Estimador Kálmán de tiempo invertido para carga de baterías
Barra lateral del artículo
Contenido principal del artículo
Resumen
Se presenta un método que permite validar los resultados obtenidos en la estimación del estado de carga de baterías. Se supondrá que la estimación del estado de carga parte de un estado anterior desconocido y que el estimador no interfiere con el uso normal de la batería. La validación propuesta se ha puesto a prueba en un entorno de laboratorio con medidas redundantes para una mejor valoración. La propuesta se basa en el uso de un estimador de Kálmán de tiempo invertido que permite la re-estimación de estados previos así como la generación de objetivos intermedios para evaluar la estimación de una manera más directa. Se presentan resultados experimentales obtenidos para baterías de litio-ferrofosfato (LiFePO4) aunque el método es aplicable a otros tipos de acumuladores eléctricos. La valoración ha sido aplicada a un estimador de Kálmán normal. Los resultados muestran cómo dicho estimador se ve muy afectado por el estado inicial supuesto y por la curva de voltaje en vacío.
Palabras clave:
Detalles del artículo
Citas
Agarwal, V., Uthaichana, K., DeCarlo, R. A., Tsoukalas, L. H., 2010. Development and validation of a battery model useful for discharging and charging power control and lifetime estimation. IEEE Transactions on Energy Conversion 25 (3), 821–835. DOI: https://doi.org/10.1109/TEC.2010.2043106
Arahal, M. R., Barrero, F., Satué, M. G., Bermúdez, M., 2023. Fast finitestate predictive current control of electric drives. IEEE Access 11, 12821–12828. DOI: https://doi.org/10.1109/ACCESS.2023.3240573
Arahal, M. R., Berenguel, M., Rodr´ıguez, F., 2006. Técnicas de predicción con aplicaciones en Ingeniería. Universidad de Sevilla.
Clemente, A., Montiel, M., Barreras, F., Lozano, A., Costa-Castelló, R., 2023. Experimental validation of a vanadium redox flow battery model for state of charge and state of health estimation. Electrochimica Acta 449, 142117. DOI: https://doi.org/10.1016/j.electacta.2023.142117
Coleman, M., Lee, C. K., Zhu, C., Hurley,W. G., 2007. State-of-charge determination from EMF voltage estimation: Using impedance, terminal voltage, and current for lead-acid and lithium-ion batteries. IEEE Transactions on industrial electronics 54 (5), 2550–2557. DOI: https://doi.org/10.1109/TIE.2007.899926
Colodro, F., Mora, J., Barrero, F., Arahal, M., Martinez-Heredia, J., 2024. Analysis and simulation of a novel speed estimation method based on oversampling and noise shaping techniques. Results in Engineering 21, 101670. DOI: https://doi.org/10.1016/j.rineng.2023.101670
Eltoumi, F., Badji, A., Becherif, M., Ramadan, H., 2018. Experimental identification using equivalent circuit model for lithium-ion battery. International Journal of Emerging Electric Power Systems 19 (3), 20170210. DOI: https://doi.org/10.1515/ijeeps-2017-0210
Gómez, F., Yebra, L., Gim´enez, A., Torres-Moreno, J., 2019. Modelado de baterías para aplicación en vehículos urbanos eléctricos ligeros. Revista Iberoamericana de Automática e Informática industrial 16 (4), 459–466. DOI: https://doi.org/10.4995/riai.2019.10609
Gómez, J., Chicaiza, W. D., Escaño, J. M., Bordons, C., 2023. Energy demand management in an industrial manufacturing plant using mpc and neurofuzzy models. IFAC-PapersOnLine 56 (2), 8738–8743. DOI: https://doi.org/10.1016/j.ifacol.2023.10.057
How, D. N., Hannan, M., Lipu, M. H., Ker, P. J., 2019. State of charge estimation for lithium-ion batteries using model-based and data-driven methods: A review. IEEE Access 7, 136116–136136. DOI: https://doi.org/10.1109/ACCESS.2019.2942213
Kolluri, S., Aduru, S. V., Pathak, M., Braatz, R. D., Subramanian, V. R., 2020. Real-time nonlinear model predictive control (NMPC) strategies using
physics-based models for advanced lithium-ion battery management system (BMS). Journal of The Electrochemical Society 167 (6), 063505.
Kumar, R. R., Bharatiraja, C., Udhayakumar, K., Devakirubakaran, S., Sekar, S., Mihet-Popa, L., 2023. Advances in batteries, battery modeling, battery
management system, battery thermal management, SOC, SOH, and charge/discharge characteristics in EV applications. IEEE Access.
Martí-Florences, M., Cecilia, A., Costa-Castelló, R., 2023. Modelling and estimation in lithium-ion batteries: A literature review. Energies 16 (19), 6846. DOI: https://doi.org/10.3390/en16196846
Piller, S., Perrin, M., Jossen, A., 2001. Methods for state-of-charge determination and their applications. Journal of power sources 96 (1), 113–120. DOI: https://doi.org/10.1016/S0378-7753(01)00560-2
Puleston, T., Cecilia, A., Costa-Castell´o, R., Serra, M., 2023. Vanadium redox flow batteries real-time state of charge and state of health estimation under electrolyte imbalance condition. Journal of Energy Storage 68, 107666. DOI: https://doi.org/10.1016/j.est.2023.107666
Tian, N., Fang, H., Chen, J., Wang, Y., 2020. Nonlinear double-capacitor model for rechargeable batteries: Modeling, identification, and validation. IEEE Transactions on Control Systems Technology 29 (1), 370–384. DOI: https://doi.org/10.1109/TCST.2020.2976036
Wang, Y., Tian, J., Sun, Z., Wang, L., Xu, R., Li, M., Chen, Z., 2020. A comprehensive review of battery modeling and state estimation approaches for advanced battery management systems. Renewable and Sustainable Energy Reviews 131, 110015. DOI: https://doi.org/10.1016/j.rser.2020.110015
Yu, Q., Dai, L., Xiong, R., Chen, Z., Zhang, X., Shen, W., 2022. Current sensor fault diagnosis method based on an improved equivalent circuit battery model. Applied Energy 310, 118588. DOI: https://doi.org/10.1016/j.apenergy.2022.118588
Zhou, W., Zheng, Y., Pan, Z., Lu, Q., 2021. Review on the battery model and SOC estimation method. Processes 9 (9), 1685. DOI: https://doi.org/10.3390/pr9091685