Você está na página 1de 94

FACULDADE DE E NGENHARIA DA U NIVERSIDADE DO P ORTO

Sistema de Gestão de Baterias de Iões


de Li Orientado ao Modelo da Bateria

Luís Carlos Vieira Pereira

Mestrado Integrado em Engenharia Eletrotécnica e de Computadores

Orientador: Adriano da Silva Carvalho (Professor Doutor)


Coorientador: Armando Luís Sousa Araújo (Professor Doutor)

4 de fevereiro de 2013

c Luís Carlos Vieira Pereira, 2013
Resumo

Devido às metas impostas a todos os países para diminuir as emissões de carbono para a
atmosfera, por forma a reduzir os níveis de poluição atuais, e quase iminente esgotamento dos
depósitos mundiais de petróleo, os veículos elétricos têm vindo a ganhar posição no mercado e
por isso vários estudos estão a ser feitos para os tornar mais eficientes e seguros, sendo que o seu
maior obstáculo, atualmente, é a reduzida autonomia.
Neste documento apresenta-se o estudo de um modelo capaz de caraterizar baterias de polí-
meros de lítio com bastante precisão. Este é construído por forma a usar as vantagens do modelo
KiBaM, que aproxima as reações eletroquímicas, e dos modelos elétricos, descrevendo o compor-
tamento tensão-corrente da bateria. É um modelo intuitivo e de uma complexidade que permite a
fácil implementação num sistema embarcado de um veículo elétrico.
É, também, introduzido um equivalente elétrico de todo o modelo permitindo a sua simulação
em software próprio para esse fim, e co-simulação com outros componentes elétricos.
Por último é demonstrado um sistema de gestão de baterias, composto pela implementação de
todo o modelo num micro-controlador para monitorização num veículo elétrico, bem como uma
intuitiva interface para o utilizador que disponibiliza todas as informações do estado da bateria e
das condições de funcionamento.

Palavras-Chave: Veículo Elétrico, Bateria, Modelo de Bateria, KiBaM, Sistema de Gestão de


Baterias, BMS.

i
ii
Abstract

Due to the goals imposed on all countries to minimize carbon emissions to the atmosphere, in
order to reduce current pollution levels, and the almost imminent depletion of world oil deposits,
electric vehicles have been gaining market share, so, many efforts are being made to turn them
into more efficient and secure vehicles, being their biggest disadvantage the small distance range.
This document presents the study of a model able to describe lithium polymer batteries with
great accuracy. It is design to use the advantages of the KiBaM, which models the electrochemical
reactions, and electric models, describing the current-voltage behavior of the battery. It is an
intuitive model and has a complexity that allows easy implementation in embedded system of an
electric vehicle. It is also introduced an electrical equivalent of this model allowing simulation on
software specifically design for that purpose, and co-simulation with other electrical components.
In the last part, a battery management system is presented, comprising the implementation of
the model in a microcontroller for battery monitoring in an electric vehicle and an intuitive user
interface that provides all information of battery status and operating conditions.

Keywords: Electric Vehicle, Battery, Battery Model, KiBaM, Battery Management System,
BMS.

iii
iv
Agradecimentos

Segue-se um momento especial, de agradecimento às pessoas que maior influência tiveram no


meu percurso de vida e académico, e dos quais nada disto seria possível.

Um agradecimento ao meu orientador, Prof. Adriano da Silva Carvalho, pelo apoio dado e
pela oportunidade de trabalhar neste tema, e ao co-orientador, Prof. Armando Luís Sousa Araújo,
pelas direções dadas no sentido de obter uma melhor solução para o projeto em causa.

Agradeço aos meus pais pelo sustento que me proporcionou seguir o percurso académico, e
por me terem dado o dom da vida.

Aos meus grandes amigos criados nesta instituição, ao Daniel Magalhães pela força e ajuda
que sempre proporcionou quando algo não corria bem e pelo prazer de realizar a dissertação em
parceria onde o apoio mútuo nunca cessou, ao Ricardo Ferreira por todo o apoio e ajuda sempre
que um obstáculo surgia, pela consideração que sempre teve e pelo prazer de trabalhar com ele
e dos Brainstormings que criaram soluções onde nada mais fazia sentido e ao Carlos Queirós,
pela disponibilidade sempre existente em ajudar. A todos eles um agradecimento extra por todas
as conversas e alegrias proporcionadas, e sem eles o percurso nesta instituição não teria sido o
mesmo.

Ao meu grande e de longa data amigo Gustavo Sousa, por tudo o que fez por mim ao longo
de todos estes anos, académica e pessoalmente. Foi um prazer enorme fazer este percurso sempre
com ele, e por sempre o ter disponível para qualquer coisa.

O meu maior agradecimento à minha querida namorada, Freckles, que sempre me apoiou,
motivou e deu força, e ajudou mais do que imagina, fazendo tudo por mim. Sem ela nada disto
tinha sido possível. A ela que mudou a forma como vejo o mundo e dá-me a felicidade e alegria
que todos conhecem.

A todos os que se cruzaram e fizeram parte do meu percurso, com eles muito aprendi.

Os meus mais sinceros agradecimentos.

Luís Pereira

v
vi
“Roads?
Where we’re going, we don’t need roads.”

Doc Brown.

vii
viii
Conteúdo

1 Introdução 1
1.1 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Estrutura da Dissertação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2 Revisão Bibliográfica 5
2.1 Baterias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.1 Funcionamento das Baterias . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1.2 Principais conceitos inerentes às baterias . . . . . . . . . . . . . . . . . 7
2.1.3 Condições que alteram as caraterísticas e comportamento das baterias . . 8
2.1.4 Tipos de Baterias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Modelos de Baterias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.1 Modelos Eletroquímicos . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.2 Modelos Estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.3 Modelos Elétricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.4 Modelos Analíticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Sistema de Gestão de Baterias (BMS) . . . . . . . . . . . . . . . . . . . . . . . 20
2.3.1 Monitorização da Bateria e Estado da Bateria . . . . . . . . . . . . . . . 21
2.3.2 Gestão da Bateria e Gestão de Energia . . . . . . . . . . . . . . . . . . . 23

3 Ensaios Laboratoriais às Baterias 25


3.1 Equipamentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2 Procedimentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.4 Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

4 Estimação de Parâmetros 33
4.1 Modelo adotado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.3 Algoritmo de extração dos parâmetros . . . . . . . . . . . . . . . . . . . . . . . 35
4.4 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.5 Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

5 Simulação do Modelo 43
5.1 Interface entre Estado de Carga e Tensão de Circuito Aberto . . . . . . . . . . . 43
5.2 Implementação do Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.3 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.3.1 Ensaios com perfis de carga pulsados . . . . . . . . . . . . . . . . . . . 45
5.3.2 Ensaio com perfil de carga constante . . . . . . . . . . . . . . . . . . . . 48

ix
x CONTEÚDO

5.4 Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

6 Sistema de Gestão de Baterias (BMS) 53


6.1 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
6.2 Implementação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
6.3 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
6.4 Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

7 Conclusões e Trabalho Futuro 61


7.1 Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
7.2 Trabalho Futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

A Avaliação da qualidade de aproximação 63


A.1 Valor médio e Desvio padrão . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
A.2 Soma do quadrado dos erros de previsão (SSE) . . . . . . . . . . . . . . . . . . 63
A.3 Coeficiente de determinação (R-square) . . . . . . . . . . . . . . . . . . . . . . 64
A.4 Coeficiente de determinação ajustado (R-square ajustado) . . . . . . . . . . . . . 64
A.5 Erro quadrático médio (RMSE) . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

B Blocos de controlo usados na simulação do modelo 65


B.1 Ponte SOC-OCV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
B.2 Coeficientes Variáveis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

C Simulação dos ensaios às baterias 69


C.1 Simulação do Ensaio 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
C.2 Simulação do Ensaio 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

Referências 75
Lista de Figuras

2.1 Critérios necessários na performance de baterias de EV. . . . . . . . . . . . . . . 6


2.2 Componentes e Reações eletroquímicas existentes no interior da bateria. . . . . . 7
2.3 Influência da temperatura nos ciclos de vida nas baterias de hidretos metálicos de
níquel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4 Influência do DOD nos ciclos de vida da bateria. . . . . . . . . . . . . . . . . . 10
2.5 Comparação energia e potência específicas de várias tecnologias de armazenamento. 11
2.6 Ciclos de carga e descarga de uma bateria de iões de lítio. . . . . . . . . . . . . . 12
2.7 Cadeia Simples de Markov na modelização de baterias . . . . . . . . . . . . . . 14
2.8 Cadeia Completa de Markov na modelização de baterias . . . . . . . . . . . . . 14
2.9 Modelo elétrico básico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.10 Modelo elétrico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.11 Gráfico do custo J com diferentes pesos w1 e w2 . . . . . . . . . . . . . . . . . . 17
2.12 Representação do modelo KiBaM. . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.13 Representação do modelo de difusão. . . . . . . . . . . . . . . . . . . . . . . . 19
2.14 Estrutura de camadas de BMS. . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.15 Processos realizados na camada de Monitorização da Bateria. . . . . . . . . . . . 21

3.1 Carga eletrónica programável. . . . . . . . . . . . . . . . . . . . . . . . . . . . 26


3.2 Bateria de polímeros de Lítio Ensaiada. . . . . . . . . . . . . . . . . . . . . . . 26
3.3 Tensão experimental em ensaio a 1.1A constante. . . . . . . . . . . . . . . . . . 27
3.4 SOC experimental em ensaio a 1.1A constante. . . . . . . . . . . . . . . . . . . 28
3.5 Tensão experimental em ensaio a 7.7A. . . . . . . . . . . . . . . . . . . . . . . 29
3.6 SOC experimental em ensaio a 7.7A. . . . . . . . . . . . . . . . . . . . . . . . . 29
3.7 Comportamento da tensão num período de relaxamento em ensaio a 7.7A. . . . . 30
3.8 Tensão experimental em ensaio a 9.9A e repouso de 8min. . . . . . . . . . . . . 31
3.9 SOC experimental em ensaio a 9.9A e repouso de 8min. . . . . . . . . . . . . . 31
3.10 Comportamento da tensão num período de relaxamento em ensaio a 9.9A. . . . . 32

4.1 Modelo de bateria adotado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34


4.2 Tensão aos terminais da bateria num período de relaxamento. . . . . . . . . . . . 34
4.3 Algoritmo de extração de parâmetros para o modelo adotado. . . . . . . . . . . . 36
4.4 Resistência série (Rseries ) dos cinco ensaios à bateria em função do SOC. . . . . . 37
4.5 Resistência de transitórios rápidos (RtransS ) dos cinco ensaios à bateria em função
do SOC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.6 Condensador de transitórios rápidos (CtransS ) dos cinco ensaios à bateria em função
do SOC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.7 Resistência de transitórios lentos (RtransL ) dos cinco ensaios à bateria em função
do SOC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

xi
xii LISTA DE FIGURAS

4.8 Condensador de transitórios lentos (CtransL ) dos cinco ensaios à bateria em função
do SOC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.9 Eficácia das aproximações face aos dados experimentais. . . . . . . . . . . . . . 40

5.1 Implementação do modelo elétrico no software PSIM. . . . . . . . . . . . . . . . 44


5.2 Tensão Experimental vs. Tensão Simulação (Valores constantes e variáveis) no
ensaio pulsado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.3 Erro da simulação face aos resultados experimentais no ensaio pulsado. . . . . . 46
5.4 Tensão Experimental vs. Tensão Simulação (Valores constantes e variáveis) no
ensaio pulsado e até 20% de SOC. . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.5 Erro da simulação face aos resultados experimentais no ensaio pulsado e até 20%
de SOC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.6 Tensão Experimental vs. Tensão Simulação (Valores constantes e variáveis) no
ensaio de corrente constante. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.7 Erro da simulação face aos resultados experimentais no ensaio de corrente constante. 49
5.8 Tensão Experimental vs. Tensão Simulação (Valores constantes e variáveis) no
ensaio de corrente constante e até 20% de SOC. . . . . . . . . . . . . . . . . . . 50
5.9 Erro da simulação face aos resultados experimentais no ensaio de corrente cons-
tante e até 20% de SOC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

6.1 Hardware utilizado para implementação do modelo da bateria. . . . . . . . . . . 54


6.2 Algoritmo implementado no hardware para simulação do modelo. . . . . . . . . 55
6.3 Funcionamento da interface para o utilizado do BMS. . . . . . . . . . . . . . . . 56
6.4 Interface do BMS durante uma descarga da bateria. . . . . . . . . . . . . . . . . 57
6.5 Interface do BMS durante o final da descarga da bateria. . . . . . . . . . . . . . 57
6.6 Interface do BMS durante o carregamento da bateria. . . . . . . . . . . . . . . . 58

B.1 Bloco ponte entre o SOC e a OCV da bateria. . . . . . . . . . . . . . . . . . . . 65


B.2 Implementação do modelo elétrico no software PSIM com parâmetros variáveis. . 66
B.3 Bloco de estimação da tensão na malha RC, em função do tempo, para os parâme-
tros associados ao SOC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
B.4 Bloco de determinação dos valores dos parâmetros da malha RC em função do SOC. 67

C.1 Tensão Experimental vs Tensão Simulação (Valores constantes e variáveis) no en-


saio 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
C.2 Erro da simulação face aos resultados experimentais no ensaio 2. . . . . . . . . . 70
C.3 Tensão Experimental vs Tensão Simulação (Valores constantes e variáveis) no en-
saio 2 e até 20% de SOC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
C.4 Erro da simulação face aos resultados experimentais no ensaio 2 e até 20% de SOC. 71
C.5 Tensão Experimental vs Tensão Simulação (Valores constantes e variáveis) no en-
saio 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
C.6 Erro da simulação face aos resultados experimentais no ensaio 3. . . . . . . . . . 72
C.7 Tensão Experimental vs Tensão Simulação (Valores constantes e variáveis) no en-
saio 3 e até 20% de SOC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
C.8 Erro da simulação face aos resultados experimentais no ensaio 3 e até 20% de SOC. 73
Lista de Tabelas

3.1 Especificações da Carga eletrónica programável. . . . . . . . . . . . . . . . . . . 26


3.2 Especificações da bateria de polímeros de Lítio Ensaiada. . . . . . . . . . . . . . 26

4.1 Descrição dos ensaios usados para extração de parâmetros. . . . . . . . . . . . . 37

5.1 Comparação de aproximação de OCV em função do SOC por polinomiais de di-


ferentes graus. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.2 Coeficientes do polinómio de grau 4 que associa SOC a um valor de OCV. . . . . 44
5.3 Erros da simulação de 3 ensaios com perfis de corrente de carga pulsados. . . . . 48
5.4 Erros da simulação do ensaio de corrente de carga constante. . . . . . . . . . . . 51

6.1 Erros da simulação do modelo no micro-controlador arduino. . . . . . . . . . . . 59

xiii
xiv LISTA DE TABELAS
Abreviaturas e Símbolos

Abreviaturas
BMS Battery Management System (Sistema de Gestão de Baterias)
EV Electric Vehicle (Veículo Elétrico)
FEUP Faculdade de Engenharia da Universidade do Porto
HEV Hybrid Electric Vehicle (Veículo Híbrido Elétrico)
KiBaM Kinetic Battery Model (Modelo de Bateria Cinético)
Li-ion Lithium Ion (Iões de Lítio)
Li-poly Lithium Polymer (Polímeros de Lítio)
OCV Open Circuit Voltage (Tensão de circuito aberto)
R-square Coeficiente de determinação
RMSE Root-Mean-Square Error (Erro quadrático médio)
SOC State Of Charge (Estado de Carga)
SOH State Of Health (Estado de vida)
SSE Sum of Squared Errors of prediction (Soma do quadrado dos erros de previsão)

Símbolos
CtransS Condensador de transitórios rápidos
CtransL Condensador de transitórios lentos
Rseries Resistência série da bateria
RtransS Resistência de transitórios rápidos
RtransL Resistência de transitórios lentos

xv
Capítulo 1

Introdução

Na sociedade atual enfrentamos um problema cada vez mais emergente no que diz respeito
aos níveis de poluição produzidos, que afetam não só o planeta como as condições de vida das
populações.
Urge, por isso, mudanças nos hábitos das pessoas e na produção de energia, pois é esta área
onde se encontra a maior quota-parte da poluição atmosférica, devido ao uso de combustíveis fós-
seis para tal tarefa. Noutra perspetiva os combustíveis fósseis pertencem ao grupo de energias não
renováveis, e os depósitos mundiais estão a ficar vazios sendo previsto que se atinja brevemente
esse estado se o consumo se mantiver no ritmo atual [1]. Tendo isto em vista, vários esforços estão
a ser feitos para que a dependência da sociedade nestes combustíveis seja reduzida, nomeadamente
no recurso a energias renováveis para a produção de energia.
Uma outra área que se encontra em mudança é a mobilidade, onde os veículos comuns utilizam
motores de combustão interna que recorrem a combustíveis fósseis para o seu funcionamento,
sendo por isso classificados como grandes fontes de poluição, sobretudo nos centros urbanos onde
a sua densidade é maior. Neste panorama vemos um aumento cada vez mais acentuado da oferta
de veículos movidos a energia elétrica que não só diminuem as emissões de gases nocivos como
também os consumos de combustível e, devido às metas de emissões de carbono impostas, é certo
que essa oferta irá continuar a crescer no futuro.
Os veículos elétricos (EV), apesar das vantagens referidas, têm diversas desvantagens que re-
duzem a sua competitividade perante os veículos de combustão interna atuais, nomeadamente o
seu preço e a sua autonomia. Se no primeiro caso uma descida pode ser esperada com a massifica-
ção destes veículos, a autonomia é um problema que apenas pode ser resolvido mediante melhorias
nos componentes que a constituem: o sistema de armazenamento de energia e a sua gestão. Novas
tecnologias têm sido desenvolvidas para que se consiga armazenar energia de forma mais efici-
ente, como ser possível guardar maiores quantidades de energia num equipamento cada vez mais
pequeno para que não interfira na performance do veículo. Já os sistemas de gestão atuais são,
muitas vezes, imprecisos levando a uma previsão errada da energia disponível o que pode levar a
que o veículo fique imobilizado mesmo contendo ainda carga disponível para se movimentar, ou
até levar a que o equipamento de armazenamento seja levado para limites da sua destruição. Tal

1
2 Introdução

funcionamento deve-se muitas vezes ao uso de sistemas de gestão que não têm em atenção as ca-
raterísticas do sistema de armazenamento a que estão associados, ao seu envelhecimento ou até às
condições de operação a que está sujeito, assumindo sempre um funcionamento padrão estipulado
na sua conceção.
Um outro problema da estimação incorreta de energia disponível surge com o aumento de
componentes elétricos nos veículos para melhorar o conforto e a sua confiança perante os condu-
tores, onde uma falha de energia não prevista pode ter consequências graves.
São, por isso, necessários estudos nesta área que permitam a aprendizagem destes sistemas em
tempo-real, levando a previsões mais corretas da energia disponível no sistema de armazenamento,
bem como do estado de vida deste. Da mesma forma é necessário que se previna falhas nos
componentes essenciais ao bom funcionamento do veículo e segurança dos passageiros, fazendo
uma gestão inteligente da energia e alertando o condutor quando um carregamento ou reparação
são necessários para evitar danos maiores.

1.1 Objetivos
Esta dissertação propõe, em complemento ao trabalho realizado na dissertação [2], o desen-
volvimento e implementação de um sistema de gestão de baterias capaz de obter resultados mais
precisos e eficazes, servindo de concorrente perante as soluções existentes que pecam por erros
na estimação dos extremos de estado de carga, levando a um uso incompleto da bateria, ou até a
um uso extremo. Com esse objetivo em mente, o desenvolvimento da dissertação foi dividido nas
etapas.

1. Adoção de um modelo que melhor traduza o comportamento da bateria para a aplicação


desejada.

2. Desenvolvimento de um algoritmo de extração de parâmetros para esse modelo com base


em resultados experimentais.

3. Desenvolvimento de um sistema de gestão de baterias e da respetiva interface para imple-


mentação num veículo elétrico.

1.2 Estrutura da Dissertação


Este documento tem como objetivo descrever o trabalho realizado ao longo da dissertação
referida em título, e onde é seguida uma estruturação em 7 capítulos.
O primeiro capítulo pretende apresentar uma introdução ao tema e a motivação que levou ao
seu estudo. São, também, apresentados os objetivos propostos e a estrutura de todo o documento,
sendo este o capítulo atual.
O capítulo 2 introduz a revisão bibliográfica realizada para perceção do tema e de todos os
componentes envolvidos no desenvolvimento, isto é, a baterias, ao seus modelos existentes e a
1.2 Estrutura da Dissertação 3

sistemas de gestão de baterias. São também apresentadas diversas abordagens que permitem obter
os objetivos propostos, bem como alguns trabalhos relacionados com a área do projeto.
Os ensaios realizados às baterias estudadas ao longo da dissertação são demonstrados no ca-
pítulo 3, onde são descritos os equipamentos utilizados e as suas caraterísticas. São também
explicadas as condições dos ensaios e os resultados obtidos.
O quarto capítulo apresenta o modelo adotado e estudado para as baterias em causa e a abor-
dagem para identificação dos parâmetros a ele associados recorrendo aos dados extraídos dos
ensaios. Por fim são apresentados e comentados os resultados obtidos da parametrização nessa
abordagem.
O capítulo 5 avalia a qualidade dos parâmetros encontrados em representar a bateria em estudo
através da simulação do modelo para os vários perfis de carga ensaiados. Apresenta, depois, a
comparação dos erros obtidos em cada simulação face ao ensaio experimental correspondente.
O sistema de gestão de baterias idealizado é apresentado no sexto capítulo deste documento,
onde estão presentes os equipamentos usados para a sua implementação e a sua interface com o
utilizador. Por fim apresentam-se uma avaliação da qualidade dos resultados extraídos da imple-
mentação do modelo adotado face aos obtidos experimentalmente.
Em último lugar surge o capítulo 7, onde são tecidas as conclusões retiradas do trabalho reali-
zado e o trabalho futuro proposto para melhoramento das soluções obtidas.
4 Introdução
Capítulo 2

Revisão Bibliográfica

Este capítulo pretende demonstrar as informações compiladas ao longo do estudo previamente


realizado, por forma a tomar conhecimento dos componentes e conceitos envolvidos no trabalho
proposto. Todas as informações são divididas em três secções essenciais. Em 2.1 são explicados
os sistemas de armazenamento de energia, focando as atenções nas baterias. Nesta área é introdu-
zido o funcionamento das baterias e os diversos conceitos que lhes são associados. A secção 2.2
apresenta diversos modelos usados para caraterizar baterias, bem como as suas vantagens e des-
vantagens. Por último, 2.3 descreve os sistemas de gestão de baterias e o que lhes é exigido para
que possuam um comportamento seguro e eficaz.

2.1 Baterias

Como foi já mencionado, um dos componentes mais importantes dos veículos elétricos (EV)1
é o sistema de armazenamento de energia. Neste terreno, as caraterísticas frequentemente usadas
para comparação de diferentes tipos de tecnologias são a sua capacidade de armazenar grandes
quantidades de energia através de carregamentos rápidos, fornecer essa mesma energia como lhe
é requisitada sem obstáculos, ser leve e compacta, ser eficiente, de baixa manutenção e de baixo
custo. Existem vários tipos de sistemas que obedecem a essas mesmas caraterísticas e são capazes
de serem aplicados em veículos elétricos, nomeadamente: [1, 3, 4, 5, 6, 7]

• Baterias

• Baterias de fluxo

• Células de combustível

• Flywheels

• Super-condensadores
1 Do inglês Electric Vehicle

5
6 Revisão Bibliográfica

Com o objetivo de garantir uma qualidade superior no armazenamento de energia elétrica nos
EV, foi criada uma tabela com as exigências para esses sistemas (figura 2.1), o que levou a que a
escolha mais comum para essa função fosse a bateria.

Figura 2.1: Critérios necessários na performance de baterias de EV (USABC) [3].

2.1.1 Funcionamento das Baterias


Uma bateria é um dispositivo que converte energia química armazenada no seu interior em
energia elétrica através de uma reação eletroquímica de oxidação-redução [8] e é, normalmente,
composta por várias células (podendo, no entanto, ser apenas uma).
Uma célula é constituída por 4 componentes essenciais [3, 5, 8, 9]:

1. O ânodo (ou o elétrodo negativo), que fornece os eletrões ao circuito externo e é oxidado
durante a reação eletroquímica.

2. O cátodo (ou elétrodo positivo), que faz o contrário do anterior, isto é, recebe os eletrões do
circuito externo e sofre uma redução durante a reação eletroquímica.

3. O eletrólito, que serve como meio de transferência de iões, dentro da célula, entre o ânodo
e o cátodo, e é comummente um líquido com boa condutividade iónica.

4. O separador, que impede um curto-circuito entre os elétrodos, mantendo o fluxo de iões. É


um componente que pode não é usado em todos os tipos de baterias.

A figura 2.2 pretende exemplificar as reações associadas ao fluxo de corrente elétrica nas
baterias, entre os componentes enumerados. Num processo de carga (à esquerda) os eletrões fluem
do ânodo para o cátodo através da carga conectada. Já dentro da bateria, ou seja, no eletrólito, a
reação química provoca um fluxo de catiões do elétrodo negativo (ânodo) para o positivo (cátodo)
2.1 Baterias 7

Figura 2.2: Componentes e Reações eletroquímicas existentes no interior da bateria.

e um fluxo de aniões no sentido contrário. Por outro lado, quando a bateria está em recarga (à
direita), e por isso a receber eletrões, os elétrodos invertem de polarização, ficando o ânodo a ser
o positivo e o cátodo a ser o negativo, mantendo-se a direção dos fluxos.

2.1.2 Principais conceitos inerentes às baterias

Cada bateria possui diversos parâmetros que a caraterizam e são, por isso, importantes de se
conhecer o significado. Estes são normalmente obtidos em condições específicas e disponibiliza-
das pelo fabricante, e variam quando funcionam sobre condições diferentes das estipuladas. Nesta
secção pretende-se identificar os que mais serão referidos ao longo deste trabalho e, por isso, mais
significantes [6, 8, 10].

Capacidade (C)
Identifica a energia armazenada na bateria e é, normalmente, expressa em Ampere-hora
(Ah).

Capacidade Nominal (CN )


Representa a capacidade máxima que a bateria é capaz de armazenar. É um valor determi-
nado sobre determinadas condições ambientais e de carga pelo que não corresponde, obri-
gatoriamente, à energia máxima que se consegue tirar da bateria [11]. É, por isso, sempre
um valor fornecido pelo fabricante.

Tensão Nominal
É o valor médio da tensão que se espera observar em toda a descarga da bateria.

Tensão de Circuito Aberto


Este é uma caraterística muito usada pois representa a tensão medida aos terminais da bateria
quando ela não se encontra em carga e pode ser relacionada com a quantidade de energia
8 Revisão Bibliográfica

ainda disponível na bateria. Para a sua correta medição é necessário que após um período
de carga aplicada a bateria, esta repouse durante algum tempo.

Tensão de final de descarga


Corresponde ao valor mínimo de tensão, em carga, que a bateria pode atingir, sob pena de
danos.

Energia Específica
Medida que identifica a quantidade de energia (Wh) por unidade de peso (Kg). É normal-
mente usada para qualificar e comparar baterias.

Densidade Energética
Tem a mesma função que a energia específica mas quantifica a energia por unidade de
volume (m3 ).

Potência Específica
Possui a mesma definição que a energia específica quantificando, no entanto, a potência
(W) por unidade de peso. É outro parâmetro muito usado para comparação de diversas
tecnologias.

Densidade de Potência
Representando o mesmo objetivo da densidade energética, quantifica a potência por unidade
de volume (m3 ).

Profundidade de Descarga
Normalmente referido através do acrónimo DOD2 , a profundidade de descarga pretende
representar a percentagem de capacidade retirada à bateria face à capacidade nominal, nor-
malmente em %.

2.1.3 Condições que alteram as caraterísticas e comportamento das baterias


As baterias são desenhadas, e as suas especificações são disponibilizadas, tendo em conta
determinadas condições de funcionamento. Assim, alterar estas condições leva sempre a que a
bateria se comporte de forma diferente, em grande parte explicado pela alteração dos parâmetros
que a classificam. As condições que mais impacto têm e são mais comuns no ambiente de funci-
onamento das baterias são a temperatura, o envelhecimento, os extremos de carga da bateria e a
profundidade de descarga usada.

Temperatura

A temperatura é, provavelmente, o aspeto das condições de trabalho mais incidente na bateria,


pois dependendo da aplicação, ela pode estar sujeita a uma grande variação da sua grandeza.
Tomando o exemplo dos VE, este pode ser usado numa zona do globo onde as temperaturas são
2 Do inglês Depth of Discharge
2.1 Baterias 9

mais baixas, ou em países caraterizados por temperaturas mais altas, da mesma forma após algum
tempo de funcionamento os componentes do veículo podem elevar a sua temperatura. Por essa
influência os fabricantes designam, normalmente, uma gama de temperaturas onde garantem as
caraterísticas estipuladas. A exposição a temperaturas fora dessa gama durante a descarga, não
só altera caraterísticas, como a capacidade temporária ou permanentemente, mas pode levar à
redução da sua vida útil [8, 12, 13].
Quando a bateria se encontra em funcionamento a uma temperatura superior à estipulada, a
sua resistência interna decresce, o que leva a um ganho na eficiência da bateria passando a estar
disponível uma maior carga. Por outro lado, aumenta também a velocidade das reações químicas
que podem levar a estragos nos componentes internos da bateria [12]. Na figura 2.3 é demonstrada
a influência da temperatura na vida útil de uma bateria de hidretos metálicos de níquel.

Figura 2.3: Influência da temperatura nos ciclos de vida nas baterias de hidretos metálicos de
níquel [12].

Já no caso de temperaturas abaixo do estipulado, a influência varia com o tipo de bateria usada.
No caso das baterias de Iões de Lítio, leva a um aumento da energia necessária para a ocorrência
das reações eletroquímicas, o que implica numa diminuição de iões disponíveis e por isso uma
menor capacidade disponível para extração [13].

Envelhecimento

Todos os equipamentos eletrónicos envelhecem e perdem propriedades durante a sua vida,


fundamentalmente devido ao desgaste dos seus componentes. No caso das baterias esse desgaste
traduz-se, normalmente, na perda da capacidade disponível para extração, o que, ao fim de algum
tempo, torna impossível o bom funcionamento das aplicações dependentes.
10 Revisão Bibliográfica

A perda de capacidade, resulta de reações indesejadas, como a decomposição do eletrólito e


dissolução do material ativo, traduzindo-se num aumento da resistência interna da célula e, em
casos extremos, na sua falha total [14].

Sobrecarga e Subcarga

Quando, num processo de carga de uma bateria, se ultrapassa o limite máximo de tensão es-
tipulado, acontece um fenómeno denominado sobrecarga, que leva a que novas reações químicas
aconteçam e danificam a bateria. Estes danos são justificados pelo fato de após todos os cons-
tituintes químicos ativos terem sido transformados, continuar a fornecer energia à bateria leva à
quebra de componentes que não poderão voltar a ser recombinados. Os sintomas mais comuns
de uma sobrecarga são o aumento da sua temperatura e pressão, causando inchaço da bateria,
curto-circuitos internos e interrupção de pistas de condução e, em caso extremo, explosão [12].
Por outro lado uma descarga excessiva, ou seja, quando a tensão aos terminais da bateria desce
abaixo do limite mínimo estipulado, pode também causar danos e acelerar substancialmente o seu
envelhecimento [12].

2.1.3.1 Profundidade de Descarga

Recuperando o conceito referido em 2.1.2, quando uma bateria está sujeita a elevados DOD
de forma frequente, o seu tempo de vida diminui consideravelmente como pode ser visto na fi-
gura 2.4 [12], sobretudo em baterias como as de Li-ion, onde esta ação consome mais ciclos de
vida. Quando uma bateria está sujeita a períodos de descargas (e por consequente cargas) parciais,
o número de ciclos de vida gastos são menores. De notar, no entanto, que este fenómeno é mais
notado quando a bateria está sujeita ao mesmo perfil de descarga durante toda a sua vida [12].

Figura 2.4: Influência do DOD nos ciclos de vida da bateria [12].


2.1 Baterias 11

2.1.4 Tipos de Baterias


Existem vários tipos de baterias constituídas por diferentes materiais, dos quais são normal-
mente usadas em EV as apresentadas de seguida [3, 4, 6]:

• Ácido-Chumbo (Pb-acid)

• Níquel-Cádmio (NiCd)

• Hidretos metálicos de níquel (NiMH)

• Iões de lítio (Li-ion)

• Polímeros de lítio (Li-poly)

• Ar-Zinco (Zn-Air)

• ZEBRA
R

Tendo em consideração os conceitos de energia e potência específicas de uma bateria (2.1.2)


é possível obter uma comparação de tecnologias que compreendem a sua potência, capacidade
e peso. A figura 2.5 possibilita essa comparação entre as baterias de Pb-acid, NiMH e Li-ion,
bem como os super-condensadores e os flywheels, e onde é possível verificar que a tecnologia que
melhor serve as metas definidas para os EV e os veículos híbridos elétricos (HEV)3 é a de Li-ion.

Figura 2.5: Comparação energia e potência específicas de várias tecnologias de armazena-


mento [9].

3 Do inglês Hybrid Electric Vehicle


12 Revisão Bibliográfica

2.1.4.1 Bateria de Iões de Lítio (Li-ion)

Seguindo o funcionamento descrito em 2.1.1, a Li-ion é normalmente composta por um óxido


de lítio-cobalto (LiCoO2 ) a formar o elétrodo positivo e grafite (C6 ) no elétrodo negativo [3, 9] e
cujo comportamento pode ser analisado na figura 2.6.

Figura 2.6: Ciclos de carga e descarga de uma bateria de iões de lítio [9].

Os seus materiais garantem-lhe diversas vantagens em comparação com os outros tipos de


baterias, nomeadamente altas densidades energética e potência, baixo efeito de memória, longos
ciclos de vida, bom funcionamento a uma grande gama de temperaturas, maior tensão de descarga,
baixo auto-descarregamento e baixo tempo de carga, para além de ser reciclável. Apesar de todas
estas vantagens, o seu preço e a necessidade de um complexo circuito de controlo para evitar
sobrecarga ou subcarga são desvantagens que têm causado o atraso na adoção deste tipo de baterias
nos EV e HEV [1, 3, 5, 6, 8, 9].

2.1.4.2 Bateria de Polímeros de Lítio

Uma evolução da bateria Li-ion é a de polímeros de lítio (Li-poly) e recorre a um eletrólito


sólido. Assim, não só é possível obter maior energia e potência específicas, mas também torna a
bateria mais segura no caso de acidentes, por o eletrólito ser de um material mais estável. Para
além disso, a Li-poly possibilita o fabrico de células de qualquer tamanho e forma, facilitando o
2.2 Modelos de Baterias 13

preenchimento dos espaços nos veículos e assim a distribuição do seu peso. Uma maior gama de
temperatura e um aumento nos ciclos de vida são, também, vantagens ganhas nesta evolução [3, 6].

2.2 Modelos de Baterias


No sentido de obter um sistema de gestão de baterias (BMS)4 capaz de satisfazer as exigên-
cias propostas, a adoção de um modelo que represente, com excelente precisão, o comportamento
de uma bateria para uma determinada aplicação, sobretudo o seu estado de carga (SOC)5 , estado
de vida (SOH)6 , e caraterísticas tensão-corrente, é, provavelmente, o aspeto mais significativo.
Atualmente existem vários modelos estudados que se dividem em quatro categorias [15, 16]: ele-
troquímicos, estocásticos, elétricos e analíticos.

2.2.1 Modelos Eletroquímicos

Os modelos que descrevem o comportamento da bateria com maior detalhe são os eletroquí-
micos, por usarem equações diferenciais não lineares para descrever os processos químicos que
acontecem no seu interior. No entanto essa precisão torna os modelos complexos levando a uma
dificuldade na configuração de todos os parâmetros envolvidos [16].
O exemplo mais usado deste tipo de modelos foi desenvolvido por Doyle para simular baterias
de lítio e de Li-ion, e consiste em seis equações diferenciais não lineares que têm como soluções os
valores de tensão e corrente em função do tempo, bem como o estado dos constituintes internos,
como o eletrólito e o elétrodo [15]. Este modelo é passível de ser testado através do Dualfoil,
um programa gratuito escrito na linguagem de programação Fortran [17], que permite fazer a
simulação de baterias Li-ion e obter o seu comportamento ao longo do tempo para um determinado
perfil de carga. O grande problema associado a este programa é a exigência de configuração de
50 parâmetros, o que implica um grande conhecimento de todas as caraterísticas da bateria em
causa [15].
Com esta descrição é visível que este tipo de modelos requer um intenso poder computacional
o que dificulta a sua implementação em aplicações de tempo-real e pode ser necessário horas ou
até dias para simular um dado perfil de carga [14], sendo, no entanto, muito útil para comparação
da precisão de outros modelos [16].

2.2.2 Modelos Estocásticos

Estes modelos focam-se no efeito de recuperação o que permite uma boa descrição do com-
portamento em descargas pulsadas, não sendo, no entanto, muito eficaz em perfis de correntes
arbitrários e com correntes de descarga variáveis [16]. São modelos bastante usados em dispo-
sitivos de comunicação de rádio onde uma parte considerável do seu tempo de funcionamento é
4 Do inglês Battery Managment System
5 Do inglês State Of Charge
6 Do inglês State Of Health
14 Revisão Bibliográfica

passado em repouso, apenas emitindo uma transmissão em limitados períodos de tempo, o que
se traduz num esquema em que a corrente requisitada é bastante reduzida aumentando apenas
aquando da transmissão [18].
Segundo M.R. Jongerden e B.R. Haverkor [15], este tipo de modelos descreve a bateria se-
gundo uma abstração de mais alto nível quando comparado com os modelos eletroquímicos e
elétricos, realizando uma modelização segundo cadeias de Markov em tempo discreto. A bateria
é assim modelizada por um determinado número de estados correspondentes a unidades de carga
disponíveis, determinadas pela quantidade de energia necessária para uma transmissão de dados
num dispositivo de comunicação rádio. Na figura 2.7 está representado um exemplo simples da
aplicação deste modelo, onde a cada intervalo de tempo há um consumo de unidade de carga com
probabilidade a1 = q ou uma recuperação com probabilidade de a0 = 1 − q. A bateria entende-se
como vazia quando atinge o estado 0 ou quando é consumido um número de unidades de carga
igual à sua capacidade.

Figura 2.7: Cadeia Simples de Markov na modelização de baterias [15].

Devido à simplicidade do modelo, este possui diversos problemas, como o facto de não ter
em conta que a fração de recuperação não é constante durante a descarga, ou da corrente variar
com o tempo. Assim, existe um modelo mais completo, com variáveis que pretendem traduzir
todo o comportamento da bateria durante um processo de descarga. Na figura 2.8 é demonstrada
esta nova cadeia, onde qi representa a probabilidade de i unidades de carga serem consumidas
num intervalo de tempo, p j ( f ) a probabilidade de recuperar uma unidade de carga em função do
número de unidades retiradas previamente, e r j ( f ) a probabilidade de se manter no mesmo estado
(não recupera nem consume unidades de carga) [15].

Figura 2.8: Cadeia Completa de Markov na modelização de baterias [15].


2.2 Modelos de Baterias 15

Após uma implementação deste modelo a uma bateria de iões de lítio [18] e comparado como
o Dualfoil confirma-se que estes modelos obtêm uma boa representação do comportamento da
bateria quando exposta a perfis de carga pulsados.

2.2.3 Modelos Elétricos


Devido à complexidade associada aos modelos eletroquímicos e para uma melhor modeliza-
ção das caraterísticas tensão-corrente das baterias foram desenvolvidos os modelos elétricos. Estes
consistem numa combinação de componentes elétricos básicos, como fontes de tensão e corrente,
resistências e condensadores, e permitem a simulação e co-simulação com outros circuitos e sis-
temas elétricos [16, 19].
O circuito equivalente mais simples é o da figura 2.9 onde apenas é usada uma fonte de tensão
para representar a tensão de circuito aberto aos terminais da bateria (OCV)7 e uma resistência
associada aos contactos, elétrodos e eletrólito (Rs ). Sendo verdade que o circuito é bastante sim-
ples, de fácil e rápida simulação, ele apenas representa as transições das grandezas associadas com
degraus instantâneos.

Figura 2.9: Modelo elétrico básico [20].

Como na realidade a bateria possui uma resposta transitória, é mais comum o uso de malhas
RC paralelas adicionadas ao circuito da figura 2.9, que permitem uma melhor previsão desta res-
posta em função da corrente de carga e do SOC [19]. Por outro lado, como a OCV da bateria varia
com o SOC, é comum usar-se uma fonte de tensão controlável que permite uma definição da sua
amplitude em função desse mesmo valor. Nestas condições, a bateria é normalmente modelizada
com base no circuito da figura 2.10 constituído por duas partes: à esquerda, o condensador e a
fonte de corrente controlável, que identificam a capacidade, o SOC e o tempo restante de trabalho
da bateria, e a parte direita, que permite a relação entre a corrente de carga e a tensão aos terminais
da bateria [16, 19, 21].
No entanto surge uma nuance neste tipo de circuitos, enquanto que com um maior número
de malhas RC obtém-se uma melhor precisão no comportamento tensão-corrente da bateria, este
acréscimo também implica uma maior complexidade e por consequência maior dificuldade na
implementação em aplicações de tempo real [21].

7 Do inglês Open Circuit Voltage


16 Revisão Bibliográfica

Figura 2.10: Modelo elétrico [21].

Tendo em mente que se pretende um modelo que tenha um baixo erro mas, em simultâneo, uma
execução rápida para aplicações de tempo-real, Zhang Hanlei e Chow Mo-Yuen [21] apresentam
um estudo de três dos modelos elétricos referidos mais usados (com uma, duas e três malhas
RC) comparando o erro de modelização e o tempo de execução. Assim é definido o problema
como uma otimização multi-objetivo traduzida pela equação (2.1), onde J1 representa o erro de
modelização, J2 o tempo de execução, w1 e w2 os pesos dados a cada um desses parâmetros, e J1∗
e J2∗ os erros máximos permitidos.

min J = w1 J1 (m) + w2 J2 (m) com J1 ≤ J1∗ e J2 ≤ J2∗ (2.1)

Assim, o gráfico da figura 2.11 pretende minimizar o custo J, utilizando diversos pesos w1 e
w2 [21].
Analisando a figura 2.11 é possível concluir que o aumento das malhas RC diminui o custo
da função objetivo, e que essa diferença é mais acentuada na passagem de uma para duas malhas.
Aumentando para lá desta quantidade, o custo tem uma descida melhor, iniciando, eventualmente,
um aumento.

2.2.4 Modelos Analíticos

Com o objetivo de simplificar os modelos electroquímicos, mantendo uma boa descrição dos
efeitos não-lineares da capacidade e previsão do tempo de descarga, foram desenvolvidos os mo-
delos analíticos. Estes modelos produzem bons resultados na previsão do SOC e do tempo de
descarga para determinados perfis de correntes de carga, não sendo, no entanto, capazes de des-
crever as caraterísticas tensão-corrente da bateria [16].
Numa bateria ideal a tensão aos seus terminais é constante, até a sua completa descarga, e
a sua capacidade tem o mesmo valor independentemente da corrente de carga, o que torna fácil
o cálculo do tempo de descarga (L) pela equação (2.2), onde C é a capacidade da bateria e I a
corrente de carga (constante) [22].

C
L= (2.2)
I
2.2 Modelos de Baterias 17

Figura 2.11: Gráfico do custo J com diferentes pesos w1 e w2 [21].

No entanto, devido a não-linearidade do comportamento da bateria real, W. Peukert definiu


uma simples aproximação, onde esse aspeto é já tido em conta, conhecida como lei de Peukert [22]
e definida pela equação (2.3).

a
L= (2.3)
Ib
As constantes a > 0 e b > 1 são caraterísticas associadas à bateria em causa. Esta lei não
considera cargas variáveis e por isso perfis com a mesma média de corrente resultam em valores
idênticos de tempo de descarga, o que não acontece na realidade, devido ao efeito de recuperação
das baterias.
Existem dois modelos analíticos frequentemente usados que incluem uma boa aproximação
do efeito de recuperação, tornando-se por isso mais precisos: o Modelo de Bateria Cinético (Ki-
BaM)8 [15, 16, 22] e o Modelo de Difusão9 [15, 16].

Modelo de bateria cinético (KiBaM)

Este é um modelo analítico muito intuitivo que usa como definição os processos associados à
cinética química, descrevendo o comportamento da capacidade de uma bateria como dois tanques
com a carga distribuída entre eles, como apresentado na figura 2.12. O tanque correspondente
a carga disponível10 assume uma fração c da capacidade total (denominada por y1 ) enquanto o
8 Do inglês Kinetic Battery Model
9 Do inglês Diffusion Model
10 Representado por Available Charge na figura 2.12
18 Revisão Bibliográfica

segundo tanque11 recebe a capacidade restante (denominada por y2 ).

Figura 2.12: Representação do modelo KiBaM [22].

O tanque que contém a carga disponível fornece eletrões diretamente a carga, e é sustentado
pelo segundo tanque através da válvula k. O fluxo de carga que viaja entre os dois tanques depende
da diferença de altura entre eles e da abertura de k. A evolução da carga nos tanques é representada
por o sistema de equações diferenciais (2.4), onde h1 = y1 /c e h2 = y2 /1 − c [15, 16, 22].

 dy1 = −i(t) + k(h − h )
dt 2 1
(2.4)
 dy2 = −k(h − h )
dt 2 1

O funcionamento do modelo pode, essencialmente, ser dividido em duas fases: quando uma
corrente é aplicada à bateria, a carga disponível diminui e a diferença de altura entre os tanques
aumenta, enquanto no período de ausência de corrente de carga, alguma carga disponível é res-
taurada pelo fluxo que se cria entre os dois tanques até que as alturas voltem a ser iguais. Com
isto conclui-se que quando a bateria é submetida a um período de repouso, há um aumento da
carga disponível e por isso o tempo de descarga aumenta, um processo que descreve o efeito de
recuperação [15, 16, 22].
Para uma implementação mais acessível, é possível simplificar as equações (2.4) através de
transformadas de Laplace e assumindo um valor de corrente constante (i(t) = I), obtendo o sis-
tema (2.5), com k0 = k/c(1 − c), y1,0 e y2,0 correspondem às cargas iniciais em cada um dos
tanques, e y0 = y1,0 + y2,0 [15, 16].

−k0 t ) −k0 t )

y = y e−k0t + (y0 k0 c−I)(1−e 0
− Ic(k t−1+e
1 1,0 k0 k0
−k0 t ) (2.5)
y = y e−k0t + y (1 − c)(1 − e−k0t ) − I(1−c)(k0t−1+e
2 2,0 0 k 0

11 Representado por Bound Charge na figura 2.12


2.2 Modelos de Baterias 19

Modelo de Difusão

Um outro modelo analítico é baseado na difusão dos iões pelo eletrólito, e herda o seu nome
desse mesmo processo. Este modelo pretende descrever a evolução da concentração dos espé-
cimes eletro-ativos12 no eletrólito e assim prever o tempo de descarga de uma bateria para uma
determinada carga, comportamento demonstrado na figura 2.13 [15].

Figura 2.13: Representação do modelo de difusão [14].

Quando a bateria se encontra completamente carregada, a concentração dos espécimes eletro-


ativos é constante por toda a área do eletrólito (W). No processo de descarga, onde uma carga é
conectada à bateria, as reações eletroquímicas existentes levam à redução da concentração junto
ao elétrodo. Quando a bateria volta a um estado de repouso, onde nenhuma carga lhe é retirada,
os espécimes procedem a uma distribuição mais uniforme no eletrólito, voltando a aumentar a sua
concentração junto ao elétrodo. Por último, a bateria é considerada sem carga quando a concen-
tração dos espécimes é abaixo de um determinado valor que impede as reações químicas de se
manterem. Estas 4 etapas são visíveis na figura 2.13 a,b,c e d respetivamente [15].
De notar ainda que o modelo KiBaM é nada menos que uma aproximação de primeira ordem
do modelo de difusão [15].

12 Do inglês electro-active species


20 Revisão Bibliográfica

2.3 Sistema de Gestão de Baterias (BMS)


Atualmente assistimos a um grande acréscimo na quantidade de componentes elétricos que
compõe os veículos, desenvolvidos com o intuito de aumentar o seu conforto, confiança e eficácia.
Mas estas alterações têm um custo de energia e necessitam, cada vez mais, de melhoramentos
na eficácia dos BMS, pois uma falha no sistema de alimentação dos componentes essenciais dos
veículos pode levar a consequências desastrosas.
Por outro lado, os sistemas elétricos dos veículos clássicos usam a bateria como um equipa-
mento de armazenamento de energia completamente passivo [11]:

• É descarregada sempre que a energia consumida é superior à gerada, independentemente da


carga disponível na bateria.

• É carregada sempre que existe energia gerada e não consumida, independentemente de já


estar ou não no seu estado completo.

Esta situação leva a que a bateria, por vezes, se encontre num SOC onde não é capaz de for-
necer a energia necessária para determinada ação e a insistência nesse sentido pode causar danos.
A utilização de sistemas elétricos mais eficientes é, também, incentivada de modo a diminuir os
gastos energéticos, estimando-se que, no caso dos veículos de combustão interna, seria possível
reduzir o consumo de combustível e um peso de 50kg poupando 100W de perdas elétricas [11].
Assim é possível determinar que a fiabilidade e redundância da fonte de energia são atingidas
por meio de uma boa gestão do fluxo de energia e da bateria [11].
Um bom e funcional BMS necessita de possuir 4 camadas [11]: monitorização, estado e ges-
tão da bateria, bem como a e gestão de energia. Na figura 2.14 estão representadas as camadas
referidas bem como a conexão entre elas.

Figura 2.14: Estrutura de camadas de BMS [11].


2.3 Sistema de Gestão de Baterias (BMS) 21

2.3.1 Monitorização da Bateria e Estado da Bateria

Esta é a área mais básica e no entanto a mais importante de todo o sistema encarregando-se,
sobretudo, da supervisão sem intervenção manual, ou seja, consiste na aquisição e processamento
de dados, bem como em alguma previsão do futuro. A figura 2.15 apresenta o funcionamento e
dependência destes processos [11].

Figura 2.15: Processos realizados na camada de Monitorização da Bateria [11].

Os dados fornecidos pela monitorização são visualizados na camada correspondente ao Es-


tado da Bateria. Existem alguns conceitos associados às baterias que são usados para descrever
determinadas caraterísticas, estados ou mesmo comportamentos inerentes destas.

Estado de Carga (SOC)

O SOC é, provavelmente, o dado mais importante do BMS, pois representa a razão entre a ca-
pacidade atualmente disponível na bateria face a capacidade nominal que ela é capaz de armazenar
(expressão (2.6)) [11].

Capacidade Disponível
SOC = (2.6)
Capacidade Nominal
A capacidade é uma caraterística que tem de ser obtida de forma indireta, pois diz respeito
às reações internas da bateria o que não é passível de medição. Com isto em mente é necessário
procurar obter uma estimação deste valor com base em dados medidos. Assim diversos métodos
existem e ainda mais são estudados para que seja possível, de forma precisa e eficiente, obter um
valor representativo deste conceito.
O método mais comum e simples faz uso da OCV para estimar este valor através da equa-
ção (2.7), onde U atual corresponde a tensão de circuito aberto atual, enquanto U max e U min
representam a OCV máxima e mínima aos terminais da bateria respetivamente [11].

U atual −U min
SOC = (2.7)
U max −U min
22 Revisão Bibliográfica

Apesar de ser um método simples, a sua eficácia é superior no caso das baterias de chumbo-
ácido onde o SOC tem uma grande dependência da OCV. Por outro lado, esta grandeza apenas
pode ser medida quando a bateria se encontra em repouso por algum período de tempo.
Recorrendo ao uso de um bom modelo representativo da bateria, é possível estimar em tempo
real a OCV, mesmo em carga, e com isso determinar o SOC. Hongwen He, Xiaowei Zhang, Rui
Xiong, Yongli Xu e Hongqiang Guo [23] propõem uma abordagem deste tipo para baterias de iões
de lítio.
Outro método bastante comum para estimação do SOC de uma bateria usa a corrente de carga
para determinar a capacidade extraída no período de tempo correspondente a esse perfil [16, 24].
A equação (2.8) descreve este método, onde é apenas tido em conta a capacidade disponível da
bateria (discutida mais sucintamente na secção 2.2.4).
Z
icarga
SOC = SOCinicial − dt (2.8)
Cdisponível

Existem vários métodos de estimação do SOC, Sabine Piller, Marion Perrin e Andreas Jos-
sen [24] apresentam uma grande lista desses bem como as suas vantagens para cada tipo de bateria,
e Xiaosong Hu, Fengchun Sun e Yuan Zou [25] apresentam um método baseado no observador de
Luenberger.

Estado de vida (SOH)

Apesar do SOC ser uma figura que bem representa o estado da bateria, este não tem em conta
o envelhecimento da bateria ou até as influências das condições de trabalho da mesma. Para
solucionar essa lacuna existe o conceito de Estado de vida (SOH)13 .
O SOH pretende, para um determinado SOC, descrever o grau de degradação da bateria [11,
13, 26] e pode ser descrito como a razão entre um determinado valor representativo atual (por
exemplo, a OCV) ξatual e o valor correspondente no início de vida da bateria ξnova [26], como
representado na equação (2.9).

ξatual
SOH = , para determinado (SOC) (2.9)
ξnova
No caso de se recorrer às OCV para estimação do SOH, um método proposto por Eberhard
Meissner e Gerolf Richter [11] consiste na equação (2.10) onde Umin é a tensão mínima atingida
após um determinado perfil de carga, Unova corresponde a esse mesmo valor quando a bateria se
encontra no início de vida, e U1 representa o valor mínimo de tensão aceitável na bateria.

Umin −U1
SOH = , para determinado (SOC) (2.10)
Unova −U1
Outros métodos mais complexos e precisos são estudados para que se obtenha resultados mais
precisos, mas evitando um grande aumento do poder computacional necessário. Andre, Nuhic,
13 Do inglês State of Health
2.3 Sistema de Gestão de Baterias (BMS) 23

Soczka-Guth e Sauer [26] comparam duas abordagens, de redes neuronais e filtro de Kalman na
estimação do SOH.

2.3.2 Gestão da Bateria e Gestão de Energia


O grande fundamento da gestão de energia é garantir que um determinado componente tem
condições de energia para entrar em funcionamento quando necessário. Por outro lado, se é pre-
visível que a tensão ficará num valor perigosamente baixo num futuro próximo, é necessário que
esta camada inicie um decréscimo do consumo de energia ou um aumento na sua geração. Assim,
é de concluir que se trata de uma camada inteligente que gere a energia armazenada por forma a
garantir o funcionamento dos componentes essenciais do veículo prevenindo o utilizador quando
um limite de segurança é atingido, e mesmo que para tal seja necessário desconectar o que não é
essencial [11].
24 Revisão Bibliográfica
Capítulo 3

Ensaios Laboratoriais às Baterias

Depois de definidos todos os objetivos propostos para a dissertação em causa, é necessário


fazer uma aquisição de dados para análise e processamento com o intuito de obter os parâmetros
que caraterizam a bateria em estudo, e assim obter a sua parametrização. Os ensaios realizados
são pulsados, onde um valor de corrente é extraído da bateria durante um período de tempo a que
se segue um outro período de relaxamento, onde a carga é desconectada. Para além disso, são
ensaiados diferentes valores de corrente de carga. Desta forma é possível obter dados relativos ao
período de recuperação da bateria e da evolução da tensão aos seus terminais em função do SOC
e da corrente.
Este capítulo é composto por quatro secções, sendo apresentados os equipamentos usados na
primeira, os procedimentos para definir os ensaios na segunda e os resultados obtidos na sec-
ção 3.3. Por último são retiradas conclusões dos dados observados.

3.1 Equipamentos
Dois componentes são essenciais para o sucesso dos testes efetuados: as baterias e a carga. A
carga utilizada é um equipamento eletrónico que permite a sua programação e assim obter, não só
um grande leque de valores de corrente, tensão, resistência e potência, mas também um qualquer
perfil de carga, seja de apenas duas ou de várias amplitudes. Para além disso, este dispositivo
ainda guarda os dados extraídos (como tensão, corrente e carga retirada ao longo do tempo) que
podem depois ser acedidos.
A carga eletrónica programável a usar é a representada na figura 3.1 e as suas caraterísticas
podem ser encontradas na tabela 3.1.
Por outro lado, a bateria disponibilizada para estudo é uma tecnologia constituída por polí-
meros de lítio, compacta e com o aspeto da figura 3.2. As suas caraterísticas estão explícitas na
tabela 3.2.

25
26 Ensaios Laboratoriais às Baterias

Figura 3.1: Carga eletrónica programável.

Tabela 3.1: Especificações da Carga eletrónica programável.

Marca B&K Precision


Modelo 8510
Potencia 600W
Tensão de entrada 0 - 120V
Corrente de entrada 0 - 120A
Tensão Constante
Corrente Constante
Modos de Funcionamento Potência Constante
Resistência Constante
Teste de Baterias

General Electronics
Marca
Battery Co., Ltd.
Modelo 10059156SH5
Bateria de células de
Tipo
polímeros de lítio
Capacidade Nominal 11000mAh
Tensão Nominal 3.7V
Tensão Máxima
4.20V
(Circuito Aberto)
Tensão Mínima 3.0V

Figura 3.2: Bateria de polímeros de Lítio Ensai- Tabela 3.2: Especificações da bateria de polímeros
ada. de Lítio Ensaiada.
3.2 Procedimentos 27

3.2 Procedimentos
Os testes a realizar, como já foi referido, são pulsados para permitirem duas análises: no
período em que uma carga é imposta à bateria é visível o efeito da transição de corrente e a
evolução da tensão com o tempo, já o relaxamento permite estudar o efeito de recuperação da
mesma. São, por isso, testes que permitem uma extração completa das caraterísticas da bateria,
para vários valores de corrente ou mesmo perfis de carga.
Como a carga eletrónica programável, apresentada na secção 3.1, efetua internamente uma
leitura dos dados necessários, o sistema de ensaios apenas consiste na ligação da bateria aos seus
terminais, iniciando-se após a programação do perfil de corrente pretendido através do modo de
“Teste de Baterias”. Cada teste é programado por forma a seguir o método proposto por Kim
Taesic e Qiao Wei [16] onde a cada período de descarga corresponde aproximadamente 5% de
SOC consumido na bateria.
O SOC pode ser estimado, de uma forma mais simples, fazendo o rácio da capacidade existente
na bateria e da total, onde a primeira é obtida fazendo a diferença entre o valor nominal e o valor
já retirado, adquirido pela carga.

3.3 Resultados
Após a montagem dos equipamentos, procede-se à realização de vários ensaios, a diferentes
correntes de carga e períodos de relaxamento, procurando obedecer sempre ao método referido
na secção 3.2. Apresentam-se assim 3 exemplos de ensaios realizados, onde são apresentados os
dados relativos à tensão aos terminais da bateria e ao SOC estimado.

Figura 3.3: Tensão experimental em ensaio a 1.1A constante.


28 Ensaios Laboratoriais às Baterias

Figura 3.4: SOC experimental em ensaio a 1.1A constante.

Para uma perceção mais completa do comportamento da bateria no processo de descarga, nas
figuras 3.3 e 3.4 é introduzido um ensaio de corrente constante de 1.1A. O valor de corrente usado
justifica-se pelo facto de diminuir a influência das perdas internas à bateria e por isso assume-se
que a tensão representada é próxima da OCV. Confirma-se que a tensão aos terminais tem um
comportamento praticamente linear até cerca de 20% do estado de carga, ponto onde a sua ampli-
tude decresce acentuadamente até atingir o limite de segurança (3V). Ainda pela análise do gráfico
da figura 3.4 verifica-se que é estimada a extração de aproximadamente 96.5% de capacidade o
que significa uma extração quase completa, justificando-se a diferença pelo fato de a bateria, no
início do ensaio, não se encontrar com a carga completa, comprovado pela OCV de 4.19V aos
seus terminais (e não os 4.20V representativos da capacidade total).
As figuras 3.5 e 3.6 representam um ensaio pulsado, caraterizado por um período de tempo em
que uma corrente de carga (7.7A) é retirada à bateria seguido de outro período onde a bateria está
em repouso (0A), representados em ambas as imagens pelas zonas 1 e 2 respetivamente. Ambos
os períodos referidos possuem um intervalo de tempo de 240 segundos (4 minutos) o que, como
se pode verificar na figura 3.6, corresponde a uma descarga de aproximadamente 5% de SOC,
quando a bateria está em carga.
3.3 Resultados 29

Figura 3.5: Tensão experimental em ensaio a 7.7A.

Figura 3.6: SOC experimental em ensaio a 7.7A.


30 Ensaios Laboratoriais às Baterias

A tensão segue o comportamento demonstrado na imagem 3.3 mas é notável a recuperação nos
períodos de descanso, como o exemplo da figura 3.7. Observa-se, então, uma subida instantânea
da tensão entre V0 e V1 , correspondente ao instante em que a carga é desconectada da bateria,
seguindo-se uma subida exponencial de cerca de 0.05V até o ponto V2 . Como seria de esperar
para uma corrente com esta amplitude, uma menor carga é retirada em comparação ao ensaio
anterior, encontrando-se próximo dos 90%.

Figura 3.7: Comportamento da tensão num período de relaxamento em ensaio a 7.7A.

As figuras 3.8 e 3.9 permitem uma comparação do ensaio anterior com um outro pulsado
de corrente e período de relaxamento superiores, isto é, de 9.9A e 480 segundos (8 minutos)
respetivamente.
Numa primeira análise é possível ver que, em comparação com a figura 3.5, a queda de tensão
quando a carga é conectada à bateria é mais acentuada, retratando corretamente a influência da
resistência interna da bateria. Por outro lado o período de carga, para cumprir o consumo de 5%
de SOC, está encurtado para 200 segundos face ao valor do ensaio anterior. O comportamento da
bateria mantém-se semelhante, comprovando que os seus parâmetros internos pouco variam com
a corrente de carga aplicada. Como se pode notar na figura 3.10, o recurso a um período de rela-
xamento maior implica uma maior recuperação de tensão, sendo, neste caso, de aproximadamente
0.12V.
Sendo este ensaio configurado com uma corrente de carga maior, seria de esperar uma menor
capacidade extraída, no entanto, segundo a figura 3.9, consegue-se retirar 92% do valor nominal,
provando o efeito de recuperação derivado de um período de descanso superior.
3.3 Resultados 31

Figura 3.8: Tensão experimental em ensaio a 9.9A e repouso de 8min.

Figura 3.9: SOC experimental em ensaio a 9.9A e repouso de 8min.


32 Ensaios Laboratoriais às Baterias

Figura 3.10: Comportamento da tensão num período de relaxamento em ensaio a 9.9A.

3.4 Conclusões
Terminado este capítulo é importante referir os pontos mais importantes discutidos. Em pri-
meiro lugar, as baterias possuem um comportamento tal como o previsto segundo os testes pul-
sados, fornecendo dados capazes de serem usados para análise e extração de caraterísticas úteis à
modelização da bateria.
As baterias usadas são capazes de fornecer uma grande percentagem da sua capacidade, mesmo
a correntes de cargas próximas da nominal, e esses valores podem ser melhorados aplicando perío-
dos de descanso intercalados com a carga, onde quanto maior forem, mais capacidade se consegue
extrair. Por fim é visível que, exceto a diminuição da carga extraída, o comportamento das baterias
mantém-se para as várias correntes.
Capítulo 4

Estimação de Parâmetros

Para uma boa parametrização do comportamento das baterias adotadas é necessário, em pri-
meiro lugar, adotar um modelo que seja capaz de aproximar com precisão as grandezas mais
importantes para a aplicação em que elas estão inseridas e, em segundo lugar, fazer uma correta
identificação dos parâmetros que compõem esse modelo tornando-o uma imagem da bateria em
estudo. No entanto, como a aplicação das baterias em estudo é um EV, é necessário que o modelo
seja também implementável num sistema de simulação em tempo real, permitindo uma monitori-
zação da bateria e da sua energia.
Neste capítulo apresenta-se um modelo que se entende ser o ideal para a aplicação em causa,
descrevendo as suas vantagens e funcionamento, bem como um método de extração dos parâ-
metros usando os resultados experimentais obtidos e introduzidos no capítulo 3. Por último, o
método referido é implementado sob um algoritmo que processa e determina os parâmetros de
forma automática, e os resultados obtidos são apresentados para análise.

4.1 Modelo adotado

Para uma parametrização correta das baterias em estudo é necessário, em primeiro lugar, ado-
tar um modelo que melhor as define, sendo preciso mas, em simultâneo, fácil de implementar e
rápido de simular. Depois do estudo realizado perante os modelos mais comuns (2.2) optou-se
pela adoção de um modelo híbrido, que concentra as vantagens do KiBaM compensando as suas
desvantagens através de um modelo elétrico com duas malhas RC. Na figura 4.1 é representado
esse modelo e dividido em duas partes, à direita o equivalente elétrico do KiBaM, e a esquerda o
modelo elétrico referido.
Do modelo da esquerda, é estimado o SOC da bateria em função do tempo e da corrente de
carga aplicada à bateria, estudado em detalhe por Daniel Magalhães [2]. No modelo da direita, o
SOC é convertido num valor de tensão correspondente à OCV da bateria na fonte de tensão variável
(VOC ), e segue-se a resistência série (Rseries ) da bateria que simboliza a sua resistência interna, ou
a dificuldade que esta tem em fornecer energia e é a causa do decréscimo instantâneo da tensão
quando uma carga é conectada. Por último, as duas malhas RC que aproximam as respostas

33
34 Estimação de Parâmetros

Figura 4.1: Modelo de bateria adotado.

transitórias da bateria, uma referente aos transitórios rápidos e a outra aos lentos, referidos na
imagem pelos índices “S”1 e “L”2 respetivamente.
Tendo sido esta a escolha para a modelização da bateria, é agora necessário proceder à identifi-
cação dos cinco parâmetros do modelo elétrico à direita (Rseries ,RtransS ,CtransS ,RtransL e CtransL ) que
melhor parametrizem o comportamento obtido nos ensaios realizados e descritos no capítulo 3.

4.2 Metodologia

A estimação dos parâmetros referidos é feita por análise do comportamento da tensão aos
terminais da bateria ao longo de um período de relaxamento, como o exemplo da figura 4.2, onde
três pontos são cruciais (V0 , V1 e V2 ) [16].

Figura 4.2: Tensão aos terminais da bateria num período de relaxamento.

1 Do inglês short (short-term transient response)


2 Do inglês long (long-term transient response)
4.3 Algoritmo de extração dos parâmetros 35

O valor de tensão V0 está situado num momento imediatamente anterior à desconexão da carga
aos terminais da bateria (onde a corrente de um determinado valor para de 0A), enquanto V1 é o
instante depois dessa ação. Posto isto, conclui-se que a diferença de tensão entre esses dois instan-
tes de tempo corresponde à queda de tensão associada à resistência interna da bateria, denominada
por Rseries e obtida pela equação (4.1).

V1 −V0
Rseries = (4.1)
I
Entre o valor V1 e V2 há um aumento exponencial da tensão e que representa a resposta tran-
sitória da bateria, e por isso trata o período em que os condensadores das malhas RC libertam
a energia armazenada. Esta evolução é então aproximada por duas funções exponenciais, sendo
uma subida mais rápida visível logo após o instante de V1 , e a outra a recuperação lenta até atingir
um valor constante de tensão onde, para um período suficientemente grande, equivale ao valor
V2 . A equação (4.2) permite a obtenção de quatro valores (a, b, c e d) usados para determinar as
grandezas dos componentes elétricos das malhas RC e podem ser extraídos usando o método dos
mínimos quadrados, procurando aproximar a curva experimental obtida nos ensaios.

Vcel = a · (1 − e−b·t ) + c · (1 − e−d·t ) +V1 (4.2)

Após a obtenção dos valores referidos, as grandezas dos componentes elétricos são facilmente
determinados usando as equações (4.3) a (4.6), sendo apenas necessário o valor da corrente a que
a bateria estava sujeita no período de carga anterior ao início do relaxamento.

a 1
RtransS = (4.3) CtransS = (4.4)
I RtransS · b

c 1
RtransL = (4.5) CtransL = (4.6)
I RtransL · d

4.3 Algoritmo de extração dos parâmetros


Após a adoção de um modelo representativo e o estudo do método de extração dos respetivos
parâmetros, recorrendo a dados obtidos em ensaios à bateria, segue-se o desenvolvimento de um
algoritmo que efetue essa extração de forma autónoma e precisa. Assim, este algoritmo pode ser
exemplificado pelo fluxograma da figura 4.3.
36 Estimação de Parâmetros

Figura 4.3: Algoritmo de extração de parâmetros para o modelo adotado.

A implementação deste algoritmo no software Matlab


R
permite usufruir da sua facilidade de
programação e análise de resultados, otimizando o tempo de trabalho na obtenção de boas so-
luções. Por outro lado, após o sucesso no desenvolvimento do algoritmo, é possível exportar o
código desenvolvido para outros ambientes que permitam a implementação em sistemas embar-
cados (como é o caso de um EV). Os dados obtidos nos ensaios da bateria são guardados num
ficheiro Excel
R
e depois carregados para o Matlab sob a forma de matrizes. Estas matrizes são,
então, analisadas por um programa que implementa os passos demonstrados na figura 4.3.
Os períodos de descanso são identificados procurando os intervalos td e tr , onde o primeiro
corresponde ao instante em que a corrente de carga transita de um determinado valor para 0A, isto
é, quando a carga é removida da bateria, e o segundo quando a situação inversa acontece, isto é, a
corrente retirada transita de 0A para um qualquer valor.
O parâmetro Rseries é determinado aplicando a equação (4.1), onde V0 é o valor de tensão
correspondente a um instante td e o V1 o valor imediatamente a seguir.
Já a aproximação da tensão aos terminais da bateria pela equação de Vcel (4.2), pelo método
dos mínimos quadrados, é passível de ser implementada pela função fit. Este método permite a
definição de uma equação (neste caso a de Vcel ) para ser depois usada na procura de parâmetros
que melhor se adaptem aos dados experimentais.
Por fim, tendo os valores a, b, c e d, é possível determinar as grandezas RtransS ,CtransS ,RtransL
e CtransL pelas equações introduzidas, sento estes valores associados, a cada período de descanso,
por meio do SOC correspondente.

4.4 Resultados
Na implementação do algoritmo apresentado, cinco ensaios que traduzem o comportamento
da bateria a diferentes correntes de carga e tempos de relaxamento são analisados, e os parâmetros
4.4 Resultados 37

identificados e comparados para cada um desses perfis. A tabela 4.1 identifica as caraterísticas
dos ensaios realizados, que são pulsados e de corrente de carga igual à identificada no campo
homónimo. Como os ensaios são realizados em duas baterias diferentes, o campo “Identificação
da Bateria” pretende identificar a qual estão associados.

Tabela 4.1: Descrição dos ensaios usados para extração de parâmetros.

Corrente de Período de Período de Identificação da


Ensaio
Carga (A) Carga (s) Relaxamento (s) Bateria
1 8.8 210 240 1
2 7.7 240 240 2
3 9.9 200 480 2
4 11 180 480 1
5 8.8 240 480 2

O algoritmo desenvolvido é, então aplicado aos cinco ensaios, e de onde são obtidos as cinco
grandezas do modelo elétrico em função do estado de carga, Rseries , RtransS ,CtransS ,RtransL e CtransL
e representadas, respetivamente, nas figuras 4.4 a 4.8.

Figura 4.4: Resistência série (Rseries ) dos cinco ensaios à bateria em função do SOC.

Em análise à figura 4.4, é possível concluir que a resistência interna (Rseries ) da bateria é
praticamente independente da corrente de carga usada, no entanto, em baterias diferentes, observa-
se que esta grandeza varia significativamente, provando que, não só os parâmetros internos variam
conforme a bateria, mas também pode existir uma grande influência no comportamento mediante
as ligações usadas na conexão à carga. É também possível comprovar que o valor da resistência
aumenta substancialmente em valores de SOC abaixo de 20%, zona que deve ser evitada para
proteger a bateria de descargas muito profundas.
38 Estimação de Parâmetros

Figura 4.5: Resistência de transitórios rápidos (RtransS ) dos cinco ensaios à bateria em função do
SOC.

A estimação da grandeza associada à resistência de transitórios rápidos (RtransS ) encontra-se


representada na figura 4.5, onde se pode observar que o seu valor varia muito pouco ao longo
do SOC, tendo apenas um aumento acentuado abaixo dos 20%. Por outro lado, os valores são
praticamente coincidentes (ou oscilam em torno do mesmo valor) independentemente do ensaio
analisado.

Figura 4.6: Condensador de transitórios rápidos (CtransS ) dos cinco ensaios à bateria em função do
SOC.
4.4 Resultados 39

O condensador que traduz o comportamento da bateria a transitórios rápidos tem um valor


cuja estimação é afetada pelo tempo dado como período de relaxamento, uma vez que a lenta
recuperação da tensão da bateria deriva da descarga deste componente. Este aspeto permite jus-
tificar a diferença da grandeza de valores existente na figura 4.6 entre os ensaios 1 a 2 e 3 a 5,
onde o último grupo possui um período de relaxamento de 8 minutos, comparado com os 4 minu-
tos do primeiro. Apesar desta disparidade entre os dois grupos de ensaios, os valores estimados
sobrepõem-se, permitindo concluir que também CtransS não varia com a corrente de carga aplicada
à bateria.

Figura 4.7: Resistência de transitórios lentos (RtransL ) dos cinco ensaios à bateria em função do
SOC.

A figura 4.7 demonstra os valores obtidos para RtransL onde é provado o mesmo comportamento
descrito pela figura 4.5. O seu valor pouco varia com o SOC e onde as variações oscilam sempre
em torno dum determinado valor comum a qualquer ensaio que se analise. Também neste campo,
existe um grande aumento da resistência quando o SOC desce para valores inferiores a 20%.
Por último, analisando os valores obtidos para CtransL na figura 4.8, é visível que, como este
condensador está associado à resposta de transitórios lentos, corresponde à zona em que a tensão
aumenta sob a forma de “joelho”, o que acontece em todos os ensaios por terem períodos de
relaxamento suficiente grandes. Por esta razão, ao contrário do concluído da análise da figura 4.6,
independentemente do ensaio, os valores obtidos são praticamente coincidentes, demonstrando
que é possível adotar um perfil de valores em função do SOC para qualquer perfil de carga.
Com o intuito de verificar se os parâmetros estimados adaptam corretamente os dados experi-
mentais, a figura 4.9 demonstra a evolução da tensão Vcel quando usados os valores estimados na
equação (4.2) para cada período de repouso. Assim, verifica-se que as aproximações sobrepõem
os dados experimentais e são, por isso, resultados bem representativos do comportamento obtido.
40 Estimação de Parâmetros

Figura 4.8: Condensador de transitórios lentos (CtransL ) dos cinco ensaios à bateria em função do
SOC.

Figura 4.9: Eficácia das aproximações face aos dados experimentais.


4.5 Conclusões 41

4.5 Conclusões
Em conclusão do que se falou neste capítulo, o algoritmo introduzido é capaz de obter bons
resultados que traduzem o comportamento da bateria. Conclui-se que, em geral, os parâmetros
pouco variam com a com a corrente de carga aplicada à bateria, indicando ser possível parametrizar
os componentes do modelo elétrico em função, apenas, do SOC, o que diminui a complexidade
do modelo adotado, e facilita a sua implementação para simulação em tempo real.
42 Estimação de Parâmetros
Capítulo 5

Simulação do Modelo

Com a adoção do modelo e a extração dos parâmetros que melhor caraterizam as baterias em
estudo, é necessário demonstrar que a escolha realizada é a mais acertada. Assim, neste capítulo é
descrita uma implementação do modelo com os parâmetros obtidos no capítulo 4 em duas verten-
tes: parâmetros constantes e variáveis ao longo do SOC. Para vários ensaios realizados à bateria
são simulados os perfis equivalentes e apresenta-se uma comparação dos erros associados a cada
simulação.

5.1 Interface entre Estado de Carga e Tensão de Circuito Aberto

Tal como foi explicado na secção 4.1, o modelo é composto por duas partes essenciais, o
equivalente das reações químicas (KiBaM), que retorna o valor estimado do SOC da bateria, e o
elétrico, que implementa o comportamento tensão-corrente. Para estabelecer uma ponte entre as
duas partes é necessário encontrar uma forma de converter o SOC em OCV da bateria.
O método usado para a construção dessa ponte, recorre aos dados experimentais usados para
extração de parâmetros (capítulo 4), nomeadamente à tensão V2 identificada nos períodos de rela-
xamento da bateria (figura 4.2) e que se assume como a OCV para o SOC respetivo. Esses valores
passam por uma aproximação polinomial recorrendo, novamente, à função fit do Matlab. Na ta-
bela 5.1 são apresentados os erros de aproximações feitas por funções polinomiais de diferentes
graus. São apresentados, para comparação, quatro erros distintos, a soma do quadrado dos erros de
previsão (SSE)1 , o coeficiente de determinação (R-square), o coeficiente de determinação ajustado
(R-square ajustado) e o erro quadrático médio (RMSE)2 , e são definidos no anexo A.
Por análise é possível verificar que o resultado do polinómio de grau 4 obtém uma substancial
melhoria face aos polinómios de grau 2 e 3, e os graus superiores têm uma melhoria muito menos
significativa. Assim, em prol de uma ponte mais eficaz sem grande custo computacional, esta será

1 Do inglês Sum of squared errors of prediction


2 Do inglês Root-mean-square error

43
44 Simulação do Modelo

Tabela 5.1: Comparação de aproximação de OCV em função do SOC por polinomiais de diferentes
graus.

Grau de Polinómio SSE R-square R-square ajustado RMSE


2 0.00090106 0.9973 0.9969 0.008325
3 0.00075581 0.9977 0.9972 0.007936
4 0.00031857 0.9990 0.9987 0.005382
5 0.00031575 0.9991 0.9986 0.005619
6 0.00031393 0.9991 0.9984 0.005906

construída segundo um polinómio de grau 4, descrito pela equação (5.1) com os coeficientes da
tabela 5.2.

OCV = a · SOC4 + b · SOC3 + c · SOC2 + d · SOC + e (5.1)

Tabela 5.2: Coeficientes do polinómio de grau 4 que associa SOC a um valor de OCV.

Coeficientes
a -2.887
b 7.557
c -6.205
d 2.292
e 3.442

5.2 Implementação do Modelo

A simulação da bateria é realizada com recurso ao software PSIM


R
, que permite a imple-
mentação de circuitos elétricos e ainda algum controlo através de blocos funcionais. O modelo
adotado é, então, construído no PSIM, sendo que a parte do KiBaM é estudada e implementada
em [2] e a parte elétrica resulta no circuito da figura 5.1.

Figura 5.1: Implementação do modelo elétrico no software PSIM.


5.3 Resultados 45

Os componentes Rseries , RtransS , CtransS , RtransL e CtransL são configurados com os parâmetros
identificados previamente (4.4), enquanto que Vab é obtido através da implementação da equação
introduzida na secção 5.1 pelo bloco descrito em B.1.
Para uma melhor comparação de resultados, são feitas duas simulações, uma com parâmetros
constantes e outra com variáveis. No primeiro caso, os componentes são configurados por um
valor fixo que melhor represente a bateria, procurando um valor médio nos resultados obtidos e
que é usado independentemente da corrente de carga. Já no caso dos parâmetros variáveis, são
usadas tabelas de pesquisa (LUT)3 com os vários valores em função do SOC, implementadas de
acordo segundo a descrição em B.2.

5.3 Resultados

Para provar a correta aproximação do comportamento da bateria pelo modelo adotado, são
feitas várias simulações, variando os perfis de carga aplicados à bateria por forma a coincidirem
com os ensaios experimentais realizados. Apresenta-se, de seguida, dois exemplos de perfis apli-
cados, sendo um pulsado (correspondente ao ensaio 5 introduzido na tabela 4.1) e outro constante,
e os resultados obtidos, bem como uma tabela com os erros associados a outros perfis simulados e
que constam no anexo C. As simulações são apresentadas em duas partes: a tensão estimada aos
terminais da bateria (figuras 5.2 e 5.4 para o perfil de carga pulsada e figuras 5.6 e 5.8 para o perfil
de carga constante) e o erro face aos valores obtidos experimentalmente (figuras 5.3 e 5.5 para o
perfil de carga pulsada e figuras 5.7 e 5.9 para o perfil de carga constante).

5.3.1 Ensaios com perfis de carga pulsados

Após a análise do gráfico da figura 5.2 confirma-se que a tensão estimada aos terminais da
bateria, na simulação, possui o mesmo comportamento dos resultados experimentais, sobrepondo-
se quase na totalidade da descarga da bateria. É também visível que a distinção entre os parâmetros
constantes e variáveis só é notada no final da carga da bateria, ou seja, em valores de SOC baixos,
onde os parâmetros variáveis causam uma melhor aproximação.
Perante a figura 5.3, comprova-se que o erro, em geral, é sempre abaixo do 1% em ambas
as simulações, tomando valores bem mais altos no período de baixo SOC, onde a simulação que
recorre a parâmetros variáveis tem um aumento muito menor do que o seu concorrente. Como a
zona de baixo SOC deve ser evitada durante um período de descarga da bateria, por poder levar a
danos na bateria, então é possível fazer uma análise das simulações até aos 20%, altura onde os
seus parâmetros têm uma variação mais acentuada (secção 4.4).
Quando limitado a descarga até a um SOC próximo de 20%, obtêm-se os resultados da fi-
gura 5.4, onde é possível verificar um comportamento bastante similar entre as duas simulações
feitas, sobrepondo-se aos dados experimentais na maior parte do ensaio.

3 Do inglês LookUp Table


46 Simulação do Modelo

Figura 5.2: Tensão Experimental vs. Tensão Simulação (Valores constantes e variáveis) no ensaio
pulsado.

Figura 5.3: Erro da simulação face aos resultados experimentais no ensaio pulsado.
5.3 Resultados 47

Figura 5.4: Tensão Experimental vs. Tensão Simulação (Valores constantes e variáveis) no ensaio
pulsado e até 20% de SOC.

Figura 5.5: Erro da simulação face aos resultados experimentais no ensaio pulsado e até 20% de
SOC.
48 Simulação do Modelo

Analisando o erro representado na figura 5.5, confirma-se que as simulações resultam em valo-
res muito próximos, tendo o erro quase coincidente, abaixo de 0.5% na sua maioria e subindo, na
parte final do ensaio, até um máximo de 2.6%. A tabela 5.3 apresenta os dados para 3 simulações
diferentes correspondentes aos ensaios 2, 3 e 5 introduzidos na tabela 4.1 (secção 4.4), onde se
comprova que o comportamento analisado é semelhante em todos os perfis de carga.

Tabela 5.3: Erros da simulação de 3 ensaios com perfis de corrente de carga pulsados.

Erro Erro Erro Desvio


Mínimo Máximo Médio Padrão
(%) (%) (%) (%)
Parâmetros
Ensaio 2 (C.1)

0 16.78 0.71 1.67


Completo Constantes
Parâmetros
0 9.72 0.49 0.9
Variáveis
Parâmetros
0 2.3 0.37 0.37
20% SOC Constantes
Parâmetros
0 2.02 0.3 0.3
Variáveis
Parâmetros
Ensaio 3 (C.2)

0 15.42 0.39 1.28


Completo Constantes
Parâmetros
0 6.53 0.27 0.49
Variáveis
Parâmetros
0 2.08 0.17 0.22
20% SOC Constantes
Parâmetros
0 1.61 0.17 0.19
Variáveis
Parâmetros
Ensaio 5 (5.3.1)

0 15.14 0.47 1.4


Completo Constantes
Parâmetros
0 7.19 0.29 0.57
Variáveis
Parâmetros
0 2.58 0.19 0.3
20% SOC Constantes
Parâmetros
0 2.3 0.16 0.26
Variáveis

5.3.2 Ensaio com perfil de carga constante


Para que seja possível avaliar o comportamento do modelo simulado com outro tipo de perfis,
é apresentada de seguida uma simulação com um perfil de carga constante, isto é, foi imposta uma
corrente de 1.1A na bateria em todo um período de descarga. Desta forma é possível avaliar o
comportamento dos parâmetros ao longo de todo a gama de SOC da bateria. Os resultados obtidos
são apresentados seguindo o mesmo método da secção anterior.
A evolução da tensão aos terminais da bateria é visível na figura 5.6, e verifica-se que os
valores simulados sobrepõem-se aos experimentais em praticamente todo o ensaio exceto na etapa
final, para valores de baixo SOC.
5.3 Resultados 49

Figura 5.6: Tensão Experimental vs. Tensão Simulação (Valores constantes e variáveis) no ensaio
de corrente constante.

Figura 5.7: Erro da simulação face aos resultados experimentais no ensaio de corrente constante.
50 Simulação do Modelo

Analisando o erro da simulação na figura 5.7, verifica-se que é bastante baixo aumentando ape-
nas na etapa final da carga da bateria. Curiosamente, neste ensaio, verifica-se que a simulação com
parâmetros variáveis, num pequeno período de tempo, possui um erro superior à sua concorrente
na etapa final da descarga, no entanto, de forma geral, essa mantém-se inferior à concorrente.

Figura 5.8: Tensão Experimental vs. Tensão Simulação (Valores constantes e variáveis) no ensaio
de corrente constante e até 20% de SOC.

Quando o valor inferior de SOC permitido é definido para os 20%, resultam os dados da
figura 5.8 que representam uma aproximação bem mais precisa do comportamento real da bateria,
onde as simulações sobrepõem os resultados experimentais na quase totalidade do ensaio.
O erro obtido da simulação na tensão aos terminais da bateria até aos 20% de SOC, neste en-
saio, nunca excede os 0.4% como é confirmado pela figura 5.9, o que comprova um modelo preciso
e capaz de simular com sucesso as baterias ensaiadas. A tabela 5.4 apresenta, detalhadamente, os
erros associados a este ensaio.
5.3 Resultados 51

Figura 5.9: Erro da simulação face aos resultados experimentais no ensaio de corrente constante e
até 20% de SOC.

Tabela 5.4: Erros da simulação do ensaio de corrente de carga constante.

Erro Erro Erro Desvio


Mínimo Máximo Médio Padrão
(%) (%) (%) (%)
Parâmetros
0 15.57 0.43 1.4
Ensaio Completo Constantes
Parâmetros
0 14.45 0.43 1.26
Variáveis
Parâmetros
0 0,31 0,16 0,06
Ensaio até 20% SOC Constantes
Parâmetros
0 0.39 0.14 0.07
Variáveis
52 Simulação do Modelo

5.4 Conclusões
Analisando, cuidadosamente, os resultados obtidos e apresentados neste capítulo é possível
concluir que o modelo e os parâmetros estimados representam uma muito boa aproximação das
baterias usadas nos ensaios, podendo mesmo ser dito que, quando se limita o SOC a um valor
mínimo de 20%, a estimação pode ser qualificada como excelente. Os erros obtidos são bastante
baixos comparados com os associados aos modelos descritos no capítulo 2.
Comparando os ensaios com parâmetros constantes face aos variáveis, é observável que a
escolha em qual usar depende bastante da aplicação a que se destinam. O uso de parâmetros
variáveis com o SOC apenas ganha no erro relativo ao período de baixa carga disponível, a troco
de um aumento da complexidade no modelo. Se a aplicação pretender limitar o SOC, o pequeno
melhoramento do erro de simulação poderá não justificar o aumento de complexidade.
Uma possível abordagem que possibilita uma melhor precisão será recorrer a parâmetros cons-
tantes até um determinado valor limite de SOC, aproveitando o baixo custo no poder computacio-
nal dessa vertente, e em caso de extrema necessidade de usar a bateria abaixo desse limite, optar
por fazer a aproximação com parâmetros variáveis.
Capítulo 6

Sistema de Gestão de Baterias (BMS)

O objetivo final desta dissertação consiste na implementação do modelo adotado num sistema
embarcado capaz de ser utilizado num EV e, em tempo real, informar o utilizador do estado da ba-
teria, das condições de funcionamento e do tempo restante para a descarga completa ser finalizada.
Neste capítulo pretende-se demonstrar os passos tomados para a implementação dessas funciona-
lidades, comparando depois o comportamento obtido com as simulações feitas em software e os
resultados experimentais extraídos, assim como identificar os tempos de execução do mesmo.
É, ainda, apresentada uma simples e intuitiva interface para o utilizador das baterias que con-
centra todos os dados de estado da bateria para análise.

6.1 Metodologia

O EV é constituído por diversos sistemas embarcados que têm objetivos específicos de con-
trolo de componentes, sendo que um deles será o BMS desenvolvido. Os sistemas embarcados
têm como núcleo de processamento, normalmente, um micro-controlador de onde saem todas as
ordens para o sistema em que está embutido. A escolha do micro-controlador a usar é, por isso,
um passo importante na implementação do modelo, e onde a relação performance/custo tem um
peso de extrema importância.
O arduino
R
é uma plataforma de desenvolvimento que junta um micro-controlador a uma
placa de circuito impresso, o que facilita a utilização das portas de entrada e saída de sinal (fi-
gura 6.1). Por ser um hardware de baixo custo e por possuir velocidades de processamento su-
ficientes para a aplicação desejada, esta é a plataforma usada para a implementação do modelo
adotado.
Após a implementação do modelo, pretende-se que os dados estimados do estado da bateria
sejam enviados para uma interface que permita a sua visualização e análise ao longo do tempo.
Esta interface é desenvolvida através da linguagem C# que possibilita a utilização do framework
.NET da Microsoft
R
, uma plataforma de programação gráfica bastante configurável e intuitiva.
Tendo em consideração que o principal objetivo de um BMS é a correta estimação do SOC
da bateria, por um lado para o utilizador tenha noção de quanto tempo pode ainda usufruir dela

53
54 Sistema de Gestão de Baterias (BMS)

Figura 6.1: Hardware utilizado para implementação do modelo da bateria.

sem proceder a um novo carregamento, por outro para proteger a bateria contra uma utilização
que lhe cause danos, numa primeira etapa o modelo a implementar será apenas KiBaM estudado
e parametrizado por Daniel Magalhães [2].

6.2 Implementação

Para a implementação do modelo no micro-controlador é necessário relembrar as equações


introduzidas em 2.2.4 e reintroduzidas de seguida (6.1), associadas ao funcionamento caraterístico
do KiBaM, e que permitem a correta estimação do SOC.

−k0 t ) −k0 t )
 0 0
0


y1 = y1,0 e−k t + (y0 k c−I)(1−e
k 0 − Ic(k t−1+e
k 0
−k0 t )

y = y e−k0t + y (1 − c)(1 − e−k0t ) − I(1−c)(k0t−1+e


2 2,0 0 k 0
(6.1)


y0 = y1,0 + y2,0


k0 = k/c(1 − c)

O fator k está associado à velocidade com que a carga indisponível se torna disponível quando
a bateria entra em repouso (o denominado efeito de recuperação), e é determinado, em função do
SOC, pela equação (6.2) [2].

1
k= (6.2)
1.9718 · I 3 − 50.61 · I 2 + 402.18 · I − 600
Já o valor y1 equivale à capacidade disponível para extração da bateria, enquanto um mesmo
valor de corrente de carga for mantido, e por isso possibilita o cálculo do SOC através da expres-
são (6.3).

y1
SOC = (6.3)
y1,0
Assim, e através das equações (6.1), a implementação do algoritmo introduzido na figura 6.2
permite a simulação do modelo com os parâmetros que melhor caraterizam a bateria ensaiada e
obter o seu estado, em tempo-real, para visualização e análise por parte do utilizador do sistema.
6.2 Implementação 55

Figura 6.2: Algoritmo implementado no hardware para simulação do modelo.


56 Sistema de Gestão de Baterias (BMS)

Os dados emitidos pelo modelo implementado são passíveis de ser disponibilizados numa
interface que segue o algoritmo introduzido na figura 6.3, em que após uma conexão ao micro-
controlador ser estabelecida, sempre que novos dados são emitidos a aplicação procede à sua
interpretação e preenche os campos associados a cada grandeza. Este funcionamento simples e
intuitivo é demonstrado na secção 6.3 com um exemplo de um perfil de descarga simulado.

Figura 6.3: Funcionamento da interface para o utilizado do BMS.

6.3 Resultados
A figura 6.4 apresenta a interface desenvolvida em funcionamento durante a simulação de um
ensaio pulsado. No caso apresentado o ensaio está configurado para uma corrente de carga de
8.8A com intervalos de 300 segundos de carga e relaxamento. Na interface é possível visualizar,
de cima para baixo, os valores atuais do SOC (em valor e em gráfico), corrente de carga, tempo
decorrido desde o início da descarga, capacidade disponível e indisponível, tempo restante até
a descarga estar concluída, tempo de execução do algoritmo e tempo máximo desde o início da
descarga.
De notar que o modelo implementado possui já o efeito de recuperação da bateria, quando em
relaxamento, e que pode ser observado nos períodos do gráfico da interface correspondente a um
valor de corrente nulo.
A figura 6.5 representa a mesma interface sobre o mesmo ensaio mas numa fase final de carga,
onde as indicações de SOC e tempo restante tomam a cor vermelha para indicar ao utilizador
que se encontra num limite impróprio para uso da bateria, e uma informação de necessidade de
carregamento surge, intermitente junto com o valor de SOC.
Como se pode notar, existe um gráfico que disponibiliza o comportamento do estado de carga
da bateria ao longo do ensaio, e um botão que introduz a funcionalidade de gravação desses dados
para poderem ser vistos analisados em qualquer altura. Também é visível que a simulação do
modelo demora cerca de 5 mili-segundos a executar (bastante menos quando não existe carga
6.3 Resultados 57

Figura 6.4: Interface do BMS durante uma descarga da bateria.

Figura 6.5: Interface do BMS durante o final da descarga da bateria.


58 Sistema de Gestão de Baterias (BMS)

devido a não ser estimado o tempo de fim de descarga), um valor bastante bom, uma vez que
permite simulações com uma grande taxa de amostragem.
De notar que o modelo implementado permite, também, fazer a estimação do SOC quando a
bateria se encontra em carregamento, bem como o tempo até ficar completa, funcionalidade de-
monstrada na figura 6.6, onde os períodos com um SOC decrescente correspondem a uma extração
de 8.8A da bateria, e quanto o seu valor é crescente, a um carregamento de 3A. Este funcionamento
é comprovado na figura 6.6 onde a interface dá informação de estar em fase de carregamento e no
gráfico desenhado vemos o valor de SOC a aumentar.

Figura 6.6: Interface do BMS durante o carregamento da bateria.

O KiBaM, como já foi referido, aproxima com bastante precisão o SOC da bateria ao longo
do tempo de descarga. Por esta razão, os parâmetros que o definem são estimados para que o
seu uso na simulação do modelo atinja um tempo de descarga semelhante ao ocorrido no ensaio
experimental de corrente de carga constante e com um mesmo valor. Assim, a comparação do erro
obtido numa simulação deste modelo é feita relativamente ao tempo total de descarga da bateria
em função da corrente de carga.
A tabela 6.1 introduz um conjunto de ensaios realizados à bateria e para os quais existe uma
comparação de erros em três situações distintas:

Erro de Simulação
Identifica o erro da simulação em software (PSIM) face ao resultado experimental.

Erro Hardware (face ao real)


Corresponde ao erro obtido no resultado da simulação no micro-controlador face ao resul-
tado experimental.

Erro Hardware (face ao simulado)


Define o erro obtido no resultado da simulação no micro-controlador face ao resultado da
simulação feita em software, cujo modelo é o mesmo.
6.4 Conclusões 59

Tabela 6.1: Erros da simulação do modelo no micro-controlador arduino.

Erro da Erro Hardware Erro Hardware (face


Ensaio Corrente (A)
Simulação (%) (face ao real) (%) ao Simulado) (%)
01 2.17 1.032 0.497 0.541
04 2.73 0.923 0.675 0.250
09 10.989 2.194 2.564 0.379
13 2.186 0.576 1.884 1.301
15 6.586 0 0.086 0.086
17 3.285 1.437 1.326 0.109
31 10.991 0.029 0.350 0.379
34 9.885 1.034 1.344 0.313
42 5.49 2.583 1.688 0.873
43 14.99 1.803 1.099 0.717
44 1.085 3.165 3.486 0.311
45 14.99 0.045 0.762 0.717
46 14.989 0.813 1.535 0.717
47 2.185 2.174 3.446 1.245
49 5.485 0.836 0.750 0.086
Média 1.243 1.243 0.421
Desvio Padrão 0.903 0.979 0.365

No geral, observa-se que o erro médio obtido se situa próximo de 1.2% com um desvio padrão
de 0.9%, na simulação com os parâmetros estimados. A implementação do modelo no micro-
controlador leva a um aumento no desvio padrão face aos valores obtidos nos ensaios práticos,
uma vez que cria um erro médio, em relação à simulação em software, de aproximadamente 0.4%
com desvio padrão de 0.3%.

6.4 Conclusões
Após a análise dos valores obtidos é possível concluir que a implementação do KiBaM no
micro-controlador obteve resultados bastante bons, próximos do que foi extraído nos ensaios ex-
perimentais. A implementação criou um pequeno erro face à versão em software, muito prova-
velmente, derivado a arredondamentos de parâmetros devido às limitações de casas decimais nas
variáveis, e de operações intermédias destinadas a otimizar o tempo de execução do algoritmo. No
entanto o ganho em velocidade compensa o pequeno aumento de erro, podendo, no entanto, ser
futuramente estudado e com pequenas correções de parâmetros obter resultados mais precisos.
A interface é intuitiva e permite não só visualizar o estado da bateria e condições, mas também
guardar os dados recebidos ao longo do ensaio para análise e comparação em qualquer altura, uma
funcionalidade bastante útil para cálculo dos erros e otimização dos parâmetros.
60 Sistema de Gestão de Baterias (BMS)
Capítulo 7

Conclusões e Trabalho Futuro

7.1 Conclusões

Concluída a apresentação do trabalho desenvolvido e dos resultados obtidos, é possível verifi-


car que os objetivos propostos foram todos abordados, e conseguidos. Pela análise de resultados
das simulações é visível que o modelo adotado traduz bem o comportamento das baterias em es-
tudo, obtendo erros bastante aceitáveis face aos resultados experimentais e em comparação com
os apresentados noutros trabalhos.
Na apresentação do BMS é conclusivo que o modelo é de rápida simulação e implementável
num sistema embarcado para uso num EV para monitorização das baterias e controlo do fluxo
de energia. A interface criada, apesar de simples, é bastante intuitiva e permite uma visualização
de todos os dados associados à bateria monitorizada. A sua adaptação a novos dados, visualiza-
ção gráfica de outras variáveis, ou mesmo a monitorização de mais baterias é bastante acessível,
bastando apenas distinguir o identificador da bateria a que correspondem os dados recebidos.
O algoritmo desenvolvido para estimação de parâmetros é eficaz e pode, também ele, ser por-
tado para um sistema embarcado de modo a ser executado periodicamente e corrigir os parâmetros
do modelo que, como foi explicado, variam com várias condições, levando a um diferente com-
portamento da bateria e por consequência ao aumento de erros na previsão.

7.2 Trabalho Futuro

Com os bons resultados obtidos, são apenas necessárias alguns melhoramentos que se prevê
tornarem o modelo e o BMS mais eficientes.
A ponte que serve de conversão do SOC da bateria, estimado pelo KiBaM, e o OCV do modelo
elétrico, pode ser melhorada, recorrendo a um número superior de pontos para a realização da
aproximação mais precisa, e com isto melhorar os erros que surgem nas simulações durante os
períodos de relaxamento.
A implementação do modelo no micro-controlador ficou, no entanto, por apenas uma parte.
Futuramente prevê-se a implementação da parte elétrica e assim fazer, em tempo real, a estimação

61
62 Conclusões e Trabalho Futuro

da tensão aos terminais da bateria, abrindo portas para a correção dos parâmetros do modelo para
corrigir os erros que vão surgindo. Assim ficam também disponíveis mais dados acerca da bateria,
para uma análise completa ao seu funcionamento.
Surge a necessidade de submeter o BMS a testes mais complexos para avaliar a sua qualidade
de simulação, realizando, para isso, ensaios com perfis de corrente variáveis ao longo da descarga,
incluindo mesmo alguns períodos de carga. Estes ensaios permitem a avaliação do modelo num
funcionamento mais próximo do real, uma vez que os EV não estão sujeitos a perfis de corrente
tão determinísticos.
Por último é possível fazer ensaios por forma a melhorar os coeficientes das funções usadas
no modelo, sobretudo se estes forem corrigidos em tempo real com medições dos valores reais, e
assim reduzir, ainda mais, o erro das simulações existente.
Anexo A

Avaliação da qualidade de aproximação

Neste anexo são descritas alguns conceitos usados quando se pretende fazer a avaliação de
aproximações feitas a um conjunto de dados. É um anexo a ser usado como apoio ao capítulo 5,
mais concretamente à secção 5.1, e ao capítulo 6, sobretudo na secção 6.3, onde estas fórmulas
são usadas para qualificar os resultados obtidos.

A.1 Valor médio e Desvio padrão


O valor médio de uma sequência de amostras é frequentemente usado em avaliações de eficácia
na aproximação do comportamento de um qualquer sistema, sendo definido pela equação (A.1).
Por forma a avaliar como as amostras se distanciam desse valor existe um parâmetro intitulado
desvio padrão, que o acompanha sempre, determinado pela expressão (A.2).

s
1 N 1 N
ȳ = · ∑ y(i)
N i=1
(A.1) σ= ∑ (y(i) − ȳ)2
N − 1 i=1
(A.2)

A.2 Soma do quadrado dos erros de previsão (SSE)


O SSE é uma medida que avaliar a discrepância entre os dados existentes e os obtidos por uma
estimativa de modelo, onde quanto menor o seu valor, mais correta é a estimação feita. Este valor
pode ser calculado recorrendo a equação (A.3), onde yi é o valor de índice i da variável a prever, e
ŷ(i) o valor estimado correspondente.

N
SSE = ∑ (y(i) − ŷ(i))2 (A.3)
i=1

63
64 Avaliação da qualidade de aproximação

A.3 Coeficiente de determinação (R-square)


O R-square (ou R2 ) é um valor que permite obter o quão precisa é a aproximação feita a uma
amostra de valores. É muito usado para qualificar o resultado de uma aproximação matemática
pelo método dos mínimos quadrados e é definida pela equação (A.4).

R-square = 1 − SSresid /SStotal (A.4)

O valor SSresid identifica a soma quadrática da diferença entre o valor medido e o estimado,
tal como demonstrado na equação (A.5). Já SStotal a soma quadrática da distância de cada va-
lor medido em relação à média das amostras (A.1) e definida na equação (A.6), onde var(y) é
determinado por (A.7).

N
SSresid = ∑ (y(i) − ŷ(i))2 (A.5) SStotal = (N − 1) · var(y) (A.6)
i=1

1 N
var(y) = ∑ (y(i) − ȳ)2
N − 1 i=1
(A.7)

A.4 Coeficiente de determinação ajustado (R-square ajustado)


Quando se usa aproximações polinomiais aos dados adquiridos, normalmente é possível re-
duzir o erro residual aumentando o grau do polinómio. No entanto, isso leva a mais termos na
função descritiva, tornando-a mais complexa a nível computacional, algo que o R-square não tem
em conta. Para preencher essa lacuna surgiu o conceito de R-square ajustado1 que adiciona uma
penalização em função do grau do polinómio usado na aproximação e é calculado através da ex-
pressão (A.8), onde N é o número de amostras avaliadas e d o grau do polinómio em causa.

N −1
R-squarea justado = R-square · (A.8)
N −d −1

A.5 Erro quadrático médio (RMSE)


Outro método para avaliar uma aproximação feita é o RMSE, que avalia a diferença entre os
valores observados e os previstos segundo a equação (A.9).
s
1 N
RMSE = · ∑ (y(i) − ŷ(i))2 (A.9)
N i=1

1 Do inglês R-square adjusted


Anexo B

Blocos de controlo usados na simulação


do modelo

Neste anexo são apresentados os blocos que tornam possível a simulação do modelo em PSIM
e servem de apoio ao capítulo 5 desta dissertação.

B.1 Ponte SOC-OCV

A figura B.1 demonstra como é implementada a função de transformação do SOC estimado


da bateria em OCV, fazendo a ligação entre a parte do KiBaM e a elétrica do modelo adotado. A
função é introduzida na secção 5.1 como um polinómio de 4o grau representado na equação (5.1)
e com os coeficientes da tabela 5.2.

Figura B.1: Bloco ponte entre o SOC e a OCV da bateria.

65
66 Blocos de controlo usados na simulação do modelo

B.2 Coeficientes Variáveis


A simulação do modelo com parâmetros variáveis implica a realização de algumas alterações
no circuito elétrico implementado no PSIM descrito na figura 5.1 da secção 5.2, por não existirem
componentes que possam ser usados como resistências e condensadores variáveis. A solução para
este impasse passa por substituir as malhas RC por fontes de tensão controláveis, como demons-
trado na figura B.2, onde os seus valores são computados para cada instante de tempo de acordo
com as expressões dos circuitos RC, isto é, segundo as equações (B.1) e (B.2) quando a bateria
está em carga ou em relaxamento, respetivamente. A implementação das equações é observável
na figura B.3, e, para ser possível usar essa funcionalidade em ambas as malhas RC, dois blocos
iguais fazem a interface entre resistência e condensador para tensão descrito na figura B.4.

VRC = (I · R −Vc (0)) · e−t/τ +Vc (0) (B.1)

VRC = Vc (0) · e−t/τ (B.2)

Figura B.2: Implementação do modelo elétrico no software PSIM com parâmetros variáveis.
B.2 Coeficientes Variáveis 67

Figura B.3: Bloco de estimação da tensão na malha RC, em função do tempo, para os parâmetros
associados ao SOC.

Figura B.4: Bloco de determinação dos valores dos parâmetros da malha RC em função do SOC.
68 Blocos de controlo usados na simulação do modelo
Anexo C

Simulação dos ensaios às baterias

Este anexo contém dois novos ensaios onde é aplicada uma comparação com as simulações
respetivas e serve de apoio ao capítulo 5, nomeadamente aos resultados apresentados na secção 5.3.
Para ambos os ensaios apresentados pode ser feita a mesma análise realizada ao ensaio 5 e onde
os erros de simulação são semelhantes independentemente do perfil de carga aplicado, tal como é
concluído na secção 4.5. Para uma melhor comparação do erro associado a cada ensaio, sugere-se
a análise da tabela 5.3.

C.1 Simulação do Ensaio 2

Figura C.1: Tensão Experimental vs Tensão Simulação (Valores constantes e variáveis) no ensaio
2.

69
70 Simulação dos ensaios às baterias

Figura C.2: Erro da simulação face aos resultados experimentais no ensaio 2.

Figura C.3: Tensão Experimental vs Tensão Simulação (Valores constantes e variáveis) no ensaio
2 e até 20% de SOC.
C.2 Simulação do Ensaio 3 71

Figura C.4: Erro da simulação face aos resultados experimentais no ensaio 2 e até 20% de SOC.

C.2 Simulação do Ensaio 3

Figura C.5: Tensão Experimental vs Tensão Simulação (Valores constantes e variáveis) no ensaio
3.
72 Simulação dos ensaios às baterias

Figura C.6: Erro da simulação face aos resultados experimentais no ensaio 3.

Figura C.7: Tensão Experimental vs Tensão Simulação (Valores constantes e variáveis) no ensaio
3 e até 20% de SOC.
C.2 Simulação do Ensaio 3 73

Figura C.8: Erro da simulação face aos resultados experimentais no ensaio 3 e até 20% de SOC.
74 Simulação dos ensaios às baterias
Referências

[1] A. Khaligh e Zhihao Li. Battery, ultracapacitor, fuel cell, and hybrid energy storage sys-
tems for electric, hybrid electric, fuel cell, and plug-in hybrid electric vehicles: State
of the art. Vehicular Technology, IEEE Transactions on, 59(6):2806 –2814, july 2010.
doi:10.1109/TVT.2010.2047877.

[2] Daniel Magalhães. Modelo de baterias com aplicação em sistemas de gestão de baterias
(BMS) de veículos elétricos (EVs). Tese de mestrado, Faculdade de Engenharia da Univer-
sidade do Porto, 2013. URL: http://paginas.fe.up.pt/~ee05223/.

[3] Iqbal Husain. Electric and hybrid vehicles, 2005.

[4] H Kiehne. Batteries for electric road vehicles. Em Battery Technology Handbook, páginas –.
CRC Press, Agosto 2003. doi:10.1201/9780203911853.ch4.

[5] Niraj Garimella Nirmal-Kumar C. Nair. Battery energy storage systems: Assessment
for small-scale renewable energy integration. Energy and Buildings, 0(42):2130, 2010.
doi:10.1016/j.enbuild.2010.07.002.

[6] Ramesh C. Bansal. Electric vehicles, 2005.

[7] C.C. Chan. The state of the art of electric and hybrid vehicles. Proceedings of the IEEE,
90(2):247 –275, feb 2002. doi:10.1109/5.989873.

[8] Thomas B. Reddy David Linden. Handbook of batteries, 2001.

[9] Se-Hee Lee Isaac Scott. Battery energy storage, 2011.

[10] Hendrik Johannes Bergveld. Battery Management Systems Design by Modelling. Tese de
doutoramento, Universiteit Twente, Royal Philips Electronics, 2001.

[11] Eberhard Meissner e Gerolf Richter. Battery monitoring and electrical energy management:
Precondition for future vehicle electric power systems. Journal of Power Sources, 116(1 -
2):79 – 98, 2003. doi:10.1016/S0378-7753(02)00713-9.

[12] L. Serrao, Z. Chehab, Y. Guezennee, e G. Rizzoni. An aging model of ni-mh batteries for
hybrid electric vehicles. Em Vehicle Power and Propulsion, 2005 IEEE Conference, página
8 pp., sept. 2005. doi:10.1109/VPPC.2005.1554536.

[13] Long Lam. A practical circuit-based model for state of health estimation of li-ion battery
cells in electric vehicles. Tese de mestrado, University of Technology Delft, Department of
Electrical Sustainable Energy, August 2011.

[14] R. Rao, S. Vrudhula, e D.N. Rakhmatov. Battery modeling for energy aware system design.
Computer, 36(12):77 – 87, dec. 2003. doi:10.1109/MC.2003.1250886.

75
76 REFERÊNCIAS

[15] M.R. Jongerden e B.R. Haverkort. Which battery model to use? Software, IET, 3(6):445
–457, december 2009. doi:10.1049/iet-sen.2009.0001.

[16] Kim Taesic e Qiao Wei. A hybrid battery model capable of capturing dynamic circuit
characteristics and nonlinear capacity effects. Energy Conversion, IEEE Transactions on,
26(4):1172–1180, 2011. doi:10.1109/tec.2011.2167014.

[17] John Newman. Fortran programs for the simulation of electrochemical systems, 2008.
Online; acedido a 07/12/2012. URL: http://www.cchem.berkeley.edu/jsngrp/
fortran.html.

[18] C.-F. Chiasserini e R.R. Rao. Energy efficient battery management. Selected Areas in Com-
munications, IEEE Journal on, 19(7):1235 –1245, jul 2001. doi:10.1109/49.932692.

[19] Chen Min e G. A. Rincon-Mora. Accurate electrical battery model capable of predicting
runtime and i-v performance. Energy Conversion, IEEE Transactions on, 21(2):504–511,
2006. doi:10.1109/tec.2006.874229.

[20] M. Einhorn, V. Conte, C. Kral, e J. Fleig. Comparison of electrical battery models using a
numerically optimized parameterization method. Em Vehicle Power and Propulsion Confe-
rence (VPPC), 2011 IEEE, páginas 1 –7, sept. 2011. doi:10.1109/VPPC.2011.6043060.

[21] Zhang Hanlei e Chow Mo-Yuen. Comprehensive dynamic battery modeling for phev appli-
cations. Em Power and Energy Society General Meeting, 2010 IEEE, páginas 1–6, 2010.
doi:10.1109/pes.2010.5590108.

[22] L. Cloth, M. R. Jongerden, e B. R. Haverkort. Computing battery lifetime distributions. Em


Dependable Systems and Networks, 2007. DSN ’07. 37th Annual IEEE/IFIP International
Conference on, páginas 780–789, 2007. doi:10.1109/dsn.2007.26.

[23] Hongwen He, Xiaowei Zhang, Rui Xiong, Yongli Xu, e Hongqiang Guo. Online model-
based estimation of state-of-charge and open-circuit voltage of lithium-ion batteries in elec-
tric vehicles. Energy, 39(1):310 – 318, 2012. doi:10.1016/j.energy.2012.01.009.

[24] Sabine Piller, Marion Perrin, e Andreas Jossen. Methods for state-of-charge determination
and their applications. Journal of Power Sources, 96(1):113 – 120, 2001. doi:10.1016/S0378-
7753(01)00560-2.

[25] Xiaosong Hu, Fengchun Sun, e Yuan Zou. Estimation of state of charge of a lithium-ion
battery pack for electric vehicles using an adaptive luenberger observer. Energies, 3(9):1586–
1603, 2010. doi:10.3390/en3091586.

[26] D. Andre, A. Nuhic, T. Soczka-Guth, e 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 electric vehicles. Engineering Applications of Artificial Intelligence,
2012. doi:10.1016/j.engappai.2012.09.013.