Sistema electrónico para estimación del SOH de celdas de baterías de vehículos híbridos y eléctricos

1. Contextualización

Los modelos de movilidad de nuestra sociedad se encuentran experimentado un profundo cambio por la progresiva penetración del vehículo eléctrico en nuestro parque automovilístico. Los medios de transporte alternativos suponen una gran oportunidad para enfrentarse con mayores garantías de éxito contra las causas del cambio climático, pero además, pueden ser de vital de importancia en la conservación de la salud a través de la mejora de la calidad del aire[1]. A pesar de las dudas e incertidumbres que despiertan entre la opinión pública, para los científicos, las ventajas medioambientales de los vehículos eléctricos cada vez son más evidentes, incluso teniendo en cuenta la actual variedad de fuentes de generación eléctrica que hay en Europa, muchas de las cuales aún se nutren de combustibles fósiles.

En los últimos años, las matriculaciones a nivel europeo de vehículos híbridos y eléctricos se mantienen a un ritmo de crecimiento intenso[2], aunque con velocidades diferentes entre países, según datos del Barómetro de la electromovilidad de ANFAC. Es en este mismo informe del que puede extraerse que la movilidad eléctrica sigue en crecimiento continuado en España, aunque por detrás de otros países de la Unión.

Dada la creciente demanda de vehículos electrificados, en la actualidad, los fabricantes de automóviles trabajan en diferentes arquitecturas con niveles de electrificación crecientes, y todas ellas con un elemento común: utilizan baterías recargables, ya sea como medio de acumulación de energía para el sistema de tracción principal, o como alimentación para sistemas de apoyo al mismo. Esta característica otorga a este tipo de vehículos unas particularidades que es necesario tener en cuenta en su manipulación por parte de distintos colectivos, ya que disponen de un sistema alimentado por una batería (normalmente de elevada tensión), una circunstancia que genera unos riesgos específicos que no existían en los vehículos convencionales con motor de combustión.

Además, dado que la batería es el componente fundamental en el cual se almacena la energía para poder mover un vehículo eléctrico, dependerá en gran parte de la misma, de su tecnología[3], y de su buen estado, la autonomía final que pueda alcanzar esta clase de vehículos. De aquí es de donde se deriva la importancia que este elemento toma sobre todos los demás, constituyéndose como una parte vital, y la más costosa, para el buen funcionamiento del vehículo en su conjunto.


 

[1] Vehículos eléctricos: una elección inteligente para el medio ambiente. Agencia Europea de Medio Ambiente (AEMA). https://www.eea.europa.eu/es/articles/vehiculos-electricos-una-eleccion-inteligente

[2] Informe anual ANFAC 2019-ESP. https://anfac.com/categorias_publicaciones/informe-anual/ 

[3] http://electromovilidad.net/tipos-de-bateria-para-coche-electrico/ 

2. La Idea

De todo lo anterior se deduce la intensificación exponencial en el uso de baterías en el sector automotriz y la importancia de las mismas en los vehículos, lo cual, sumado a la escasez de equipos específicos para el correcto diagnóstico de baterías de tipo recargable, nos llevó a plantear este proyecto, mediante el cual se perseguía realizar una investigación para sentar las bases en cuanto al diagnóstico del estado de salud (SOH, del inglés State of Health) de las baterías de tracción en vehículos híbridos/eléctricos, con el objeto de desarrollar posteriormente, y dentro del mismo proyecto, un sistema electrónico orientado a los trabajos de diagnosis en los centros de servicio de vehículos, de segunda vida y talleres mecánicos, que fuera fácil e intuitivo en su manejo, a la vez que capaz de medir los parámetros necesarios para calcular los datos deseados de manera precisa y, por supuesto, a un coste asequible.

Atendiendo a esto, se define la solución óptima y las especificaciones del sistema para poder prototipar con garantías de éxito respecto al resultado esperado.

En cuanto a prototipos, se diferencia entre un prototipo físico y otro de tipo software programado "en la nube". El primero de ellos consiste en un dispositivo de medida automática, por lo que también contará con su propio software, pero destinado únicamente a controlar los procesos de recopilación de datos de las celdas que se desean analizar. Este dispositivo se conectará de forma directa a las celdas y recabará los datos más relevantes de la misma. A continuación, codificará y en enviará esta información a un servidor de datos en la nube, donde será procesada por el prototipo software.

El núcleo del prototipo software estará compuesto por los algoritmos de cálculo que demuestren el mejor desempeño y resultados en unos trabajos previos de investigación. Un automatismo tomará los datos enviados desde el dispositivo de medida y los procesará haciendo uso de esos algoritmos, proporcionando, en última instancia, el estado de salud actual de la celda y la vida restante estimada. Estos resultados serán incorporados a un informe y enviados al interesado de forma autónoma, certificando el estado actual de la celda analizada.

Este modo de trabajo del sistema introduce una gran innovación, y es que al encontrarse los algoritmos de cálculo en la nube, el sistema hardware de medida nunca necesitará ser actualizado; las actualizaciones se llevarán a cabo en el servidor en la nube, donde se encuentra el verdadero "cerebro" del sistema. Esto reduce drásticamente las necesidades de tráfico de datos con el hardware de medida y, como consecuencia los costes asociados a ese tráfico de información. Además, en un futuro, el hecho de cargar en un servidor los datos provenientes de todos los dispositivos de medida, proporcionará una gran cantidad de datos, equivalentes a realizar infinidad de ensayos con multitud de celdas, y con base en los cuales se podrán mejorar los algoritmos de cálculo en un ciclo de mejora continua.

3. Investigación: El Estado del Arte en la estimación del SOH de celdas recargables

Como no podía ser de otra manera, antes de proceder con el diseño de nuestro prototipo, debíamos definir cuáles debían ser las características del mismo, y ello pasaba por un proceso de investigación previo en el que analizar diferentes campos, a saber:

  • El estado de arte sobre los métodos matemáticos empleados en la actualidad en la estimación del SOH y la degradación de las baterías.
  • Cuáles de esos métodos son los más utilizados y que ventajas e inconvenientes presentan frente a los demás.
  • Las condiciones de temperaturas y otras variables ambientales que pudieran afectar a la medida, aplicación de los métodos y la correcta estimación del estado de salud.

A través de la bibliografía más actual analizada, la cual puede encontrarse en el ANEXO I, obtuvimos unos resultados y creamos una base de conocimiento lo suficientemente sólida como para sustentar los trabajos de desarrollo experimental que sucederían a la investigación. 

Dentro de esos resultados, encontramos los métodos de estimación del SOH que arrojaban una mayor precisión sin requerir una gran complejidad computacional (lo cual redundaría directamente en el desarrollo y coste final del prototipo) y que, además, también son los más ampliamente empleados en la industria automotriz. Junto con sus características más reseñables, los comentamos brevemente a continuación:

  1. El contador de Coulomb, que se puede aplicar a cualquier tipo de batería, independientemente de la química de la que esté compuesta, y su baja complejidad computacional hace que sea sencillo implementar. Por otra parte, uno de los inconvenientes es su gran dependencia con la precisión en la toma de datos, ya que su fidelidad está estrechamente relacionada con los mismos. Así y con todo, el error cometido en la estimación del SOH llega a ser relativamente bajo (<10%) y, no obstante, puede utilizarse conjuntamente con otros métodos de estimación, como puede ser el filtrado de Kalman, para reducir el error por debajo del 3%.

 

  1. El modelo de OCV, el cual es muy sencillo de implementar, pues basta con una medida de tensión de alta precisión, pero encuentra el problema de que la relación entre la tensión de circuito abierto y el SOH depende radicalmente de la composición de la batería. Este hecho implica una cierta complejo a la hora de implementarlo en nuestro prototipo, ya que obligaría a disponer de un software específico para cada química analizada o, de lo contrario, limitaría la escalabilidad del equipo de diagnosis.  Por último, es de interés comentar que los errores inducidos por este método pueden ser muy variables, oscilando entre el 1% y el 12%.

 

  1. Los modelos de espectroscopia de impedancia analizados en los diferentes artículos de investigación se aplicaban únicamente a celdas con químicas de litio, ya que es sobre estas sobre las que se consigue un mejor resultado. Por otra parte, con el objetivo de aumentar la precisión, este método no suele usarse individualmente, sino en combinación con otros métodos, lo cual induce errores situados entre el 2% y el 12%. Otra cuestión es que, si bien no requiere un cálculo computacional elevado, sí que es necesario un hardware muy específico para poder llevar a cabo el análisis del SOH por este método.

 

  1. El filtro de Kalman tiene una gran ventaja frente a los demás métodos de análisis, y es que es utilizable directamente en baterías con múltiples celdas. Por el contrario, al trabajar con vectores y matrices, supone un gran esfuerzo a nivel de desarrollo matemático y, por ende, de trabajo computacional. Con este método, el error queda acotado por debajo del 3%, pero también hay que decir que la mayoría de los resultados encontrados se basan en simulaciones sobre modelos matemáticos más que en una investigación empírica, por lo que hay que tomarlos con cierta cautela.

 

Además de lo anterior, durante nuestro estudio llegamos a la conclusión de que las tecnologías más utilizadas por la mayoría de los fabricantes de automóviles son las de Níquel e Hidruro metálico (Ni-MH) y las de iones de litio (Li-Ion), con tendencia a usar las primeras en vehículos híbridos de tipo HEV y, las segundas, en vehículos de tipo REEV, PHEV y BEV, aunque con excepciones.

4. Definición de las características del prototipo

En base a la investigación realizada sobre el estado del arte actual en la estimación del SOH de celdas electroquímicas y las conclusiones alcanzadas sobre los mismos, decidimos cuáles de los métodos de estimación debían ser considerados en nuestro proyecto, y los encontramos en las líneas siguientes, así como los motivos que nos han llevado a elegirlos frente a los demás:

  • Tensión de circuito abierto (VOC): Depende mucho del tipo de celda, es necesaria una gran cantidad de datos históricos y, aun así, no es de gran precisión. No obstante, es sencillo de implementar a nivel de hardware y no requiere grandes capacidades de cálculo, por lo que se considerará para nuestro prototipo.

 

  • Contador de Coulomb: En líneas generales, consiste en la realización de un ensayo de carga y descarga de la celda en aquellas condiciones para las que el fabricante de la misma anuncia su capacidad nominal, y comparar la carga actual con la original para estimar el SOH. Este método proporciona una gran precisión y no es complejo a nivel de cálculo o hardware, por lo que se considerará para nuestro prototipo.

 

  • Espectroscopía de impedancia: Se trata de realizar un barrido en un rango de frecuencias determinado para obtener una estimación de la impedancia interna de las celdas, la cual se encuentra estrechamente relacionada con el envejecimiento de la misma. Este método puede entrañar mayor complejidad que los métodos anteriores, tanto a nivel de hardware como de cálculo, no obstante, será considerado en el diseño electrónico para poder implementar los algoritmos que sean requeridos a posteriori.

 

De esta manera, junto con los métodos de estimación a emplear, quedaban definidas de manera implícita las necesidades que nuestro primer prototipo debía ser capaz de cubrir, fundamentalmente las que se refieren a la toma de datos. Clasificando esas necesidades según fueran específicas para los análisis o generales, obtuvimos:

Requerimientos específicos para los ensayos:

  • Medida de tensión 
  • Medida de corriente 
  • Medida de temperatura de la celda
  • Capacidad de suministrar tensión constante, al menos, hasta 20V.
  • Capacidad de suministrar corriente constante, al menos, hasta 20 A.
  • Protección contra sobrecorriente y cortocircuito
  • Protección contra inversión de polaridad

Requerimientos generales:

  • Interruptor general de on/off
  • Alimentación a 230Vac
  • Conexión a internet inalámbrica (Wifi)
  • Pantalla alfanumérica con retroiluminación para visualización de mensajes
  • 2 Pulsadores para interactuar con el equipo
  • Medida de temperatura ambiente
  • Reloj interno (fecha y hora).

 

5. El desarrollo del Hardware

Comenzamos definiendo los rangos de tensión y corriente en los que nuestro prototipo debía ser capaz de trabajar, los cuales, a su vez, vendrían determinados por las características eléctricas de las celdas objeto de análisis. En este sentido, el hardware no sólo tenía que ser capaz de generar y soportar las tensiones y corrientes de estas celdas, si no que, además, debía estar equipado con los sensores adecuados para medir estas magnitudes con una precisión elevada.

En un primer momento, establecemos la tensión máxima de trabajo en 20V, sabiendo que la tensión máxima del módulo de celdas de Ni-MH que entrega mayor voltaje se encuentra en 19,4V. 

Por otra parte, vimos que la corriente máxima de trabajo debería situarse en 60 amperios para ser capaces de analizar las celdas de mayor capacidad.

Estos datos fueron obtenidos de otro estudio realizado en paralelo, del que obtuvimos las celdas, módulos y tecnologías más utilizadas hasta la fecha en baterías de tracción para vehículos electrificados.

En este punto, empezamos a encontrar los primeros inconvenientes en cuanto a precisión, y es que los sensores debían ser capaces de medir corrientes de varias decenas de amperios a la vez que detectar con precisión las pequeñas corrientes de corte a las cuales finalizan las cargas en las baterías de litio, que se encuentra en el orden de miliamperios… 

De hecho, tras muchas horas de búsqueda, llegamos a la conclusión de que los sensores que necesitamos para abarcar estos rangos de intensidad de corriete, sencillamente, no existen.

 Además, tampoco pudimos encontrar ningún circuito integrado controlable por software que fuera capaz de suministrar las corrientes elevadas manteniendo un nivel admisible de precisión, motivos por los cuales comenzamos a replantear los rangos de trabajo inicialmente definidos.

Estas circunstancias nos empujaron a reducir el valor máximo de la corriente de trabajo a 20 A, aunque pudimos mantener el límite de tensión de trabajo en 20V. Eso sí, planteamos el diseño de una circuitería desarrollada a medida a base de componentes discretos, a la vez que escalable, que nos permitiera replicarla en paralelo para alcanzar corrientes superiores en el futuro.

6. El desarrollo del Software

En paralelo con los trabajos de desarrollo hardware anteriores, fuimos programado el portal web para introducción de datos gestión de los certificados de SOH, cuidando el aspecto y la sencillez en la medida en que los recursos disponibles lo permitieron, además de manteniendo en todo momento la funcionalidad del sistema.

A través del portal web, una vez se facilitan al sistema los datos del vehículo portador de la batería, se muestran una imagen del mismo, así como de la celda a analizar, acompañadas de las características más representativas de la última, para confirmar la coincidencia. 

La elección de la celda es un proceso crítico, ya que va a determinar los parámetros bajo los cuales se lleve a cabo el ensayo de la celda y, el hecho de seleccionar la que no corresponda podría hacer que se deteriorara la misma, al exigirle ratios de descarga superiores o intentar recargarla a mayores corrientes. En lo que a confusiones entre tecnologías se refiere (Ni-MH y Litio), el prototipo hardware reportaría un error antes de comenzar el ensayo, puesto que las tensiones en circuito abierto son diferentes y detectables; pero dentro de una misma tecnología sí podrían producirse las mencionadas y no deseables condiciones. Por tanto, y aunque el sistema hardware está preparado para realizar medidas de la temperatura de la celda y no llegar a mayores, es vital prestar atención en el momento de la selección de la misma a través del portal web, y de ahí la repetitividad de confirmaciones con muestras en imágenes.

7. Estado actual

En este momento, podemos afirmar que se han llevado a cabo pruebas funcionales satisfactorias de cada una de las partes que componen el dispositivo de análisis y se han realizado las correcciones oportunas en aquellas que lo requerían.  Por tanto, en el futuro inmediato, nos enfrentamos a la integración del sistema como un todo, lo que permitirá seguidamente testar los algoritmos de control, tanto en los procesos de carga como en los de descarga, asegurando que las curvas de tensión y corriente siguen los patrones establecidos por el controlador. 

Afortunadamente, no partimos de cero en este reto, ya que previamente se llevaron a cabo multitud de simulaciones considerando las características de los componentes que han sido utilizados en nuestro diseño, y de ellas obtuvimos los parámetros teóricos para sintonizar el controlador adecuadamente.

De este modo, esperamos tener un prototipo completamente integrado y funcional en cuestión de semanas, que nos aportará la información suficiente como para poder seguir desarrollando nuestro sistema hacia la obtención de un producto mínimo viable. 

Anexo: Bibliografía utilizada en la investigación

  1. A unified opencircuit- voltage model of lithium-ion batteries for state-of-charge estimation and state-of-health monitoring. [Publicación periódica] / aut. Weng C., Sun J. y Peng H. // Journal of Power Sources. - 2014. - págs. 228-237. - doi:10.1016/j.jpowsour.2014.02.026..
  2. A unified opencircuit- voltage model of lithium-ion batteries for state-of-charge estimation and state-of-health monitoring. [Publicación periódica] / aut. Weng C., Sun J. y Peng H. // Journal of Power Sources. - 2014. - págs. 258:228-237.
  3. Adaptation of an electrochemistry-based Li-ion battery model to account for deterioration observed under randomized use. [Publicación periódica] / aut. Bole B., Kulkarni C. S. y Daigle M. // Proceedings Prognostics and Health Management 14. - 2014. - págs. 1-9.
  4. Adaptive on-line prediction of the available power of lithium-ion batteries. [Publicación periódica] / aut. Waag W., Fleischer C. y Sauer D. U. // Journal of Power Sources. - 2013. - págs. 242:548–559.
  5. An electrochemistrybased impedance model for lithium-ion batteries. [Publicación periódica] / aut. Li S. E. [y otros] // Journal of Power Sources. - 2014. - págs. 9–18. - doi:10.1016/j.jpowsour.2014.02.045..
  6. Battery management system and control strategy for hybrid and electric vehicle. [Publicación periódica] / aut. Divakar B. P. [y otros] // Proceedings Power Electronics Systems and Applications. - 2009. - págs. 1-6.
  7. Battery state of health estimation: a structured review of models, methods and commercial devices [Publicación periódica] / aut. Ungurean Lucian, Cârstoiu Gabriel y y Voicu Groza Mihai V. Micea1 // International journal of energy research. - 2017. - págs. 151-181.
  8. Battery stateof- charge and parameter estimation algorithm based on Kalman filter. [Publicación periódica] / aut. Dragicevic T., Sucic S. y Guerrero J. M. // Proceedings IEEE Europe Conference. - 2013. - págs. 1519–1524.. - DOI: 10.1109/ EUROCON.2013.6625179..
  9. Behavior and state-of-health monitoring of Li-ion batteries using impedance spectroscopy and recurrent neural networks. [Publicación periódica] / aut. Eddahech A. [y otros] // International Journal of Electrical & Power Energy Systems. - 2012. - págs. 487–494. - doi:10.1016/j.ijepes.2012.04.050..
  10. Characterisation of a commercial automotive lithium ion battery using extended Kalman filter. [Publicación periódica] / aut. Daboussy M. [y otros] // Proceedings IEEE Transportation and Electrification Conference and Expo. - 2013. - págs. 1-6. - DOI: 10.1109/ITEC.2013.6574522..
  11. Comparative study of a structured neural network and an extended Kalman filter for state of health determination of lithium-ion batteries in hybrid electric vehicles. [Publicación periódica] / aut. Andre D. [y otros] // Engineering Applications of Artificial Intelligence. - 2013. - págs. 951–961. - doi:10.1016/j. engappai.2012.09.013..
  12. Complementary cooperation algorithm based on DEKF combined with pattern recognition for SOC/capacity estimation and SOH prediction. [Publicación periódica] / aut. Kim J., Lee S. y Cho B. H. // IEEE Transactions on Power Electronics. - 2012. - págs. 27(1):436–451.. - DOI:10.1109/ TPEL.2011.2158554..
  13. Electric Vehicle Integration into Modern Power Networks [Book] / auth. Rodrigo García-Valle Joao. - Porto : Springer. - ISBN 978-1-4614-0133-9.
  14. Enhanced coulomb counting method for estimating state-of-charge and state-of-health of lithium-ion batteries [Publicación periódica] / aut. a Kong Soon Ng [y otros] // ELSEVIER.
  15. Estimation of Battery State of Health Using Probabilistic Neural Network [Publicación periódica] / aut. Ho-Ta Lin Senior Member I. E. E. E. y Shih-Ming Chen I. E. E. E. // IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS. - 2013.
  16. On-board state of health monitoring of lithium-ion batteries using incremental capacity analysis with support vector regression [Publicación periódica] / aut. Weng C. [y otros] // Journal of Power Sources. - 2013. - págs. 36-44. - doi:10.1016/j.jpowsour.2013.02.012..
  17. On-line parameter, state-of-charge and aging estimation of Li-ion batteries. [Publicación periódica] / aut. Rosca B. [y otros] // Proceedings IEEE Vehicle Power and Propulsion Conference. - 2012. - págs. 1122–1127. - DOI: 10.1109/VPPC.2012.6422617..
  18. State of charge estimation of lithium-ion batteries using the opencircuit voltage at various ambient temperatures. [Publicación periódica] / aut. Xing Y. [y otros] // Applied Energistics. - 2014. - págs. 106-115. - doi:10.1016/j.apenergy.2013.07.008..
  19. State of health estimation for lithium ion batteries based on charging curves. [Publicación periódica] / aut. Guo Z. [y otros] // Journal of Power Sources. - 2014. - págs. 457–462. - doi:10.1016/j.jpowsour.2013.10.114..

 

Proyecto cofinanciado  por la Consejería de Economía, Ciencia y Agenda Digital de la Junta de Extremadura, con el apoyo de los fondos FEDER y atendiendo al Objetivo temático: OT1 “Potenciar la investigación, el desarrollo tecnológico y la innovación”: SISTEMA ELECTRÓNICO PARA ESTIMACIÓN DEL SOH DE CELDAS DE BATERÍAS DE VEHÍCULOS HÍBRIDOS Y ELÉCTRICOS. Subvención de 39.895,73€.

Necesitamos su consentimiento para cargar las traducciones

Utilizamos un servicio de terceros para traducir el contenido del sitio web que puede recopilar datos sobre su actividad. Por favor, revise los detalles y acepte el servicio para ver las traducciones.