La masiva demanda de combustibles derivados del petróleo abre la puerta a la búsqueda de nuevas formas de suplir las necesidades energéticas en el mundo. Debido a esto, los acumuladores de energía tienen un rol fundamental en el sector industrial en los últimos años. En particular, las baterías de Ion-Litio que por sus características las transforma en elementos claves dentro del diseño de sistemas autónomos. Los vehículos eléctricos nacen para poder suplir esta gran demanda y en particular, las bicicletas eléctricas no sólo permiten utilizar menos energía, sino que poder transportarse con mayor libertad y fluidez en las grandes ciudades.
Con el nacimiento de esta nueva alternativa para el trasporte se hace necesario poder contar con sistemas de supervisión de las baterías que puedan entregar información importante al usuario sobre su Estado de Carga (SOC, por sus siglas en inglés) y estado de salud (SOH, por sus siglas en inglés). Esta información le será útil no solo al usuario sino que también a la industria encargada de masificar el producto, ya que de esta forma puede generar planes preventivos y de mantención para optimizar recursos y mejorar la calidad de servicio. En la actualidad, hay múltiples productos que son capaces de estimar el SOC y predecir el tiempo de descarga (EOD, por sus siglas en inglés) de una batería de Ion-Litio; sin embargo, es mediante los métodos de Filtro de Partículas (FP) donde se obtienen los mejores resultados.
Con el objeto de unir tanto la teoría de los métodos de estimación y pronóstico del SOC de las baterías con el uso de la tecnología de acceso común, nace el objetivo de este Trabajo de Título, el cual busca implementar métodos sub-óptimos de estimación y pronóstico del Estado de Carga de baterías de Ion-Litio en un ambiente Android. Es decir, a través del presente trabajo se integraran estos métodos dentro de una aplicación (app) Android de uso común, aprovechando las capacidades y recursos de los Smartphone en la actualidad.
Se busca programar un algoritmo de estimación y pronóstico (AEP) en lenguaje Java y mostrar los resultados a través de la pantalla al usuario mediante una app. Se muestra la implementación realizada y su entorno gráfico basados en los requerimientos tales como uso de protocolo Bluetooh y conexión USB, almacenamiento de datos y servicios web. Finalmente, se entregan los resultados obtenidos del AEP tanto en la estimación y predicción del SOC como en la del EOD. Esto en conjunto con un análisis del uso de recursos de procesamiento y memoria que requiere el AEP para funcionar.
Como conclusión de los resultados expuestos en este trabajo, se puede afirmar que la implementación del algoritmo permite: (i) obtener información sobre el Estado de Carga de la batería de Ion-Litio en tiempo real; (ii) visualizar la predicción del tiempo de descarga basados en el perfil de uso de la bicicleta eléctrica. Todo esto a través de una app Android.
| Identifer | oai:union.ndltd.org:UCHILE/oai:repositorio.uchile.cl:2250/133524 |
| Date | January 2015 |
| Creators | Díaz Millán, Alex Javier |
| Contributors | Orchard Concha, Marcos, Facultad de Ciencias Físicas y Matemáticas, Departamento de Ingeniería Eléctrica, Agusto Alegría, Héctor, Alee Gil, Jaime |
| Publisher | Universidad de Chile |
| Source Sets | Universidad de Chile |
| Language | Spanish |
| Detected Language | Spanish |
| Type | Tesis |
| Rights | Atribución-NoComercial-SinDerivadas 3.0 Chile, http://creativecommons.org/licenses/by-nc-nd/3.0/cl/ |
Page generated in 0.0024 seconds