Thesis:

Estimación del estado de carga en baterías Li-ion usando una aproximación lineal por partes y el Filtro Suma de Gaussianas

Los métodos basados en modelos para la estimación del estado de carga (SOC) en baterías de ion-litio son ampliamente utilizados debido a su alta precisión, siempre que se disponga de un modelo adecuado del sistema. En este trabajo de tesis, se desarrolla un novedoso algoritmo de filtrado basado en modelos para estimar el estado de carga de baterías de ion-litio. Para establecer un modelo representativo del sistema de interés, se consideran modelos de circuito equivalente con una y dos mallas RC, con y sin estimación de la resistencia óhmica, así como una aproximación lineal por partes de la relación no lineal entre el voltaje de circuito abierto (OCV) y el estado de carga. Asimismo, se lleva a cabo una identificación de los parámetros del sistema mediante métodos de optimización, tales como mínimos cuadrados, ajuste de curvas y análisis del comportamiento dinámico de la batería ante estímulos apropiados. Posteriormente, se desarrolla el Filtro Suma de Gaussianas (GSF), contemplando el modelo en variables de estado propuesto para el sistema de batería. Este algoritmo se implementa en un estudio de simulación que considera una descarga constante. Para validar los resultados, se emplean datos reales de baterías sometidas a diversas pruebas con perfiles dinámicos. El desempeño del algoritmo de filtrado propuesto se compara con dos filtros basados en modelos ampliamente utilizados: el Filtro de Kalman Extendido (EKF) y el Filtro de Partículas (PF).

Model-based methods for estimating the state of charge (SOC) in lithium-ion batteries are widely used due to their high accuracy, provided that a suitable system model is available. In this thesis, a novel model-based filtering algorithm is developed to estimate the SOC of lithium-ion batteries. To establish a representative model of the system, equivalent circuit models with one and two RC branches are considered, with and without estimation of ohmic resistance. A piecewise linear approximation is also applied to represent the nonlinear relationship between the open-circuit voltage (OCV) and the state of charge. Furthermore, system parameter identification is carried out using optimization methods such as least squares, curve fitting, and analysis of the battery's dynamic response to appropriate stimuli. Subsequently, the Gaussian Sum Filter (GSF) is developed based on the proposed state-space model of the battery system. This algorithm is implemented in a simulation study considering a constant discharge scenario. To validate the results, real battery data under various dynamic test profiles are used. The performance of the proposed filtering algorithm is compared with two widely used model-based filters: the Extended Kalman Filter (EKF) and the Particle Filter (PF).