Abstract
Contexto: El modelado de baterías es una actividad que puede ser compleja si se utilizan técnicas basadas en el comportamiento químico, para facilitar esto se han utilizado estrategias de modelo inverso que se basan en curvas experimentales y ajustes de modelos circuitales. Para la parametrización se utilizan diferentes técnicas que radican en su complejidad, exactitud y tiempo de convergencia.
Método: En este trabajo se utiliza un algoritmo de optimización por enjambre de partículas para la parametrización de un modelo de polarización dual para una celda de ion litio de tipo 18650. La metodología propuesta divide el problema en diferentes casos de optimización y propone una estrategia de búsqueda localizada basada en la experiencia del caso anterior.
Resultados: El algoritmo PSO permite ajustar los parámetros del modelo para cada uno de los casos analizados. La división del problema por casos permite mejorar la precisión global del problema y a su vez disminuir los tiempos de convergencia del algoritmo. A partir de los posibles casos se puede encontrar la dinámica de cada uno de los parámetros en función del estado de carga.
Conclusiones: La metodología propuesta permite reducir los tiempos de parametrización del modelo de polarización dual. Debido a la aproximación generada por las experiencias anteriores, es posible disminuir el número de la población del enjambre y disminuir aún más el tiempo de convergencia del proceso. Adicionalmente, la metodología puede ser utilizada con diferentes algoritmos de optimización.
Publisher
Universidad Distrital Francisco Jose de Caldas
Subject
General Engineering,Energy Engineering and Power Technology
Reference28 articles.
1. C. Sun, C. Zhang, and S. Zhou, “Simulation of composite energy storage optimization configuration of micro-grid based on PSO”, IOP Conf. Ser. Mater. Sci. Eng., vol. 677, no. 4, 2019. https://doi.org/10.1088/1757-899X/677/4/042103
2. F. J. Gómez, L. J. Yebra, A. Giménez, and J. L. Torres-Moreno, “Modelado de baterías para aplicación en vehículos urbanos eléctricos ligeros”, Rev. Iberoam. Automática e Informática Ind., vol. 16, no. 4, pp. 459-466, 2019. https://doi.org/10.4995/riai.2019.10609
3. L. Zhang, C. Lyu, L. Wang, W. Luo, and K. Ma, “Thermal-electrochemical modeling and parameter sensitivity analysis of lithium-ion battery”, vol. 33, pp. 943-948, 2013. https://doi.org/10.3303/CET1333158
4. S. Sepasi, R. Ghorbani, and B. Y. Liaw, “A novel on-board state-of-charge estimation method for aged Li-ion batteries based on model adaptive extended Kalman filter”, J. Power Sources, vol. 245, pp. 337-344, 2014. https://doi.org/10.1016/j.jpowsour.2013.06.108
5. D. Andre, A. Nuhic, T. Soczka-Guth, and D. U. Sauer, “Comparative study of a structured neural network and an extended Kalman filter for state of health determination of lithium-ion batteries in hybrid electricvehicles”, Eng. Appl. Artif. Intell., vol. 26, no. 3, pp. 951-961, 2013. https://doi.org/10.1016/j.engappai.2012.09.013