Ingeniero Civil Eléctrico / En los últimos años hubo una fuerte tendencia hacia la utilización de equipos cuya fuente de energía corresponde a baterías o dispositivos acumuladores de energía. Sin embargo, el uso de algunos de estos equipos, correspondientes por lo general a gran maquinaria, se ha visto limitada por la falta de métodos capaces de garantizar un cierto nivel en su autonomía. Un caso particular de este tipo de equipos corresponde a los automóviles eléctricos; cuya industria ha puesto principales esfuerzos en desarrollar sistemas de administración de baterías. Uno de los principales objetivos de estos sistemas es poder asegurar al usuario la duración de la energía disponible en el automóvil. Para ellos se hace necesario poder obtener información sobre la cantidad de energía remanente en su batería, parámetro conocido en la literatura como el Estado-de-Carga. El conocimiento del parámetro anteriormente mencionado por sí solo no es suficiente, ya que para poder garantizar que el sistema posee una cierta autonomía es necesario obtener información sobre el comportamiento futuro del sistema. Este último problema se refiere al pronóstico de dicho estado. Diversos enfoques se encuentran disponibles en la literatura para su resolución; sin embargo, un desafío importante corresponde a la definición del perfil de consumo con que es utilizado el dispositivo durante el horizonte futuro. Es en esta última problemática en que se enfoca el trabajo realizado. En particular se plantea una metodología que modela el perfil de uso de la batería mediante una cadena de Markov homogénea, definiendo los parámetros que la representan. Este modelo corresponde a una caracterización estadística de dicho perfil de uso, la cual es obtenida con los datos de corriente anteriores al instante de predicción. El objetivo de la realización de esta caracterización estadística es poder obtener la mayor información acerca de cómo ha sido descargada la batería, y utilizar dicha información para el perfil de uso durante la etapa de predicción. Para validar la metodología se utilizaron dos conjuntos de datos correspondientes al proceso de descarga de baterías de Ion-Litio; además de un módulo de pronóstico del Estado-de-Carga basado en Filtro de Partículas. Los resultados obtenidos en la etapa de pronóstico fueron evaluados mediante medidas de desempeño adecuadas, mostrando que la caracterización estadística obtenida mediante la metodología presentada es de utilidad para la resolución de la problemática asociada a la predicción del Estado-de-Carga y estimación de la autonomía de equipos energizados con baterías. Como principal conclusión de este trabajo se obtiene una novedosa metodología, sustentada en herramientas matemáticas, que es capaz caracterizar un perfil de descarga de una batería mediante una cadena de Markov homogénea. El desarrollo de esta metodología no es específico para estos perfiles, por lo que puede ser utilizada para la caracterización de una serie de tiempo en general.

Submitted by Marcio Filho (marcio.kleber@ufba.br) on 2017-06-06T12:29:29Z No. of bitstreams: 1 Dissertação_Geydison_Gonzaga_Demetino.pdf: 3108278 bytes, checksum: 126fa56a155a8c326bc5b38226559810 (MD5) / Approved for entry into archive by Vanessa Reis (vanessa.jamile@ufba.br) on 2017-06-16T14:57:07Z (GMT) No. of bitstreams: 1 Dissertação_Geydison_Gonzaga_Demetino.pdf: 3108278 bytes, checksum: 126fa56a155a8c326bc5b38226559810 (MD5) / Made available in DSpace on 2017-06-16T14:57:07Z (GMT). No. of bitstreams: 1 Dissertação_Geydison_Gonzaga_Demetino.pdf: 3108278 bytes, checksum: 126fa56a155a8c326bc5b38226559810 (MD5) / Este trabalho descreve o projeto, desenvolvimento e testes de um sistema para aquisição de dados de baterias de chumbo-ácido. Esses dados são utilizados para o gerenciamento e monitoramento das baterias em diversos sistemas que as utilizam, por exemplo, sistemas de geração de energia solar e eólica, telecomunicações, cadeiras de rodas elétricas, carros elétricos e sistemas ininterruptos de energia. O sistema é composto por componentes mecânicos, eletrônicos e de software. Ele adquire valores de tensão e corrente da bateria em descarga à corrente constante e valores de tensão da bateria em circuito aberto, essas grandezas são tratadas por um circuito de condicionamento de sinal que em seguida são digitalizados e enviados, via padrão RS-232, para um computador, onde um software dedicado foi previamente instalado. O software é responsável por mostrar os dados, salva-los e permitir a interação com o usuário. A partir dos dados adquiridos são obtidas: curvas de carga, curvas de recuperação pós-carga, curvas de descarga, curvas de recuperação pós-descarga, quantidade de carga e estado de carga. Essas informações, principalmente o estado de carga, são utilizadas para estudo do comportamento das baterias, monitoramento, desempenho, qualidade e prevenção de falhas.

Magíster en Ciencias de la Ingeniería, Mención Mecánica / El desarrollo en tecnología de mediciones ha permitido el monitoreo continuo de sistemas complejos a través de múltiples sensores, generando así grandes bases de datos. Estos datos normalmente son almacenados para ser posteriormente analizados con técnicas tradicionales de Prognostics and Health Management (PHM). Sin embargo, muchas veces, gran parte de esta información es desperdiciada, ya que los métodos tradicionales de PHM requieren de conocimiento experto sobre el sistema para su implementación. Es por esto que, para estimar parámetros relacionados a confiabilidad, los enfoques basados en análisis de datos pueden utilizarse para complementar los métodos de PHM. El objetivo de esta tesis consiste en desarrollar e implementar un marco de trabajo basado en técnicas de Aprendizaje Profundo para la estimación del estado de salud de sistemas y componentes, utilizando datos multisensoriales de monitoreo. Para esto, se definen los siguientes objetivos específicos: Desarrollar una arquitectura capaz de extraer características temporales y espaciales de los datos. Proponer un marco de trabajo para la estimación del estado de salud, y validarlo utilizando dos conjuntos de datos: C-MAPSS turbofan engine, y baterías ion-litio CS2. Finalmente, entregar una estimación de la propagación de la incertidumbre en los pronósticos del estado de salud. Se propone una estructura que integre las ventajas de relación espacial de las Convolutional Neural Networks, junto con el análisis secuencial de las Long-Short Term Memory Recurrent Neural Networks. Utilizando Dropout tanto para la regularización, como también para una aproximación bayesiana para la estimación de incertidumbre de los modelos. De acuerdo con lo anterior, la arquitectura propuesta recibe el nombre CNNBiLSTM. Para los datos de C-MAPSS se entrenan cuatro modelos diferentes, uno para cada subconjunto de datos, con el objetivo de estimar la vida remanente útil. Los modelos arrojan resultados superiores al estado del arte en la raíz del error medio cuadrado (RMSE), mostrando robustez en el proceso de entrenamiento, y baja incertidumbre en sus predicciones. Resultados similares se obtienen para el conjunto de datos CS2, donde el modelo entrenado con todas las celdas de batería logra estimar el estado de carga y el estado de salud con un bajo RMSE y una pequeña incertidumbre sobre su estimación de valores. Los resultados obtenidos por los modelos entrenados muestran que la arquitectura propuesta es adaptable a diferentes sistemas y puede obtener relaciones temporales abstractas de los datos sensoriales para la evaluación de confiabilidad. Además, los modelos muestran robustez durante el proceso de entrenamiento, así como una estimación precisa con baja incertidumbre.

Doctor en Ingeniería Eléctrica / Actualmente el uso de energías renovables está incrementando su popularidad. Como la disponibilidad de estos recursos puede ser limitada debido a factores ambientales, el uso de almacenadores de energía es algo que se debe considerar. En mercados eléctricos, el uso de sistemas de almacenamiento se vuelve interesante debido a que la posibilidad de obtener ganancias está latente. Esta investigación se enfoca en la integración de una estrategia de optimización de utilidades en conjunto con el modelo del proceso de degradación de una batería de ión-litio, para así cuantificar el beneficio económico que un usuario puede obtener dependiendo de cómo el almacenador sea operado. Dado que la operación del almacenador está sujeta a diferentes condiciones de mercado, es necesario analizar el proceso de degradación bajo estas condiciones. Esto significa que una batería no necesariamente trabajará completamente cargada o descargada en un ciclo de operación. En este sentido, definir apropiadamente un ciclo es importante puesto que el uso del almacenamiento de energía es altamente variable. El modelo de degradación fue creado utilizando información disponible en la literatura. Este modelo está basado dos sumandos, uno de los cuales tiene mayor impacto en el corto plazo de la vida útil, y el otro en el largo plazo. Además, una metodología que permite la estimación del proceso de degradación de las baterías cuando son utilizadas en condiciones de estado de carga variables también se incluye. En un primer enfoque, se utiliza información proporcionada por un fabricante, y con el apoyo de factores de escalamiento, es posible determinar el valor para la eficiencia de Coulomb para cada ciclo. Caracterizar el proceso de degradación según el estado de carga utilizado muestra hasta un 3.4% más de ciclos adicionales de uso. Posteriormente, se presenta otra metodología basada en algoritmos de similitud que incorpora la corriente de descarga, y los niveles del estado de carga como variables del modelo. Además, el efecto de la temperatura es incluido para ilustrar el efecto de la capacidad utilizable de la batería. Una vez que se establece el modelo, este se combina un algoritmo de programación lineal entera mixta que maximiza la utilidad obtenida de la venta de diferentes servicios. Distintas políticas de operación para el sistema almacenador fueron analizadas dando como resultados las horas de operación y el beneficio económico para cada caso. Es importante mencionar que no necesariamente operar el sistema de almacenamiento de forma libre asegurará el máximo beneficio económico para el dueño. Restringir el estado de carga puede significar hasta un 18% menos de utilidad bruta por año. Otros efectos externos tales como la intervención de un operador humano que modifique la estrategia, sensibilidad a cambios en la demanda o en los precios también son incluidos. El efecto de la temperatura también se incluye y la reducción en el beneficio económico es comparada con el caso donde las condiciones de temperatura están controladas. La temperatura puede afectar hasta en un 3% las utilidades esperadas para este caso.

Ingeniero Civil Eléctrico / La búsqueda de nuevas alternativas energéticas ha impulsado el uso de sistemas de almacenamiento de energía en diversas temáticas de operación, contribuyendo a la mantención preventiva y predictiva en sistemas autónomos o teleoperados de transporte, sistemas expertos industriales, vehículos eléctricos, entre otros. Es por esto, que el desarrollo de nuevas técnicas y metodologías en acumuladores, tanto en su monitoreo como en su control, abarcan un rubro que en la actualidad tiene mayor presencia, e incluso mayor criticidad en la industria. Ante la falta de un sistema robusto que genere un valor agregado al problema de pronóstico del tiempo de corte de un acumulador, bajo diferentes escenarios, o el seguimiento del Estado de Carga con la característica de proveer información en tiempo real, se presenta el desafío de cómo utilizar información conocida para el futuro estado de un acumulador en base modelos propuestos para el proceso de descarga continuada en acumuladores de Ión-Litio. Con el objeto de solucionar esta problemática, se propone una metodología de estimación y predicción Bayesiano del Estado de Carga en un arreglo de celdas de Ión-Litio, aplicable bajo un modelo dinámico no lineal y estocástico para el proceso de descarga, garantizando una solución no necesariamente óptima, pero aproximada ante las diversas fuentes de incertidumbre presentes en el proceso que se buscan caracterizar de forma estadística, en nuestro caso, la corriente futura de descarga de la batería, las perturbaciones en datos medidos, etc. Con el fin de implementarse en tiempo real y maximizar la autonomía de una flota de bicicletas eléctricas tanto en la eficiencia de la información que se provee al usuario que toma las decisiones como en la escalabilidad de la solución en desafíos de mayor tamaño. En este trabajo se prueba y analiza un pack de baterías de 37[V] y 8[Ah] de capacidad para el desarrollo e implementación de la solución propuesta. La validación se realiza con datos reales de diferentes rutas realizadas en bicicletas eléctricas provocando resultados deseables ante la búsqueda de parámetros de diseño óptimos en la solución, principalmente por motivos de presentar una numerosa cantidad de simulaciones con datos de distinta calidad, lo que implica la acción de reajustar la solución ante análisis de sensibilidad en los resultados, los cuales se miden mediante diversas métricas de evaluación enfocadas en la exactitud y precisión de los estadísticos presentes en el Estado de Carga o En el Fin de la Descarga sobre un pack de baterías de Ión-Litio en permanente operación. Con el trabajo realizado se dan por cumplido los objetivos señalados, tales como maximizar la autonomía y la precisión de la información de monitoreo a disposición del usuario, reduciendo a su vez las fuentes de incertidumbre que obstaculizan el desempeño general del algoritmo en diversas formas y optando por el uso de múltiples realizaciones de predicción Bayesiano ante anomalías inminentes que afectan el buen funcionamiento del algoritmo.

Com o mercado dos dispositivos móveis em expansão, a necessidade de desenvolver tecnologias que atendam a demanda por energia se intensi cou. Geralmente, estes dispositivos móveis são alimentados por uma bateria que deve ser recarregada a cada intervalo de tempo. Por esta razão, é importante conhecer o tempo que a bateria mantém o dispositivo operacional, isto é, seu tempo de vida. Um dos métodos para realizar a predição do tempo de vida de baterias de dispositivos móveis é a utilização de modelos matemá- ticos, que simulam o processo de descarga de energia das baterias. Entre os modelos mais referenciados na literatura técnica, destacam-se os modelos eletroquímicos, os modelos de circuitos elétricos, os modelos estocásticos, os modelos analíticos, os modelos via teoria de Identi cação de Sistemas e os modelos híbridos. Os modelos híbridos são vantajosos, pois permitem a união de dois ou mais modelos de características distintas. Inserido nessa categoria, este trabalho tem por objetivo propor a modelagem matemática do tempo de vida de baterias de Lítio Íon Polímero (Li-Po), através do desenvolvimento de um modelo híbrido baseado na união do modelo elétrico para Predizer Runtime e Características V-I de uma bateria e do modelo analítico Lei de Peukert Estendida. O modelo é implementado computacionalmente na ferramenta computacional MatLab. Os dados experimentais são obtidos de uma plataforma de testes que simula o descarregamento de baterias, considerando baterias do tipo Li-Po. A validação ocorre a partir da comparação das simulações realizadas, com os dados da plataforma, utilizando per s de descarga constantes e variáveis. Por m, é realizada a comparação do modelo obtido com outros modelos na literatura. Os resultados das simulações comprovam que o modelo hí- brido proposto é mais simples e computacionalmente exível, quando comparado a outros modelos híbridos, além de apresentar resultados satisfatórios para a predição do tempo de vida de baterias. / 94 f.

Magíster en Ciencias de la Ingeniería, Mención Eléctrica / Los últimos desarrollos en baterías de ión-litio han permitido una verdadera revolución en la industria automotriz. Los vehículos eléctricos representan una porción del mercado que aumenta año a año. Estos vehículos operan bajo condiciones variables, requiriendo de bancos de baterías para hacer frente a las respectivas demandas de torque y potencia. En este trabajo construimos un simulador que, dado el tamaño del banco, determina cuando una recarga (autonomía) o reemplazo del banco (vida útil remanente) son necesarios. Con este fin estudiamos los indicadores de Estado-de-Carga (SOC), y Estado-de-Salud (SOH), usando modelos en espacio de estados discreto. Las predicciones se basan en una caracterización probabilística de los perfiles de uso en un vehículo eléctrico, que a su vez son una función de entradas genéricas, e.g. el mapa de la misión, las características mecánicas del vehículo, perfiles de conducción y configuración del banco de baterías. En nuestro enfoque estocástico, el pronóstico para el SOC y SOH son generados en un esquema basado en filtro de partículas, con medidas de riesgo e intervalos de confianza obtenidos tanto para el fin-de- la-descarga (en cada ciclo) como para el fin-de-vida-útil (reemplazo). Estos esquemas se benefician de la incorporación de metamodelos para la resistencia óh- mica interna y la eficiencia de Coulomb del banco. El primero depende de la demanda de corriente y el SOC, mientras el segundo se basa en la magnitud de la corriente y la profundi- dad de cada descarga. Ambos metamodelos son incluidos dentro del esquema del SOC/SOH, i) efectivamente introduciendo nueva fenomenología en ellos, y ii) proveyendo de una conex- ión entre el SOC/SOH y el cómo cada descarga afecta el estado de salud del banco de baterías como un todo. También presentamos una metodología para experimentos de laboratorio que son capaces de determinar estas cantidades empíricamente en baterías de ión-litio. Consideramos efectos ignorados hasta ahora en este tipo de modelos empíricos, i.e. cómo las condiciones de operación en una descarga conciernen al pronóstico de la vida útil rema- nente, y cómo las dependencias de la impedancia interna afectan la autonomía del vehículo. Un sub-producto de este trabajo es el mejoramiento del rango de opciones, modularidad y velocidad de ejecución de algoritmos. Finalmente, establecemos aquí las bases para trabajo futuro en diseño óptimo de bancos de baterías en función de perfiles de uso particulares.

[pt] Por conta dos rápidos avanços tecnológicos, percebe-se uma mudança nos hábitos e das necessidades das pessoas. Há uma dependência cada vez maior de aparelhos eletrônicos como smartphones, notebooks etc. Construir baterias com grande capacidade energética é um dos desafios atuais para aumentar a autonomia dos aparelhos eletrônicos. Entretanto, uma alternativa que pode ajudar a manter aparelhos eletrônicos por mais tempo longe das tomadas é o compartilhamento de baterias. Existem na literatura muitos estudos envolvendo o compartilhamento de baterias no contexto de veículos elétricos, porém não são encontradas aplicações em smartphones. Um parâmetro importante a ser monitorado neste contexto é o estado de saúde (SoH). Até o momento, não há um consenso na literatura acerca do melhor modelo para estimar o SoH de baterias devido à falta de métodos bem estabelecidos. Assim, o objetivo geral desta dissertação foi construir um modelo para estimar a curva de estado de saúde, por meio do estado de carga, com vistas a estimar a saúde de baterias de íon-lítio. O modelo proposto foi baseado em redes neurais recorrentes. Para treinar e validar o modelo, foi construído um sistema para a realização de ensaios destrutivos, sendo possível estudar o comportamento de baterias de íon-lítio ao longo de toda vida útil. O modelo proposto foi capaz de estimar o SoH das baterias estudadas com boa exatidão, sob diferentes parâmetros de carga/descarga. O diferencial do modelo são baixa complexidade computacional, mesmo envolvendo modelos de redes neurais, e serem adotados parâmetros de entrada de fácil medição. / [en] Because of the fast technological advances, there is a change in people s habits and needs. There is an increasing dependence on electronic devices such as smartphones, notebooks etc. Building batteries with great energy capacity is one of the current challenges to increase the autonomy of electronic devices. However, an alternative that can help keep electronic devices longer away from sockets is battery swap. There are many studies in the literature involving the sharing of batteries in the context of electric vehicles, but no applications are found in smartphones. An important parameter to be monitored in this context is state of health (SoH). To date, there is no consensus in the literature about the best model for estimating battery SoH due to the lack of well-established methods. Thus, the objective of this dissertation is to build a model to estimate the state of health curve, with a view to classifying the health of lithium-ion batteries, through state of charge curve, for applications involving battery swap aiming to use in smartphones. The proposed model was based on recurrent neural networks. To train and validate the model, a system was built to perform destructive tests, being possible to study the behavior of lithium-ion batteries throughout its useful life. The proposed model was able to estimate the SoH of the batteries studied with good precision, under different charge / discharge parameters. The distinction of the model is low computational complexity, even involving neural network models, and easy-to-measure input parameters are adopted.

Cada vez mais robôs móveis autônomos estão sendo utilizados em diversas tarefas e em ambientes com elevado risco para atividades humanas que a paralisação de suas atividades podem gerar outros riscos, perdas e elevados custos. Assim, o estado de carga (SOC) de sistemas de baterias em robôs móveis autônomos é um parâmetro importante na prevenção de uma falha primária nessa aplicação, a ausência de energia. Este trabalho apresenta os métodos existentes na literatura para a determinação do estado de carga de baterias e as tecnologias de baterias disponíveis utilizadas em robôs móveis autônomos ou veículos autônomos guiados. A partir desses estudos foi desenvolvido um modelo de medida, baseado no modelo combinado e foram realizados testes de bancadas para levantamento dos parâmetros e características de três modelos de células de baterias: Lítio Polímero (Li-PO), Níquel-Cádmio (NiCd) e Lítio-Ferro-Polímero (LiFePO4). Com esses parâmetros, aplicou-se o método de estimativa de carga baseado na técnica do Filtro de Kalman Estendido (EKF). Através dos testes, analisou-se comparativamente a resposta do método proposto e a resposta do método OCV e a capacidade de carga real. / Autonomous mobile robots have being increasingly used in various tasks, environments and activities of high risk to human that the stoppage of its activities may generate other risks, losses and high costs. Thus the state of charge (SOC) of battery systems in autonomous mobile robots, is an important parameter to prevent a primary failure in this application, the lack of energy. The paper presents the existing methods in the literature to determine the battery state of charge and battery commercial technologies available used in an autonomous mobile robot or autonomous guided vehicle, from these studies a measurement model based on combined model was developed and testing benches for three cells models on Lithium Polymer Battery (Li-PO), Nickel Cadmium (NiCd) and lithium-iron-Polymer (LiFePO4) batteries were performed for lifting the parameters and apply the battery state of charge method based on the Extended Kalman Filter (EKF) technique. The tests were analyzed in order to observe the comparatively response of the proposed method, the OCV method and Real charge capacity.

Cada vez mais robôs móveis autônomos estão sendo utilizados em diversas tarefas e em ambientes com elevado risco para atividades humanas que a paralisação de suas atividades podem gerar outros riscos, perdas e elevados custos. Assim, o estado de carga (SOC) de sistemas de baterias em robôs móveis autônomos é um parâmetro importante na prevenção de uma falha primária nessa aplicação, a ausência de energia. Este trabalho apresenta os métodos existentes na literatura para a determinação do estado de carga de baterias e as tecnologias de baterias disponíveis utilizadas em robôs móveis autônomos ou veículos autônomos guiados. A partir desses estudos foi desenvolvido um modelo de medida, baseado no modelo combinado e foram realizados testes de bancadas para levantamento dos parâmetros e características de três modelos de células de baterias: Lítio Polímero (Li-PO), Níquel-Cádmio (NiCd) e Lítio-Ferro-Polímero (LiFePO4). Com esses parâmetros, aplicou-se o método de estimativa de carga baseado na técnica do Filtro de Kalman Estendido (EKF). Através dos testes, analisou-se comparativamente a resposta do método proposto e a resposta do método OCV e a capacidade de carga real. / Autonomous mobile robots have being increasingly used in various tasks, environments and activities of high risk to human that the stoppage of its activities may generate other risks, losses and high costs. Thus the state of charge (SOC) of battery systems in autonomous mobile robots, is an important parameter to prevent a primary failure in this application, the lack of energy. The paper presents the existing methods in the literature to determine the battery state of charge and battery commercial technologies available used in an autonomous mobile robot or autonomous guided vehicle, from these studies a measurement model based on combined model was developed and testing benches for three cells models on Lithium Polymer Battery (Li-PO), Nickel Cadmium (NiCd) and lithium-iron-Polymer (LiFePO4) batteries were performed for lifting the parameters and apply the battery state of charge method based on the Extended Kalman Filter (EKF) technique. The tests were analyzed in order to observe the comparatively response of the proposed method, the OCV method and Real charge capacity.