Puede que tu vehículo eléctrico muestre un 40 % de carga restante, pero eso no siempre significa que podrás cruzar ese paso de montaña con la calefacción a tope a 105 km/h. Ingenieros de la Universidad de California en Riverside (UCR) han desarrollado una nueva herramienta diseñada para superar esa incertidumbre con una verdadera confianza en la autonomía.
Su nueva herramienta de diagnóstico, Estado de Misión (SOM), ofrece una respuesta más útil que un simple estado de carga. En lugar de simplemente mostrar el nivel de carga de la batería, SOM indica si su vehículo eléctrico puede completar un viaje específico de forma segura y fiable, teniendo en cuenta la altitud, el tráfico, la temperatura y su estilo de conducción.
“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 Mihri Ozkan, profesor de ingeniería de la UCR que ayudó a desarrollar el sistema.
Más inteligentes que los medidores de batería actuales
Los sistemas actuales de gestión de baterías se basan en ecuaciones físicas rígidas o modelos de IA opacos. El SOM de la UCR combina ambos enfoques, combinando la adaptabilidad del aprendizaje automático con la fiabilidad de la electroquímica y la termodinámica. El modelo híbrido “aprende” del comportamiento de las baterías a lo largo del tiempo (cómo se cargan, descargan y calientan), pero se mantiene anclado en la realidad física para poder afrontar imprevistos como olas de frío repentinas o subidas empinadas.
“Al combinarlos, obtenemos lo mejor de ambos mundos: un modelo que aprende de forma flexible de los datos pero que siempre se mantiene anclado en la realidad física”, dijo Cengiz Ozkan, profesor de ingeniería de la UCR y coinvestigador principal.
Probado con datos de la NASA y Oxford
El equipo probó SOM utilizando conjuntos de datos públicos de la NASA y la Universidad de Oxford que incluían el rendimiento real de baterías. Estos incluían ciclos de carga y descarga, variaciones de temperatura, datos de voltaje y tendencias a largo plazo. En comparación con las herramientas de diagnóstico convencionales, SOM redujo drásticamente los errores de predicción en 0,018 voltios para el voltaje, 1,37 °C para la temperatura y un 2,42 % para el estado de carga.
“Transforma datos abstractos de la batería en decisiones prácticas, mejorando la seguridad, la confiabilidad y la planificación para vehículos, drones y cualquier aplicación donde la energía deba adaptarse a una tarea del mundo real”, afirmó Mihri Ozkan.
El sistema aún está en desarrollo, y uno de sus principales desafíos es que requiere más potencia de procesamiento de la que los sistemas de baterías ligeras para vehículos eléctricos (VE) pueden gestionar actualmente. Sin embargo, el equipo de la UCR confía en que, con la optimización, el SOM podría integrarse en vehículos eléctricos, drones y sistemas de almacenamiento en la red eléctrica.
También están explorando cómo el SOM puede funcionar con nuevas químicas de baterías, como baterías de iones de sodio, de estado sólido y de flujo.
“El mismo enfoque híbrido puede mejorar la confiabilidad, la seguridad y la eficiencia en una amplia gama de tecnologías, desde automóviles y drones hasta sistemas de baterías domésticas e incluso misiones espaciales”, afirmó Cengiz Ozkan.
You must be logged in to post a comment Login