DOI:

https://doi.org/10.14483/23448393.17304

Published:

2022-11-20

Issue:

Vol. 28 No. 1 (2023): January-April

Section:

Electrical, Electronic and Telecommunications Engineering

Parametrización de modelo de circuito equivalente de polarización dual de una celda de ion Litio utilizando la técnica de optimización por enjambre de partículas modificada.

Dual-Polarization Equivalent Circuit Model Parameterization of a Lithium-Ion Cell Using the Modified Particle Swarm Optimization Technique

Authors

Keywords:

PSO, modelo equivalente, polarización dual, batería, parametrización (es).

Keywords:

PSO, equivalent model, dual-polarization, parameterization (en).

Abstract (es)

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.

Abstract (en)

Context: Battery modeling is an activity that can be complex if techniques based on chemical behavior are employed. Nowadays, there are other strategies to build the modeling as inverse modeling based on experimental curves and adjustments of circuit models. There are different techniques to parameterize the battery modeling based on their complexity, accuracy, and convergence time.

Method: In this paper is used a particle swarm optimization algorithm to parameterize a dual-polarization model for a 18650-lithium cell. The proposed methodology divides the problem into different optimization cases and proposes a localized search strategy based on the experience of the previous particle.

Results: The PSO algorithm allows adjusting the model parameters for each case analyzed. Problem division by stages allows improving the global precision while reducing the convergence times of the algorithm. From possible cases, it is possible to find the dynamics of each of the parameters as a function of the state of charge.

Conclusions: The proposed methodology allows reducing the parameterization times of the dual-polarization model. Due to the approximation generated by the previous experiences, it is possible to decrease the number of the swarm population and further decrease the convergence time of the process. Additionally, the methodology can be used with different optimization algorithms.

References

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

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

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

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

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

C. Zou, C. Manzie, and S. Anwar, “Control-oriented modeling of a lithium-ion battery for fast charging”, IFAC Proc. Vol., vol. 47, no. 3, pp. 3912-3917, 2014. https://doi.org/10.3182/20140824-6-ZA-1003.00829

R. Rao, S. Vrudhula, and D. N. Rakhmatov, “Battery modeling for energy-aware system design”, Computer (Long. Beach. Calif)., vol. 36, no. 12, pp. 77-87, 2003. https://doi.org/10.1109/MC.2003.1250886

N. Lotfi, R. G. Landers, J. Li, and J. Park, “Reduced-order electrochemical model-based SoC observer with output model uncertainty estimation”, IEEE Trans. Control Syst. Technol., vol. 25, no. 4, pp. 1217-1230, 2017. https://doi.org/10.1109/TCST.2016.2598764

S. Serna-Garcés, C. Ramos-Paja, and D. Gonzalez-Montoya, “Power conversion system for hybrid battery-capacitor storage”, Ingeniría, vol. 25, no. 2, pp. 194-211, 2020. https://doi.org/10.14483/23448393.15741

G. Plett, Battery Management Systems, Volume I: Battery Modeling. Artech House, 2015.

S. Susanna, B. R. Dewangga, O. Wahyungoro, and A. I. Cahyadi, “Comparison of simple battery model and Thevenin battery model for SoC estimation based on OCV method”, 2019 International Conference on Information and Communications Technology (ICOIACT), pp. 738-743, 2019. https://doi.org/10.1109/ICOIACT46704.2019.8938495

H. He, R. Xiong, and J. Fan, “Evaluation of lithium-ion battery equivalent circuit models for state of charge estimation by an experimental approach”, Energies, vol. 4, no. 4, pp. 582-598, 2011. https://doi.org/10.3390/en4040582

J. E. B. Randles, “Kinetics of rapid electrode reactions. Part 2.—Rate constants and activation energies of electrode reactions”, Trans. Faraday Soc., vol. 48, pp. 828-832, 1952. https://doi.org/10.1039/TF9524800828

L. Zhu, Z. Sun, H. Dai, and X. Wei, “A novel modeling methodology of open circuit voltage hysteresis for LiFePO4 batteries based on an adaptive discrete Preisach model”, Appl. Energy, vol. 155, pp. 91-109, 2015. https://doi.org/10.1016/j.apenergy.2015.05.103

C. Lin, H. Mu, R. Xiong, and W. Shen, “A novel multi-model probability battery state of charge estimation approach for electric vehicles using H-infinity algorithm”, Appl. Energy, vol. 166, pp. 76-83, 2016. https://doi.org/10.1016/j.apenergy.2016.01.010

W. Peng, Z. Yang, C. Liu, J. Xiu, and Z. Zhang, “An improved PSO algorithm for battery parameters identification optimization based on Thevenin battery model”, 2018 5th IEEE International Conference on Cloud Computing and Intelligence Systems (CCIS), pp. 295-298, 2018. https://doi.org/10.1109/CCIS.2018.8691341

S. Skoog, “Parameterization of equivalent circuit models for high power lithium-ion batteries in HEV applications”, 2016 18th European Conference on Power Electronics and Applications (EPE’16 ECCE Europe), 2016. https://doi.org/10.1109/epe.2016.7695340

O. Theliander et al., “Battery modeling and parameter extraction for drive cycle loss evaluation of a modular battery system for vehicles based on a cascaded H-bridge multilevel inverter”, IEEE Trans. Ind. Appl., vol. 56, no. 6, pp. 6968-6977, 2020. http://dx.doi.org/10.1109/TIA.2020.3026662

F. Quiñones, R. H. Milocco y S. G. Real, “Algoritmos de monitoreo para baterías recargables”, AJEA, no. 5, 2020. https://doi.org/10.33414/ajea.5.663.2020

W.-H. Cui, J.-S. Wang, and Y.-Y. Chen, “Equivalent circuit model of lead-acid battery in energy storage power station and its state-of-charge estimation based on extended kalman filtering method”, Engineering Letters, vol. 26, no. 4, pp. 504-517, 2018.

B. Çelikten, O. Eren, and Y. S. Karataş, “An execution time optimized state of charge estimation method for lithium-ion battery”, J. Energy Storage, vol. 51, 2022. https://doi.org/10.1016/j.est.2022.104307

X. Liu, X. Deng, Y. He, X. Zheng, and G. Zeng, “A dynamic state-of-charge estimation method for electric vehicle lithium-ion batteries”, Energies, vol. 13, no. 1, 2019. https://doi.org/10.3390/en13010121

W. He, N. Williard, C. Chen, and M. Pecht, “State of charge estimation for Li-ion batteries using neural network modeling and unscented Kalman filter-based error cancellation”, Int. J. Electr. Power Energy Syst., vol. 62, pp. 783-791, 2014. https://doi.org/10.1016/j.ijepes.2014.04.059

Y. He, Q. Li, X. Zheng, and X. Liu, “Equivalent hysteresis model based SoC estimation with variable parameters considering temperature”, J. Power Electron., vol. 21, no. 3, pp. 590-602, 2021. https://doi.org/10.1007/s43236-020-00213-5

M. Pressman, “Understanding Tesla’s lithium ion batteries”, EVannex, Tesla News, 2017. https://evannex.com/blogs/news/understanding-teslas-lithium-ion-batteries

B. Bole, C. Kulkarni, and M. Daigle, “Randomized battery usage data set” NASA Ames Prognostics Data Repository, vol. 70, 2014.

J. Kennedy, and R. Eberhart, “Particle swarm optimization”, Proceedings of ICNN’95 - International Conference on Neural Networks, vol. 4, pp. 1942-1948, 1995. http://dx.doi.org/10.1109/ICNN.1995.488968

K. Veeramachaneni, T. Peram, C. Mohan, and L. A. Osadciw, “Optimization using particle swarms with near neighbor interactions”, In: E. Cantú-Paz et al., Genetic and Evolutionary Computation - GECCO, Springer, 2003. https://doi.org/10.1007/3-540-45105-6_10

How to Cite

APA

Gutierrez Castillo, F., Montes Villa, K. S., Villegas Ceballos, J. P., & Escudero Quintero, C. (2022). Parametrización de modelo de circuito equivalente de polarización dual de una celda de ion Litio utilizando la técnica de optimización por enjambre de partículas modificada. Ingeniería, 28(1), e17304. https://doi.org/10.14483/23448393.17304

ACM

[1]
Gutierrez Castillo, F., Montes Villa, K.S., Villegas Ceballos, J.P. and Escudero Quintero, C. 2022. Parametrización de modelo de circuito equivalente de polarización dual de una celda de ion Litio utilizando la técnica de optimización por enjambre de partículas modificada. Ingeniería. 28, 1 (Nov. 2022), e17304. DOI:https://doi.org/10.14483/23448393.17304.

ACS

(1)
Gutierrez Castillo, F.; Montes Villa, K. S.; Villegas Ceballos, J. P.; Escudero Quintero, C. Parametrización de modelo de circuito equivalente de polarización dual de una celda de ion Litio utilizando la técnica de optimización por enjambre de partículas modificada. Ing. 2022, 28, e17304.

ABNT

GUTIERREZ CASTILLO, F.; MONTES VILLA, K. S.; VILLEGAS CEBALLOS, J. P.; ESCUDERO QUINTERO, C. Parametrización de modelo de circuito equivalente de polarización dual de una celda de ion Litio utilizando la técnica de optimización por enjambre de partículas modificada. Ingeniería, [S. l.], v. 28, n. 1, p. e17304, 2022. DOI: 10.14483/23448393.17304. Disponível em: https://revistas.udistrital.edu.co/index.php/reving/article/view/17304. Acesso em: 7 dec. 2022.

Chicago

Gutierrez Castillo, Fabian, Kevin Smit Montes Villa, Juan Pablo Villegas Ceballos, and Cristian Escudero Quintero. 2022. “Parametrización de modelo de circuito equivalente de polarización dual de una celda de ion Litio utilizando la técnica de optimización por enjambre de partículas modificada”. Ingeniería 28 (1):e17304. https://doi.org/10.14483/23448393.17304.

Harvard

Gutierrez Castillo, F., Montes Villa, K. S., Villegas Ceballos, J. P. and Escudero Quintero, C. (2022) “Parametrización de modelo de circuito equivalente de polarización dual de una celda de ion Litio utilizando la técnica de optimización por enjambre de partículas modificada”., Ingeniería, 28(1), p. e17304. doi: 10.14483/23448393.17304.

IEEE

[1]
F. Gutierrez Castillo, K. S. Montes Villa, J. P. Villegas Ceballos, and C. Escudero Quintero, “Parametrización de modelo de circuito equivalente de polarización dual de una celda de ion Litio utilizando la técnica de optimización por enjambre de partículas modificada”., Ing., vol. 28, no. 1, p. e17304, Nov. 2022.

MLA

Gutierrez Castillo, F., K. S. Montes Villa, J. P. Villegas Ceballos, and C. Escudero Quintero. “Parametrización de modelo de circuito equivalente de polarización dual de una celda de ion Litio utilizando la técnica de optimización por enjambre de partículas modificada”. Ingeniería, vol. 28, no. 1, Nov. 2022, p. e17304, doi:10.14483/23448393.17304.

Turabian

Gutierrez Castillo, Fabian, Kevin Smit Montes Villa, Juan Pablo Villegas Ceballos, and Cristian Escudero Quintero. “Parametrización de modelo de circuito equivalente de polarización dual de una celda de ion Litio utilizando la técnica de optimización por enjambre de partículas modificada”. Ingeniería 28, no. 1 (November 20, 2022): e17304. Accessed December 7, 2022. https://revistas.udistrital.edu.co/index.php/reving/article/view/17304.

Vancouver

1.
Gutierrez Castillo F, Montes Villa KS, Villegas Ceballos JP, Escudero Quintero C. Parametrización de modelo de circuito equivalente de polarización dual de una celda de ion Litio utilizando la técnica de optimización por enjambre de partículas modificada. Ing. [Internet]. 2022Nov.20 [cited 2022Dec.7];28(1):e17304. Available from: https://revistas.udistrital.edu.co/index.php/reving/article/view/17304

Download Citation

Visitas

29

Dimensions


PlumX


Downloads

Download data is not yet available.