Introducción: Medición del SOC: la propuesta central de la gestión de baterías de litio
Estado de carga (SOC), como indicador cuantitativo principal de la capacidad restante de baterías de litioDetermina directamente la precisión del control de seguridad, la fiabilidad de la predicción de autonomía y la vida útil del Sistema de Gestión de Baterías (BMS). Su esencia es inferir el estado de carga residual disponible dentro de la batería mediante parámetros medibles como el voltaje, la corriente y la temperatura. Sin embargo, este proceso se ha convertido en un desafío técnico industrial debido a las fuertes características electroquímicas no lineales, la atenuación por envejecimiento, la interferencia térmica y otros factores de las baterías de litio.
En aplicaciones de ingeniería, el método de integración de amperios-hora y el método de conteo de Coulomb se han convertido en las opciones principales para sistemas de gestión de edificios (BMS) de fabricantes pequeños y medianos gracias a sus principios simples y fácil implementación. Las investigaciones demuestran que las placas BMS de marcas como JK, PACEEX y DL adoptan el método de integración de amperios-hora, mientras que JBD prefiere el método de conteo de Coulomb. Sin embargo, estos dos métodos no abarcan toda la medición del estado de carga (SOC), y sus limitaciones inherentes han impulsado el desarrollo continuo de tecnologías de medición más precisas y robustas. Este artículo analizará sistemáticamente los métodos de medición del estado de carga (SOC) más comunes, se centrará en el análisis de las tecnologías clave, además del método de integración de amperios-hora y el método de conteo de Coulomb, y construirá un sistema cognitivo completo de tecnologías de medición del estado de carga (SOC), combinando escenarios de aplicación y la lógica de selección de los fabricantes.
Fundamentos básicos: dos métodos de medición aplicados convencionales (estado actual y limitaciones)
Antes de profundizar en otros métodos de medición, es necesario aclarar las características principales, el estado de aplicación y los defectos inherentes del método de integración de amperios-hora y el método de conteo de Coulomb: esto no solo es la base para aplicaciones industriales, sino también el punto de partida para innovaciones tecnológicas posteriores.
Método de integración de amperios-hora: una solución básica que prioriza la adaptabilidad de la ingeniería
El principio básico se basa en la ley de conservación de la carga. Calcula la variación de la capacidad de la batería integrando la corriente de carga-descarga a lo largo del tiempo. La fórmula básica es: SOC(t) = SOC(0) – (1/Cₙ) × ∫₀ᵗ I(τ)dτ (donde SOC(0) es el estado de carga inicial, Cₙ es la capacidad nominal e I(τ) es la corriente de carga-descarga).
En cuanto a su estado de aplicación, marcas como JK, PACEEX y DL eligen este método principalmente por su baja complejidad computacional, su bajo requerimiento de potencia de procesamiento de hardware, lo que permite su adaptación a módulos BMS embebidos de bajo costo, y su rápida velocidad de respuesta, que permite satisfacer las necesidades de monitoreo en tiempo real en escenarios convencionales. Sin embargo, este método presenta limitaciones obvias: el error inicial del estado de carga (SOC) se acumula continuamente, lo que genera desviaciones significativas tras un uso prolongado; se ve afectado en gran medida por la precisión de los sensores de corriente y la atenuación de la capacidad de la batería, y requiere una calibración regular para mantener la precisión.
Método de conteo de Coulomb: una opción optimizada para condiciones de trabajo dinámicas
Como derivado optimizado del Método de Integración de Amperios-Hora, el Método de Conteo de Coulomb también se basa en el principio de integración de corriente, pero prioriza la precisión en la medición de la transferencia de carga. Optimiza la precisión de la medición en condiciones de trabajo dinámicas mediante la introducción del coeficiente de eficiencia de Coulomb. Su principal ventaja es su buen rendimiento dinámico, ideal para escenarios con cambios frecuentes de corriente (como dispositivos portátiles y vehículos eléctricos ligeros). Suponiendo una calibración inicial precisa, la precisión de la medición acumulada es relativamente alta.
La elección de este método por parte de JBD se debe probablemente a que sus productos se centran en escenarios de carga dinámica y exigen mayor tiempo real y continuidad en la medición de potencia. Sin embargo, este método aún no elimina las limitaciones principales: pequeñas desviaciones en la medición de corriente y el ruido del sistema acumulan errores gradualmente; depende de valores iniciales precisos del estado de carga (SOC) y de la calibración regular de los ciclos de carga y descarga, y no puede gestionar de forma independiente la atenuación de capacidad causada por el envejecimiento de la batería.
Extensión del núcleo: Tecnologías de medición del SOC convencionales más allá de los métodos básicos
En respuesta a las deficiencias inherentes del método de integración de amperios-hora y del método de conteo de Coulomb, la industria ha desarrollado diversos métodos de medición más precisos y antiinterferentes. Estos métodos se aplican de forma independiente en escenarios de alta precisión o se integran con métodos básicos para formar arquitecturas híbridas, convirtiéndose en las soluciones técnicas clave para sistemas de gestión de edificios (BMS) de gama media y alta.
Método de voltaje de circuito abierto (método OCV): la “regla de referencia” para la calibración estática
El principio fundamental consiste en aprovechar la estrecha relación de correspondencia entre la tensión de circuito abierto (tensión entre los dos polos en estado estático) de las baterías de litio y el estado de carga (SOC), e inferir el valor de SOC mediante una curva OCV-SOC precalibrada. En ingeniería, se suele utilizar una curva de ajuste polinomial de sexto orden; el error de ajuste se puede controlar dentro de 0.027 V, la precisión de la estimación estática es extremadamente alta y el error promedio puede ser inferior al 0.5 %.
El escenario aplicable es principalmente la calibración del estado de carga (SOC), por ejemplo, después de una carga o un estacionamiento prolongado, para corregir el error acumulativo del método de integración de amperios-hora/método de conteo de culombios. Los sistemas de gestión de la batería (BMS) de la mayoría de los fabricantes de automóviles inician automáticamente el método OCV para calibrar el valor inicial del SOC cuando el vehículo permanece detenido durante más de una hora. Sin embargo, su principal limitación es que la batería debe permanecer detenida durante un tiempo prolongado para eliminar el efecto de polarización, lo que impide su adaptación a las condiciones de trabajo en tiempo real, como la conducción dinámica y las fluctuaciones de carga. Por lo tanto, rara vez se utiliza como método de medición principal independiente, y se utiliza principalmente como complemento a los métodos básicos.
Algoritmos de filtros de Kalman: el «corrector de precisión» para escenarios dinámicos
Como método principal basado en modelos, los algoritmos de series de filtros de Kalman corrigen dinámicamente los errores de estimación de SOC mediante la construcción agresión con lesiones Modelos de circuitos equivalentes que combinan el mecanismo iterativo de predicción y actualización, adaptándose a condiciones de trabajo no lineales y con fuertes interferencias en tiempo real, y que abarcan más del 80 % del mercado de sistemas de gestión de edificios (BMS) para automoción de gama media-alta. Sus principales tecnologías derivadas incluyen:
- Filtro Kalman Extendido (EKF): Linealiza el sistema de batería no lineal, con bajo costo de implementación y excelente rendimiento en tiempo real, ideal para condiciones de trabajo dinámicas convencionales. Sin embargo, la aproximación lineal introduce errores inherentes y la precisión disminuye en escenarios dinámicos fuertes.
- Filtro Kalman Sin Aromatizar (UKF): Utiliza una transformación sin aromatizar para generar puntos de muestreo que aproximan la distribución gaussiana, sin necesidad de linealización, y permite capturar la información de momento de orden superior del sistema. Su precisión es más de un 30 % superior a la del EKF en condiciones de trabajo complejas, como NEDC.
- Filtro Kalman de Cubetura de Raíz Cuadrada (SRCKF): Evita el problema de semidefinición positiva de la matriz a través de la descomposición de Cholesky, y su estabilidad es significativamente mejor que el filtro Kalman tradicional, adaptándose a escenarios industriales y automotrices con altos requisitos de confiabilidad.
En términos de casos de aplicación, fabricantes de automóviles como Tesla y BYD adoptan la arquitectura híbrida de “Integración de amperios-hora + EKF/UKF”, combinada con la calibración OCV, para lograr una precisión de estimación de ±3% o menos en condiciones de trabajo dinámicas.
Método de impedancia: una “solución de medición colaborativa” que combina el estado de salud
El principio fundamental consiste en medir la resistencia interna de la batería, o el espectro de impedancia, y estimar conjuntamente el estado de carga (SOC) y el estado de salud (SOH) mediante la correlación entre la resistencia interna y el SOC (SOH). La resistencia interna de la batería fluctúa regularmente con los cambios en el SOC (por ejemplo, es mayor en los niveles de SOC bajo y alto, y relativamente estable en el rango medio). El valor del SOC se puede inferir mediante la medición de impedancia de alta frecuencia.
La ventaja de este método reside en que refleja el estado de envejecimiento de la batería de forma sincronizada, proporciona una referencia dinámica de capacidad para la medición del estado de carga (SOC) y reduce los errores causados por el envejecimiento. Sin embargo, la limitación reside en la complejidad de la medición en tiempo real, que se ve muy afectada por la temperatura y la velocidad de carga y descarga, y el elevado coste de implementación del hardware. Actualmente, se utiliza principalmente como método de medición auxiliar, integrado con el método de filtro de Kalman.
Algoritmo de aprendizaje profundo basado en datos: una “solución inteligente” para avances de vanguardia
Basándose en datos masivos de funcionamiento de la batería (voltaje, corriente, temperatura, tiempos de ciclo, etc.), aprende la relación de mapeo no lineal entre el estado de carga (SOC) y múltiples parámetros mediante modelos de redes neuronales, con el algoritmo de memoria a largo plazo (LSTM) como ejemplo típico. Su principal ventaja es su gran adaptabilidad, que le permite adaptarse automáticamente a factores complejos como el envejecimiento de la batería y las fluctuaciones de temperatura, sin depender de un modelo físico preciso de la batería.
Actualmente, este método se encuentra en la fase de verificación de laboratorio para su transformación en ingeniería, con dos obstáculos fundamentales: primero, depende de muestras etiquetadas masivas (que deben cubrir todo el rango de temperatura de -20 °C a 60 °C y escenarios multifrecuencia de 0.2 °C a 3 °C); segundo, carece de interpretabilidad física, lo que dificulta la verificación de seguridad. La principal línea de investigación actual es la arquitectura híbrida basada en modelos y datos, como el uso de LSTM para corregir el error del modelo del filtro de Kalman, considerando tanto la precisión como la fiabilidad.
Algoritmo de optimización de modelos de orden fraccional: una “solución de actualización de precisión” para la optimización de detalles
Superando las limitaciones del modelo RC tradicional de orden entero, introduce elementos capacitivos de orden fraccionario (CPE) para construir un modelo de circuito equivalente que permite caracterizar con mayor precisión el efecto memoria y las características de histéresis de la batería. Combinado con tecnología adaptativa multiinnovadora para ajustar dinámicamente la ganancia del filtro, se adapta a entornos con ruido no gaussiano. En condiciones de trabajo de congestión urbana UDDS, el error de ajuste de voltaje se reduce en un 40 % en comparación con el modelo RC de segundo orden, lo que proporciona una base de modelo más fiable para la medición del estado de carga (SOC).
El principal desafío de este método reside en la alta complejidad computacional de las derivadas de orden fraccionario, que deben adaptarse a los requisitos de potencia de cálculo de los microcontroladores de grado automotriz. Si bien aún no se ha producido ni aplicado en masa, se ha convertido en una línea importante para la investigación previa en tecnología BMS de alta gama.
Los diferentes métodos de medición del SOC presentan diferencias significativas en cuanto a precisión, complejidad, coste y escenarios aplicables. La selección de los fabricantes se basa esencialmente en un equilibrio entre demanda, coste y precisión. En combinación con los casos de fabricantes mencionados, como JK, PACEEX, DL, JBD y las prácticas industriales convencionales, se puede resumir la siguiente lógica básica:
| método de medida | Ventajas principales | Limitaciones fundamentales | Fabricantes/escenarios de aplicaciones típicas |
| Método de integración de amperios-hora | Bajo costo, implementación sencilla, respuesta rápida | Acumulación de errores, dependiendo de la calibración | JK, PACEEX, DL (placas BMS de gama media a baja) |
| Método de conteo de Coulomb | Buen rendimiento dinámico, medición acumulativa precisa. | Basándose en el valor inicial, se requiere una calibración regular. | JBD (BMS para escenarios de carga dinámica) |
| Método de voltaje de circuito abierto | Precisión estática extremadamente alta | Necesita un estado estático a largo plazo, no se puede aplicar dinámicamente | Todos los fabricantes (enlace de calibración SOC) |
| Serie de filtros Kalman | Alta precisión dinámica, fuerte antiinterferencia. | Alta complejidad, que requiere calibración del modelo. | Tesla, BYD (BMS para automóviles de gama media y alta) |
| Algoritmo de aprendizaje profundo | Fuerte adaptabilidad, adecuada para factores complejos. | Basándose en datos, verificación difícil | Instituciones de investigación + fabricantes de automóviles líderes (etapa previa a la investigación) |
Tendencias futuras: Integración de múltiples métodos y direcciones de innovación tecnológica
Con la profundización de la aplicación de las baterías de litio en vehículos de nueva energía, almacen de energia En otros campos, los requisitos de precisión y fiabilidad en la medición del SOC siguen aumentando. Un único método ya no puede satisfacer las necesidades de todos los escenarios. Las principales líneas de desarrollo futuras presentan dos características principales:
La integración profunda de múltiples métodos se vuelve común
Los métodos básicos (integración de amperios-hora/conteo de culombios) proporcionan un marco de medición en tiempo real, los algoritmos de la serie de filtros Kalman corrigen errores dinámicamente, el método OCV calibra regularmente los parámetros de referencia y el método de impedancia monitoriza sincrónicamente el SOH para ajustar dinámicamente los parámetros de capacidad. Esta arquitectura de "multiintegración" permite obtener mediciones de alta precisión con un margen de error de ±2%, lo que se ha convertido en el estándar técnico para los sistemas de gestión de edificios (BMS) de los principales fabricantes de automóviles. Por ejemplo, la arquitectura combinada ASRCKF-EKF (filtro Kalman de cubatura de raíz cuadrada adaptativa + filtro Kalman extendido) permite controlar el error promedio entre el 0.12% y el 0.16% en diversas condiciones de trabajo, como la conducción a alta velocidad y la congestión urbana.
Innovación colaborativa de enfoques basados en datos y modelos
Mediante el uso de datos operativos masivos de terminales de vehículos y terminales de almacenamiento de energía para entrenar modelos de aprendizaje profundo, optimizar los parámetros del modelo y las estrategias de supresión de ruido de los filtros de Kalman, y utilizar modelos físicos para establecer restricciones de aprendizaje profundo y resolver el problema de la insuficiente interpretabilidad física. Además, con la mejora de la potencia de procesamiento de los chips, se acelerará la aplicación de algoritmos de ingeniería de alta precisión, como los modelos de orden fraccional y la combinación de múltiples filtros, lo que permitirá superar aún más el cuello de botella de la medición en condiciones de trabajo complejas.
La medición del estado de carga (SOC) de las baterías de litio no es una única vía técnica, sino un sistema completo que combina métodos básicos como base, métodos precisos para la optimización e integración multitécnica para la actualización. El método de integración de amperios-hora y el método de conteo de Coulomb siguen siendo las opciones principales para BMS de fabricantes pequeños y medianos debido a su adaptabilidad de ingeniería. Sin embargo, debido a defectos como la acumulación de errores, no pueden satisfacer las necesidades de los escenarios de alta gama. Tecnologías como el método de voltaje de circuito abierto, los algoritmos de la serie de filtros de Kalman y el método de impedancia compensan las deficiencias de los métodos básicos con sus respectivas ventajas, constituyendo el soporte fundamental para la medición de alta precisión. Tecnologías de vanguardia como el aprendizaje profundo y los modelos de orden fraccional ofrecen posibilidades para soluciones de medición más precisas y adaptables en el futuro.
Para los fabricantes, la selección de métodos de medición del estado de carga (SOC) debe estar estrechamente vinculada al posicionamiento del producto y los escenarios de aplicación. Los productos de gama media-baja pueden priorizar el método de integración de amperios-hora/método de conteo de culombios, combinado con la calibración OCV para controlar los costos; los productos de gama media-alta deben adoptar arquitecturas de integración multimétodo para equilibrar la precisión y la fiabilidad. En el futuro, con la continua iteración tecnológica, la medición del estado de carga (SOC) se orientará hacia una mayor precisión, mayor robustez y menor costo, lo que proporcionará garantías esenciales para la aplicación segura y eficiente de las baterías de litio.
