuando el sistema de batería no es lineal y se necesita una etapa de linealización. Aunque el filtrado de Kalman es un método en línea y dinámico, necesita un modelo adecuado para la batería y una identificación precisa de sus parámetros. También necesita una gran capacidad de cálculo computacional y una inicialización precisa.
Parte 2: Comparación y selección de métodos
2.1 Precisión y practicidad
Al evaluar los métodos de estimación del estado de carga (SOC) para el estado de carga de baterías de litio, es fundamental encontrar un equilibrio entre la precisión y la practicidad en situaciones reales.
El conteo de Coulomb proporciona lecturas precisas del estado de carga a corto plazo, pero la desviación del sensor y los errores de calibración inicial pueden causar imprecisiones a largo plazo.
Los métodos de voltaje de circuito abierto ofrecen simplicidad, pero la temperatura y el envejecimiento de la batería pueden afectar los resultados.
Enfoques avanzados, como el filtrado de Kalman y el aprendizaje automático, proporcionan una estimación robusta y precisa del estado de carga. Por ejemplo, algoritmos híbridos que utilizan filtros de Kalman y redes neuronales han logrado errores cuadráticos medios inferiores al 0,5 % en ciclos de prueba dinámicos, lo que permite una alta precisión y la monitorización de la batería en tiempo real.
Estos métodos se adaptan bien a los cambios de temperatura y composición química de las baterías, lo que los hace adecuados para aplicaciones industriales, de infraestructura y de vehículos eléctricos.
2.2 Ventajas y desventajas
Puede comparar los principales métodos de estimación del estado de carga para el estado de carga de baterías de litio utilizando la siguiente tabla:
Conclusión
Debe seleccionar un método de estimación del estado de carga (SOC) según los requisitos de su aplicación para el estado de carga de la batería de litio. Para sistemas de almacenamiento de energía estacionarios o de respaldo, los métodos de voltaje de circuito abierto pueden ser suficientes. En electrónica de consumo o dispositivos médicos, el conteo de culombios ofrece seguimiento en tiempo real, pero requiere calibración regular.
Para vehículos eléctricos, robótica y baterías industriales, la estimación del estado de carga basada en modelos o híbrida garantiza la precisión del estado de carga en condiciones dinámicas.
Ricardo Berizzo
Ingeniero Electricista 2025.-
