Resumen Técnico: Extracción de Características de Salud a partir de Datos de Fallos de Campo en Sistemas de Almacenamiento de Energía con Baterías

Declaración del Problema

El monitoreo de la salud de los módulos de baterías de ion-litio en sistemas de Almacenamiento de Energía con Baterías (BESS, por sus siglas en inglés) conectados a la red es crítico para prevenir fallos catastróficos. Sin embargo, evaluar la salud de las celdas en el campo presenta desafíos significativos que son distintos de los entornos controlados de laboratorio:

1. Condiciones Operativas Variables: Los sistemas del mundo real experimentan fluctuaciones en las tasas C (C-rates), ventanas de voltaje y temperaturas. Estas variaciones confunden directamente las características de salud, lo que dificulta distinguir entre los cambios causados por la degradación y aquellos causados por la dinámica operativa.
2. Sensores Dispersos: Los módulos comerciales suelen carecer de sensores para cada celda individual. El voltaje y la corriente se miden a nivel de grupo en paralelo, y los sensores de temperatura son dispersos. Esto impide la observación directa de los estados de las celdas individuales, ocultando firmas de fallos sutiles.
3. Mecanismos de Fallo Desconocidos: A diferencia de los estudios de laboratorio donde se inducen condiciones de abuso, los fallos en campo tienen causas raíz desconocidas, lo que complica la identificación de indicadores de fallos específicos.
4. Escasez de Datos: Los datos de fallos son escasos, y los conjuntos de datos públicos existentes a menudo carecen de configuraciones de celdas conectadas en paralelo o dependen exclusivamente de la resistencia interna como indicador de salud.

Metodología

Los autores presentan un marco para extraer y calibrar características de salud a partir de datos operativos para identificar características discriminativas para grupos de celdas en paralelo con fallos. La metodología consta de tres etapas:

1. Procesamiento de Datos y Extracción de Características

Utilizando datos operativos a 1 Hz de 25 módulos BESS comerciales (cada uno con 14 grupos en paralelo conectados en serie), los autores extrajeron tres categorías de características de salud para cada grupo en paralelo:

• Capacidad ($\hat{C}$): Estimada durante eventos de descarga de potencia constante mediante el conteo de Coulomb. Los límites del Estado de Carga (SOC) se determinaron mapeando los voltajes terminales en reposo a una curva de Voltaje de Circuito Abierto (OCV) de una celda nueva.
• Resistencia Interna ($\hat{R}$): Estimada a partir del comportamiento de relajación de voltaje tras eventos de carga. La resistencia se calculó en varios pasos de tiempo ($\tau \in \{1\text{s}, 5, 10, 15, 20, 25 \text{ min}\}$) para capturar las resistencias óhmica, de transferencia de carga y de difusión.
• Características de Análisis de Voltaje Diferencial (DVA): Extraídas de las curvas $dV/dQ$ durante la descarga. Las características incluyeron la altura y la ubicación de voltaje de los picos de Alto Voltaje (3.7–3.9 V) y Bajo Voltaje (3.45–3.65 V). Se utilizaron algoritmos específicos (identificación informada por OCP y filtrado de Savitzky-Golay) para mitigar el ruido de los sensores.

2. Regresión por Procesos Gaussianos (GP) para la Calibración

Para desacoplar los efectos de las condiciones operativas variables de la tendencia de degradación subyacente, los autores emplearon un marco de regresión por procesos gaussianos (GP).

• Estructura del Modelo: Cada característica de salud $y$ se modeló como la suma de dos GP independientes: $f_{op}(x)$, que captura la sensibilidad a las condiciones operativas (por ejemplo, tasa C, voltaje, corriente), y $f_{deg}(t)$, que captura la trayectoria de degradación dependiente del tiempo.
• Calibración: Al aislar el componente $f_{deg}(t)$, el método produce características "calibradas" que representan la verdadera tendencia de envejecimiento, independientemente de las condiciones operativas específicas en el momento de la medición.
• Normalización: Para permitir la comparación entre módulos, las características calibradas se normalizaron en relación con la media y la desviación estándar de los otros 13 grupos dentro del mismo módulo.

3. Evaluación Estadística

Los autores evaluaron la capacidad de estas características calibradas para distinguir el grupo con fallo confirmado de los 13 grupos sin fallos en cada uno de los 25 módulos.

• Pruebas Estadísticas: Se utilizaron las pruebas de Mann–Whitney U para determinar si las distribuciones de los grupos con fallo frente a los sin fallo diferían significativamente ($p < 0.05$).
• Utilidad Discriminativa: Se calculó el Área Bajo la Curva Característica Operativa del Receptor (AUC) para cuantificar la capacidad de detección práctica de cada característica.

Resultados Clave

El estudio utilizó un conjunto de datos que comprendía 25 grupos de celdas con fallos y 325 grupos sin fallos, con más de 183 millones de filas de datos recolectadas durante 1 a 6 meses antes de la confirmación del fallo.

• Separación Significativa:

  • Capacidad: Tanto los valores de capacidad mediana como la tasa de degradación de la capacidad (pendiente) mostraron diferencias estadísticamente significativas entre los grupos con fallo y sin fallo ($p < 0.05$). Los grupos con fallos exhibieron una menor capacidad y una degradación acelerada desde 15 a 30 días antes del fallo.
  • Alturas de Pico de DVA: Las alturas de ambos picos de $dV/dQ$ (Alto V y Bajo V) fueron significativamente menores para los grupos con fallos ($p < 0.05$).
  • Nota: Las ubicaciones de los picos de DVA y las pendientes de capacidad en ciertos intervalos de tiempo no siempre mostraron significancia, pero las métricas primarias (capacidad y alturas de pico) sí lo hicieron.

• Falta de Separación:

  • Resistencia Interna: Ni la resistencia óhmica ($\tau=1\text{s}$) ni las resistencias de transferencia de carga/difusión ($\tau > 1\text{s}$) mostraron diferencias estadísticamente significativas entre los grupos con fallo y los grupos sin fallo ($p > 0.05$).

• Desempeño de Detección:

  • A pesar de la significancia estadística, el poder discriminativo (AUC) de todas las características fue modesto. La mejor característica, la tasa de degradación de la capacidad, alcanzó un AUC de 0.671. Las alturas de los picos de DVA y los valores medianos de capacidad oscilaron entre 0.614 y 0.64.
  • Las características de resistencia se desempeñaron cerca de un simple azar (AUC < 0.60).
  • Los autores atribuyen esto a la sustancial superposición de distribuciones entre las poblaciones con fallo y sin fallo, probablemente debido a mecanismos de fallo heterogéneos y al efecto de enmascaramiento de las conexiones en paralelo.

Mecanismos de Fallo Hipotetizados

Basándose en las firmas de las características observadas, los autores hipotetizan que los fallos en este conjunto de datos son consistentes con:

• Desequilibrios y heterogeneidades celda a celda: Indicado por la reducción de las alturas de los picos de $dV/dQ$, lo que sugiere transiciones de fase más amplias y una distribución de corriente desigual.
• Platado de Litio Local: Indicado por una menor capacidad y tasas de degradación aceleradas, consistente con una pérdida irreversible de inventario de litio (LLI).

La falta de desviación en la resistencia sugiere que los fallos no estuvieron caracterizados principalmente por aumentos significativos de resistencia (por ejemplo, corrosión de conectores o cortocircuitos internos), o que la arquitectura en paralelo enmascaró el aumento de resistencia de una sola celda que falla.

Significancia y Reivindicaciones

El artículo afirma las siguientes contribuciones y significancias:

1. Marco para Datos de Campo: Demuestra un marco robusto para extraer y calibrar características de salud a partir de datos operativos reales de BESS, logrando desacoplar con éxito las tendencias de degradación de las variables condiciones operativas utilizando procesos gaussianos.
2. Desafío a la Detección Centrada en la Resistencia: Los hallazgos desafían la dependencia exclusiva de la resistencia interna para la detección de fallos. El estudio muestra que, en este conjunto de datos específico, la resistencia no fue un indicador primario de fallo, mientras que la capacidad y las características de DVA sí lo fueron.
3. Comprensión de la Dinámica de Fallos en Paralelo: Al analizar grupos conectados en paralelo, el trabajo aborda un vacío en la literatura existente (que a menudo se centra en celdas solo en serie) y destaca el "efecto de enmascaramiento" donde las conexiones en paralelo pueden ocultar la degradación de una celda individual en las mediciones de resistencia del grupo.
4. Expectativas Realistas: Los autores concluyen modestamente que, si bien existen diferencias estadísticamente significativas, la sustancial superposición en las distribuciones de las características resalta la dificultad inherente de utilizar características electroquímicas individuales para una detección de fallos robusta en el campo sin incurrir en altas tasas de falsos positivos. El trabajo avanza en la comprensión del comportamiento de los fallos, pero no pretende haber resuelto el problema de la detección por completo.