Las pruebas de rendimiento de las baterías constituyen una parte importante del mercado de baterías de segunda vida para vehículos eléctricos. Los remanufacturadores intentarán utilizar las baterías para VE con mejor rendimiento en sus sistemas finales de segunda vida, como los sistemas de almacenamiento estacionarios o las aplicaciones de electromovilidad de menor potencia. Aunque los remanufacturadores deben tener en cuenta consideraciones relacionadas con los procedimientos de adquisición, desmontaje y reensamblaje, también es crucial conocer el rendimiento de las baterías de VE retiradas.

Esto se debe a que influirá en el rendimiento de la batería de segunda vida final una vez reutilizada. En su último informe sobre el tema, "Baterías de segunda vida para vehículos eléctricos 2023-2033", IDTechEx analiza los distintos métodos que utilizan los actores para modelar y estimar importantes parámetros de rendimiento de las baterías de VE retiradas.

Las principales pruebas de baterías que se suelen realizar son las de estado de salud (SOH), impedancia interna y vida útil restante (RUL). La RUL es una estimación del tiempo que queda antes de que una batería caiga por debajo de un umbral de fallo. Para la mayoría de las baterías de primera vida de los VE, se trata de una capacidad al final de la vida útil del 70-80%. Las baterías con un elevado SOH y RUL y una baja impedancia interna serían las más adecuadas para aplicaciones de segunda vida.

Entre las principales partes interesadas que realizarían estas pruebas se encuentran los reutilizadores de baterías de segunda vida y los diagnosticadores de baterías que desarrollan modelos de rendimiento. Las empresas de nueva creación que desarrollen estos modelos podrían proporcionar información sobre el rendimiento de las baterías a los reutilizadores del mercado actual. En el futuro, los OEM de automoción podrían utilizar estas tecnologías para cumplir normativas como el Pasaporte de Baterías de la UE, que obligará a los OEM a facilitar información sobre el estado de las baterías a los reutilizadores.

Para calcular la RUL, habría que someter una batería a ciclos y extrapolar su curva de degradación de la capacidad hasta el umbral de fallo. Los ciclos prolongados llevan mucho tiempo y envejecen la batería. Además, después de un cierto número de ciclos, la degradación deja de ser lineal, lo que reduce la precisión de la prueba. Por lo tanto, se necesitan métodos alternativos más precisos y rápidos para estimar la RUL.

Estos enfoques incluyen técnicas basadas en datos, como el aprendizaje automático (ML), el filtro adaptativo y los métodos de procesos estocásticos, o el modelado basado en la física. Por ejemplo, la start-up californiana ReJoule desarrolla soluciones tecnológicas de gestión y clasificación de baterías y dispone de una tecnología que combina el ML con la espectroscopia de impedancia electroquímica y técnicas de modelado estadístico. Una start-up india, Oorja Energy, combina técnicas basadas tanto en la física como en los datos. A su modelo de física aplicada se añaden datos experimentales limitados y se utilizan algoritmos de ML para obtener un resultado preciso. La ventaja es el ahorro de tiempo frente al desarrollo de un modelo basado exclusivamente en la física.

Tanto los métodos basados en datos como los basados en la física tienen sus pros y sus contras y suponen un equilibrio entre la velocidad de modelado y la precisión. Los métodos basados en ML pueden ser rápidos a la hora de modelizar el rendimiento de un gran lote de baterías, aunque pueden ser propensos a sobreajustarse y limitarse a arquitecturas de baterías específicas. En el futuro, los modelos basados en la física pura pueden aspirar a ser agnósticos respecto a la química de las baterías. Esto beneficiaría a múltiples partes interesadas en la clasificación racionalizada de grandes volúmenes de baterías de VE retiradas, independientemente de su diseño. Sin embargo, el modelado de baterías basado en la física es increíblemente complejo, ya que es necesario conocer todos los materiales y propiedades convencionales para modelar completamente los distintos aspectos de una batería. Muchos de los materiales utilizados en una batería son de ingeniería, por lo que es difícil conocer factores como la porosidad del ánodo sin que el fabricante de la batería facilite esas especificaciones a un OEM de automoción o a un modelador posterior. Por lo tanto, el desarrollo de modelos basados en la física puede llevar mucho tiempo, ya que los modelizadores pueden tener que calcular y comprender por sí mismos estas métricas específicas de la batería.

Para los refabricantes es importante medir con rapidez y precisión el rendimiento y la RUL de las baterías de VE retiradas. En la actualidad, la mayoría de los diagnosticadores desarrollan modelos basados en datos, a veces complementados con otras técnicas mediante un enfoque de modelado híbrido. Se trata de una solución a corto plazo para los reutilizadores que desean conocer la idoneidad de las baterías de VE retiradas para aplicaciones de segunda vida. Sin embargo, la modelización basada en datos sigue estando limitada a determinadas arquitecturas de baterías, lo que restringe su viabilidad comercial si no es compatible con las baterías de VE retiradas de un remanufacturador. Está claro que se necesita una mayor estandarización de las baterías de los VE y/o el desarrollo de modelos independientes de las baterías para ayudar a superar este obstáculo y facilitar una mejor compatibilidad tecnológica a mayor escala.

Para conocer más consideraciones sobre las pruebas y el modelado del rendimiento de las baterías de VE retiradas, consulte el nuevo informe de IDTechEx "Second-life Electric Vehicle Batteries 2023-2033". El informe incluye más información sobre lo siguiente: panorama normativo de las baterías de segunda vida, desarrollos tecnológicos de las baterías, análisis tecnoeconómico de las baterías de segunda vida, actividad de los principales actores y previsiones a 10 años para el mercado de baterías de segunda vida (GWh instalados) y la disponibilidad de baterías de VE.

Autor: Conrad Nichols, analista tecnológico de IDTechEx