Ingeniero Civil Electricista / Dado el impacto que se asocia a dispositivos almacenadores de energía en las distintas áreas de la ingeniería, últimamente se ha fomentado la formulación de proyectos de investigación que estén relacionados con este tema. En particular, es de vital importancia comprender el comportamiento que tienen las baterías frente a distintas condiciones de operación. Para este fin es imprescindible obtener datos precisos, con el fin de caracterizar facilitar la implementación de métodos de estimación y predicción. El presente trabajo busca implementar un sistema de adquisición de datos que permita obtener datos de voltaje, corriente y temperatura; todas ellas variables que generalmente se utilizan para el análisis de parámetros de la batería como es el estado de carga (por su siglas en inglés, SOC) y el estado de salud (por sus siglas en inglés, SOH). Para esto, se implementan dos arquitecturas. La primera usa un cargador de marca I-Charger y una carga programable BK PRECISION 8500; los cuales almacenan datos obtenidos en los procesos de carga y descarga en tiempo real. La segunda utiliza tres sensores (voltaje, corriente y temperatura), un conversor análogo-digital, y un chasis National Instruments (NI); todo con interfaz de programación en el software LabView para obtener datos en tiempo real. El principal desafío es que existen perturbaciones Gaussianas de media nula en las mediciones. Para solucionar lo anterior se decide implementar un filtro pasa-bajos que mitiga estas fluctuaciones. Además de eso, se ideó un método que permitiera obtener la ecuación característica de los sensores que pudiese usarse en proceso de calibración. Para generar resultados se realizaron cuatro pruebas. La primera corresponde a una carga (corriente constante de 2 [A] hasta que el voltaje se estabiliza en 4.097, disminuyendo luego); y las otras tres a descargas con distintos perfiles de uso (corriente constante, en base a una Cadena de Markov de 10 estados y una señal binaria pseudo-aleatoria, PRBS). El tiempo de muestreo para el caso de la carga fue de 2[s] y para las descargas fue de 500 [ms]. De los resultados obtenidos se aprecia que para el caso de la carga, la señal entregada por el NI coincide bastante con la obtenida con el cargador, generando MSE y RMSE reducidos para distintos niveles de filtrado. Para el caso de la descarga se observa que frente a corriente constante y al perfil basado en Cadenas de Markov los resultados tienen MSE y RMSE del orden de 0.05. Sin embargo, para PRBS los valores son elevados. Esto se puede deber a dos cosas, una de ellas es que las transiciones que genera la PRBS son más rápidas que el tiempo de muestreo, por lo cual no se alcanza a apreciar el comportamiento de éstas en equipos NI. La otra razón es que el filtro implementado busca una respuesta homogénea en la zona pasa-banda. Se plantea como posible solución a este problema la implementación de filtros Chevyshev.

Ingeniero Civil Electricista / Dado el impacto que se asocia a dispositivos almacenadores de energía en las distintas áreas de la ingeniería, últimamente se ha fomentado la formulación de proyectos de investigación que estén relacionados con este tema. En particular, es de vital importancia comprender el comportamiento que tienen las baterías frente a distintas condiciones de operación. Para este fin es imprescindible obtener datos precisos, con el fin de caracterizar facilitar la implementación de métodos de estimación y predicción. El presente trabajo busca implementar un sistema de adquisición de datos que permita obtener datos de voltaje, corriente y temperatura; todas ellas variables que generalmente se utilizan para el análisis de parámetros de la batería como es el estado de carga (por su siglas en inglés, SOC) y el estado de salud (por sus siglas en inglés, SOH). Para esto, se implementan dos arquitecturas. La primera usa un cargador de marca I-Charger y una carga programable BK PRECISION 8500; los cuales almacenan datos obtenidos en los procesos de carga y descarga en tiempo real. La segunda utiliza tres sensores (voltaje, corriente y temperatura), un conversor análogo-digital, y un chasis National Instruments (NI); todo con interfaz de programación en el software LabView para obtener datos en tiempo real. El principal desafío es que existen perturbaciones Gaussianas de media nula en las mediciones. Para solucionar lo anterior se decide implementar un filtro pasa-bajos que mitiga estas fluctuaciones. Además de eso, se ideó un método que permitiera obtener la ecuación característica de los sensores que pudiese usarse en proceso de calibración. Para generar resultados se realizaron cuatro pruebas. La primera corresponde a una carga (corriente constante de 2 [A] hasta que el voltaje se estabiliza en 4.097, disminuyendo luego); y las otras tres a descargas con distintos perfiles de uso (corriente constante, en base a una Cadena de Markov de 10 estados y una señal binaria pseudo-aleatoria, PRBS). El tiempo de muestreo para el caso de la carga fue de 2[s] y para las descargas fue de 500 [ms]. De los resultados obtenidos se aprecia que para el caso de la carga, la señal entregada por el NI coincide bastante con la obtenida con el cargador, generando MSE y RMSE reducidos para distintos niveles de filtrado. Para el caso de la descarga se observa que frente a corriente constante y al perfil basado en Cadenas de Markov los resultados tienen MSE y RMSE del orden de 0.05. Sin embargo, para PRBS los valores son elevados. Esto se puede deber a dos cosas, una de ellas es que las transiciones que genera la PRBS son más rápidas que el tiempo de muestreo, por lo cual no se alcanza a apreciar el comportamiento de éstas en equipos NI. La otra razón es que el filtro implementado busca una respuesta homogénea en la zona pasa-banda. Se plantea como posible solución a este problema la implementación de filtros Chevyshev.

Tesis para optar al grado de Doctora en Ingeniería Eléctrica / La disponibilidad de energía es una de las limitaciones que presentan las Redes de Sensores Inalámbricas (WSN, Wireless Sensor Network). Tradicionalmente, las baterías han sido utilizadas para proveer energía a los nodos de sensores y al tener una vida útil limitada afectan el tiempo de vida de la red. Soluciones como el uso de baterías de gran tamaño o el reemplazo de ellas no son viables, debido al gran número de sensores que componen la red y a que pueden ser desplegados en zonas de difícil acceso. Esta situación ha motivado que las soluciones para la conservación de la energía en las WSNs se enfoquen en el desarrollo de técnicas que actúen a nivel de las capas física y de enlace de datos, como es el caso de los protocolos de Control de Acceso al Medio (MAC, Medium Access Control). Los protocolos MAC son una de las soluciones ampliamente estudiadas y utilizadas porque permiten un equilibrio entre la conservación de energía y otros parámetros críticos de la red, como el rendimiento, latencia, reducción de colisiones y mensajes de control. También tienen la facilidad de adaptarse a las nuevas aristas de trabajo que surgen al incorporar nuevas tecnologías como lo son los Dispositivos de Recolección de Energía (EHD, Energy Harvesting Device). Otro aspecto que está siendo considerado y estudiado en el diseño de los protocolos MAC es la información que se puede extraer de la batería, ya que al estimar la capacidad disponible de la misma, el mecanismo del Duty Cycling (DuC) puede ser ajustado con el propósito de aumentar la eficiencia energética y por lo tanto, extender la vida útil de la red. Es necesario desarrollar técnicas que incorporen un mecanismo de conservación de energía que integre información de la batería a través de indicadores como el Estado de Carga (SOC, State of Charge) y Estado de Salud (SOH, State of Health) para mejorar la eficiencia energética en WSN. La idea de incorporar información de la batería se debe a que la capa MAC está a cargo de controlar los modos de operación del nodo sensor, lo que está directamente relacionado con la cantidad de corriente exigida a la batería. Conocidos los perfiles de uso de la batería es posible estimar los indicadores SOC y SOH que se han utilizado ampliamente en diversas aplicaciones para conocer la cantidad de energía disponible en la batería y la degradación que ha sufrido la misma. En este trabajo se propuso el desarrollo de un protocolo que actúa en la subcapa MAC y que considera la información de la batería para tomar decisiones con respecto al tiempo activo y de reposo del nodo de sensor, con la finalidad de promover el uso eficiente de la energía y extender la vida útil de la red. Los resultados obtenidos validan esta nueva propuesta de algoritmo y establecer pautas para guiar el diseño de protocolos MAC que se centren en minimizar el consumo de energía teniendo en cuenta los dispositivos de recolección de energía y la información de la batería.

Magíster en Ciencias de la Ingeniería, Mención Eléctrica / Ingeniero Civil Eléctrico / Actualmente existe una gran cantidad de equipos y dispositivos que utilizan baterías como su fuente primaria o secundaria de energía. Para estos sistemas es crítico contar con información del desempeño de sus baterías, dado que este conocimiento puede ayudar a tomar decisiones apropiadas y asegurar autonomía en el tiempo. Dos importantes variables que deben ser monitoreadas son el "Estado-de-Salud" (SOH, del inglés State-of-Health) y el "Estado-de-Carga" (SOC, del inglés State-of-Charge). Este trabajo se enfoca en generar esquemas de pronóstico para ambas variables, donde se tome en cuenta la temperatura de operación. Con este propósito, se diseñaron y realizaron un conjunto de pruebas de laboratorio con celdas de Ion-Litio donde se caracterizó el impacto de la temperatura en factores tales como la energía entregada en un ciclo, la impedancia interna, o tendencia de degradación. A partir de estos datos, y esquemas existentes en la literatura, se proponen modelos empíricos para la degradación y para la descarga de una batería mediante una representación de espacio-estados, definiendo directamente un estado como el SOH y el SOC respectivamente. Las estimaciones y predicciones a largo plazo se efectúan bajo un enfoque Bayesiano, basado en el filtro de partículas. Además, se propone la implementación de lazos de control externos para corregir condiciones iniciales erróneas de los estados, y un módulo de detección de outliers para trabajar con datos perdidos o inválidos. La validación de estos esquemas se realiza con datos generados en laboratorio, además de datos de degradación publicados por NASA Ames Prognostic Center of Excellence. El esquema propuesto para el SOH es capaz de incorporar explícitamente el efecto de la temperatura de operación (bajo el concepto de "Capacidad Usable"), y estimar y pronosticar el SOH a una temperatura de referencia. Por otro lado, el esquema para el SOC fue validado incluyendo una mejor representación de la fenomenología del proceso de descarga comparada a la existente, y se deja una propuesta de cómo incluir el efecto de la temperatura en el modelo. La implementación de estos esquemas de pronóstico permite la incorporación de la temperatura de operación, que a pesar de su gran influencia en el comportamiento de las baterías es considerada constante en muchos casos presentes en la literatura; además de incluir algunas mejoras prácticas en los algoritmos de estimación. Las propuestas de este trabajo dejan las bases para avanzar en la incorporación de otros fenómenos importantes como la profundidad de descarga, o la magnitud de la corriente de descarga.