Evaluación del impacto de los métodos de estimación del voltaje de circuito abierto en el rendimiento del UKF para la estimación del SOC y SOH de baterías de ion‑litio

Por qué importan mejores indicadores de batería

Cualquiera que conduzca un coche eléctrico, use un smartphone o dependa de un sistema de almacenamiento doméstico se fía de un pequeño número en una pantalla: cuánta carga queda y cuánto se ha degradado la batería. Detrás de esa lectura sencilla hay un problema complejo de estimación. Este artículo explora una pieza clave de ese rompecabezas: cómo modelamos la relación entre el voltaje en reposo de la batería y su nivel de carga, y muestra que elegir el método adecuado puede hacer que los "indicadores" de batería a bordo sean más rápidos, más precisos y mejores a la hora de seguir la salud a largo plazo.

Dos formas de "escuchar" una batería

Para estimar cuán llena está una batería de ion‑litio, los ingenieros se apoyan en una curva que vincula el voltaje de circuito abierto (el voltaje tras un periodo de reposo) con el estado de carga (SOC). Los autores examinan dos maneras habituales de construir esa curva. El método de baja corriente (LC) carga y descarga la celda con una corriente muy pequeña para que el voltaje medido se aproxime al de reposo. Este procedimiento es simple pero tiende a suavizar cambios bruscos en la curva. En contraste, el método de corriente incremental (IC) emplea pulsos de corriente cortos en muchos niveles de carga, separados por periodos de reposo. Esto requiere más esfuerzo experimental, pero captura detalles más finos donde el voltaje cambia rápidamente con la carga, lo que resulta crucial para una estimación precisa.

Conectando curvas con estimadores inteligentes

Los sistemas modernos de gestión de baterías usan cada vez más algoritmos avanzados de estimación, como el Filtro de Kalman Unscented (UKF), para inferir en tiempo real cantidades ocultas como SOC y Estado de Salud (SOH). Los autores combinan estos algoritmos con un modelo eléctrico "equivalente" sencillo pero ampliamente utilizado de una celda: una fuente de voltaje que depende del SOC, una resistencia serie principal y una rama resistor‑condensador que captura efectos transitorios. En este modelo insertan ya sea la curva voltaje‑carga basada en LC o la basada en IC y luego evalúan qué tan bien cada versión permite al UKF seguir el SOC y la resistencia serie R0, que emplean como indicador práctico de envejecimiento.

Pruebas bajo condiciones reales de conducción

En lugar de confiar solo en ciclos de laboratorio suaves, el estudio somete el modelo a un perfil de conducción altamente dinámico similar al de un coche, conocido como FUDS. La corriente alterna rápidamente entre carga, descarga y modos neutros, asemejando el tráfico urbano. Utilizando conjuntos de datos públicos de la NASA y del repositorio CALCE, los investigadores muestran primero que la capacidad de la batería y la resistencia interna cambian conjuntamente a lo largo de muchos ciclos, apoyando la idea de que R0 es un marcador de salud útil. Luego ejecutan el UKF con ambas curvas voltaje‑carga, comparando sus estimaciones de SOC, el voltaje terminal predicho y el R0 rastreado frente a un modelo de referencia detallado usando medidas de error estándar a lo largo de toda la conducción.

Estimaciones más rápidas y limpias con mayor detalle

Los resultados favorecen claramente el método IC más detallado. Cuando el UKF parte de cierta incertidumbre aleatoria, la curva basada en IC produce errores medios menores en SOC y una mejor reconstrucción del voltaje de la batería, manteniendo la misma carga computacional que la versión LC. Cuando los autores dan deliberadamente al filtro un gran error inicial en el SOC—iniciándolo en 65 % cuando la batería está realmente al 80 %—el contraste es notable: con la curva IC, la estimación vuelve al valor correcto en menos de diez pasos de tiempo; con la curva LC, tarda más de 200. Este comportamiento se explica por una idea simple: donde la curva voltaje‑carga tiene una pendiente más pronunciada, pequeños desajustes en el voltaje contienen más información, de modo que el filtro puede corregir el SOC con mayor contundencia.

Detectar el envejecimiento de la batería en tiempo real

Para la estimación de la salud, el UKF reconstruye continuamente la resistencia interna R0 a partir de la corriente y el voltaje medidos. Los autores suavizan luego esta señal con una media móvil y examinan su tendencia a largo plazo. Con la curva basada en LC, la resistencia estimada salta y oscila, especialmente bajo cambios rápidos de corriente, a pesar de que la resistencia física real no puede variar tan deprisa. Ese ruido numérico podría desencadenar falsas alarmas en un sistema real de gestión de baterías. Con la curva basada en IC, R0 evoluciona de forma mucho más suave y con una tendencia ascendente más realista y gradual, ofreciendo una imagen más limpia del envejecimiento sin sacrificar la capacidad de respuesta a cambios genuinos.

Qué significa esto para las baterías cotidianas

En términos sencillos, el estudio demuestra que un mapa voltaje‑carga más informativo hace al "cerebro" del sistema de gestión de baterías más inteligente. Usar la curva basada en corrientes incrementales permite al UKF encontrar rápidamente el nivel real de carga, ignorar con mayor facilidad estimaciones iniciales erróneas y seguir la resistencia interna de forma estable bajo perfiles de conducción reales. Dado que el esfuerzo adicional reside principalmente en la caracterización de laboratorio única y no en la computación a bordo, los fabricantes pueden adoptar el enfoque IC sin complicar más la electrónica de la batería. El beneficio es estimaciones de autonomía más fiables, una operación más segura y mejores avisos tempranos del envejecimiento de las baterías en vehículos eléctricos y otros dispositivos de almacenamiento de energía.

Cita: Mikhak-Beyranvand, M., Salehi, M. & Mohammadkhani, M.A. Assessing the impact of open-circuit voltage estimation methods on UKF performance for lithium-ion battery SOC and SOH estimation. Sci Rep 16, 7605 (2026). https://doi.org/10.1038/s41598-026-38846-4

Palabras clave: baterías de ion‑litio, estimación del estado de carga, monitorización de la salud de la batería, filtro de Kalman, baterías de vehículos eléctricos