Comunicación presentada al VII Congreso Smart Grids
Autores
- Javier Olarte, CEO/BCARE, UPV/EHU, CIC energiGUNE, BRTA
- Soraya Romo, Directora General/BCARE
- Jaione Martínez de Ilarduya, Responsable de Proyectos-Investigadora/BCARE
- Raquel Ferret, Directora de Desarrollo de Negocio/CIC energiGUNE, BRTA
- Roberto Pacios, Coordinador de Tecnología/CIC energiGUNE, BRTA
- Emilie Bekaert, Directora Grupo Post-Mortem /CIC energiGUNE, BRTA
- Ekaitz Zulueta, Profesor/UPV
- Francisco Pazos, Procesos y Tecnología/i-DE Distribución
- Xabier Ibarrondo, Procesos y Tecnología/i-DE Distribución
- Noemí Alonso, Procesos y Tecnología/i-DE Distribución
Resumen
Se presenta el trabajo realizado para i-DE para la gestión de sus baterías de subestación y Smart Grids sobre modelos electro-químicos predictivos para el diagnóstico del estado de salud (SOH) con el objetivo de minimizar los costes, así como alargar la vida de las mismas, implementando servicios WEB de monitorización y control con protocolos adecuados a los nuevos estándares de ciberseguridad permitiendo una explotación segura de estos activos. En este trabajo se ha utilizado el Total Cost of Ownership (TCO) como criterio de optimización económico de las baterías utilizadas para servicios de seguridad de la red.
Palabras clave
Baterías, TCO (Total Cost of Ownership), SOH (State of Health), Modelos Electroquímicos Predictivos, Servicios Web Avanzados, Ciberseguridad, Subestaciones Eléctricas, CTs (Centros de Transformación), Expectativa de Vida, Fiabilidad.
Introducción
Los sistemas de almacenamiento electroquímico realizan una función crítica en las subestaciones eléctricas y en los centros de transformación (CTs y OCRs) por su función de seguridad para situaciones de emergencia. Actualmente, el escenario en relación con los sistemas de almacenamiento del cual se parte en i-DE presenta numerosos retos que superar. Por un lado, el parque instalado de subestaciones presenta modelos de baterías de NiCd fiables, pero con una frecuencia de operaciones de mantenimiento muy alto en conjunto con rectificadores que no permiten la monitorización remota. Por otro lado, en el parque de instalado de media tensión, se encuentran baterías soportando perfiles de temperatura muy amplios que limitan la vida útil de las baterías, y, cuya diversidad de modelos dificultan la unificación de referencias.
A partir del actual escenario, se plantean una serie de soluciones, cuya descripción y desarrollo se enmarcan en el presente artículo. Con respecto al parque instalado de subestaciones, se minimiza la frecuencia de mantenimiento con la implementación de cargadores inteligentes, y se opta por introducir baterías VRLA de alta temperatura, que presentan mejores expectativas de vida y mayor adecuación en rangos de temperatura superiores. Además, se inicia la validación de la tecnología LiFePO4 como formato adecuado para el parque instalado de media tensión, y, además, se dan respuestas óptimas para los problemas mencionados (temperaturas y unificación de modelos), sin perder las ventajas fundamentales del cargador inteligente. En ambas tecnologías mencionadas se apuesta por diseñar un sistema propio de sistema diagnóstico, que irá de la mano con un nuevo sistema de homologación de cargadores y baterías, así como la normalización de equipos modulares para una mejor gestión de stocks y compras. Además, se normalizan los sistemas de comunicaciones para una gestión remota óptima y se facilita la puesta en servicio de los activos, minimizando los costes al evitar la intervención de personal en campo.
En resumen, en el presente artículo, se presenta el trabajo realizado para i-DE para la gestión de sus baterías de subestación y Smart Grids sobre modelos electro-químicos predictivos para la implementación del diagnóstico de salud con el objetivo de minimizar los costes, así como alargar la vida útil de las mismas, implementando monitorización y control con protocolos adecuados a los nuevos estándares de ciberseguridad, y de esta forma permitir una explotación segura de estos los parámetros de las baterías.
Descripción proyecto
En este apartado se describen, brevemente, las tareas resumidas del desarrollo del proyecto, ilustrando con algunos ejemplos datos relevantes de los resultados tanto de los diseños para subestaciones como para instalaciones de media tensión. Se incluye una revisión de la etapa de selección de tecnologías junto con el análisis de la función de coste y el análisis técnico, la metodología utilizada en la caracterización y diseño de los modelos electro-químicos predictivos para el diagnóstico del estado de salud (SOH) de las baterías, así como los trabajos de estandarización y normalización, y la integración todo lo previamente mencionado.
La innovación fundamental del proyecto se basa en el método de diseño y validación del modelo de diagnóstico, que utilizará como estrategia de identificación las correlaciones entre variables medibles y los parámetros químicos de envejecimiento, asi como un protocolo de análisis con ensayos destructivos (diagnóstico Post-Mortem), metodología desarrollada por el centro CIC EnergiGUNE (J. Olarte et. al, 2019).
Requisitos, Selección Tecnológica y Análisis de Costes
Después de un estudio previo de selección de tecnologías y en base a la experiencia conjunta de i-DE, BatteryCare (BCARE) y CIC EnergiGUNE, se han desarrollado los trabajos para la automatización de mejora de la gestión, operación y mantenimiento de las baterías tanto de subestación como de CTs y OCRs. Para las subestaciones, se ha propuesto la utilización de baterías de plomo de alta temperatura y para los CTs y OCRs, baterías de LiFePO4.
En este trabajo, se ha utilizado el Total Cost of Ownership (TCO) como criterio de selección y optimización económico de las baterías. A partir de las especificaciones objetivo de las dos aplicaciones estudiadas, se han identificado las tecnologías electroquímicas y fabricantes de baterías más adecuados y posteriormente, se ha realizado el estudio económico buscando el mínimo Total Cost of Ownership (que engloba inversión y parámetros adicionales). A modo de ejemplo, en la figura 1, se resume una de las comparativas de coste medio por año para diferentes soluciones para el caso de LiFePO4, teniendo en cuenta la vida útil de cada uno de los modelos de batería analizados. Aún teniendo en cuenta el mayor coste de inversión en las baterías de Li-ion, la amortización de dicho coste vendrá dada por baterías libres de operaciones de mantenimiento y mayores vidas útiles asociadas.
Por otro lado, para los diseños del sistema de subestación se han considerado otros potenciales ahorros derivados de minimizar los tiempos de puesta en servicio y reducción de las revisiones periódicas de las baterías frente a las utilizadas en la actualidad. Además, en el diseño de subestación se ha modificado el diseño de la arquitectura dotándola de mayor flexibilidad para minimizar el número de configuraciones y modelos de equipos y baterías.
Selección y Caracterización de Baterías
En este apartado se describe, brevemente, la metodología de caracterización basada en ensayos de degradación, diagnóstico Post-Mortem y diseño de los modelos electroquímicos que, posteriormente, han sido implementados en los módulos de diagnóstico de salud embarcados en los cargadores de las baterías. Como método científico se ha trabajado de forma simultánea en el diseño del modelo y su validación por experimentación combinando tanto los datos experimentales de las variables eléctricas que participan en el modelo como las variables químicas y los modelos de degradación y envejecimiento analizados en las fases de diagnóstico Post-Mortem, como se resume la figura 2.
Para la caracterización de las baterías, objeto de análisis, se han llevado a cabo test de envejecimiento por ciclado y flotación (de acuerdo con el perfil de aplicación tanto de subestaciones como de instalaciones de media tensión), principalmente, incluyendo medidas de corriente de carga, tensiones en vacío, impedancia electroquímica y capacidad.
Uno de los primeros trabajos ha consistido en realizar una clasificación de los posibles modos de fallo de cada una de las tecnologías seleccionadas para el presente proyecto. Los mecanismos de envejecimiento de las baterías son un conjunto de procesos químicos y/o mecánicos que causan el fallo de la misma. Estos fallos pueden ser procesos largos de degradación o eventos catastróficos cortos y, en algunos casos, una combinación de ambos. El beneficio de conocer con precisión los posibles modos de fallo es la capacidad de tomar decisiones para optimizar el diseño de la estrategia de gestión en operación y alargar la vida de la batería.
Para ambas tecnologías propuestas se han identificado y clasificado los mecanismos de envejecimiento, y, por ende, modos de fallo, que también han sido implementados en el modelo de diagnóstico. Por ejemplo, en el diagnóstico Post-Mortem de las baterías de Plomo (Figura 3), se han identificado como mecanismos de envejecimiento la estratificación del electrolito, corrosión de la placa positiva, pérdida de agua, problemas en la manufactura de los elementos, entre otros. Con respecto al diagnóstico de modos de fallo en las baterías de LiFePO4, se pueden identificar fallos como deposición de litio metálico, descomposición de sales del electrolito sobre electrodo negativo, cambios estructurales en los materiales activos, etc.
Modelo de Estimación de Vida y Salud de las Baterías
A partir de los ensayos y caracterizaciones electroquímicas realizadas se extraen una serie de variables eléctricas para el desarrollo de Modelos de Diagnóstico Predictivo que servirá para realizar predicciones de la vida de servicio e identificación de modos de fallo. El siguiente esquema, figura 4, resume la información que se recogerá, como medidas de impedancia, estimación SOC, dispersión de tensiones y resistencias internas, temperaturas, histograma de gestión de carga, e histograma de datos electroquímicos en función de profundidades de descarga. El modelo integra otros datos de operación del sistema que también son tenidos en cuenta (modelo multimodal) para una monitorización más completa de la operación.
Principalmente, el parámetro con peso mayoritario en el módulo diagnóstico, es la espectroscopia de impedancia electroquímica (EIS), técnica electroquímica para medir la impedancia de un sistema en función de la frecuencia. Los datos de impedancia se analizan, generalmente, mediante la adaptación a un modelo de circuito eléctrico equivalente, que contiene elementos en serie o en paralelo. Para ser útiles, los elementos del modelo deben tener una base en la electroquímica física del sistema. Como ejemplo, la mayoría de los modelos contienen una resistencia que modela la resistencia del electrolito de la celda, o elementos que representan la resistencia a la transferencia de cargas. En el apartado de resultados, y a modo de ejemplo, se presentan unos datos donde se ilustra una parte de la información que integra el modelo y que permite estimar el SOH de las baterías a partir de los datos in-operando de medida de la impedancia de la batería.
A partir de todo el trabajo descrito, se desarrolla el modelo de diagnóstico que, posteriormente, ha sido implementado en los cargadores inteligentes de baterías. El modelo de diagnóstico descrito incorporará medidas de impedancia como elemento diferencial frente a los métodos tradicionales. Este módulo permite la monitorización del estado de salud del parque de baterías instalado y la agregación de datos a lo largo de la vida, lo que permite mejoras incrementales del modelo y de la certidumbre de predicción del mismo y consecuentemente, una optimización de la función de coste. El objetivo es reducir a cero el número de fallo de servicio, maximizando la expectativa de vida y trasladando las funciones de mantenimiento a un cargador inteligente, con el menor coste total para el usuario.
Estandarización y Normalización
Otro de los trabajos realizados, cuyo objetivo indirecto redundará en ahorros en las fases de instalación y mantenimiento, se ha obtenido del proceso de normalización y estandarización tanto de las baterías como de los equipos cargadores-rectificadores, el cual se ha unificado en un sistema modular y escalable que permite a partir de un equipo standard cubrir las necesidades de diferentes instalaciones tanto en potencia como en energía.
La arquitectura de la alimentación de continua de las subestaciones será de un doble grupo de cargadores de baterías A (entre 1 y 4 cargadores) y grupo de cargadores de baterías B (entre 1 y 4 cargadores) alimentados desde el cuadro de alterna. Estos equipos alimentan a un cuadro común de distribución de corriente continua de 125 VCC con protección en la salida de cada cargador. En la figura 5 se presentan los componentes del sistema de alimentación de 125 V y la forma en la que se integran las comunicaciones (línea azul discontinua).
Los equipos cargador-batería son modulares, es decir, se ha definido una única potencia de cargador-batería y las potencias necesarias para cada instalación se alcanzarán mediante el paralelado de hasta 8 conjuntos rectificador-batería.
El cuadro de continua está equipado con dos semi-barras con acoplamiento como se ilustra en la figura 2, y dispone de visualizadores de tensión y corriente de cada barra, además de detectores de fuga a tierra para cada semibarra.
Cada cargador equipa un módulo de diagnóstico (MD) que implementa el algoritmo de diagnóstico del estado de salud de la batería (SOH) y del estado de capacidad (SOC) de la batería además de funciones complementarias de registro y monitorización. Como elemento de medidas centralizadas de corriente y tensión continua se integra un Módulo de Medidas (MM) en el cuadro de continua y con comunicación TCP/IP a través del switch con sus correspondientes servicios web necesarios para intercambiar la información para su integración dentro de la subestación y que actúa como nodo de acceso principal.
Integración y Procesos de Operación y Mantenimiento
Tan importante como el trabajo de desarrollo y la validación del modelo predictivo de diagnóstico del estado de salud de las baterías, es poder implementarlo de forma viable dentro de los equipos, desde un punto de vista económico. Para este objeto, BatteryCare (BCARE) ha diseñado y fabricado el módulo de diagnóstico y alarmas compatible con los equipos cargadores de baterías que implementa el método de diagnóstico del SOH y SOC de la batería. Adicionalmente, todos los equipos han sido integrados desde el punto de vista de comunicaciones en una red de comunicaciones a través de servicios WEB con protocolos seguros, como ilustra la figura 6, que permiten la explotación en tiempo real de los datos.
Resultados y datos obtenidos
Tal y como se ha mencionado con anterioridad, el parámetro con peso mayoritario en el modelo para el módulo de diagnóstica, es la espectroscopía de impedancia electroquímica (EIS), cuyos elementos (resistencias y capacitancias, mayoritariamente) son evaluados en función del estado de carga (SOC) o del estado de salud (SOH). A continuación, se presentan los datos relativos al módulo de impedancia de baterías de plomo de alta temperatura para evaluar el estado de salud de las mismas. Respecto a la identificación de SOH, se observa que si el módulo de impedancia a 0.1 Hz es superior a 0.030 Ω (Figura 7), la batería estará cerca del fin de su vida útil (establecido, en este caso a 60% de Ah nominal). El hecho de que esta variable pueda evaluarse en estados de carga cercanos al estado de carga completa de la batería podría ayudar a implementarla, en un modelo de control remoto, en aplicaciones objetivo basadas en etapas de flotación (J. Olarte et. al, 2020).
Esta interpretación de la variable electroquímica del módulo de la impedancia, es sólo una muestra del conjunto de variables relacionadas con la impedancia que se están usando en el diseño del módulo de diagnóstico para la tecnología de Plomo. Así mismo, parámetros análogos están siendo estudiados con la tecnología del LiFePO4.
Esta interpretación de la variable electroquímica del módulo de la impedancia, es sólo una muestra del conjunto de variables relacionadas con la impedancia que se están usando en el diseño del módulo de diagnóstico para la tecnología de Plomo. Así mismo, parámetros análogos están siendo estudiados con la tecnología del LiFePO4.
Discusión y conclusiones
Con respecto al parque instalado de subestaciones, desde el punto de vista de diseño de la nueva arquitectura de alimentación de 125VDC, la propuesta de unificación en un sistema cargador-batería estándar que permite configurar instalaciones con desde 100 Ah hasta 800 Ah de batería resulta una mejora fundamental de la gestión de diseño y tiempo de suministro. La propuesta de disponer de varios suministradores tanto de baterías como de rectificadores intercambiables también mejora la gestión de O&M.
En cuanto a Smart Grids, la propuesta de evolución a baterías de LiFePO4 unido al sistema de gestión y monitorización de la expectativa de vida ofrece, además de un ahorro del TCO derivado de la mayor expectativa de vida útil, una menor degradación en condiciones de temperaturas altas.
Tanto en los modelos electroquímicos para baterías de plomo VLRA de alta temperatura para subestaciones como las de LiFePO4 para CTs se ha conseguido implementar un método de diagnóstico predictivo que permite optimizar la estrategia de gestión y cuidado de las baterías, así como los datos para extender la vida de cada batería en función de la demanda real de cada posición.
Agradecimientos
Los autores desean expresar su gratitud a todo el grupo de Post-Mortem de CIC energiGUNE así como al equipo de I+D de BCARE. Además, también se debe expresar un agradecimiento especial a la Ayuda Torres Quevedo (PTQ) 2019 de la Agencia Estatal de Investigación, en el marco del Programa Estatal de Promoción del Talento y su Empleabilidad en I+D+i, Ref. PTQ2019-010787/AEI/10.13039/501100011033.
Referencias
- Olarte, J.; Dauvergne, J.-L.; Herrán, A.; E. Drewett, N.; Bekaert, E.; Zulueta, E.; Ferret, R.; 1 Bcare. Validation of Thermal Imaging as a Tool for Failure Mode Detection Development. AIMS Energy 2019, 7 (5), 646–659. https://doi.org/10.3934/energy.2019.5.646.
- Olarte, E. Zulueta, R. Ferret, E. Kurt, J. Martínez de Ilarudya, J. M. López-Guede, High temperature lead acid battery SOC and SOH characterization based on Electrochemical Impedance Spectroscopy data 8th Eur. Conf. Ren. Energy Sys. 24-25 August 2020, Istanbul, Turkey.