Estimación del estado de carga (SOC) de la batería
Modelos de batería comunes
El proceso de reacción electroquímica de las baterías eléctricas es complejo y está influenciado por numerosos e inciertos factores. El modelado matemático de este proceso es un problema multidisciplinario y multi-campo, y siempre ha sido un enfoque y un desafío clave tanto para el mundo académico como para la industria. La excitación de entrada (corriente de carga) y las observaciones de salida (voltaje y temperatura) de una batería de energía son parámetros mensurables finitos para el sistema de gestión de la batería de energía. El modelado preciso es esencial para describir con mayor precisión las características externas de las baterías eléctricas, diseñar algoritmos confiables de estimación del estado de las baterías eléctricas y desarrollar sistemas óptimos de gestión de energía para vehículos de nueva energía. Los modelos de baterías de energía comunes se dividen principalmente en modelos electroquímicos, modelos de circuitos equivalentes y modelos de aprendizaje automático.
(1) Modelo electroquímico
A mediados de la década de 1990, M. Doyle, TF Fuller y J. Newman de la Universidad de California, Berkeley, establecieron un modelo pseudo{6}}bidimensional (P2D) basado en la teoría de electrodos porosos y soluciones concentradas, sentando las bases para el desarrollo de modelos de mecanismos electroquímicos. Este modelo utiliza una serie de ecuaciones diferenciales parciales y ecuaciones algebraicas para describir con precisión la difusión y migración de iones de litio dentro de la batería, reacciones electroquímicas en la superficie de partículas activas, la ley de Ohm y la conservación de carga, entre otros fenómenos electroquímicos. Hasta la fecha, la mayoría de los modelos electroquímicos se derivan y desarrollan a partir de este modelo. Un modelo electroquímico es un modelo de primeros principios que puede simular con precisión no solo las características externas de una batería, sino también la distribución y los cambios de las características internas (como la concentración de iones de litio en los electrodos y el electrolito, y el sobrepotencial de reacción, que son difíciles de medir). En comparación con otros modelos de baterías, los modelos electroquímicos pueden describir las reacciones microscópicas dentro de la batería con mayor profundidad y tener un significado físico más explícito.
Los modelos P2D son versátiles y escalables, aplicables a tipos de baterías con diferentes sistemas de materiales y pueden desarrollarse y ampliarse a modelos de acoplamiento de múltiples-campos más complejos. Por tanto, los modelos P2D desempeñan un papel insustituible en el modelado de baterías. Sin embargo, contienen complejas ecuaciones diferenciales parciales y numerosos parámetros electroquímicos, lo que impone altas exigencias a las capacidades computacionales del sistema de gestión de baterías (BMS). Actualmente, la resolución de modelos P2D emplea principalmente métodos numéricos, como el método de diferencias finitas, el método de elementos finitos y el método de volúmenes finitos.
(2) Modelo de circuito equivalente
El modelo de circuito equivalente utiliza elementos de circuito tradicionales como resistencias, condensadores y fuentes de voltaje constante para formar una red de circuitos para describir las características externas de la batería. Este modelo utiliza una fuente de voltaje para representar la fuerza electromotriz de equilibrio termodinámico de la batería y una red RC para describir las características dinámicas de la batería. El modelo de circuito equivalente tiene buena aplicabilidad a diversos estados operativos de la batería y se pueden derivar las ecuaciones de estado del modelo, lo que facilita el análisis y la aplicación. El modelo de circuito equivalente se ha utilizado ampliamente en la investigación de simulación y modelado de vehículos de nueva energía y en BMS basados en modelos-. La Figura 7-27 muestra un modelo de circuito equivalente típico de una batería de energía compuesta por n estructuras de red RC, denominado modelo n-RC. Este modelo consta de tres partes:
1) Fuente de voltaje: El voltaje del circuito abierto-de la batería está representado por $U_{oc}$.
2) Resistencia interna óhmica: la resistencia de contacto de los materiales de los electrodos de la batería, el electrolito, la resistencia de aislamiento y varios componentes está representada por $R_o$.
3) Red RC: Las características dinámicas de la batería de potencia, incluidas las características de polarización y los efectos de difusión, se describen mediante la resistencia de polarización $R_p$ y la capacitancia de polarización $C_p$, donde $i=0, ..., n_s$.
En la Figura 7-27, Up representa el voltaje de polarización de la batería de alimentación.
Según la ley de voltaje y la ley de corriente de Kirchhoff, y la relación entre el cambio de voltaje del capacitor y la corriente, la ecuación espacial-de estado del modelo de circuito se puede expresar como:
Los modelos de circuito equivalente de batería de energía de uso común, como el modelo Rint, el modelo de Thevenin y el modelo de polarización dual (DP), son casos especiales del modelo de circuito equivalente n-RC cuando n=0, n=1 y n=2, respectivamente, y se han utilizado ampliamente en algoritmos de gestión y estimación del estado de la batería de energía.
(3) Modelos de aprendizaje automático
Los modelos de aprendizaje automático no requieren conocimiento de la composición interna de la batería ni de los mecanismos de reacción específicos; sólo necesitan obtener los datos históricos de funcionamiento de la batería (corriente, voltaje, temperatura, etc.). Básicamente, establecen funciones de mapeo no lineales entre variables a través de métodos-basados en datos. La principal ventaja de este tipo de modelo es su aplicabilidad a diferentes tipos de baterías, su buena versatilidad y su capacidad para simular completamente las características no lineales del comportamiento de la batería.
En el campo de la gestión y control de baterías eléctricas, los métodos de aprendizaje automático utilizados incluyen principalmente lógica difusa, redes neuronales, máquinas de vectores de soporte y sus algoritmos combinados. En marzo de 2016, la victoria de AlphaGo sobre el campeón mundial de Go Lee Sedol inyectó nueva vitalidad al aprendizaje profundo, desencadenando una nueva ola de investigación y aplicación, que también se ha aplicado a la gestión de baterías. Con suficientes datos de batería para el entrenamiento, este tipo de modelo puede lograr un buen rendimiento predictivo. Sin embargo, este modelo carece de significado físico, no es interpretable y su rendimiento se ve muy afectado por la cantidad y calidad de los datos de entrenamiento, lo que dificulta garantizar su confiabilidad y robustez cuando se aplica a sistemas de gestión de baterías.
