MI-SOH: un modelo de dependencia de características con múltiples indicadores para la estimación del estado de salud de baterías de ion litio

Por qué importa evaluar mejor la salud de las baterías

Los coches eléctricos y los sistemas de almacenamiento energético doméstico dependen cada vez más de las baterías de ion litio. Sin embargo, como todas las baterías, se degradan con el tiempo. Saber cuán “saludable” está una batería mucho antes de que falle es crucial para la seguridad, el coste y la comodidad. Este artículo presenta una nueva forma de estimar la salud de la batería que examina múltiples señales a la vez y aprende cómo cambian sus relaciones a medida que la batería envejece, lo que promete una monitorización más precisa y robusta para el uso en el mundo real.

Ver la salud de la batería como algo más que un número

La salud de la batería, a menudo denominada estado de salud, describe cuánta energía útil puede almacenar aún una batería en comparación con cuando era nueva. Los métodos tradicionales para evaluarla se basan en mediciones de laboratorio, como la resistencia interna o pruebas electroquímicas detalladas, que son precisas pero caras y difíciles de realizar continuamente en un vehículo. Los métodos más recientes, basados en datos, observan medidas simples como voltaje, corriente y temperatura durante la carga cotidiana y usan aprendizaje automático para estimar la salud. Sin embargo, la mayoría de estos enfoques se centran en un único indicador o tratan múltiples indicadores como si su importancia no cambiara, pese a que el comportamiento de la batería evoluciona claramente a lo largo de su vida.

Escuchar muchas señales de la batería a la vez

Los autores muestran que las señales clave de la batería no mantienen relaciones fijas entre sí conforme la batería envejece. Por ejemplo, la intensidad de la relación entre una característica del tiempo de carga y un pico en una curva diagnóstica puede disminuir drásticamente más adelante en la vida útil, mientras que algunos pares relacionados con el voltaje pasan de una correlación débilmente negativa a una fuertemente positiva. Para manejar este paisaje cambiante proponen MI-SOH, un marco que combina ocho indicadores de salud distintos extraídos de datos de carga, incluyendo la duración de las fases de corriente constante y tensión constante, la rapidez con que cambian el voltaje y la corriente, el calentamiento de la celda y características de un denominado pico de capacidad incremental que refleja la química interna. Un paso especial de ponderación mezcla dos formas de análisis de correlación para que el modelo pueda enfatizar los indicadores más informativos y reducir el peso de aquellos que se vuelven menos fiables a medida que la batería atraviesa distintas etapas de envejecimiento.

Enseñar al modelo a seguir el tiempo y las interacciones

Una vez ponderados los indicadores, MI-SOH los introduce en una red convolucional temporal que destaca por detectar patrones a lo largo del tiempo, desde ciclos de carga individuales hasta tendencias de degradación a largo plazo. A diferencia de las redes recurrentes tradicionales, este diseño se puede computar de forma eficiente y evita problemas comunes en el entrenamiento. La salida se pasa luego a un módulo transformador invertido, que invierte la perspectiva habitual: en lugar de centrarse en cada momento temporal, trata cada indicador como un “canal” separado y aprende cómo estos canales se influyen entre sí a lo largo de todo el historial. Esto permite al modelo capturar cómo voltaje, corriente, temperatura y características de capacidad incremental reflejan conjuntamente el desgaste subyacente de la batería.

Encontrar automáticamente los mejores ajustes

Los modelos profundos modernos tienen muchos parámetros internos —como cuántas capas usar y cuán anchas deben ser— que afectan fuertemente al rendimiento. Ajustarlos manualmente o explorarlos sistemáticamente es tedioso y a menudo impracticable. Por ello los autores incorporan una capa de optimización inspirada en el comportamiento de grupos de cebras, que busca buenas combinaciones de ajustes alternando entre “forrajeo” (refinar candidatos prometedores) y “defensa” (explorar nuevas regiones). Este sintonizador automatizado configura los bloques temporales y transformadores, así como parámetros de entrenamiento como la tasa de aprendizaje y el tamaño de lote, de modo que MI-SOH se adapte a distintos tipos de baterías y condiciones de uso sin necesidad de pruebas y errores exhaustivos.

Qué dicen las pruebas con baterías reales

El equipo evaluó MI-SOH en dos conjuntos de datos públicos muy usados: las celdas cilíndricas de la NASA y las prismáticas de CALCE, que difieren en química, tamaño y duración. En ambos casos, su método siguió la salud de la batería con mayor precisión que varias alternativas sólidas, incluidas modelos temporales independientes, modelos transformadores independientes y una combinación simple de ambos sin ponderación adaptativa ni ajuste automatizado. En promedio, MI-SOH redujo los errores de predicción aproximadamente entre un tercio y tres cuartas partes en comparación con estas alternativas, manteniendo además una muy alta concordancia con la capacidad medida real a lo largo de cientos de ciclos. Pruebas de ablación —en las que se eliminan componentes individuales— confirmaron que cada bloque constructivo (ponderación adaptativa, modelado temporal, atención entre indicadores y optimización automatizada) contribuye de forma significativa a la precisión final.

Conclusiones claras para la tecnología cotidiana

Para un lector general, el mensaje clave es que la salud de la batería se entiende mejor no a partir de un único número o regla fija, sino a partir de un patrón cambiante de múltiples señales que varían con la edad de la celda. MI-SOH captura esta complejidad aprendiendo qué señales importan más en cada etapa de la vida, cómo evolucionan en el tiempo y cómo se influyen entre sí. El resultado es una herramienta práctica y basada en datos que puede integrarse en sistemas de gestión de batería para vehículos eléctricos y almacenamiento energético. Al proporcionar estimaciones de salud más precisas y fiables, puede ayudar a prevenir fallos inesperados, alargar la vida útil de las baterías y reducir el coste y el riesgo global del transporte electrificado y los sistemas de energía renovable.

Cita: Zhuo, S., Zou, F., Liao, L. et al. MI-SOH: a multi-indicator feature dependency model for lithium-ion battery state-of-health Estimation. Sci Rep 16, 12309 (2026). https://doi.org/10.1038/s41598-026-39986-3

Palabras clave: salud de baterías de ion litio, estimación del estado de salud, diagnóstico de baterías, modelado de baterías basado en datos, baterías de vehículos eléctricos