English español
Búsqueda
 

Repositorio de la Universidad de Oviedo > Producción Bibliográfica de UniOvi: RECOPILA > Tesis >

Use este identificador para citar o enlazar este ítem: http://hdl.handle.net/10651/45012

Título : Aportes a los algoritmos de aprendizaje Multiobjetivo para modelos semifísicos de estimación del estado de salud en baterías
Autor(es) y otros: Echevarría Cartaya, Yuviny
Director(es): Sánchez Ramos, Luciano
Blanco Viejo, Cecilio José
Centro/Departamento/Otros: Informática, Departamento de
Palabras clave: Informática
Fecha de publicación : 26-jul-2017
Descripción física: 195 p.
Resumen : Aumentar el uso de fuentes renovables de energ´ıa es de vital importancia para lograr un desarrollo sostenible. Los vehículos eléctricos se consolidan como la alternativa de automoción que más crece en lo últimos años. Las baterías de Iones de Litio es la tecnología que predomina en los vehículos eléctricos. Lograr el uso óptimo de las baterías no es una tarea sencilla, las no-linealidades de los procesos electroquímicos subyacentes hacen complejo el desarrollo de modelos precisos para el diagnóstico y/o pronóstico de las condiciones en que se encuentran las baterías. Existen problemas abiertos para la ciencia en el modelado de baterías de Iones de Litio, siendo uno de estos problemas es la estimación del Estado de Salud mediante modelos que puedan ser utilizados a bordo de los vehículos eléctricos. La presente tesis desarrolla nuevos modelos dinámicos que facilitan la estimación del Estado de Salud en baterías de Iones de Litio. Estos modelos semi-físicos tienen un enfoque multicriterio y se basan en el conocimiento parcial acerca de los fenómenos electroquímicos y térmicos que ocurren en las baterías. Los modelos semi-físicos de segunda generación propuestos contienen un conjunto de ecuaciones diferenciales con bloques inteligentes embebidos. ´ Este enfoque reduce el número de bloques que se comportan como pequeñas cajas negras en el modelo. Los nuevos modelos son Sistemas Genético-Difuso Multiobjetivo que requieren de potentes algoritmos para el aprendizaje. El uso de estos modelos implica aproximar la primera derivada de la salida de tensión del modelo con respecto a la carga almacenada en la batería, lo cual es un procedimiento costoso y muy susceptible a pequeñas variaciones. Este elemento conlleva a que la evaluación de la función de adaptabilidad en el proceso evolutivo consuma más del noventa por ciento del tiempo de una generación completa. Además, durante el aprendizaje se genera un elevado número de soluciones resistentes a la dominación. Las dificultades encontradas en los procesos de aprendizaje de los modelos propuestos y el comportamiento promedio de los algoritmos existentes han motivado el desarrollo de extensiones a los Algoritmos Evolutivos Multiobjetivo. La primera aportación a los algoritmos de aprendizaje en esta tesis consiste en la inyección de conocimiento en el proceso evolutivo. El mecanismo de preferencias parciales propuesto modifica ligeramente el ordenamiento de los individuos en la etapa de selección de la supervivencia. Se usa un operador basado en taylorismo para complementar los niveles de no-dominación de Pareto con un segundo orden parcial. La propuesta incluye además modernas estrategias para fomentar la diversidad de la población durante el proceso evolutivo. Los modelos aprendidos son potencialmente mejores por la presión ejercida en el proceso evolutivo. El estudio empírico realizado concluye que la propuesta obtiene mejores resultados que el resto de los algoritmos genéticos evaluados. La segunda aportación se realiza ante la necesidad de aprender un modelo semi-físico simple para la estimación del Estado de Salud en baterías de Iones de Litio. El modelo requiere aprender indirectamente y de manera completamente interpretable la variable latente asociada al potencial del electrodo negativo de la batería. Con el aprendizaje indirecto de expresiones analíticas mediante algoritmos que puedan ser utilizados en los vehículos eléctricos, se resuelve de manera inmediata la estimación del Estado de Salud. Ante las carencias identificadas en los algoritmos de aprendizaje basados en Programación Genética Multiobjetivo se propone una extensión de estos. La propuesta hace uso de gramáticas para explotar la monotonía de la variable latente de interés, así como de modernas estrategias en la etapa de selección de la supervivencia. El algoritmo propuesto permite estimar los puntos de cambios de fase en las curvas de tensión de la batería a bajas corrientes. Desde el punto de vista práctico se corresponde con la estimación de los picos representativos de las curvas resultantes del Análisis de Capacidad Incremental facilitando el diagnostico de Estado de Salud en las baterías. Esta aportación sirve como base a nuevas líneas de investigación en el área.
URI : http://hdl.handle.net/10651/45012
Notas locales: DT(SE) 2017-200
Aparece en las colecciones: Tesis
Tesis doctorales a texto completo

Ficheros en este ítem:

Fichero Descripción Tamaño Formato
TD_YuvinyEchevarria.pdf11,68 MBAdobe PDFVisualizar/Abrir


Exportar a Mendeley


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons
Creative Commons

Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.

 

Base de Datos de Autoridades Biblioteca Universitaria Consultas / Sugerencias