Gestión de baterías: estimar el estado de carga

Un sistema de gestión de baterías sabe dos cosas de una celda: cuánta corriente circula y qué tensión hay en sus bornes. Ninguna de las dos es el estado de carga. La corriente solo da la carga si el sensor de corriente dice la verdad, y nunca dice si la dice. La tensión aporta algo, pero solo a través de una curva, y esa curva no es recta.

Este caso práctico construye el estimador que ejecuta un BMS real: un filtro de Kalman extendido que observa ambas señales, aprende el desvío de la que no puede fiarse y comunica la carga junto con su propia incertidumbre.

La celda

Una celda de iones de litio 18650 como circuito de Thévenin: una resistencia óhmica, una rama de polarización y una tensión en circuito abierto que depende de la carga.

V=VOC(SOC)−V1−R0IdSOCdt=−I3600 Qcap,dV1dt=−V1τ+IC1V = V_{OC}(SOC) - V_1 - R_0 I \qquad \frac{dSOC}{dt} = -\frac{I}{3600\,Q_{cap}}, \qquad \frac{dV_1}{dt} = -\frac{V_1}{\tau} + \frac{I}{C_1}

Los cuatro valores siguientes son un ejemplo de cálculo, no una hoja de datos. La hoja de Panasonic para la NCR18650B indica 3,25 Ah como mínimo y limita la resistencia interna a 100 mΩ como máximo, así que ni los 3,20 Ah ni los 0,05 Ω salen de ella. Están elegidos para el muestreo y no para una celda concreta: un polo en 0,05 rad/s y veinte muestras por constante de tiempo.

ParámetroSignificadoValor
QcapQ_{cap}Capacidad3.20 Ah3.20\ \text{Ah}
R0R_0Resistencia óhmica0.05 Ω0.05\ \Omega
R1R_1Resistencia de polarización0.02 Ω0.02\ \Omega
C1C_1Capacidad de polarización1000 F1000\ \text{F}
τ=R1C1\tau = R_1C_1Constante de tiempo de polarización20 s20\ \text{s}

Dos estados. Uno — la tensión de polarización V1V_1 — es fácil, porque es solo la diferencia entre la tensión en bornes y lo que la carga dice que debería marcar la celda. El otro es el problema: la carga no tiene indicador.

Por qué contar no basta

Se integra la corriente con un bloque Integrator, se divide por la capacidad y se resta del valor inicial. Sin modelo, sin curva, nada que ajustar, y durante una hora parece perfecto.

La trampa es que el instrumento de medida no es la celda. Un error del sensor de corriente se convierte en carga que nunca vuelve:

d SOCerrdt=δI3600 Qcap\frac{d\,SOC_{err}}{dt} = \frac{\delta I}{3600\,Q_{cap}}

La tasa sigue el desvío absoluto δI\delta I en amperios y la capacidad. No sigue la carga eléctrica.

CargaDesvío del sensorδI\delta IDeriva
2 A2 %0,04 A1,25 % por hora
10 A2 %0,20 A6,25 % por hora
10 A5 %0,50 A15,6 % por hora
2 A10 %0,20 A6,25 % por hora
10 A10 %1,00 A31,3 % por hora

Las dos últimas filas son la clave y las dos primeras la trampa. Un desvío porcentual de una carga mayor es un desvío absoluto mayor, de modo que la tabla parece decir que la deriva crece con la carga. Con el desvío absoluto fijo en 0,20 A, la tasa es de 6,25 % por hora tanto con 2 A como con 10 A. Un shunt se especifica en porcentaje: por eso es tan fácil equivocarse.

De ahí salen dos cosas. La deriva es una rampa, invisible en un eje de carga de 0…100 % — una gráfica de la carga absoluta parece perfecta todo el tiempo, y ese es precisamente el fallo. Y ninguna carga reduce la cifra; la respuesta honesta no es una corriente más suave, sino una segunda opinión sobre la carga.

Lo que revela la tensión

Quita la corriente y la celda se asienta. La tensión de polarización se extingue, y en los bornes queda la tensión en circuito abierto: una función de la carga y de nada más.

V=VOC(SOC)V = V_{OC}(SOC)

En simulación, esta relación no lineal se representa con un bloque LookupTable 1D con interpolación cúbica o lineal.

Esa es la vía de entrada. Pero la curva no es recta, y su pendiente varía muchísimo:

SOC∂VOC/∂SOC\partial V_{OC}/\partial SOCfrente a la meseta
0–10 %5,00 V por unidad de carga8,3×
10–20 %1,502,5×
20–90 %0,60 – 0,90la meseta
90–100 %0,601,0×

El mismo 10 % de carga vale medio voltio en la parte baja de la curva y seis milivoltios en el centro. Ese factor 8,3 no es una curiosidad: determina directamente la observabilidad del modelo. Con la fila de medida C=[∂VOC/∂SOC,  −1]C = [\partial V_{OC}/\partial SOC,\; -1] y una matriz de estado diagonal, el determinante de observabilidad es

det⁡O=(∂VOC∂SOC)(1−0.9512)\det O = \left(\frac{\partial V_{OC}}{\partial SOC}\right)\left(1 - 0.9512\right)

así que la carga es observable exactamente mientras la curva no sea plana, y lo es tanto mejor cuanto mayor sea la pendiente.

Un observador lineal, y dónde falla

El estimador clásico toma la medida, resta lo que espera el modelo y corrige el estado con una ganancia derivada de los dos niveles de ruido. Es la maquinaria correcta, y te deja una decisión: la relación carga-tensión es curva, así que el estimador la linealiza.

Una vez. El modelo pasa a ser afín:

VOC(SOC)≈H0 SOC+[VOC(slin)−H0 slin]V_{OC}(SOC) \approx H_0\, SOC + \left[V_{OC}(s_{lin}) - H_0\, s_{lin}\right]

La pendiente H0H_0 es una elección. La ordenada en el origen entre corchetes es otra, y es la que decide dónde se asienta el filtro: un observador lineal converge al punto donde su propio modelo de medida reproduce la tensión medida, y ahí no está la celda.

Linealiza en un punto de trabajo, deja la celda en reposo, y el resultado es un sesgo sistemático, no un retardo:

Tangente enCarga realSesgo final
0,450,05−53,3 %
0,450,85+7,5 %
0,050,45−28,8 %
0,050,05−0,0 %

Con la tangente en 45 % y la carga real en 5 %, la estimación se detiene en −0,48: una carga que ninguna celda puede tener. Solo una tangente trazada cerca del punto de trabajo real da un sesgo pequeño, así que elegir el punto de trabajo es una decisión que se paga durante toda la ejecución.

Hay un segundo detalle, contraintuitivo. El daño lo causa una tangente demasiado empinada, no demasiado suave. Con la pendiente equivocada el filtro cree a una medida ruidosa mucho más de lo debido; su ganancia se hunde y la estimación avanza a rastras, y se para a un 63 % de la verdad, la última fila de la tabla anterior. Una tangente demasiado suave es relativamente inofensiva: la innovación es suficiente para llevar la estimación a la verdad igualmente.

El filtro de Kalman extendido

La maquinaria no cambia. Cambia una línea: en lugar de congelar la pendiente al principio, se lee donde está la estimación en ese momento:

H=[∂VOC∂SOC∣SOChat,  −1]H = \left[\left.\frac{\partial V_{OC}}{\partial SOC}\right|_{SOC_{hat}},\; -1\right]

La curva no se linealiza una vez y luego se da por buena. Se vuelve a linealizar en el punto que ha alcanzado el filtro, de modo que la sensibilidad que usa es la que hay de verdad. El EKF es un KalmanFilter que admite que aproxima. En BlockWerk, este estimador de batería en tiempo real está reunido en el bloque BatterySocEkf.

Tangente enCarga realSesgo linealSesgo EKF
0,450,05−53,3 %0,0 %
0,450,85+7,5 %−0,0 %
0,050,45−28,8 %−0,0 %
0,050,85−63,1 %+0,0 %

Un solo juego de QQ y RR, ambas zonas, ningún sesgo en ninguna. Y el EKF no es uniformemente más rápido: en la parte empinada tarda 71 s frente a los 2 s del filtro lineal. La relinealización es prudente justo donde la medida es de verdad informativa. Ese compromiso es el tema del paso de ajuste, no un defecto que haya que ocultar.

Partir de la respuesta equivocada

El caso interesante no es que el filtro coincida con un experimento paciente, sino que encuentre la carga de la nada: estimación inicial 0,50, carga real 0,90, celda en reposo y nada ajustado para facilitarlo.

Converge en unos tres segundos. No «al final»: la curva de establecimiento en el tiempo es todo el sentido del paso, y después las dos trazas se superponen.

El EKF tiene una debilidad real, y conviene nombrarla. El filtro arranca en la meseta, donde la curva informa poco; la primera corrección se calcula con una pendiente pequeña y se pasa hacia la cola empinada. Llega donde la pendiente es 8,3 veces mayor, pero la covarianza que ya ha reducido se calculó para la pendiente equivocada, y una covarianza reducida significa una ganancia pequeña. Se recupera, despacio. Por eso el tiempo de establecimiento es de unos 3 s en 0,45, 71 s en 0,05 y 71 s en 0,15.

Ajuste

QQ es lo que el modelo admite no saber. RR es lo que el sensor admite no saber. La ganancia es la discusión entre ambos, y no hay un ajuste correcto en general, solo uno correcto para la situación en que está la celda.

Sube RR y el filtro se apoya en su modelo: suave y lento en notar nada. Bájalo y se apoya en la tensión: rápido, y se cree el ruido. QQ mueve el otro lado de la misma balanza, de forma más sutil. El estado de carga es casi un integrador puro, así que su error dominante es la ganancia del sensor de corriente, constante y multiplicativa en lugar de blanca: un qSOCq_{SOC} aditivo no es ruido del sensor, es un error de modelo reconocido. Es una densidad por segundo, así que se acumula:

qSOCq_{SOC}σ tras una horaQué representa
1e-66,0 % de cargamás incertidumbre ficticia que la propia magnitud medida
1e-80,6 % de cargaderiva no modelada: temperatura, envejecimiento

La cuestión del muestreo

Ambos filtros funcionan a 1 Hz, que es donde vive un BMS. Eso está holgadamente dentro del requisito, no en el límite: el polo más rápido de la planta es 1/τ=0.05 rad/s=7.96 mHz1/\tau = 0.05\ \text{rad/s} = 7.96\ \text{mHz}, lo que da 20 muestras por constante de tiempo y un margen de 63× sobre el límite de Nyquist. El único polo del modelo discreto está en 0,9512, así que el filtro es incondicionalmente estable y no hay límite de paso.

La planta y el filtro se discretizan por separado y de forma exacta, en el mismo intervalo:

Ad=diag(1,  e−Ts/τ)=diag(1,  0.9512)Bd=[−Ts/(3600 Qcap)R1 (1−e−Ts/τ)]=[−8.681×10−59.754×10−4]A_d = \text{diag}\left(1,\; e^{-T_s/\tau}\right) = \text{diag}(1,\; 0.9512) \qquad B_d = \begin{bmatrix} -T_s/(3600\,Q_{cap}) \\ R_1\,(1 - e^{-T_s/\tau}) \end{bmatrix} = \begin{bmatrix} -8.681 \times 10^{-5} \\ 9.754 \times 10^{-4} \end{bmatrix}

Mezclar un AdA_d exacto con un BdB_d de Euler explícito es un error real, no un descuido: el segundo término queda un 2,52 % por encima del valor exacto (el exacto queda un 2,46 % por debajo), y en cualquier caso esa diferencia aparece en la innovación del observador, donde el filtro no puede distinguirla de un error del modelo. El bloque recalcula la discretización —ruido incluido, según Van Loan— a partir de los parámetros, así que cambiar la capacidad de la celda o el tiempo de muestreo cambia también el modelo del estimador.

Lecturas recomendadas

El modelo de este caso práctico no se describe desde cero. El paquete thevenin del National Renewable Energy Laboratory de EE. UU. plantea las mismas ecuaciones que esta guía —

$$\frac{d\,SOC}{dt} = \frac{-I\,\eta}{3600\,Q_{\max}} \qquad

\frac{dV_j}{dt} = -\frac{V_j}{R_jC_j} + \frac{I}{C_j} \qquad

V_{\text{cell}} = V_{\text{OCV}}(SOC) - \sum_j V_j - I R_0$$

— con el término de histéresis a cero, que es para lo que sirve el ajuste de dos ramas indicado abajo.

  • Randall, C. R. thevenin: Equivalent circuit models in Python (NREL, SWR-24-132).

BSD-3-Clause.

— la descripción del modelo, con las ecuaciones de arriba y los parámetros de la

celda como entradas. Los cuatro valores de esta guía no proceden de ahí; son un

ejemplo de cálculo.

  • El modelado de Thévenin de celdas de litio; la extensión a dos ramas y la segunda

constante RC que omite un modelo de una rama

  • Los filtros de Kalman extendidos e iterados en la gestión de baterías, y el papel de

la pendiente de la curva OCV en la observabilidad alcanzable

  • El cuadrado normalizado de la innovación, la cifra que indica si los QQ y RR

supuestos son los que tiene la celda

Pruébalo tú mismo

El último paso del caso práctico interactivo es un espacio de pruebas, y los dos

controles que vale la pena mover son los que esta guía presenta como la discusión:

  • La varianza del ruido de medida RR y el ruido de proceso qSOCq_{SOC}, las dos

magnitudes de la tabla anterior. Ambos tienen deslizadores logarítmicos, porque cuatro

décadas de RR en una escala lineal dejarían todo ajuste útil en la primera vigésima

parte del recorrido.

  • La carga real de la celda. Ponla en 15 % y la estimación tarda 71 s en llegar al

mismo punto que el 90 % alcanza en 28 s, por la razón explicada en el párrafo de la

meseta.

La carga eléctrica, el desvío del sensor y su propio ruido también están, y son los

tres de los que trata el paso 2 de la lección.

Ver también

Preguntas Frecuentes (FAQ)

Q: How is the measurement Jacobian H_k computed from the nonlinear battery OCV-SOC curve?

In a 1st-order Thevenin equivalent circuit model, battery terminal voltage is Vt(k)=Voc(SOCk)−R0⋅Ik−VRC,kV_t(k) = V_{oc}(SOC_k) - R_0 \cdot I_k - V_{RC,k}. With state vector xk=[SOCk,VRC,k]Tx_k = [SOC_k, V_{RC,k}]^T, the observation equation is nonlinear due to the Open-Circuit Voltage function Voc(SOC)V_{oc}(SOC). The Extended Kalman Filter linearizes this relationship at each time step using the Jacobian Hk=∂Vt∂x∣x^k∣k−1=[dVocdSOC∣SOC^k∣k−1−1]H_k = \left. \frac{\partial V_t}{\partial x} \right|_{\hat{x}_{k|k-1}} = \begin{bmatrix} \left.\frac{d V_{oc}}{d SOC}\right|_{\hat{SOC}_{k|k-1}} & -1 \end{bmatrix}. In chemistries like LFP where the OCV plateau is extremely flat (dVocdSOC≈0\frac{d V_{oc}}{d SOC} \approx 0), Hk≈[0,−1]H_k \approx [0, -1], indicating that terminal voltage provides near-zero SOC observability, forcing the filter to lean on Coulomb counting until cell knee regions are reached.

Q: How do covariance matrices Q and R prevent Kalman filter divergence during current sensor drift?

Pure Coulomb counting accumulates current sensor bias IbiasI_{\text{bias}} indefinitely: ΔSOC=∫IbiasdtCnom\Delta SOC = \frac{\int I_{\text{bias}} dt}{C_{\text{nom}}}. In the EKF, process noise covariance Q=diag(σcurr2(Δt/Cnom)2,σRC2)Q = \text{diag}(\sigma_{\text{curr}}^2 (\Delta t / C_{\text{nom}})^2, \sigma_{RC}^2) quantifies sensor noise and thermal capacity uncertainty, while measurement noise covariance R=σvolt2R = \sigma_{\text{volt}}^2 models ADC quantization noise. Kalman gain Kk=Pk∣k−1HkT(HkPk∣k−1HkT+R)−1K_k = P_{k|k-1} H_k^T (H_k P_{k|k-1} H_k^T + R)^{-1} balances current tracking against voltage feedback. Over rest periods (I≈0I \approx 0), the terminal voltage relaxes to equilibrium OCV, allowing innovation residual (Vt−V^t)(V_t - \hat{V}_t) to correct accumulated integration drift automatically.

Q: Why is a 1st-order Thevenin RC model required for dynamic driving cycles instead of static OCV lookup?

Under transient current loads (e.g. EV acceleration in WLTP/US06 cycles), electrochemical charge transfer and lithium-ion diffusion gradients create dynamic overpotentials. A static OCV lookup table assumes instantaneous thermodynamic equilibrium, misinterpreting polarization voltage drops ΔV=IR1(1−e−t/τ)\Delta V = I R_1 (1 - e^{-t/\tau}) as instantaneous drops in state of charge. The 1st-order Thevenin model (R0+R1∥C1R_0 + R_1 \parallel C_1) explicitly integrates diffusion polarization dynamics V˙RC=−1R1C1VRC+1C1I\dot{V}_{RC} = -\frac{1}{R_1 C_1} V_{RC} + \frac{1}{C_1} I with time constant τ=R1C1≈10–60\tau = R_1 C_1 \approx 10\text{--}60 s, separating dynamic IR/polarization drops from true equilibrium chemical capacity.

Simular en BlockWerk

Simulador interactivo en tu navegador — sin instalación, motor WebAssembly.

Simular en BlockWerk →