Estimación en línea del tiempo de descarga de baterías de Ion-Litio utilizando caracterización del perfil de utilización y métodos secuenciales de Monte Carlo

Abstract

Los acumuladores de Ion-Litio han adquirido un importante rol en el sector industrial durante los últimos años. Lo anterior, principalmente debido a que su carácter de dispositivos de respaldo energético los transforma en elementos clave dentro del diseño de sistemas autónomos. Particularmente en estos casos, se hace crítico el poder contar con sistemas de supervisión de baterías que incorporen elementos de incertidumbre y sean capaces de estimar de manera certera y precisa tanto el estado-de-carga (SOC, por sus siglas en inglés) como el tiempo de descarga (EOD, del inglés End-of-Discharge) de las mismas. Es por este motivo que el presente trabajo de Tesis se focaliza en establecer las bases para el diseño e implementación de un sistema de estimación y pronóstico basado en métodos secuenciales de Monte Carlo (también conocidos como filtros de partículas) para la estimación del SOC y predicción del EOD de dispositivos de almacenamiento de energía de Ion-Litio. En la actualidad, hay múltiples productos desarrollados que son capaces de estimar el SOC de una batería de Ion-Litio; sin embargo, estos no son capaces de estimar dichos parámetros en línea. Incluso en el caso que este último objetivo se cumpla, se considera sólo un perfil de utilización promedio para el equipo, lo que en la práctica implica un enorme sesgo de estimación. En este contexto, el esquema propuesto considera dos etapas: (i) La primera corresponde a la estimación en línea del SOC, para lo cual se utilizan métodos de estimación Bayesiana sub-óptimos (filtros de partículas) dada su capacidad para incorporar información en modelos dinámicos no-lineales, con problemas de observabilidad, y fuentes de incertidumbre no Gaussiana; mejorando significativamente la precisión y exactitud de los algoritmos de predicción del EOD; (ii) la segunda etapa consiste en la caracterización de la incertidumbre en el pronóstico del tiempo de uso remanente del acumulador a través del algoritmo de regularización, basado en las distribuciones de Epanechnikov y en un filtro de partículas. Sumado a lo anterior, también se considera la caracterización estadística (condicional a los datos medidos) del perfil de uso futuro de la batería mediante una cadena de Markov de primer orden, con lo cual se incorpora información acerca del uso que se le otorgó a la batería hasta en el instante inicial de predicción. Con el objeto de analizar los aspectos principales a considerar en el diseño del esquema propuesto, se realiza una comparación entre la solución óptima (en el sentido de media cuadrática, mediante filtro de Kalman) obtenida a priori y la solución sub-óptima entregada por el método propuesto. Esta comparación se realiza con el objetivo de determinar el número de partículas, de iteraciones del filtro y de realizaciones de la cadena de Markov adecuadas para el buen funcionamiento del algoritmo. Finalmente, la validación del módulo de pronóstico propuesto se realiza (mediante medidas de desempeño ad-hoc) con datos experimentales de pruebas de descarga de baterías de Ion-Litio proporcionados por Impact Technologies, LLC. Como conclusión de los resultados expuestos en este trabajo, se puede afirmar que la implementación del método propuesto permite: (i) obtener un filtrado altamente exacto y preciso del proceso de descarga; y (ii) mejorar el pronóstico del tiempo de uso remanente del acumulador en términos de exactitud y precisión, destacando la tendencia a sub-estimar el EOD respecto a la sobre-estimación encontrada en los métodos presentes en la literatura.