S.E.P. S.E.I.T. D.G.I.T. CENTRO NACIONAL DE INVESTIGACIÓN Y DESARROLLO TECNOLÓGICO. cenidet

Transcripción

1 S.E.P. S.E.I.T. D.G.I.T. CENTRO NACIONAL DE INVESTIGACIÓN Y DESARROLLO TECNOLÓGICO cenidet DETERMINACIÓN DEL ESTADO DE CARGA DE BATERÍAS PLOMO-ÁCIDO UTILIZANDO REDES NEURONALES T E S I S PARA OBTENER EL GRADO DE: MAESTRO EN CIENCIAS EN INGENIERÍA ELECTRÓNICA PRESENTA: MIGUEL ÁNGEL CRISTÍN VALDEZ DIRECTOR DE TESIS DR. CESAR A. ORTEGA SÁNCHEZ CO-DIRECTOR DE TESIS DR. ENRIQUE QUINTERO-MÁRMOL MÁRQUEZ CUERNAVACA, MOR. NOVIEMBRE 2004

2 RESUMEN La conversión de energía solar en electricidad a través de módulos o paneles fotovoltaicos es una alternativa atractiva para electrificar localidades remotas o respaldar sistemas de alta disponibilidad. Para mantener el suministro eléctrico durante las noches o en días de poca insolación, la energía que no se utiliza durante el día se almacena en bancos de baterías recargables. Por su gran capacidad para almacenar carga, las baterías plomo-ácido (BPA) son las que comúnmente se emplean para almacenar estos excedentes energéticos. Para que las BPA funcionen de manera óptima es preciso mantener su nivel de carga dentro de un rango de trabajo. Es decir, no se pueden sobrecargar ni descargar fuera del rango establecido sin correr el riesgo de dañarlas permanentemente. Para garantizar que las BPA se encuentren trabajando en la región segura, se utilizan circuitos electrónicos denominados controladores de carga. Un factor crítico para realizar un adecuado control de carga de las baterías es determinar el estado de carga de las mismas. En esta tesis se presenta el diseño, la simulación, la implementación y las pruebas realizadas a una red neuronal que calcula el estado de carga de baterías plomo-ácido. La red fue implementada en un controlador de carga basado en microcontrolador y tiene como entradas: el voltaje de la batería, la temperatura y el estado de carga anterior. En el capítulo 1 se presenta la problemática del control de carga de baterías en sistemas fotovoltaicos así como los antecedentes directos de este trabajo de tesis y la hipótesis que se desea probar. En el capítulo 2 se describen brevemente algunos métodos para la determinación del estado de carga de baterías así como algunos trabajos previos desarrollados en otras partes del mundo relacionados con el cálculo de estado de carga utilizando redes neuronales En el capítulo 3 se presenta una breve introducción a la tecnología de las redes neuronales y se describen algunos ejemplos clásicos de este tipo de redes. En el capítulo 4 se presentan las dos topologías de red neuronal que se desarrollaron en este trabajo. Igualmente se presentan los entrenamientos y pruebas que se realizaron a cada topología con el fin de seleccionar la mejor para su implementación en un controlador de carga basado en microcontrolador. En el capítulo 5 se presentan las consideraciones que se tomaron en cuenta para la implementación en un microcontrolador de la red seleccionada. Igualmente se presenta un conjunto de pruebas que se realizaron para demostrar que calcular el estado de carga utilizando una red neuronal mejora el desempeño de un controlador de carga de baterías que utilizaba originalmente la técnica de conteo de amperes para el cálculo de estado de carga. En el apartado de conclusiones se presentan las ventajas, limitaciones y aportaciones de la red neuronal desarrollada en este trabajo.

3 SUMMARY Conversion of solar power into electricity using photovoltaic panels is an attractive alternative to electrify remote communities or to backup high-availability systems. The energy that is not used during the day is stored in banks of rechargeable batteries to supply electricity during the nights. For her great aptitude to store charge, lead-acid batteries (LAB) are commonly used to store these energetic surpluses. To keep LABs operating at optimum conditions, it is necessary to maintain their level of charge within a working-range. That is to say, they can neither be overcharged nor overdischarged, without running the risk of damaging them permanently. Electronic chargecontrollers are used to guarantee that the LABs are used within the safe region. A critical factor to perform a correct charge-control is to accurately determine the state of charge of the LABs. This thesis presents the design, simulation, implementation and tests of a neuronal network that estimates the state of charge of lead-acid batteries. The neural network was implemented in a charge controller based on microcontroller. It receives as inputs the LAB s voltage, the temperature and the previous state-of-charge. Chapter 1 presents the problems associated to the charge-control of batteries in photovoltaic systems as well as the direct precedents of this work and the hypothesis to be proved. In chapter 2 some methods to determine the state of charge of batteries are described as well as some previous works developed in other parts of the world related to the estimation of state-of- charge using neural networks. Chapter 3 presents a brief introduction to neural network technology and some examples are described. Chapter 4 presents the two neural network topologies that were developed in this thesis. Also, the training and tests that were applied to each topology in order to select the best for its implementation in a microcontroller-based charge-controller are presented. Chapter 5 presents the considerations that were born in mind for the implementation in a microcontroller of the selected neural network. Equally it presents a set of tests that were carried out to demonstrate that estimating the state-of-charge using a neural network improves the performance of a charge-controller that originally used Ampere-counting to estimate state-of-charge. The conclusions present the advantages, limitations and contributions of the neural network developed in this work.

4 CONTENIDO Lista de Tablas y Figuras...iii Lista de Abreviaturas...v 1 Introducción Interacción entre módulos fotovoltaicos y baterías Baterías de plomo-ácido Control de Carga de Baterías en Sistemas Fotovoltaicos Antecedentes Hipótesis Determinación del Estado de Carga de Baterías Determinación del Estado de Carga de Baterías Utilizando Redes Neuronales Introducción a las Redes Neuronales Modelo de Red Perceptrón Reglas de Aprendizaje del Perceptrón El Perceptrón Multinivel Redes ADALINE y MADALINE Redes ADALINE (ADAptive Linear Element) Redes MADALINE (Multiple ADALINE) Red de Retropropagación La Regla Delta Generalizada Funcionamiento del algoritmo Adición de un momento en la regla delta generalizada Estructura y aprendizaje de la red de retropropagación Pasos para aplicar el algoritmo de entrenamiento Importancia de la retropropagación Dimensionamiento de la red Adaptive Neuro-Fuzzy Inference Systems (ANFIS) Arquitectura ANFIS Diseño de la Red Neuronal para Determinar el Estado de Carga de Baterías Plomo Ácido Generación de los datos para el entrenamiento de la red Generación de datos secuenciales Generación de datos a diferentes regímenes de carga/descarga i

5 4.2 Topologías propuestas Determinación de la mejor topología Entrenamientos de las diferentes topologías Selección de la Topología Simulación de la topología seleccionada Implementación y Pruebas Implementación de la red en el controlador de carga Configuración física para las pruebas Pruebas de validación Prueba Prueba Prueba Prueba Prueba Prueba Resumen de Resultados Conclusiones Ventajas de la red Neuronal Limitaciones de la Red Neuronal Implementada Aportaciones Trabajos Futuros Referencias...89 ANEXO A...91 ii

6 LISTA DE TABLAS Y FIGURAS Figura Distribución de la energía a la carga en un sistema fotovoltaico... 2 Figura Algoritmo de carga recomendado por Hawker Energy Products... 3 Figura Controlador de carga desarrollado en el IIE... 5 Figura Esquema de la estación remota... 6 Tabla Métodos de determinación del estado de carga de baterías y sus aplicaciones Figura Estructura de la red neuronal utilizada en [16] Figura Estructura de la red neuronal utilizada en [17] Figura Representación del modelo del perceptrón Figura Representación del modelo del perceptrón multinivel Figura Representación de las regiones de decisión que permite el modelo del perceptrón multinivel Figura El ADALINE completo Figura Representación de una superficie de error; w representa los valores posibles de la matriz de pesos de la red Figura Modelo difuso tipo Sugeno de primer orden con dos entradas y dos reglas Figura Arquitectura ANFIS equivalente al modelo difuso tipo Sugeno de primer orden con dos entradas y dos reglas Figura Función de pertenencia tipo trapecio Figura Arquitectura ANFIS para el modelo difuso tipo Sugeno, donde la normalización de los pesos se implementa en la última capa Figura Arreglo para la generación de datos secuenciales Figura Datos secuenciales utilizados para el entrenamiento de la red Figura Datos recolectados en la torre de auxilio vial utilizados para la validación de la red neuronal en la etapa de simulación Figura Datos recolectados en el ciclo de descarga /carga a corriente constante de 1 Amper Figura Datos recolectados en el ciclo de descarga/carga a corriente constante de 3 Amperes Figura4.6.- Datos recolectados en el ciclo de descarga a corriente constante de 5 Amperes Figura Datos recolectados en el ciclo de descarga a corriente constante de 7 Amperes, carga a corriente constante de 5 amperes y descarga a corriente constante de 9 Amperes Figura Datos no secuenciales para el entrenamiento de la red conformados con los datos recolectados durante los ciclos de carga/descarga a diferentes regímenes Figura Topologías propuestas con dos funciones de pertenencia trapezoidales a la entrada Figura Comportamiento del error cuadrático medio conforme se incrementa el número de épocas Figura Comparación entre la salida esperada y la calculada por la red neuronal al evaluar los datos de entrenamiento con una red entrenada 50 épocas Figura Comparación entre la salida esperada y la calculada por la red neuronal al evaluar los datos de validación con una red entrenada 50 épocas Figura Funciones de pertenencia y parámetros de la red entrenada 50 épocas Figura Comportamiento del error cuadrático medio conforme se incrementa el número de épocas Figura Comparación entre la salida esperada y la calculada por la red neuronal al evaluar los datos de entrenamiento con una red entrenada 160 épocas Figura Comportamiento del error cuadrático medio de la red que calcula el estado de carga cuando la batería se esta cargando Figura Comparación entre la salida esperada y la calculada por la red neuronal (de carga) al evaluar los datos de validación con una red entrenada 200 épocas iii

7 Figura Comportamiento del error cuadrático medio de la red que calcula el estado de carga cuando la batería se esta descargando Figura Comparación entre la salida esperada y la calculada por la red neuronal (de descarga) al evaluar los datos de validación con una red entrenada 500 épocas Figura Funciones de pertenencia y parámetros de la red de carga entrenada 200 épocas Figura Funciones de pertenencia y parámetros de la red de descarga entrenada 500 épocas Figura Comparación entre el valor del estado de carga registrado por el controlador y el calculado por la red neuronal simulada al evaluar los datos de campo del mes de diciembre de 2003 completos Figura Comparación entre el valor del estado de carga registrado por el controlador y el calculado por la red neuronal simulada al evaluar un rango de los datos de campo del mes de diciembre de Figura Comparación entre el valor del estado de carga registrado por el controlador y el calculado por la red neuronal simulada al evaluar los datos de campo del mes de enero de 2004 completos Figura Comparación entre el valor del estado de carga registrado por el controlador y el calculado por la red neuronal simulada al evaluar un rango de los datos de campo del mes de enero de Figura Controlador de carga desarrollado en el IIE Figura Funciones de pertenencia y parámetros de la red programada en el controlador de carga Tabla Simulación de la ejecución de la red neuronal cada segundo Figura Algoritmo de la red neuro-difusa implementada en el controlador de carga Figura Arreglo del equipo utilizado para realizar las pruebas de validación de la red neuronal Figura Demanda constante de 4 amperes Figura Demanda constante de 6 amperes Figura Demanda de corriente variable y aleatoria Figura Descargas intermitentes Figura Descargas con corrientes pequeñas Figura Descargas con corrientes altas Tabla Resumen de resultados de las pruebas iv

8 LISTA DE ABREVIATURAS BPA GCI IIE RNA ADALINE MADALINE MRII CAL ANFIS TSK EC EC ant Temp Vbat Ibat EC CA EC RNA CA BATERÍA PLOMO ÁCIDO GERENCIA DE CONTROL E INSTRUMENTACIÓN INSTITUTO DE INVESTIGACIONES ELÉCTRICAS REDES NEURONALES ARTIFICIALES ADAPTATIVE LINEAR ELEMENT MULTIPLE ADALINE REGLA II DE MADALINE COMBINADOR ADAPTABLE LINEAL ADAPTATIVE NEURO-FUZZY INFERENCE SYSTEM TAKAGI-SUGENO-KANG ESTADO DE CARGA ESTADO DE CARGA TEMPERATURA VOLTAJE DE BATERÍA CORRIENTE DE BATERÍA ESTADO DE CARGA POR CONTEO DE AMPERES ESTADO DE CARGA POR RED NEURONAL CONTEO DE AMPERES v

9 1 Introducción La conversión de energía solar en electricidad a través de módulos o paneles fotovoltaicos es una alternativa atractiva para electrificar localidades remotas o sistemas de alta disponibilidad tales como centrales telefónicas o sistemas de vigilancia y seguridad. Para mantener el suministro eléctrico durante las noches o en días de poca insolación, la energía que no se utiliza durante el día se almacena en bancos de baterías recargables. Por su gran capacidad para almacenar carga, las baterías plomo-ácido (BPA) son las que comúnmente se emplean para almacenar estos excedentes energéticos. Otra importante función de las baterías es la de proveer corriente adicional a la que el dispositivo fotovoltaico puede entregar. Tal es el caso de un motor, que en el momento del arranque puede demandar una corriente de 4 a 6 veces su corriente nominal durante unos pocos segundos. 1.1 Interacción entre módulos fotovoltaicos y baterías En un sistema fotovoltaico, normalmente el banco de baterías y los módulos fotovoltaicos trabajan conjuntamente para alimentar las cargas. La figura 1.1 muestra cómo se distribuye la entrega de energía a la carga a lo largo del día. Durante la noche toda la energía demandada por la carga la provee el banco de baterías. En horas tempranas de la mañana los módulos comienzan a generar, pero si la corriente que entregan es menor que la exigida por la carga, la batería deberá contribuir en el aporte. A partir de una determinada hora de la mañana la energía generada por los módulos fotovoltaicos supera la energía promedio demandada. Los módulos no solo atenderán la 1

10 demanda sino que además, todo exceso se almacenará en la batería que empezará a cargarse y a recuperarse de su descarga de la noche anterior. Finalmente durante la tarde, la corriente generada decrece y cualquier diferencia con la demanda la entrega a la batería. En la noche, la generación es nula y todo el consumo lo afronta la batería. Energía Figura Distribución de la energía a la carga en un sistema fotovoltaico. 1.2 Baterías de plomo-ácido Las baterías de plomo-ácido se aplican ampliamente en los sistemas de generación fotovoltaicos. Dentro de la categoría plomo-ácido, las de plomo-antimonio, plomo-selenio y plomo-calcio son las más comunes. La unidad de construcción básica de una batería es la celda de 2 volts. Dentro de la celda, la tensión real de la batería depende de su estado de carga, de si está cargando, descargando o en circuito abierto. Se puede hacer una clasificación de las baterías con base en su capacidad de almacenamiento de energía (medido en Amperes-Hora a la tensión nominal) y a su ciclo de vida (número de veces en que la batería puede ser descargada y cargada a fondo antes de que se agote su vida útil). La capacidad de acumulación de energía de una batería depende de la velocidad de descarga. La capacidad nominal que la caracteriza corresponde a un tiempo de descarga de 10 horas. Cuanto mayor es el tiempo de descarga, mayor es la cantidad de energía que la batería entrega. Un tiempo de descarga típico en sistemas fotovoltaicos es 100 hs. Dentro de las baterías de plomo-ácido, las denominadas estacionarias de bajo contenido de antimonio son una buena opción en sistemas fotovoltaicos. Ellas poseen unos 2500 ciclos de vida cuando la profundidad de descarga es de un 20 % (es decir que la batería estará con un 80 % de su carga) y unos 1200 ciclos cuando la profundidad de descarga es del 50 % (batería con 50 % de su carga). 2

11 1.3 Control de Carga de Baterías en Sistemas Fotovoltaicos Las BPA son dispositivos que por medio de reacciones electroquímicas reversibles pueden proveer o almacenar carga eléctrica. Sin embargo, para que las BPA funcionen de manera óptima es preciso mantener su nivel de carga dentro de un rango de trabajo. Es decir, no se pueden sobrecargar ni descargar fuera del rango establecido sin correr el riesgo de dañarlas permanentemente ya que son dispositivos sumamente delicados cuya vida útil depende fuertemente de factores tales como: temperatura de operación, régimen de descarga, régimen de carga y conexión con otros elementos. El proceso de carga de baterías plomo-ácido, así como de cualquier otro tipo de baterías, consiste en reponer la energía consumida durante la descarga. Pero como ningún proceso físico es 100% eficiente, para cargar al 100% una batería es necesario suministrarle mas del 100% de la energía demandada durante su descarga. Para garantizar que las BPA se encuentren trabajando en la región segura, se utilizan circuitos electrónicos denominados controladores de carga. Su función principal es la de desconectar la fuente de energía cuando las baterías han alcanzado su nivel máximo de carga, y desconectar los elementos alimentados cuando la batería ha alcanzado un nivel de carga demasiado bajo. La figura 1.2 muestra la manera en que debe ser cargada una BPA, según recomendaciones de un fabricante [1] Voltaje de carga por celda a 25 C V 2 V 1 Carga flotante A B C D E 0 T 1 T 2 T 3 T 4 Tiempo de carga en horas Figura Algoritmo de carga recomendado por Hawker Energy Products La figura 1.2 muestra las 5 regiones en las que se divide un ciclo de carga típico: REGIÓN A- Modo de corriente constante: Se aplica una corriente constante cuya magnitud dependerá de la velocidad de carga que se desee. A mayor corriente, menor tiempo de cargado, pero el tiempo de descargado será igualmente corto. Esta corriente se aplica hasta que el voltaje por celda alcanza un valor entre 2.45 y 2.5 volts. T1 se anota como referencia para el disparo de los eventos subsecuentes en el algoritmo de cargado. 3

12 REGIÓN B- Modo de voltaje constante: Esta región comienza en T1. Se aplica un voltaje constante a la batería durante un tiempo igual a 1.5 veces T1. Desde el inicio de la carga hasta el final de la región B (T2) debe transcurrir un tiempo igual a 2.5 T1. REGIÓN C- Modo de corriente constante: Se aplica una corriente constante limitada a 0.05 veces la corriente nominal de la batería en Amperes / hora. Se permanece en este estado durante 0.5 T1 ó una hora, el tiempo que sea más corto. Si el voltaje de la batería llegara a 2.6 Vpc, se debe pasar a un régimen de voltaje constante hasta llegar a T3 (T3 - T2 = 0.5 T1 1 hora). REGIÓN D- Período de descanso: Se debe dar al menos una hora de descanso a la batería antes de pasar a la región E. Este período de descanso permite que las reacciones químicas se homogenicen dentro de la batería, evitando puntos de mayor desgaste. Al final de este período el electrolito debe tener una concentración de ácido homogénea. REGIÓN E- Modo de carga flotante: Para compensar los efectos de auto-descarga que presentan las BPA se aplica un voltaje constante de 2.27 Vpc a 25 C. El voltaje de flotación también sirve para compensar los efectos negativos de las descargas profundas. Cuando la fuente de energía para las baterías es un conjunto de módulos fotovoltaicos, el algoritmo de carga mostrado en la figura 1.2 solamente se puede lleva a cabo en condiciones ideales ya que en una aplicación real el suministro de energía depende de las condiciones de insolación, además de que puede haber demanda de energía durante el ciclo de cargado. Esta situación debe ser tomada en cuenta en el diseño del cargador de baterías que se vaya a utilizar. En aplicaciones fotovoltaicas, el uso de controladores de carga capaces de realizar compensación por temperatura y que se puedan adecuar a las condiciones de operación de cada aplicación particular, redunda en una vida útil más larga de las baterías. En general, el control de carga de baterías plomo-ácido es un tema que se reconoce difícil y que se ha investigado por muchos años [2], [3], [4], [5], [6]. Este problema se vuelve particularmente complicado cuando la única fuente de energía disponible es un panel fotovoltaico [7]; en estos casos el suministro de energía no es constante ni predecible ya que depende de las horas de buena insolación durante el día. Se ha reportado que la vida útil de baterías utilizadas en sistemas fotovoltaicos es mucho más corta de lo que es en otras aplicaciones. El diagnóstico de estos sistemas demuestra que en la mayoría de los casos el control de carga no está actuando correctamente y que las baterías están siendo expuestas a descargas demasiado profundas o a sobrecargas demasiado frecuentes. Un factor crítico para realizar un adecuado control de carga de las baterías, es determinar el estado de carga de las mismas. Es decir, para tener un control de carga eficiente, es necesario contar con un medio que permita determinar con precisión la capacidad remanente de la batería para entregar carga, esto es, si se conoce el estado actual de la batería se puede saber que cantidad de energía requiere para alcanzar su nivel máximo o 4

13 que carga máxima puede soportar antes de descargarse por completo. Este es un tema complicado que se investiga en diferentes centros alrededor del mundo [8], [9], [10], [11], [12]. 1.4 Antecedentes En la Gerencia de Control e Instrumentación (GCI) del Instituto de Investigaciones Eléctricas (IIE) se desarrolló un sistema para monitoreo remoto y control de carga de baterías en aplicaciones fotovoltaicas [13], [14], [15] que está basado en un microcontrolador que otorga la facilidad de implementar en software diferentes técnicas para estimar el estado de carga que se basen en mediciones eléctricas, ambientales y de operación. En su versión actual, el estado de carga de las baterías se determina utilizando la técnica de conteo de amperes, la cual se describe en el siguiente capítulo. En la figura 1.3 se muestra el controlador de carga diseñado. Figura Controlador de carga desarrollado en el IIE El controlador se comunica con una estación central por medio de un enlace serial. La estación central es una computadora personal que ejecuta un programa para administración de baterías. El programa se desarrolló en lenguaje Visual Basic y en su versión actual se desarrolla en LabView y ofrece las funciones de captura, análisis y despliegue gráfico de datos. Las funciones principales de la estación central son: Comunicación con los controladores de carga o estaciones remotas Concentración de la información proveniente de los controladores Análisis de la información colectada. Despliegue de la información colectada. 5

14 El elemento más importante en el sistema es el controlador de carga o estación remota (ver figura 1.4). Cada una de las estaciones remotas realiza las siguientes funciones: Monitoreo de la corriente entregada por el módulo fotovoltaico. Monitoreo de la corriente recibida y entregada por la batería. Monitoreo de la corriente entregada a la carga Monitoreo del voltaje de la batería y del panel. Monitoreo de temperatura ambiente. Determinación del estado de carga de cada batería. Control de carga de las baterías. Panel Fotovoltaico Medición y Control de I, V Carga Medición y Control de I, V Microcontrolador Memoria no Volátil Batería Interfase Serial Figura Esquema de la estación remota. Como se detalla más adelante, como resultado de ésta tesis se desarrolló un método para el cálculo del estado de carga de las baterías selladas utilizando redes neuronales y se implementó dicha red en un controlador de carga desarrollado. Con lo anterior se mejoró el desempeño de dicho controlador de carga. 1.5 Hipótesis En esta tesis se probará la siguiente hipótesis: Es posible mejorar el desempeño de un controlador de carga de baterías plomo-ácido si se utiliza una red neuronal artificial para determinar el estado de carga de las baterías 6

15 2 Determinación del Estado de Carga de Baterías Para realizar el control de carga de baterías de manera eficiente, es necesario contar con un medio que permita determinar con precisión el estado de carga de las baterías. Este es un tema complicado que se investiga en diferentes centros alrededor del mundo [8], [9], [10]. A continuación se describen brevemente las principales técnicas para determinar el estado de carga de baterías plomo-ácido [12]. Prueba de descarga Es la prueba más confiable para determinar el estado de carga de una batería. La prueba consiste en cargar y descargar la batería bajo condiciones controladas. Sin embargo, este tipo de pruebas normalmente requieren demasiado tiempo para efectuarse, lo cual hace a esta técnica imposible de aplicar fuera del laboratorio. Además, mientras se efectúa la prueba se interrumpe la operación de los componentes alimentados por la batería. Conteo de amperes-hora La experiencia ha demostrado que la manera más práctica de estimar el estado de carga de baterías plomo-ácido selladas es realizando un balance energético, es decir, contando el número de Amperes-hora (Ah) que se suministran a la batería y compararlos contra el número de Ah que la batería ha suministrado. En este balance se deben tomar en cuenta las pérdidas por disipación de potencia y en las reacciones químicas que tienen lugar en el interior de la batería. Esta técnica se puede afinar si además de las corrientes se miden también el voltaje de la batería y la temperatura. 7

16 Medición de las propiedades físicas del electrolito En las baterías plomo-ácido el electrolito es un ácido diluido en agua, a través del cual se llevan a cabo las reacciones químicas durante la carga y la descarga. Existe una relación lineal entre la concentración de ácido en el electrolito y el estado de carga de una BPA, por lo tanto midiendo la densidad del electrolito se puede determinar el estado de carga. Sin embargo, este método únicamente se puede aplicar en BPA estacionarias con electrolito líquido. A la fecha no existe un método para determinar la densidad del electrolito en BPA selladas. Voltaje de circuito abierto Al igual que la densidad del electrolito, el voltaje de circuito abierto de una BPA varía linealmente con el estado de carga. Este método es particularmente útil en aplicaciones que implican largos períodos de descanso para la batería. En aplicaciones más dinámicas, el voltaje de circuito abierto se usa para complementar alguna otra técnica que determine el estado de carga. Interpretación heurística de mediciones Las siguientes técnicas infieren el estado de carga de una batería a partir de la interpretación de sus curvas de carga y descarga. Estas técnicas parten del supuesto de que analizando las partes de las curvas que se consideran significativas, se puede estimar el estado de carga de una batería. Coup de fouet. La expresión francesa coup de fouet significa literalmente latigazo. En el contexto de las baterías plomo-ácido se refiere a la pequeña caída de voltaje que ocurre al inicio de la primera descarga después de una carga completa. Se ha encontrado que en particular dos parámetros del coup de fouet presentan una relación lineal con el estado de carga: el voltaje mínimo que se alcanza durante el coup de fouet y el voltaje estable que se alcanza al final del mismo. Este método se puede aplicar cuando se alcanza con frecuencia la carga completa de la batería. Modelo lineal. Con este método se trata de encontrar una ecuación lineal que represente la relación entre el estado de carga de una batería, las mediciones eléctricas que se realizan sobre la misma y el estado de carga anterior. Por análisis estadísticos se calculan los coeficientes de la ecuación lineal propuesta. Redes neuronales artificiales. La función principal de una red neuronal es establecer una relación entre datos de entrada / salida de cualquier clase. Por lo tanto, se puede estimar el 8

17 estado de carga de una batería en la salida de una red neuronal artificial que reciba como entradas las mediciones eléctricas de la batería, la temperatura y el estado de carga anterior. Para entrenar a una red neuronal se requieren de datos de entrada / salida del fenómeno a modelar. La calidad de los resultados entregados por la red está en relación directa con la calidad de los datos de entrenamiento Resumiendo los diferentes métodos de determinación del estado de carga de baterías y sus aplicaciones obtenemos la tabla 2.1[12]. Tabla Métodos de determinación del estado de carga de baterías y sus aplicaciones. TÉCNICA CAMPO DE APLICACIÓN VENTAJAS DESVENTAJAS Prueba De Descarga Balance De Amperes-Hora Propiedades Físicas Del Electrolito Voltaje De Circuito Abierto Modelo Lineal Red Neuronal Artificial Todos los sistemas de baterías (usado para la determinación de Fácil y exacto, independiente Fuera de línea, mucho tiempo, modifica el estado la capacidad al principio de del estado de salud de la batería, pérdida de energía. vida) Todos los sistemas de baterías (mayoría de las aplicaciones) Plomo, posiblemente Zn/Br Plomo, litio, Zn/Br En línea, fácil, exacto si Necesita un modelo para las pérdidas. Sensible a las existen suficientes puntos de reacciones parásitas. Costo elevado para una recalibración y si existe una medición de corriente exacta. Necesidad de puntos buena medición de la de recalibración regulares corriente En línea, proporciona información del estado de salud En línea, económico Plomo en aplicaciones fotovoltaicas, no se ha intentado En línea, fácil con otro sistemas de baterías Todos los sistemas de baterías En línea Errores si el ácido esta estratificado. Baja dinámica. Problemas de estabilidad en los sensores del electrolito. Sensible a la temperatura y a las impurezas, no aplicable a baterías selladas Baja dinámica y errores si el ácido esta estratificado, y necesita largos periodos de descanso para los sistemas de ácido. Problemas de reacciones parásitas. Necesidad de datos de referencia para parámetros de ajuste. Necesidad de datos de entrenamiento de baterías similares. 2.1 Determinación del Estado de Carga de Baterías Utilizando Redes Neuronales Como las baterías son dispositivos no lineales, la propiedad de no linealidad de las redes neuronales es algo muy ventajoso, así como su aprendizaje adaptable ya que las condiciones en las que se encuentran las baterías no son siempre predecibles. Es decir, una de las principales ventajas de las redes neuronales es su habilidad de aprender de su medio ambiente y que mediante un proceso de entrenamiento pueden descubrir la correlación que existe entre variables de entrada y salida sin recurrir a los métodos tradicionales. Esta capacidad les permite proporcionar el valor de salida que corresponde a un conjunto de entradas que no se utilizaron durante el entrenamiento de la red. Otra característica importante de las redes neuronales es su fácil inserción dentro de casi cualquier tecnología. 9

18 Se han reportado trabajos relacionados con el cálculo del estado de carga de baterías utilizando redes neuronales, uno de los cuales presenta un método para la estimación de la capacidad remanente de baterías selladas de tipo plomo-ácido, con un error máximo del 10% y error promedio de 3% [16]. Para este esquema se consideraron la importancia de la temperatura y de la impedancia lo que significa que se pueden prevenir tanto la sobre descarga como la falla térmica. La estructura de la red reportada en el artículo mencionado consiste en una red de tres capas (ver figura 2.1), en la cual se tienen 4 nodos de entrada y 10 de salida para indicar el estado de carga entre el 0 y 100% en pasos de 10%. Para esta aplicación se usaron 50 unidades ocultas para alcanzar la exactitud necesaria y una velocidad de cómputo aceptable. Este estudio fue realizado como una simulación en computadora, pero la posibilidad de su implementación crea el escenario donde los diferentes patrones para diferentes tipos de batería se guarden en una memoria, y el usuario pueda simplemente seleccionar el tipo adecuado de batería y la red estará lista para realizar los cálculos adecuadamente % % Temperatura Voltaje Corriente Impedancia % % % % % % % 10 0 % Figura Estructura de la red neuronal utilizada en [16] La exactitud de este esquema todavía no compite con los otros métodos de estimación y encontrar la forma de lograrlo es objeto de estudio actualmente. Otro trabajo reportado sobre este tema consiste en un modelo para el cálculo de la capacidad disponible de baterías de vehículos eléctricos a través de redes neuronales artificiales [17]. En esta configuración, la red neuronal tiene tres capas: la capa de entrada, la oculta y la de salida (ver figura 2.2). La capa de entrada tiene un nodo para la corriente de descarga Id, la capa oculta tiene cuatro nodos y la capa de salida tiene un nodo para la capacidad disponible Ca. 10

19 V 11 Id W 11 W 12 V 21 Ca V 31 W 14 W 13 V 41 Figura Estructura de la red neuronal utilizada en [17] Para este esquema no se consideró la influencia de la temperatura ni la historia de la batería y si no existe una corriente de descarga no se puede conocer el estado de carga de la batería. El objetivo principal es comparar los resultados obtenidos con la red neuronal y los obtenidos por medio de la ecuación de Peukert: C a K = ( n 1) Id donde las constantes n y K dependen de la temperatura, la concentración del electrolito y la estructura de las baterías. Al realizar las comparaciones antes mencionadas, la red neuronal arrojó una exactitud mayor que la del otro método. El método utilizado para el entrenamiento de la red fue el de retropropagación y se utilizó la herramienta de redes neuronales de Matlab. Una diferencia importante entre los dos trabajos mencionados anteriormente son los parámetros de entrada en una red y en la otra. Uno de los factores que influye en la determinación de los parámetros de entrada a la red es precisamente en donde va a ser implementada dicha red, es decir, si se requiere que la red se implemente en un controlador de carga en línea es probable que no se cuente con los mismos parámetros que una red que se utilizará solo en computadora y en la que se puede contar con muchos mas datos que con los que se podría contar en una medición en línea. Los trabajos mencionados anteriormente no reportan una implementación práctica de las redes en algún controlador y todas las pruebas realizadas fueron en computadora. Debido a lo anterior, en este trabajo se planteó la hipótesis de que si se utiliza una red neuronal artificial para determinar el estado de carga de las baterías se puede mejorar el desempeño de un controlador de carga de baterías plomo-ácido basado en microcontrolador y que actualmente calcula el estado de carga utilizando el algoritmo de conteo de Amperes. Esto es, mientras más confiable sea el cálculo del estado de carga de la batería, mejor será el desempeño del controlador. 11

20 3 Introducción a las Redes Neuronales Inspiradas en el sistema nervioso biológico, la tecnología de las Redes Neuronales Artificiales (RNA) está siendo utilizada para solucionar una gran variedad de problemas científicos, económico/comerciales y de ingeniería. Las redes neuronales pueden aprender, y luego ser entrenadas para encontrar soluciones, reconocer patrones, clasificar datos y hacer previsión de eventos futuros. Su función puede verse como la de una caja negra que recibe un conjunto de entradas y produce una única salida para ese conjunto particular de entradas. En contraste a las aproximaciones clásicas en campos como la estadística y la teoría de control, las redes neuronales no requieren de un modelo explícito. Las redes neuronales son una herramienta muy poderosa en aplicaciones en donde el análisis formal es extremadamente difícil, como reconocimiento de patrones e identificación de sistemas no lineales, y control. Existen varias definiciones de Red Neuronal, por mencionar algunas: Darpa (1988), define una red neuronal como un sistema compuesto de muchos elementos simples de procesamiento los cuales operan en paralelo y cuya función es determinada por la estructura de la red y el peso de las conexiones; realizándose el procesamiento en cada uno de los nodos o elementos de cómputo. Según Haykin (1994), una red neuronal es un procesador paralelo masivamente distribuido que tiene una facilidad natural para el almacenamiento de conocimiento obtenido de la experiencia para luego hacerlo utilizable. Se parece al cerebro en dos aspectos: 12