Imagina esto: a las 2:00 de la madrugada, una fluctuación de la red eléctrica hace que tu SAI (UPS) cambie al respaldo por baterías. El panel de monitorización muestra un SOC del 95 %, todo parece normal. Pero, al segundo siguiente, el rack se apaga y la actividad se detiene.
SOC ≠ SOH
El SOC (estado de carga) mide cuánta energía queda en la batería; es un concepto puramente porcentual.
El SOH (estado de salud) mide si la batería aún puede rendir como se espera; refleja el nivel de rendimiento de una batería envejecida en comparación con cuando era nueva.
Una batería de plomo-ácido envejecida y degradada puede mostrar un SOC aparentemente saludable del 95 %, pero su resistencia interna puede haberse duplicado ya, y su capacidad útil real haber caído hasta solo el 60 % de su valor nominal. En condiciones de carga flotante, todo parece correcto. Pero, en cuanto se produce un evento real de descarga, la tensión cae en picado al instante: el momento en que el SAI transfiere la carga a la batería se convierte en el momento de la pérdida de alimentación.
Entre los factores clave que afectan al SOH se incluyen la resistencia interna, la temperatura y el comportamiento de carga/descarga. La resistencia interna, en particular, está directamente correlacionada con el SOH: a medida que las baterías envejecen, pierden agua y sufren sulfatación de placas, su resistencia interna aumenta gradualmente. Este incremento es la señal de alerta temprana más fiable.
De la estimación aproximada a los datos
Durante años, la monitorización de baterías ha dependido en gran medida de inspecciones manuales. Pero este enfoque no solo es ineficiente, sino que también tiene dificultades para ofrecer visibilidad en tiempo real sobre las condiciones de funcionamiento de las baterías. En una sala de servidores típica de un centro de datos, las inspecciones rutinarias pueden llevar entre 4 y 6 horas al día, cubriendo decenas de categorías de equipos, incluidos sistemas de distribución eléctrica, refrigeración y entorno, mientras que las baterías son solo un punto más de la lista de comprobación. La puntualidad, la frecuencia y la precisión de las comprobaciones manuales sencillamente no bastan para captar el aumento gradual de la resistencia interna. Además, las inspecciones incompletas o los errores de juicio subjetivos también son difíciles de evitar por completo.
Una imagen real del estado de salud de la batería debe basarse en tres dimensiones de datos:
Análisis de tendencias de resistencia interna: en baterías VRLA, un aumento de la resistencia interna del 20 %–25 % por encima del valor de referencia es el indicador temprano más fiable de degradación del SOH;
Análisis de la curva de descarga: simular si la capacidad real cumple los requisitos en condiciones de pérdida de alimentación y si las tasas de caída de tensión son anómalas;
Datos históricos multiciclo: cambios de comportamiento tras ciclos repetidos de descarga superficial, junto con las características de temperatura.
Por eso la monitorización en línea debe servir como pilar principal del conocimiento del estado de las baterías. Mediante la adquisición continua de datos 24/7 y el seguimiento de tendencias, puede detectar señales tempranas de aumento de resistencia interna y pérdida de capacidad en cuanto aparecen. Las inspecciones manuales, por su parte, actúan como un complemento valioso, centrándose en comprobaciones visuales, verificación de conexiones de terminales y validación de temperatura/humedad ambiente que los sistemas en línea no pueden cubrir fácilmente. Juntos, ambos enfoques forman un marco completo de gestión de la salud de las baterías.
El sistema de gestión de baterías Gerchamp G-TH ofrece respuestas basadas en datos y algoritmos con certeza:
- Precisión de ±5 % tanto para SOC como para SOH, muy por encima de las capacidades de los BMS convencionales para plomo-ácido
- Algoritmos de filtrado de Kalman que rastrean en tiempo real los estados internos de la batería e identifican señales tempranas de envejecimiento
G-TH no depende de la “sensación” de rondas humanas intermitentes. En su lugar, aprovecha el muestreo continuo de datos y el análisis inteligente basado en modelos para generar informes cuantificables de tendencia del SOH, emitiendo alertas tempranas antes de que la salud de las celdas se deteriore hasta un punto crítico.
Detección proactiva, no respuesta pasiva ante fallos
El objetivo último de la gestión inteligente de la alimentación de respaldo es hacer que las operaciones pasen de un modelo reactivo a un enfoque de mantenimiento predictivo basado en datos y con alertas proactivas. Al monitorizar continuamente las tendencias de resistencia interna, las curvas de descarga y la evolución del SOH, el sistema puede emitir avisos antes de que el rendimiento de la batería se degrade más allá de umbrales críticos, proporcionando a los equipos de operaciones una ventana para la sustitución programada, en lugar de obligarlos a enfrentarse a un fallo de batería y a una parada no planificada en mitad de una perturbación de la red.
Las empresas que adoptan estrategias de BMS y mantenimiento predictivo están transformando los fallos de baterías de un desastre de emergencia en una tarea de mantenimiento programada. Por supuesto, todo esto presupone que el propio BMS es lo bastante fiable como para confiar en él.
FAQ
P1: ¿Cómo distingue el BMS G-TH la degradación normal del SOH del envejecimiento anómalo?
Mediante el análisis de datos históricos multiciclo: rastreando las tasas de cambio de la resistencia interna y las curvas de recuperación de capacidad después de cada ciclo de carga/descarga. La degradación normal muestra un incremento lineal gradual, mientras que el envejecimiento anómalo aparece como saltos escalonados o caídas bruscas en la tasa de recuperación de capacidad, y los algoritmos señalan automáticamente la desviación.
P2: ¿Cuál es la precisión de estimación de SOC/SOH del BMS G-TH y cómo se compara con los BMS convencionales?
El BMS G-TH ofrece una precisión de ±5 % tanto para SOC como para SOH, frente al ±10 %-15 % de los BMS convencionales para plomo-ácido. La diferencia procede del mecanismo de doble calibración de G-TH, que combina el filtrado de Kalman con la corrección por resistencia interna, en lugar de depender únicamente de tablas de consulta de tensión.
P3: ¿Qué protocolos de comunicación y frecuencia de muestreo admite el BMS G-TH?
Admite los protocolos RS485, MODBUS y SNMP para la integración directa con DCIM o plataformas de monitorización existentes. El muestreo de datos es continuo a intervalos de segundos, y los datos de tendencia de resistencia interna se actualizan cada hora para garantizar que no se pase por alto ninguna señal temprana de envejecimiento.
P4: ¿Cuál es la precisión de medición de resistencia interna del BMS Gerchamp G-TH y qué algoritmo utiliza?
El BMS G-TH ofrece una precisión de repetición de ±2 % en la medición de resistencia interna, con un rango de medición de 50 a 65.535 μΩ y una resolución de 1 μΩ. El algoritmo combina la identificación de parámetros en línea con filtrado de Kalman y algoritmos de redes neuronales difusas