Simultaneous improvement of control and estimation for battery management systems

1. El Problema

Los sistemas de gestión de baterías (BMS) actuales suelen tratar los problemas de control (gestión de energía, seguimiento de trayectorias) y estimación de estado (específicamente, la estimación del Estado de Carga o SOC) como objetivos desacoplados.

• Limitación de los controladores actuales: Se basan en el principio de "equivalencia de certeza" (certainty equivalence), donde el controlador optimiza la trayectoria asumiendo que la estimación del estado es exacta.
• El desafío de la observabilidad: La relación entre el voltaje de circuito abierto (OCV) y el SOC es no lineal y presenta "mesas" o regiones planas (donde la derivada d(OCV)/d(SOC) es cercana a cero). En estas regiones, la observabilidad del estado es muy baja, lo que degrada la precisión de cualquier observador (como filtros de Kalman), independientemente de su diseño.
• Consecuencia: Al ignorar la dependencia de la calidad de la estimación con respecto a la trayectoria actual, los controladores convencionales pueden llevar inadvertidamente al sistema a regiones de baja observabilidad, amplificando los errores de estimación justo cuando se necesita mayor precisión (ej. en estrategias de recorte de picos o llenado de valles en la red eléctrica).

2. Metodología

Los autores proponen reformular la gestión de la batería como un problema de control óptimo estocástico para explotar el "efecto dual" (cautela y sondeo), donde el controlador actúa simultáneamente para cumplir el objetivo de seguimiento y mejorar la calidad de la estimación futura.

• Parametrización del Costo Estocástico:

  • Demuestran teóricamente que, para una amplia clase de objetivos (incluyendo recorte de picos), el costo esperado de un sistema estocástico puede parametrizarse exactamente mediante la media condicional y la covarianza del SOC.
  • Esto revela un acoplamiento directo: la entrada de control influye en la evolución de la covarianza (incertidumbre), lo que a su vez afecta el costo futuro.

• Surrogado Determinista y MPC:

  • Dado que el control óptimo estocástico es computacionalmente intratable en tiempo real, derivan un surrogado determinista del costo.
  • Utilizan un Filtro de Kalman Extendido (EKF) para aproximar la evolución de los primeros dos momentos (media y covarianza).
  • Formulan el problema como un Control Predictivo Basado en Modelos (MPC) no lineal. Para hacerlo computacionalmente eficiente, proponen un algoritmo que linealiza localmente la dinámica del "estado de información" (media y covarianza) en lugar de resolver el problema no lineal completo en cada paso.

• Estrategia de Control Dual:

  • El controlador resultante no solo sigue la referencia de potencia, sino que dirige activamente las trayectorias de las baterías hacia regiones de alta observabilidad de la curva OCV-SOC (donde la sensibilidad es alta), reduciendo así la incertidumbre de estimación sin sacrificar el objetivo de control.

3. Contribuciones Clave

1. Marco Teórico: Demostración de que la gestión de baterías con OCV no lineales puede formularse bajo el paraguas del control óptimo estocástico, donde el costo depende explícitamente de la covarianza del estado.
2. Algoritmo Tractable: Derivación de un surrogado determinista que permite plantear el problema como un MPC computacionalmente viable.
3. Validación Empírica: Demostración de mejoras simultáneas en el costo de control y el error de estimación en un sistema de 9 baterías.
4. Independencia del Filtro: Prueba de que las mejoras en la estimación son agnósticas al tipo de observador utilizado, validándose con Filtro de Kalman Extendido (EKF), Filtro de Kalman Unscented (UKF) y Estimador de Horizonte Móvil (MHE).

4. Resultados

El enfoque se validó mediante simulaciones en un sistema de 9 baterías siguiendo una trayectoria de demanda de potencia variable (simulando recorte de picos y llenado de valles). Se comparó el algoritmo propuesto (Algoritmo 1) contra un MPC lineal de equivalencia de certeza.

• Reducción de Costo: El costo total de seguimiento se redujo en un 21.5% (o hasta un 28.4% en el componente de seguimiento) en comparación con el control convencional.
• Mejora en la Estimación:
  • Reducción del error de estimación promedio del EKF en un 19.3%.
  • Reducciones consistentes también observadas para UKF (-10.3%) y MHE (-8.5%).
• Covarianza: La traza de la matriz de covarianza (medida de la incertidumbre total) disminuyó un 50%, indicando una estimación mucho más precisa y confiable.
• Eficiencia Computacional: El algoritmo opera a una frecuencia de 77 Hz, lo cual es suficiente para aplicaciones de BMS, incluso considerando la complejidad adicional del MPC no lineal.
• Robustez: Las trayectorias de las baterías bajo el nuevo control mostraron un seguimiento más preciso de la referencia y límites de confianza ($2\sigma$) más estrechos.

5. Significado e Impacto

Este trabajo es significativo porque rompe con la práctica estándar de desacoplar el control y la estimación en sistemas de almacenamiento de energía.

• Optimización Dual: Muestra que es posible diseñar controladores que "aprenden" activamente (reduciendo la incertidumbre) mientras actúan, mejorando la seguridad y la eficiencia operativa.
• Aplicabilidad en Redes Eléctricas: Es particularmente relevante para aplicaciones de red (grid-connected) donde la precisión del SOC es crítica para estrategias como el recorte de picos, evitando operaciones inseguras debido a errores de estimación en regiones de baja observabilidad.
• Generalidad: Al demostrar que la mejora no depende de un observador específico, el enfoque es robusto y aplicable a diversas arquitecturas de estimación de estado en la industria.

En resumen, el artículo propone un cambio de paradigma hacia un control dual que utiliza la incertidumbre del modelo como una variable de diseño, logrando un rendimiento superior tanto en la gestión de energía como en la precisión de la estimación del estado de carga.