Investigadores de Shanghái estiman que pasar de una conducción extrema a una eficiente puede reducir hasta un 91,3% el estrés de envejecimiento de la batería.
- 🚗 Conducción agresiva: hasta 2,5 veces más pérdida de capacidad prevista.
- 🔋 Conducción eficiente: menor estrés eléctrico sobre la batería.
- 📊 Datos reales de 15 coches eléctricos durante un año.
- ⚡ Picos de corriente y aceleraciones bruscas, entre los factores relevantes.
- 🧠 Modelo que combina inteligencia artificial, física de baterías e inferencia causal.
- 🌱 Una posible vía para alargar la vida útil de las baterías sin modificar su química.
¿Por qué importa?
La batería suele ser uno de los componentes más caros y con mayor impacto ambiental de un coche eléctrico. Conseguir que conserve su capacidad durante más tiempo reduce la necesidad de fabricar baterías de sustitución, aprovecha mejor materias primas como litio, níquel, cobre o grafito y puede mejorar el valor residual del vehículo. Un nuevo estudio realizado en China apunta además a algo que depende, al menos parcialmente, del propio conductor: la forma de conducir.
Investigadores de la Universidad Dianji de Shanghái han desarrollado un método para separar el efecto del estilo de conducción de otras variables que también influyen en el envejecimiento de las baterías. El trabajo, aceptado en Scientific Reports en agosto de 2026, concluye que la conducción clasificada como más agresiva está asociada con una pérdida de capacidad prevista por el modelo más de 2,5 veces superior a la correspondiente a la conducción más eficiente.
No basta con observar quién acelera más
Relacionar conducción agresiva y desgaste de una batería parece sencillo. En la práctica, demostrar esa relación resulta bastante más complicado.
La temperatura de la batería, su estado de carga, los periodos de inactividad, el tráfico o las características del recorrido pueden modificar simultáneamente la manera en que circula un coche y el estrés que soportan sus celdas. Una simple correlación puede terminar atribuyendo al conductor un efecto provocado parcialmente por otras condiciones.
Ese es precisamente el problema que los investigadores intentaron resolver. Su método combina un modelo físico de la batería con aprendizaje automático e inferencia causal, buscando aislar mejor la señal correspondiente al comportamiento de conducción.
La investigación se apoyó en datos reales procedentes de 15 vehículos eléctricos utilizados en China durante 2022, con circulación urbana, vías suburbanas y autopistas. Los registros incluían variables del vehículo y de la batería tomadas cada 10 segundos. Los investigadores trabajaron después con segmentos de 60 segundos para analizar cómo diferentes patrones de conducción afectaban al estrés electroquímico.
Cinco maneras de conducir, cinco niveles de estrés para la batería
En lugar de dividir a los conductores simplemente entre «tranquilos» y «agresivos», el modelo identificó cinco niveles de conducción, desde el nivel 1, asociado a una conducción eficiente, hasta el nivel 5, correspondiente a las condiciones más exigentes para la batería.
Aquí aparece uno de los resultados más interesantes del trabajo.
La conducción más perjudicial no tiene por qué coincidir siempre con el coche que circula más rápido.
En el nivel 5, la corriente eficaz de descarga alcanzó una media de 66,02 A, frente a 20,56 A en el nivel de conducción eficiente. Sin embargo, la velocidad media y la aceleración no eran especialmente elevadas.
¿Cómo puede ocurrir? Situaciones de circulación lenta con demandas repetidas de mucha potencia, pendientes pronunciadas o condiciones de elevada carga pueden exigir corrientes importantes incluso a baja velocidad. Para la batería, importa mucho lo que está ocurriendo eléctricamente en las celdas, no únicamente lo rápido que se mueve el coche.
Por eso, conducir de manera suave no equivale simplemente a circular despacio. La clave está en evitar demandas intensas y repetitivas de potencia cuando no son necesarias, especialmente aceleraciones y desaceleraciones que provocan grandes variaciones de corriente.
El resultado que llama la atención: 21,15 % frente a 53,22 %
Para estimar cómo podría acumularse ese estrés a largo plazo, los investigadores utilizaron un modelo semiempírico de envejecimiento y calcularon la pérdida de capacidad correspondiente a 1.000 ciclos de carga y descarga.
Los resultados previstos fueron progresivos:
- Nivel 1, conducción eficiente: 21,15 % de pérdida de capacidad.
- Nivel 2: 23,01 %.
- Nivel 3: 24,50 %.
- Nivel 4: 26,66 %.
- Nivel 5, conducción agresiva: 53,22 %.
La diferencia entre los dos extremos alcanza 32,07 puntos porcentuales. Dicho de otra manera, el modelo estima que la pérdida de capacidad del nivel más agresivo puede ser aproximadamente 2,5 veces la correspondiente al nivel más eficiente.
Hay un detalle esencial: estos porcentajes no proceden de medir directamente durante 1.000 ciclos la pérdida real de capacidad de esos 15 vehículos. Son resultados calculados mediante un modelo semiempírico a partir de las condiciones observadas.
El propio estudio insiste en esta precaución. Ninguno de sus indicadores representa una medición directa y plurianual del estado de salud —SOH— de las baterías. Se utilizan indicadores físicos de estrés y modelos de envejecimiento para estimar su evolución.
La diferencia importa. Mucho. El estudio ofrece una evidencia potente sobre la relación entre forma de conducir y envejecimiento previsto, pero no permite afirmar que cualquier batería real vaya a perder exactamente un 53,22 % de capacidad después de 1.000 ciclos si su propietario conduce de forma agresiva.
Un 91,3 % que necesita contexto
El trabajo obtiene otra cifra todavía más llamativa: una reducción del 91,3 % en su indicador normalizado de envejecimiento al pasar, mediante una simulación contrafactual, del extremo de conducción agresiva al extremo de conducción eficiente.
Ese porcentaje no significa que conducir con suavidad vaya a hacer que una batería dure un 91,3 % más.
Se trata del máximo potencial teórico de reducción del indicador de estrés estudiado cuando el modelo compara dos situaciones extremas manteniendo constantes determinadas variables de confusión. El indicador pasa de 0,115 a 0,010. Los propios investigadores advierten que una conducción cotidiana mezcla aceleraciones, circulación constante, paradas y situaciones muy diferentes, por lo que el beneficio real será menor y dependerá de cada patrón de uso.
Precisamente por eso, el resultado de 2,5 veces más pérdida de capacidad prevista a largo plazo resulta más útil para entender la magnitud del fenómeno que ese 91,3 % teórico.
La batería nota lo que ocurre en el pedal
Uno de los análisis del estudio intentó determinar cuánto de la variación observada podía relacionarse con las acciones del conductor frente a las condiciones objetivas de circulación.
Los investigadores encontraron que las operaciones de aceleración, desaceleración y descarga asociadas al conductor explicaban una parte considerable de la variación que su modelo podía explicar en el indicador de envejecimiento.
La interpretación física tiene sentido. Una demanda elevada de potencia obliga a la batería a suministrar más corriente. Cuando estas situaciones se repiten, aumentan las condiciones electroquímicas que favorecen determinados mecanismos de envejecimiento.
La batería, en cierto modo, «ve» corriente, temperatura, estado de carga y profundidad de descarga. No sabe si el coche circula a 30 o a 120 km/h por decisión del conductor; responde al esfuerzo eléctrico que se le exige.
Ese matiz ayuda a entender por qué una conducción aparentemente lenta también puede resultar exigente.
Una inteligencia artificial que tiene que respetar las leyes de la batería
Otro aspecto interesante del trabajo está en la metodología.
Muchos sistemas de inteligencia artificial pueden encontrar relaciones estadísticas entre miles de datos, aunque después resulte difícil explicar qué representan físicamente. El equipo chino intentó evitar parte de ese problema incorporando al modelo un circuito equivalente de Thevenin de segundo orden, una representación utilizada para describir el comportamiento dinámico de una batería.
La red neuronal, por tanto, no trabaja completamente a ciegas. Parte de su aprendizaje queda condicionado por una representación física de cómo deberían responder tensión, corriente, resistencia y polarización.
El sistema consiguió reconstruir la tensión terminal de la batería con un error porcentual absoluto medio del 0,55 %, uno de los controles empleados por los investigadores para comprobar la coherencia física del modelo.
Esta combinación de modelos físicos e inteligencia artificial puede resultar especialmente interesante para los futuros sistemas de gestión de baterías. En vez de limitarse a informar de cuánta carga queda, un BMS podría estimar qué tipo de conducción está sometiendo a la batería a un estrés innecesario.
Del indicador de consumo al indicador de salud de la batería
Los coches actuales ya muestran puntuaciones de conducción eficiente, consumo instantáneo o estadísticas de recuperación mediante frenada regenerativa. La siguiente evolución podría ser bastante más sofisticada.
Un vehículo podría detectar que determinados patrones están incrementando el estrés de las celdas y ofrecer recomendaciones adaptadas al conductor: reducir aceleraciones repetitivas, suavizar determinadas demandas de potencia o modificar el uso del vehículo cuando coinciden estados de carga y temperaturas desfavorables.
No sería únicamente un «modo eco» pensado para gastar menos electricidad.
Sería una especie de modo de conservación de la batería.
Los autores plantean precisamente aplicaciones en sistemas BMS embarcados, evaluación del riesgo de envejecimiento en tiempo real, recomendaciones personalizadas y gestión de flotas. En una empresa con cientos o miles de vehículos eléctricos, identificar qué patrones operativos están castigando más las baterías podría tener consecuencias económicas importantes.
Hay límites importantes antes de trasladarlo a cualquier coche eléctrico
El trabajo se realizó con una flota homogénea de 15 vehículos y datos procedentes principalmente de condiciones urbanas de Guangzhou. Eso permite estudiar situaciones reales, pero limita la generalización inmediata de los resultados.
Además, faltaban variables como pendiente de la carretera, carga transportada, condiciones concretas del tráfico, tipo de ruta o identidad del conductor. Los investigadores intentaron controlar estadísticamente otros factores disponibles, aunque reconocen que pueden permanecer variables de confusión no observadas. Por esta razón hablan de asociaciones causales estimadas bajo determinadas hipótesis, no de causalidad experimental definitiva.
También existen diferencias importantes entre químicas.
El modelo físico utilizado puede tener más dificultades con las baterías LFP, cuya curva de tensión en circuito abierto es particularmente plana en buena parte del estado de carga. En determinadas baterías NCM con alto contenido en níquel también puede infravalorar algunos efectos de polarización durante descargas intensas.
Quedan, por tanto, pruebas por hacer con más vehículos, diferentes fabricantes, climas fríos y cálidos, vehículos comerciales y baterías con distintas químicas.
Más información: Physics-aligned causal inference of driving styles on electric vehicles battery aging | Scientific Reports
Deja una respuesta