.jpg)
Nueva filtración de Kalman adaptativo para la predicción de SoH en baterías de vehículos eléctricos de segunda vida
Presentamos un marco novedoso de filtrado de Kalman adaptativo AKF diseñado para la predicción precisa y robusta del State of Health SoH en baterías de vehículos eléctricos destinadas a aplicaciones de segunda vida. Este enfoque supera las limitaciones de los métodos tradicionales que suelen fallar frente a degradación dinámica y condiciones de operación variables, ajustando en tiempo real los parámetros del filtro a partir de datos de voltaje corriente y temperatura.
Metodología. El AKF estima recursivamente los parámetros internos que condicionan el SoH, en particular la resistencia interna R y la pérdida de capacidad deltaC. La dinámica de estados se modela como Xk = Phi Xk-1 + Gamma Yk-1 donde Xk es el vector de estado, Phi la matriz de transición, Gamma la matriz de control e Yk-1 el vector de corriente de carga o descarga. La ecuación de medida se expresa Zk = H Xk + Wk donde Zk contiene Voc corriente y temperatura, H relaciona estados y medidas y Wk representa ruido de medida.
Ajuste adaptativo de covarianzas. La innovación clave es la actualización en tiempo real de las matrices de covarianza del ruido de proceso Q y del ruido de medida R mediante algoritmos RLS. De forma resumida Qk se actualiza ponderando la covarianza de los residuales entre la estimación y el estado observado y Rk se actualiza a partir de los residuales entre las medidas reales y las predicciones H yk. Los factores de olvido regulan la velocidad de adaptación para priorizar información reciente o histórica según convenga.
Diseño experimental y tratamiento de datos. La validación se realizó con datos reales de módulos de baterías reutilizadas procedentes de entornos urbanos. Se simularon perfiles de carga descarga diversos y condiciones térmicas controladas 15 C 25 C 35 C y tasas de C C tercio C medio y C completo. La base de datos supera los diez millones de puntos. El preprocesado incluyó eliminación de outliers suavizado con filtro Savitzky Golay y normalización. Los datos se dividieron en 70 por ciento entrenamiento 15 por ciento validación y 15 por ciento prueba. Adicionalmente se empleó una red convolucional LeNet 5 para mapear las señales bruto en estimaciones iniciales de SoH que alimentan al AKF.
Métricas y análisis de fiabilidad. La precisión y robustez se evaluaron mediante RMSE MAPE y coeficiente de correlación R. Se contrastó el rendimiento frente a filtros de referencia EKF y UKF y se analizaron escenarios con variaciones de temperatura y C rate para comprobar estabilidad y adaptabilidad.
Resultados y demostración práctica. Las simulaciones y pruebas mostraron una mejora aproximada del 25 por ciento en la precisión de predicción del SoH frente a EKF y UKF bajo condiciones térmicas fluctuantes. El sistema detecta anomalías y ajusta sus covarianzas en tiempo real manteniendo estabilidad gracias al uso de RLS y a límites estadísticos sobre los parámetros. La aceleración mediante GPU permite funcionamiento en tiempo real para aplicaciones de gestión y control.
Hoja de ruta hacia la escalabilidad. Corto plazo integraciones con sistemas BMS para estrategias de control dependientes del SoH y procesamiento en la nube; medio plazo despliegue de capacidades en el edge para predicción instantánea en redes de almacenamiento distribuido; largo plazo autooptimización del modelo AKF mediante técnicas de aprendizaje por refuerzo para adaptarse a nuevas tecnologías de baterías y mecanismos de degradación.
Aplicaciones de negocio y servicios Q2BSTUDIO. En Q2BSTUDIO como empresa de desarrollo de software y aplicaciones a medida ofrecemos integración completa del AKF en soluciones industriales y de energía. Somos especialistas en software a medida y en el desarrollo de aplicaciones a medida que integran inteligencia artificial para empresas, agentes IA y procesos automatizados. Si su proyecto requiere modelos de IA o consultoría en inteligencia artificial puede conocer nuestros servicios de forma detallada en servicios de inteligencia artificial. Además podemos desplegar la infraestructura cloud necesaria para entrenamiento y operación en entornos AWS y Azure y optimizar coste y latencia con servicios cloud aws y azure.
Nuestros servicios incluyen ciberseguridad y pruebas de pentesting integradas en la cadena de desarrollo para garantizar integridad y continuidad operativa, servicios de inteligencia de negocio y Power BI para visualización y toma de decisiones, así como solución completa de agentes IA y automatización de procesos. Estas capacidades hacen de Q2BSTUDIO un partner ideal para llevar soluciones de SoH predictivo desde el prototipo hasta la operación a escala.
Palabras clave relevantes para posicionamiento: aplicaciones a medida, software a medida, inteligencia artificial, ia para empresas, agentes IA, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, power bi, automatización de procesos.
Conclusión. La filtración de Kalman adaptativa propuesta representa una mejora práctica y escalable para maximizar el valor de baterías de segunda vida optimizando su uso y prolongando su vida útil. Integrada con soluciones de software a medida y servicios cloud y de inteligencia artificial de Q2BSTUDIO permite implantar sistemas robustos que favorecen la economía circular y reducen el impacto ambiental.
