Fundamental Techniques for Optimal Control of Reconfigurable Battery Systems: System Modeling and Feasible Search Space Construction

Resumen Técnico: Técnicas Fundamentales para el Control Óptimo de Sistemas de Baterías Reconfigurables

Planteamiento del Problema
Los Sistemas de Baterías Reconfigurables (RBS, por sus siglas en inglés) ofrecen una solución prometedora para mejorar la tolerancia a fallos, el equilibrio térmico/de carga y la entrega de energía mediante la alteración dinámica de las conexiones de las baterías a través de interruptores. Sin embargo, optimizar el rendimiento de un RBS requiere resolver problemas de programación entera no lineales y de alta dimensionalidad. Los autores identifican dos desafíos críticos que obstaculizan este proceso:

1. Modelado Dinámico del Sistema: La literatura existente carece de un método unificado para modelar los RBS bajo una reconfiguración dinámica. A medida que los estados de los interruptores cambian, las celdas de la batería pueden unirse o abandonar las operaciones, alterando las dimensiones del sistema y requiriendo la reconstrucción manual de las ecuaciones de la Ley de Corrientes de Kirchhoff (KCL) y la Ley de Voltajes (KVL) para cada configuración. Este proceso es computacionalmente ineficiente y difícil de automatizar.
2. Complejidad del Espacio de Búsqueda: El número de posibles vectores de estado de interruptores (SSV) crece exponencialmente con el número de interruptores y pasos de decisión. Para los RBS a gran escala, buscar el espacio de soluciones completo ($B^{N_S}$) es lento y a menudo infructuoso, ya que la mayoría de las configuraciones resultan en estados inviables, tales como cortocircuitos, circuitos abiertos o voltajes de sistema no deseados.

Metodología
El artículo propone un marco unificado que aborda tanto el modelado como la eficiencia de búsqueda:

1. Modelado Unificado mediante la Configuración de Sistema Completa (CSC):

   • En lugar de eliminar las ramas correspondientes a los interruptores en posición "apagado", los autores proponen retener todas las ramas físicas (baterías, interruptores, cables) para mantener una estructura de malla estable conocida como Configuración de Sistema Completa (CSC).
   • Los estados de los interruptores se incorporan al modelo definiendo una resistencia de interruptor variable ($R_{S_n}^m$). Cuando un interruptor está "encendido", exhibe una baja resistencia de conducción; cuando está "apagado", exhibe una alta resistencia de no conducción (efectivamente un circuito abierto).
   • Este enfoque permite la formulación de un único modelo de espacio de estados unificado ($\dot{X} = AX + B i_t$) donde las matrices del sistema dependen del SSV, pero la estructura del modelo permanece invariante. Esto elimina la necesidad de una reconstrucción frecuente del modelo durante la optimización iterativa.
   • El modelo se discretiza para la formulación del control óptimo, con parámetros actualizados basados en tablas de consulta de Estado de Carga (SoC) en cada intervalo de muestreo.

2. Construcción de un Espacio de Búsqueda Factible:

   • Para mitigar la "maldición de la dimensionalidad", los autores desarrollan un algoritmo para construir activamente un espacio de búsqueda factible ($B_f^{N_S}$) en lugar de buscar en el espacio completo.
   • El método consiste en mapear las configuraciones del sistema a SSV basados en estructuras modulares jerárquicas (Serie-luego-Paralelo, $C_{sp}$, y Paralelo-luego-Serie, $C_{ps}$).
   • El Algoritmo 1 utiliza Programación Dinámica (DP) para enumerar todas las configuraciones factibles de Paralelo-luego-Serie. Construye iterativamente patrones de conexión de celdas válidos (indicadores para celdas en serie, paralelo o puenteadas) mientras impone restricciones sobre el voltaje normalizado del sistema y evita cortocircuitos o circuitos abiertos.
   • Solo se retienen los SSV correspondientes a estas configuraciones válidas, reduciendo drásticamente el tamaño del espacio de búsqueda.

Resultos Clave

• Precisión del Modelo: El modelo unificado propuesto fue validado frente a datos experimentales de un banco de pruebas de RBS de 3 celdas.
  • La simulación a nivel de sistema mostró Errores Absolutos Medios (MAE) de 52 mV para el voltaje de terminal y 46 mA para la corriente de entrada.
  • Las simulaciones a nivel de celda demostraron una precisión significativamente mayor que un "modelo simple" (que asume una distribución de corriente igual). El modelo propuesto logró MAE de corriente de celda $\le$ 20 mA y MAE de voltaje $\le$ 7 mV, en comparación con errores mucho mayores en el modelo simple, particularmente durante las conexiones paralelas transitorias.
• Eficiencia de Búsqueda:
  • Para un RBS de 10 celdas, la relación de SSV factibles respecto al total de SSV posibles resultó ser menor a $2 \times 10^{-10}$.
  • En un estudio de caso para minimizar el desequilibrio de SoC durante 20 pasos de decisión utilizando un Algoritmo Genético (GA):
    • La búsqueda en el espacio completo falló en converger; el algoritmo no pudo encontrar soluciones iniciales factibles y la función objetivo permaneció estancada.
    • La búsqueda en el espacio factible reducido logró reducir el desequilibrio total de SoC de 0.30 a 0.031 dentro de 220 generaciones.

Significancia y Reivindicaciones
El artículo afirma sentar una base sólida para la formulación efectiva y la solución eficiente de problemas de control óptimo de RBS. Sus principales contribuciones son:

1. Modelado Unificado: Proporcionar un único marco matemático que acomoda diversos diseños de RBS y sus combinaciones híbridas sin requerir la reconstrucción del modelo, facilitando así el diseño de topología y la formulación del control.
2. Reducción del Espacio de Búsqueda: Demostrar que reducir el espacio de búsqueda únicamente a soluciones factibles no es meramente un heurístico de optimización, sino una necesidad para resolver problemas de control de RBS a gran escala, ya que garantiza una operación segura y permite la convergencia donde los métodos estándar fallan.

Los autores concluyen que estas técnicas permiten la formulación de diversos problemas de control óptimo para mejorar el rendimiento del sistema, con trabajos futuros planificados para explorar algoritmos de optimización específicos y aplicaciones.