La nueva tecnología puede saber si su vehículo eléctrico llegará a casa

Investigadores de California han creado una nueva métrica de diagnóstico que, según se informa, puede predecir si una batería puede impulsar con éxito una tarea específica. El modelo propuesto podría utilizarse en vehículos eléctricos, sistemas aéreos no tripulados y aplicaciones de almacenamiento en red.

Científicos de la Universidad de California, Riversidehan desarrollado una nueva métrica de diagnóstico para vehículos eléctricos (EV) que determina si pueden completar un próximo viaje.

Llamado Estado de Misión (SOM), utiliza tanto datos de la batería como factores ambientales, como patrones de tráfico, cambios de elevación o temperatura ambiente, para generar predicciones en tiempo real y específicas de tareas. Además, el equipo ha desarrollado marcos matemáticos y computacionales para calcular el SOM.

«Es una medida consciente de la misión que combina datos y física para predecir si la batería puede completar una tarea planificada en condiciones del mundo real», dijo el coautor Mihri Ozkan en un comunicado. «Nuestro enfoque está diseñado para ser generalizable. La misma metodología híbrida puede ofrecer predicciones basadas en la misión que mejoran la confiabilidad, la seguridad y la eficiencia en una amplia gama de tecnologías energéticas, desde automóviles y drones hasta sistemas de baterías domésticas e incluso misiones espaciales».

Para calcular la SOM, el novedoso modelo utiliza tres clases de entrada relacionadas con el perfil de la misión, las condiciones ambientales y la dinámica de la batería. Comienza procesando datos históricos de series de tiempo para estimar el vector de estado interno inicial de la batería. Luego, las ecuaciones diferenciales neuronales ordinarias (ODA neuronales) simulan la evolución en el tiempo continuo de los estados electroquímicos, térmicos y de degradación. Aprovechando las redes neuronales basadas en la física (PINN), el modelo se adhiere a los resultados basados ​​en leyes físicas. En última instancia, la utilización de arquitecturas de aprendizaje secuencial produce un sistema de estimación del estado de la batería coherente y de extremo a extremo.

El nuevo modelo arroja tres resultados: el primero es un SOM binario, que indica si una batería puede completar la misión. El siguiente es un SOM cuantitativo, que indica con qué facilidad y seguridad la batería puede completar la misión. Por último, también produce un SOM probabilístico, que representa la probabilidad de que la misión tenga éxito. El grupo ha utilizado datos del conjunto de datos de degradación de baterías de Oxford y del conjunto de datos de envejecimiento de baterías PCoE de la NASA para entrenar el modelo. Al final, parte de los datos también se utilizaron para realizar pruebas.

«El modelo aprende de cómo las baterías se cargan, descargan y calientan con el tiempo, pero también respeta las leyes de la electroquímica y la termodinámica. Esta inteligencia dual le permite hacer predicciones confiables incluso bajo estrés, como una caída repentina de temperatura o una subida empinada», dijo el coautor Cengiz Ozkan. «Al combinarlos, obtenemos lo mejor de ambos mundos: un modelo que aprende de manera flexible a partir de los datos pero que siempre se mantiene basado en la realidad física. Esto hace que las predicciones no sólo sean más precisas sino también más confiables».

Utilizando un marco computacional implementado en Python, el grupo simuló dos estudios de caso para examinar su modelo SOM. El primero incluía un automóvil de pasajeros, que recorría una ruta urbana de ida y vuelta de 23 km, con temperaturas ambiente que oscilaban entre 18 y 32 C. El estado de carga inicial de la batería (SOC) era del 58 %, el estado inicial de salud (SOH) era del 87 %, el estado de resistencia (SOR) fue de aproximadamente el 12 % y la temperatura promedio de la celda (SOT) fue de 26 C. El modelo encontró que la misión era factible, con una puntuación SOM cuantitativa del 92,4 %.

La segunda misión involucró un vehículo de carga eléctrica de largo recorrido, que recorrió una ruta mixta de 275 km que incluía 110 km en condiciones montañosas, con un rango de temperatura ambiente de 26-42 C. El SOC en este caso fue del 87 %, el SOH fue del 78 % y el SOT fue de 33,6 C. El modelo también encontró que esta misión era factible, con un SOM cuantitativo del 73,5 %. «En todo el conjunto de datos evaluados, el modelo logra errores cuadráticos medios (RMSE) de 0,018 V para voltaje, 1,37 C para temperatura y 2,42 % para SOC, lo que refleja un fuerte acuerdo con los datos empíricos», agregó el equipo.

«En este momento, la principal limitación es la complejidad computacional», afirmó Mihri Ozkan. «El marco exige más potencia de procesamiento que la que suelen ofrecer los ligeros sistemas integrados de gestión de baterías actuales». Sin embargo, enfatizó que es optimista y que el modelo pronto podría aplicarse a vehículos eléctricos, sistemas aéreos no tripulados, aplicaciones de almacenamiento en red y otras áreas.

El novedoso sistema se introduce en “Estado de misión: Gestión de baterías con redes neuronales e IA electroquímica”, publicado en iCiencia.