options
search icon
email icon
ES
rrss gif icons
twitter icon
linkedin icon youtube icon
shape

Development and Validation of Li-ion Battery State Algorithms Capable of Adapting to New Chemistries

Markel Azkue Etxeandia


14/12/2023

  • DIRECTORES: Haizea Gaztañaga eta Unai Iraola 
  • UNIVERSIDAD: Mondragon Unibertsitatea

RESUMEN

Reconocidas como la piedra angular del almacenamiento energético moderno, las baterías de iones de litio (Li-ion) se han convertido en un componente integral de numerosas aplicaciones, que abarcan desde dispositivos omnipresentes como teléfonos inteligentes y ordenadores portátiles hasta sistemas complejos como vehículos eléctricos e infraestructuras de almacenamiento energético a gran escala. El aumento de la demanda puede atribuirse directamente al cambio de paradigma mundial hacia las fuentes de energía renovables y a la creciente esfera de la movilidad eléctrica. Estas transiciones hacen que sea imprescindible la innovación continua de la tecnología subyacente de las baterías de iones de litio, con el objetivo de aumentar su rendimiento, reforzar la seguridad y optimizar el coste.

Uno de los campos de investigación más activos en este contexto es el desarrollo de algoritmos eficaces de estimación del estado de carga (SoC) y del estado de salud (SoH). Dichas métricas son cruciales para garantizar el uso eficiente, la longevidad, la seguridad y la optimización del rendimiento de las baterías de iones de litio en diversas aplicaciones.

Además, la necesidad de métodos flexibles de estimación del estado de las baterías surge de las diversas características de las baterías, las diferentes condiciones de funcionamiento, el envejecimiento de las baterías, los escenarios de uso mixto, las tecnologías de baterías emergentes, los comportamientos de los usuarios, la limitada disponibilidad de datos y la continua evolución de la investigación sobre baterías.

En vista de ello, el presente trabajo pretende desarrollar estimadores adaptables del SoC y del SoH. Aprovechando la potencia de las redes neuronales, estos estimadores, complementados con la técnica del aprendizaje por transferencia (TL), explotarán los conocimientos adquiridos en tareas o aplicaciones anteriores para adaptarse a nuevos tipos de baterías o escenarios.

En la búsqueda de la creación de estos estimadores, se realiza inicialmente una revisión exhaustiva de la literatura relacionada. La revisión se centra en los algoritmos de estimación del SoC y del SoH existentes, con especial énfasis en los que utilizan redes neuronales. La revisión ofrece un estudio comparativo en el que se tratan los méritos y las limitaciones de cada metodología, se presentan varios tipos de redes neuronales, como la Red Neuronal Convolucional (CNN) y la Red Neuronal Recurrente (RNN), entre otras, y se explica el principio del aprendizaje por transferencia, destacando sus beneficios potenciales para la estimación del SoC y del SoH.

Tras la revisión bibliográfica, se propone una metodología exhaustiva, que constituye la columna vertebral de toda la investigación. Esta metodología describe un proceso de cinco etapas:

  • Configuración y preparación (etapa 0): Esta etapa inicial implica las tareas necesarias antes de comenzar el entrenamiento, como el preprocesamiento de datos, la selección del modelo y la determinación de los hiperparámetros sintonizables.
  • Creación de modelos (etapas 1, 2 y 3): Estas etapas implican la creación de diferentes modelos de estimación del SoC y del SoH.
    • Etapa 1: Modelo de referencia: Se crea un modelo de referencia y se perfecciona mediante un riguroso entrenamiento, pruebas y ajuste de hiperparámetros.
    • Etapa 2: Modelo comparativo: Se construye un nuevo modelo desde cero utilizando los datos de una nueva célula, que sirve de referencia para comparar el rendimiento del modelo de aprendizaje por transferencia.
    • Etapa 3: Modelo de aprendizaje por transferencia: El modelo de referencia se vuelve a entrenar con nuevos datos de una celda diferente, utilizando el concepto de aprendizaje por transferencia.
  • Evaluación (etapa 4): En esta última etapa se comparan los resultados de los modelos de las etapas 2 y 3. Al comparar sus resultados, se comprueba la eficacia del modelo de aprendizaje por transferencia. La comparación de los resultados permite evaluar la eficacia del enfoque aprendizaje por transferencia.

Siguiendo la metodología descrita, se desarrollaron varios estimadores de SoC aprovechando las redes de memoria larga a corto plazo (LSTM). Se emplearon datos sintéticos generados a partir de un modelo electroquímico para formular un modelo fundacional, sobre el que posteriormente se aplicó el aprendizaje por transferencia para modelar una célula real. Paralelamente, para evaluar la viabilidad y las ventajas del aprendizaje por transferencia, se construyeron modelos independientes a partir de cero.

Los resultados son convincentes: Siempre que exista un modelo de referencia establecido para la ejecución del aprendizaje por transferencia, el modelo de aprendizaje por transferencia supera sistemáticamente a sus homólogos construidos desde cero. En concreto, el modelo de aprendizaje por transferencia alcanza un error medio absoluto de tan solo el 0,88%, en claro contraste con los errores medios absolutos del 1,84% y el 5,62% mostrados por los modelos creados desde cero con los mismos perfiles de pruebas SoC. El modelo de aprendizaje por transferencia no solo ofrece resultados superiores y demuestra una mayor robustez, sino que además requiere muchos menos datos de la nueva célula para entrenarse, hasta un 80% menos, para ser exactos.

En un ejercicio paralelo, similar al empleado para el estimador del SoC, también se desarrollaron una serie de estimadores del SoH. Para ello se utilizaron redes neuronales basadas en redes totalmente conectadas siguiendo la metodología antes mencionada. Una vez más, el modelo de aprendizaje por transferencia supera a los modelos entrenados desde cero en todas las métricas, alcanzando un impresionante error medio absoluto del 0,7%, frente al 1,2% y el 1,6% de errores medios absolutos observados en los modelos creados desde cero. Además, repitiendo los resultados anteriores, el modelo de aprendizaje por transferencia necesitó la mitad de datos que los demás modelos para entrenar el nuevo estimador.

En conclusión, el estudio aboga firmemente por la amalgama de redes neuronales y aprendizaje por transferencia para una estimación adaptable y robusta del SoC y del SoH. La metodología propuesta demostró que el uso de modelos de aprendizaje por

transferencia supera sistemáticamente a sus homólogos construidos desde cero, logrando un error medio absoluto notablemente inferior y demostrando una mayor robustez. Este enfoque no solo mejora la precisión, sino que también reduce significativamente los requisitos de datos y agiliza el entrenamiento. Esto es especialmente valioso en situaciones en las que la generación de datos es limitada o costosa, lo que convierte a este método en una solución eficaz para obtener resultados de alta calidad bajo restricciones.

close overlay