Comunicación presentada al VII Congreso Smart Grids
Autores
- Aitor Makibar, Investigador senior, Cidetec
- Haritz Macicior, Responsable Unidad Sistemas de Almacenamiento, Cidetec
- Raúl Rodríguez, Investigador senior, Tecnalia
- Ugo Stecchi, Investigador senior, Cidetec
Resumen
La creciente participación de los sistemas de baterías en la provisión de servicios al sistema eléctrico requiere optimizar su O&M con el fin de maximizar sus prestaciones y rentabilidad. Para ello, se propone el uso de gemelos digitales de baterías que, a través de estimadores de estado avanzados y modelos de degradación obtenidos mediante una adecuada caracterización de celdas, así como del análisis de los datos de operación mediante técnicas de inteligencia artificial, permiten disponer de un mayor conocimiento y control sobre las condiciones reales de los sistemas de las baterías. La alianza CIDETEC-TECNALIA (BRTA) en el campo del almacenamiento, permite unir las capacidades de ambos centros en los ámbitos de las baterías y las redes eléctricas.
Palabras clave
Gemelo Digital, O&M de la red eléctrica, Baterías, Aplicación Estacionaría, Modelado, Estimadores, Filtros Adaptativos, Integración en red.
Introducción
Un gemelo digital se puede definir como un conjunto de información virtual que describe completamente un producto físico fabricado. En una situación óptima, cualquier información que pudiese ser obtenida mediante la inspección del producto real debería poder obtenerse a partir de su gemelo digital (Grieves & Vickers, 2016). El gemelo digital de un sistema proporciona una de las principales ventajas que aporta trabajar con un modelo, es decir, analizar una amplia casuística de modos de operación en un entorno simulado controlado. Por otro lado, también elimina uno de sus inconvenientes, al reducir las diferencias que pueden existir entre la definición del modelo y el sistema real. Estas diferencias aparecen, bien cuando el paso del tiempo afecta a las características del equipo, bien cuando no se puede realizar un modelo preciso, o bien cuando trabajar con un modelo detallado no es posible o es poco efectivo.
La aplicación de gemelos digitales de batería en aplicaciones estacionarias para redes eléctricas permite controlar y operar estos activos de manera mucho más efectiva, simplificando y acelerando su integración en el sistema eléctrico. En primer lugar, el almacenamiento responde a los retos presentes y futuros de las redes eléctricas, aportando flexibilidad para hacer frente a aspectos como la variabilidad de la generación y la demanda, la pérdida de inercia del sistema, las congestiones de la red y los vertidos de energía renovable. La visión estratégica europea a largo plazo prevé un gran crecimiento de la potencia instalada de almacenamiento en la red, especialmente, de los sistemas basados en baterías (Comisión Europea, 2018).
En segundo lugar, las baterías electroquímicas son sistemas complejos de modelar fielmente y sus características dependen de su química, su diseño y su fabricación. Éstas, junto a las condiciones de operación, afectan de manera importante a su degradación, que se produce con el uso y el paso del tiempo. El aspecto de la degradación de las celdas dentro de un sistema de baterías es de especial importancia para los operadores de las plantas, ya que sus cualidades van empeorando con el paso del tiempo y esto debe considerarse en la operación de las instalaciones. Por otro lado, anticiparse a un posible fallo del sistema, sacando el máximo partido al sistema de almacenamiento, permite rentabilizar la inversión de manera óptima.
Por tanto, la previsible creciente utilización de los sistemas de baterías en las redes eléctricas hace indispensable desarrollar métodos que permitan estimar de una manera adecuada su estado y predecir su evolución. El gemelo digital que se presenta en este trabajo aglutina diferentes técnicas, que permiten conseguir este propósito mediante la creación de un modelo dinámico que reproduce el estado y predice la evolución de una batería electroquímica y, de esta forma, proporciona información útil para su operación y mantenimiento.
Indicadores del estado de una batería para la operación en redes eléctricas
Los gemelos digitales de baterías pueden ser sistemas complejos que integran varias herramientas software y hardware. Están basados en la integración de modelos matemáticos y estimadores de estado que, alimentados por datos reales, son capaces de estimar y predecir el comportamiento del dispositivo monitorizado.
El modelado eléctrico tiene en cuenta, tanto la fuente de tensión variable, como la impedancia interna para describir el comportamiento dinámico del modelo. La Tensión de Circuito Abierto (OCV) depende de la energía almacenada en la celda, es decir, de su Estado de Carga (SOC) y de la temperatura de la misma. La impedancia interna de la celda no se puede medir directamente, pero se puede estimar teniendo en cuenta la relación entre la corriente y la tensión, a partir de métodos experimentales. Existe, también, la posibilidad de conseguir modelos multifísicos que tienen en cuenta, tanto la parte eléctrica, como un enfoque electroquímico o térmico, permitiendo aportar importantes mejoras a la caracterización y diseño de la celda. A pesar de las ventajas que podrían aportar, estos modelos multifísicos necesitan una alta capacidad computacional y, por lo tanto, deberían ser desplegados en la nube, dado que la capacidad del Sistema de Gestión de la Batería (Battery Management System, BMS) suele ser limitada. Por esto, su aplicación óptima sería justamente en un gemelo digital de batería.
El control que se suele integrar en el gemelo digital está basado en modelos que se centran en la estimación del estado de varios indicadores de las celdas. Los estados más relevantes y utilizados suelen ser el ya mencionado SOC, el Estado de Salud (SOH) y la estimación de la Vida Útil Restante (RUL). Existen indicadores adicionales para la estimación de otros parámetros como: la impedancia interna (SOZ), la funcionalidad (SOF), el nivel de seguridad (SOS), etc.
El SOC indica la cantidad de energía utilizable en la batería. El método más común para la estimación de este parámetro se basa en el conteo de la intensidad suministrada y absorbida de la batería (Coulombimetría), aunque tiene algunas limitaciones debidas a la inicialización (estado de carga inicial) y a los efectos del envejecimiento, que altera la precisión de la medida. El enfoque más simple para este problema de inicialización de SOC es comparar el OCV con una tabla de consulta (facilitada por el fabricante). Sin embargo, esto es un desafío para ciertas químicas de batería, ya que la curva OCV-SOC puede ser bastante plana y sufrir de histéresis de voltaje. Además, a medida que la celda envejece, la precisión de este metodo disminuye. El enfoque más común para mejorar la precisión es el uso de filtros de Kalman (KF), ya utilizados en muchas aplicaciones de ingeniería también para la estimación del SOC. También se utilizan otros algoritmos para estudiar los modelos de baterías, no lineales, y mejorar la estimación de incertidumbre del SOC como el Extended Kalman FIlter (EKF), el Unscented Kalman Filter (UKF) y el Particle Filter (PF).
El SOH por su parte indica el estado de la batería entre el inicio y el final de su vida útil. Dos enfoques diferentes se han ido consolidando para su estimación: el primero basado en análisis de datos (data-driven) y el segundo en los filtros adaptativos. Para las estrategias basadas en el análisis de datos, es necesario realizar ensayos exhaustivos, con el fin de relacionar las condiciones de ensayo con los indicadores de envejecimiento. Esto implica un coste asociado a la realización de los ensayos y un elevado tiempo de computación. Además, si la batería se utiliza en condiciones diferentes a la de los ensayos de laboratorio, la estimación puede diferir del estado real. Dentro de las estrategias adaptativas, hay varios métodos para estimar el SOH, basados KF, EKF y PF, pero en literatura es posible encontrar también Algoritmos Genéticos (GA), lógica difusa, Redes Neuronales (ANN).
El RUL se define como el tiempo desde el momento actual hasta el fin de vida de la batería. El pronóstico de RUL para baterías de iones de litio no es un asunto trivial, debido a la dificultad de predecir la degradación con certeza, por dos razones principales: en primer lugar, es casi imposible observar el proceso electroquímico interno de la batería; en segundo lugar, las fluctuaciones ambientales también afectan la producción y el rendimiento de las baterías de iones de litio. La estimación del RUL también puede basarse o bien en modelos matemáticos o bien en el análisis de datos. Los métodos de análisis de datos suelen ser muy populares incluyendo algoritmos de Inteligencia Artificial (AI) y algoritmos estocásticos.
Colaboración estratégica TECNALIA y CIDETEC Energy Storage
Los objetivos de Europa para el medio y el largo plazo, 2030 – 2050, implican el desarrollo de nuevos modelos energéticos, en los que el almacenamiento de energía va a jugar un papel central, tanto en las redes eléctricas, como en la movilidad de futuro. En este contexto, los centros tecnológicos TECNALIA y CIDETEC Energy Storage unen capacidades para desarrollar nuevas tecnologías y aplicaciones energéticas basadas en el uso de baterías para los diferentes sectores industriales. La colaboración estratégica estará centrada en el desarrollo de aplicaciones de almacenamiento energético en baterías, aportando soluciones que doten de flexibilidad al sistema eléctrico en todos sus ámbitos (generación, transporte, distribución y demanda), así como la mejora de la eficiencia energética y la electrificación del transporte. Ambos centros tecnológicos suman, de esta forma, sus capacidades y ponen al servicio de la industria una masa crítica conjunta de investigadores con una dilatada experiencia en tecnologías y aplicaciones de almacenamiento eléctrico, electrónica de potencia, redes eléctricas, Tecnologías de la Información y la Comunicación (TICs) y baterías, incluyendo su diseño, modelado, prototipado y ensayo.
A raíz de esta colaboración entre las dos entidades, los dos equipos comparten sus conocimientos para desarrollar un gemelo digital de batería, que pueda constituir, por un lado, una plataforma virtual de integración de varias tecnologías y desarrollos ya consolidados por los dos socios y, por otro lado, el entorno más idóneo para incorporar nuevos resultados de investigación conjunta. En la Figura 1 se presenta un esquema de que aporta la visión conjunta de gemelo digital que se presenta en este artículo.
Descripción de la solución – Método y tecnología
El gemelo digital propuesto se compone de diferentes elementos principales que, en conjunto, le dotan de sus características y propiedades:
- Modelo de la celda de batería.
- Filtros adaptativos y técnicas de AI para estimar los parámetros de la batería (SOC, SOH, SOF, SOE, RUL).
- Señales adquiridas del sistema de baterías real.
El gemelo digital de la batería que se presenta utiliza diferentes aproximaciones para modelar la batería:
- Modelo eléctrico semi-empírico.
- Modelo basado en datos.
- Modelo multifísico.
El modelo semi-empírico es aquel basado tanto en la teoría como en los métodos experimentales. En nuestro caso, se utiliza un circuito eléctrico equivalente que busca reproducir las características eléctricas de una celda de batería. Para crear este modelo, es necesario caracterizar la celda adecuadamente obteniendo sus parámetros eléctricos principales. Esto se realiza en el laboratorio mediante ensayos y posteriormente se calibran los parámetros del modelo.
Una vez obtenido el modelo, se utilizan estimadores basados en filtros adaptativos con el fin de estimar el SOC y SOH de la celda. Los filtros adaptativos son algoritmos ampliamente utilizados en diversos ámbitos tecnológicos. Permiten ajustar la salida de nuestro modelo a la señal de salida equivalente medida en el sistema real. Se utilizan para la estimación de las variables de estado no medibles en nuestro sistema dinámico, en este caso, las baterías. Si bien la utilización de estos métodos no es novedosa en el caso de las celdas y a nivel de laboratorio, es menos común cuando se trata de un sistema de baterías formado por la conexión de numerosas celdas para aplicaciones estacionarias en la red eléctrica. Además del SOC basado en filtros adaptativos, CIDETEC también desarrollará e integrará SOH basado en algoritmos y modelos de degradación avanzados (Incremental Capacity Analisys, ICA) a los procesos de cargas lentas (Oyarbide et al., 2020). También se integrarán nuevos estimadores avanzados para la evaluación del Estado De Funcionalidad (SOF) y del Estado De Energía (SOE). El indicador RUL también se incluirá en el sistema y estará basado en algoritmos de autoaprendizaje (Arrinda., 2018).
El modelo eléctrico equivalente no es adecuado para la caracterización de los mecanismos de degradación que ocurren en las celdas de batería. Para ello, deben utilizarse otros modelos como los modelos multifísicos que consideran variables de estado que entran en juego para explicar la degradación y permiten simular la parte eléctrica y electroquímica a la vez. La ventaja de estos modelos se puede resumir en: diseño óptimo de la celda, permitiendo aumentar las prestaciones de las baterías; comprender las limitaciones de la batería identificando los parámetros críticos; estimar las prestaciones y vida útil de las baterías. Los modelos físicos pueden definirse de varias maneras: los modelos completos (full order) requieren de una gran potencia computacional para su resolución, lo que no los hacen adecuados para su utilización en sistemas en tiempo real embebidos, como por ejemplo en un BMS. Los modelos de orden reducido permiten, aún con simplificaciones, entender el comportamiento interno de la celda y requieren menor carga de computación. Los modelos multifísicos permiten simular la parte eléctrica y electroquímica a la vez. Dependiendo de la capacidad de cálculo de la plataforma donde se implemente el gemelo digital, se puede optar por un enfoque u otro.
Uno de los problemas para caracterizar la degradación de las celdas es la existencia de numerosos mecanismos de degradación que interaccionan entre sí, no todos entendidos por completo. Esto hace que sea muy complejo modelar la degradación. Para atajar este problema, empleamos modelos basados en datos. El aprendizaje máquina permite la creación de modelos multiparamétricos no lineales que trabajan muy bien en sistemas ruidosos. El reto, en este caso, es el de lograr datos de ensayo y de campo que sean significativos para la aplicación y el entorno en el que va a operar nuestro sistema real.
Para el desarrollo de este gemelo digital se propone una aproximación híbrida, conjugando la utilización de modelos semi-empíricos y basados en datos, tanto para estimar el estado de carga y salud del sistema de baterías, como para predecir su degradación y anticipar posibles fallos que puedan ocurrir por su causa.
Este gemelo digital es un elemento que puede proveer de información al SCADA (Supervisory Control And Data Aquisition) o EMS (Energy Management System) de una instalación eléctrica, para la toma de decisiones de operación. Esto permitiría tanto rentabilizar la inversión en el sistema de almacenamiento, aprovechando al máximo su potencial, como optimizar la venta de servicios del conjunto de la planta, teniendo en cuenta la información actualizada sobre el estado de carga y de salud de la batería. Las señales de medida adquiridas del sistema real, y utilizadas como referencia para actualizar el modelo empleado por el gemelo digital de baterías, son seleccionadas en base a su significación. En el caso del modelo eléctrico, éstas estarán relacionadas con las señales de entrada y salida del sistema dinámico, es decir tensiones e intensidades. En el caso del modelo basado en datos, un análisis previo nos permite conocer cuáles son aquellas variables que más influencia tienen en la evolución del estado de las baterías, en su degradación, por ejemplo.
Otra aplicación de las técnicas de AI en este campo es utilizar la información proporcionada por gemelos digitales de varios sistemas de baterías para mejorar los modelos basados en datos de cada uno de ellos. Este es un proceso que, si bien no se está acometiendo aún para las baterías en TECNALIA, sí se está desarrollando para otros activos de la red, por lo que se prevé que, en un futuro, pueda contribuir también a la mejora de los modelos de datos de baterías que se desarrollen.
El desarrollo de este concepto de Gemelo Digital de batería se validará en la microrred de TECNALIA con el soporte de algunos equipos de laboratorio de CIDETEC (Figura 2) en el marco del proyecto Red Cervera “EnerIsla”, financiado por el CDTI, que pretende desarrollar las tecnologías necesarias para poner en marcha microrredes aisladas con el 100% de fuentes renovables.
Proceso de desarrollo e implementación del gemelo digital
En estos momentos, se están desarrollando los elementos que componen el gemelo digital a partir de los módulos anteriormente definidos que lo componen. El primer resultado obtenido del proyecto es la definición de la arquitectura general del sistema incluyendo la selección y la manera de integrar las técnicas que se van a emplear (Figura 3).
Algunos de los principales desarrollos ya realizados o que serán finalizados a lo largo de 2020 son los siguientes:
- Automatización del modelo de creación del modelo semi-empírico de la batería a partir de los datos de obtenidos del ensayo de caracterización de las celdas.
- Implementación y validación de algoritmos basados en filtros adaptativos para la estimación de SOC y SOH.
- Desarrollo de un módulo de RUL basado en técnicas de AI.
- Integración de estos módulos en una plataforma cloud.
Además de estos módulos, se han desarrollado otros, capaces de apoyar su evolución y mejorar su diseño en consideración a los avances que se vayan produciendo dentro de este campo y en repuesta a los resultados experimentales que se obtengan de su funcionamiento:
- Desarrollo de un modelo multifísico dinámico en el que se han implementado diferentes mecanismos de degradación de celdas como el crecimiento del interfaz sólido-electrolito (SEI), deposición de litio (plating) y pérdida de material activo, que permite tener un modelo multifísico de degradación. Ésta, permite estimar experimentalmente los parámetros fisicoquímicos a introducir en el modelo (figura 4 izquierda).
- Desarrollo de una herramienta para estimar el RUL mediante datos de campo. Esta herramienta aplica un filtro adaptativo a la tendencia de degradación más probable calculada por el modelo de envejecimiento y cuantifica la incertidumbre del estimador del RUL (figura 4 derecha).
Conclusiones
El gemelo digital de baterías se presenta como un concepto útil para la integración de este tipo de sistemas de almacenamiento en las redes eléctricas. Una mejor estimación del estado de las celdas de batería aporta datos para la toma de decisiones de operación y mantenimiento, que redunda en un beneficio para los operadores de plantas de producción, de red y de instalaciones de consumo de energía eléctrica.
El gemelo digital y las técnicas utilizadas para su definición mejoran el estado de arte actual de los BMS comerciales y permiten una integración más eficiente con los sistemas de control de red y/o planta SCADA y EMS.
El gemelo digital presentado en este artículo será validado en los próximos meses en un entorno de laboratorio, si bien la validación de algunos de sus módulos ya está siendo o ha sido realizada.
Agradecimientos
A los equipos de TECNALIA y CIDETEC Energy Storage (BRTA) que están involucrados en el proyecto Red Cervera –Transición Energética –Tecnología Prioritaria 8, “ENERISLA” y, más en general, en la colaboración estratégica entre los dos centros para el desarrollo de nuevas tecnologías y aplicaciones energéticas basadas en el uso de baterías.
Referencias
-
- Grieves, M., Vickers, J., 2016, Origins of the Digital Twin Concept, ResearchGate, DOI: 10.13140/RG.2.2.26367.61609
- Comisión Europea, 2018, Un planeta limpio para todos: La visión estratégica europea a largo plazo de una economía próspera, moderna, competitive y climáticamente neutra, COM(2018) 773 final, Brussels
- Oyarbide, M.; Arrinda, M.; Sánchez, D.; Macicior, H.; McGahan, P.; Hoedemaekers, E.; Cendoya, I., 2020, Capacity and Impedance Estimation by Analysing and Modeling in Real Time Incremental Capacity Curves. Energies, 13, 4855.
- Arrinda M., 2018, Comparison of stochastic capacity estimation tools applied on remaining useful life prognosis of lithium ion batteries; Proceedings of the European Conference of the PHM Society, Vol. 4, No.1.