Resumo Técnico: Extração de Características de Saúde de Dados de Falhas de Campo em Sistemas de Armazenamento de Energia por Baterias

Declaração do Problema

Monitorar a saúde de módulos de baterias de íon-lítio em sistemas de Armazenamento de Energia por Baterias (BESS) conectados à rede é crítico para prevenir falhas catastróficas. No entanto, avaliar a saúde das células em campo apresenta desafios significativos que se distinguem dos ambientes controlados de laboratório:

1. Condições Operacionais Variáveis: Sistemas do mundo real experimentam taxas de C (C-rates), janelas de tensão e temperaturas flutuantes. Essas variações confundem diretamente as características de saúde, tornando difícil distinguir mudanças causadas pela degradação daquelas causadas pela dinâmica operacional.
2. Sensoriamento Esparso: Módulos comerciais tipicamente carecem de sensores para cada célula individual. Tensão e corrente são medidas ao nível do grupo paralelo, e os sensores de temperatura são esparsos. Isso impede a observação direta dos estados das células individuais, obscurecendo assinaturas de falha sutis.
3. Mecanismos de Falha Desconhecidos: Ao contrário dos estudos de laboratório onde condições de abuso são induzidas, as falhas de campo possuem causas raízes desconhecidas, complicando a identificação de indicadores de falha específicos.
4. Escassez de Dados: Dados de falha são raros, e conjuntos de dados públicos existentes frequentemente carecem de configurações de células conectadas em paralelo ou dependem exclusivamente da resistência interna como um indicador de saúde.

Metodologia

Os autores apresentam uma estrutura para extrair e calibrar características de saúde a partir de dados operacionais para identificar características discriminativas para grupos de células conectadas em paralelo com falhas. A metodologia consiste em três estáções:

1. Processamento de Dados e Extração de Características

Utilizando dados operacionais de 1 Hz de 25 módulos BESS comerciais (cada um contendo 14 grupos paralelos conectados em série), os autores extraíram três categorias de características de saúde para cada grupo paralelo:

• Capacidade ($\hat{C}$): Estimada durante eventos de descarga de potência constante usando contagem de Coulomb. Os limites de Estado de Carga (SOC) foram determinados mapeando tensões terminais relaxadas para uma curva de Tensão de Circuito Aberto (OCV) de uma célula nova.
• Resistência Interna ($\hat{R}$): Estimada a partir do comportamento de relaxação de tensão após eventos de carga. A resistência foi calculada em vários passos de tempo ($\tau \in \{1\text{s}, 5, 10, 15, 20, 25 \text{ min}\}$) para capturar resistências ôhmica, de transferência de carga e de difusão.
• Características de Análise de Tensão Diferencial (DVA): Extraídas de curvas $dV/dQ$ durante a descarga. As características incluíram a altura e a localização de tensão dos picos de Alta Tensão (3,7–3,9 V) e Baixa Tensão (3,45–3,65 V). Algoritmos específicos (identificação informada por OCP e filtragem de Savitzky-Golay) foram usados para mitigar o ruído do sensor.

2. Regressão por Processo Gaussiano (GP) para Calibração

Para desacoplar os efeitos das condições operacionais variáveis da tendência subjacente de degradação, os autores empregaram uma estrutura de regressão GP.

• Estrutura do Modelo: Cada característica de saúde $y$ foi modelada como a soma de dois GPs independentes: $f_{op}(x)$, capturando a sensibilidade às condições operacionais (ex: taxa de C, tensão, corrente), e $f_{deg}(t)$, capturando a trajetória de degradação dependente do tempo.
• Calibração: Ao isolar o componente $f_{deg}(t)$, o método produz características "calibradas" que representam a verdadeira tendência de envelhecimento, independentemente das condições operacionais específicas no momento da medição.
• Normalização: Para permitir a comparação entre módulos, as características calibradas foram normalizadas em relação à média e ao desvio padrão dos outros 13 grupos dentro do mesmo módulo.

3. Avaliação Estatística

Os autores avaliaram a capacidade dessas características calibradas de distinguir o único grupo confirmado com falha dos 13 grupos sem falha em cada um dos 25 módulos.

• Testes Estatísticos: Testes de Mann–Whitney U foram usados para determinar se as distribuições dos grupos com falha vs. sem falha diferiam significativamente ($p < 0,05$).
• Utilidade Discriminativa: A Área Sob a Curva Característica de Operação do Receptor (AUC) foi calculada para quantificar a capacidade de detecção prática de cada característica.

Principais Resultados

O estudo utilizou um conjunto de dados compreendendo 25 grupos de células com falha e 325 grupos sem falha, com mais de 183 milhões de linhas de dados coletadas ao longo de 1 a 6 meses antes da confirmação da falha.

• Separação Significativa:

  • Capacidade: Tanto os valores medianos de capacidade quanto a taxa de degradação da capacidade (inclinação) mostraram diferenças estatisticamente significativas entre grupos com falha e sem falha ($p < 0,05$). Grupos com falha exibiram menor capacidade e degradação acelerada tão cedo quanto 15–30 dias antes da falha.
  • Alturas de Pico de DVA: As alturas de ambos os picos de $dV/dQ$ de Alta e Baixa Tensão foram significativamente menores para os grupos com falha ($p < 0,05$).
  • Nota: As localizações dos picos de DVA e as inclinações de capacidade em certas janelas de tempo não sempre mostraram significância, mas as métricas primárias (capacidade e alturas de pico) sim.

• Falta de Separação:

  • Resistência Interna: Nem a resistência ôhmica ($\tau=1\text{s}$) nem as resistências de transferência de carga/difusão ($\tau > 1\text{s}$) mostraram diferenças estatisticamente significativas entre grupos com falha e sem falha ($p > 0,05$).

• Desempenho de Detecção:

  • Apesar da significância estatística, o poder discriminativo (AUC) de todas as características foi modesto. A melhor característica, a taxa de degradação da capacidade, alcançou um AUC de 0,671. As alturas de pico de DVA e os valores medianos de capacidade variaram de 0,614 a 0,64.
  • As características de resistência performaram próximo ao acaso ($AUC < 0,60$).
  • Os autores atribuem isso à substancial sobreposição distributiva entre as populações com e sem falha, provavelmente devido a mecanismos de falha heterogêneos e ao efeito de mascaramento das conexões em paralelo.

Mecanismos de Falha Hipotetizados

Com base nas assinaturas de características observadas, os autores hipotetizam que as falhas neste conjunto de dados são consistentes com:

• Desequilíbrios célula-a-célula e inhomegeneidades: Indicados pela redução nas alturas de pico de $dV/dQ$, o que sugere transições de fase mais amplas e distribuição desigual de corrente.
• Platagem de Lítio Local (Lithium Plating): Indicado por menor capacidade e taxas de degradação aceleradas, consistente com a perda irreversível de inventário de lítio (LLI).

A falta de desvio na resistência sugere que as falhas não foram caracterizadas primariamente por aumentos significativos de resistência (ex: corrosão de conectores ou curtos internos), ou que a arquitetura em paralelo mascarou o aumento de resistência de uma única célula falhando.

Significância e Alegações

O artigo alega as seguintes contribuições e significâncias:

1. Estrutura para Dados de Campo: Demonstra uma estrutura robusta para extrair e calibrar características de saúde a partir de dados operacionais reais de BESS, separando com sucesso as tendências de degradação das variáveis condições operacionais usando Processos Gaussianos.
2. Desafio à Detecção Centrada em Resistência: As descobertas desafiam a dependência exclusiva da resistência interna para a detecção de falhas. O estudo mostra que, neste conjunto de dados específico, a resistência não foi um indicador primário de falha, enquanto a capacidade e as características de DVA foram.
3. Compreensão da Dinâmica de Falha em Paralelo: Ao analisar grupos conectados em paralelo, o trabalho aborda uma lacuna na literatura existente (que foca frequentemente em células apenas em série) e destaca o "efeito de mascaramento", onde conexões em paralelo podem esconder a degradação de células individuais em medições de resistência de grupo.
4. Expectativas Realistas: Os autores concluem modestamente que, embora existam diferenças estatisticamente significativas, a substancial sobreposição nas distribuições das características destaca a dificuldade inerente de usar características eletroquímicas individuais para uma detecção de falhas robusta no campo sem incorrer em altas taxas de falsos positivos. O trabalho avança a compreensão do comportamento de falha, mas não afirma ter resolvido o problema da detecção inteiramente.