| Abstract | dc.description.abstract | El acelerado avance tecnológico experimentado por diversos dispositivos almacenadores de energía en los últimos años ha incrementado en forma exponencial el número de estudios relacionados con el logro de un mayor nivel de autonomía y una extensión significativa de la vida útil. Dicha situación se ve reflejada en la proliferación de esquemas de supervisión que procuran suministrar información certera y precisa a los sistemas de administración de baterías (BMS, por sus siglas en inglés). Es en este contexto que el presente trabajo de Tesis establece las bases para el diseño e implementación de un sistema de estimación y pronóstico basado en filtros de partículas para el análisis del estado-de-salud (SOH, por sus siglas en inglés) y estimación de la vida útil remanente (RUL, por sus siglas en inglés) de dispositivos de almacenamiento de energía, y más particularmente baterías de Ion-Litio.
El esquema propuesto considera dos etapas en su implementación. La primera de dichas etapas se centra en la estimación del SOH y la adecuada detección de fenómenos de auto-recarga en baterías, mediante un módulo de detección que está constituido por un test de hipótesis (con una tasa de falsas alarmas de 1%). Para ello, se hace uso de métodos de estimación Bayesiana sub-óptimos (específicamente filtros de partículas) debido a su demostrada capacidad para incorporar información en modelos dinámicos no-lineales, con problemas de observabilidad, y fuentes de incertidumbre no Gaussiana. En efecto, a diferencia de otros esquemas utilizados en el estado del arte, los filtros de partículas han demostrado ser capaces de detectar los fenómenos de auto-recarga presente en acumuladores de Ion-Litio y aislar eficazmente las alteraciones que estos fenómenos producen en la tendencia de degradación; mejorando por ende la precisión y exactitud de los algoritmos de predicción de RUL. La segunda etapa está abocada directamente a la caracterización de la incertidumbre en el pronóstico de la vida útil del acumulador a través del algoritmo de regularización, basado en las distribuciones de Epanechnikov y en un filtro de partículas. Sumado a esto, además se muestra un modelo ( modelo #3 ) el cual logra, mediante el uso de cadenas de Markov, la caracterización futura de los fenómenos de auto-recarga.
Con el propósito de establecer el valor óptimo en los parámetros de diseño del algoritmo de estimación y pronóstico se considera un caso de degradación simplificado e hipotético, donde existe una solución óptima (en el sentido de mínimo error cuadrático); la cual es analizada y comparada con la solución obtenida por el método propuesto. Como resultado, se definen los valores más apropiados para el número de partículas y realizaciones del filtro a utilizar en una implementación más general, así como la cantidad de realizaciones de la cadena de Markov que minimiza el sesgo del estimador del RUL.
La validación del esquema propuesto se efectúa (mediante medidas de desempeño ad-hoc) con datos experimentales de pruebas de degradación acelerada en baterías de Ion-Li obtenidos del centro de pronóstico Nasa Ames Prognostic Center of Excellence. Los resultados reportados en este documento, muestran que la implementación del sistema de estimación y pronóstico del estado-de-salud en acumuladores de energía permite (i) un filtrado altamente exacto y preciso del proceso de degradación, debido a la detección en línea de los fenómenos de regeneración; y (ii) presenta claras mejoras en el pronóstico del fin de la vida útil del acumulador -en términos de exactitud y precisión- debido a tener mejores condiciones iniciales al momento de predecir y a la caracterización futura de los fenómenos de auto-recarga. | es_CL |
