Modelado e Identificación de Baterías de Ion-Litio y

Supercondensadores para su aplicación al Vehículo

Eléctrico

Henry Santiago Miniguano Miniguano

Tesis depositada en cumplimiento parcial de los requisitos para el

grado de Doctor en

Ingeniería Eléctrica, Electrónica y Automática

Universidad Carlos III de Madrid

Director:

Andrés Barrado Bautista

Septiembre 2019
Esta tesis se distribuye bajo licencia “Creative Commons Reconocimiento – No Comercial –
Sin Obra Derivada”.
A mi familia y en memoria de Eloísa.
 AGRADECIMIENTOS

A mi familia, quienes siempre están para apoyarme a la distancia, aún en mis momentos más
difíciles.

A mi director de tesis, Andrés, por su tiempo y paciencia para desarrollar este trabajo.

A todos los integrantes del Grupo de Sistema Electrónicos de Potencia, que a través de su
conocimiento y experiencia han hecho que la electrónica de potencia sea un nuevo estilo de
vida.

A todos mis amigos de los despachos “Molones” y “Guais”, siempre hay un amigo en mí.

A Lorena, Pablo, Carlos, Emilio, Diego, Johanna, Daniel, Marcos, Alba, Alberto, Cristina, Alex,
y Tony por el privilegio de juntarnos, cambiar y movernos hacia adelante, por siempre en mi
corazón.

A todos esos seres humanos con los que me encontré a través del mundo, enseñándome que
los éxitos y felicidad nunca terminan, mientras sigamos encontrando cosas que nos motiven en
cualquier lugar que estemos.
 CONTENIDOS PUBLICADOS Y PRESENTADOS

• Artículos de Revista:

1. H. Miniguano, A. Barrado, C. Fernández, P. Zumel, and A. Lázaro, “A General

Parameter Identification Procedure Used for the Comparative Study of
Supercapacitors Models,” Energies, vol. 12(9), p. 1776, 2019. DOI:
10.3390/en12091776.
(La información presentada en este articulo está parcialmente incluida en el Capítulo 5. Todo
el material de esta fuente incluido en la tesis está señalado por medios tipográficos y una
referencia explícita)

2. H. Miniguano, A. Barrado, A. Lázaro, P. Zumel and C. Fernández, “General

Parameter Identification Procedure and Comparative Study of Li-ion Battery
Models,” IEEE Transactions on Vehicular Technology, presentados para su
publicación.
(La información presentada en este articulo está parcialmente incluida en el Capítulo 4. Todo
el material de esta fuente incluido en la tesis no está señalado por medios tipográficos ni
referencias)

3. H. Miniguano, A. Barrado, C. Fernández, P. Zumel, and A. Lázaro, “Parameter

Identification of Equivalent Circuit Models of Li-ion Batteries and
Supercapacitors with Pulse and Pseudorandom Binary Sequence (Pulse-PRBS),”
IEEE Transactions on Industrial Electronics, vol. 12(9), presentados para su
publicación.
(La información presentada en este articulo está parcialmente incluida en el Capítulo 6. Todo
el material de esta fuente incluido en la tesis no está señalado por medios tipográficos ni
referencias)

• Artículos de Congreso:

4. H. Miniguano, C. Raga, A. Barrado, M. Sanz, A. Lazaro, D. López Del Moral,

“Comparación de estrategias de control en corriente y tensión aplicadas a
arquitecturas de distribución de potencia para vehículos eléctricos híbridos,”
Seminario Anual de Automática, Electrónica Industrial e Instrumentación SAAEI´13,
2013. ISBN: 978-84-15302-60-5.
(La información presentada en este articulo está parcialmente incluida en el Capítulo 7. Todo
el material de esta fuente incluido en la tesis no está señalado por medios tipográficos ni
referencias)

5. H. Miniguano, A. Barrado, C. Raga, A. Lázaro, C. Fernández, M. Sanz, “Análisis,

comparación y validación experimental de modelos de supercondensadores
aplicados a vehículos eléctricos híbridos,” Seminario Anual de Automática,
Electrónica Industrial e Instrumentación SAAEI´16, 2016. ISBN: 978-84-608-9013-
3.
(La información presentada en este articulo está parcialmente incluida en el Capítulo 5. Todo
el material de esta fuente incluido en la tesis no está señalado por medios tipográficos ni
referencias)
6. H. Miniguano, C. Raga, A. Barrado, A. Lázaro, P. Zumel, E. Olías, “Análisis,
comparación y validación experimental de modelos de baterías aplicados a
vehículos eléctricos híbridos,” Seminario Anual de Automática, Electrónica Industrial
e Instrumentación SAAEI´16, 2016. ISBN: 978-84-608-9013-3.
(La información presentada en este articulo está parcialmente incluida en el Capítulo 7. Todo
el material de esta fuente incluido en la tesis no está señalado por medios tipográficos ni
referencias)

7. H. Miniguano, C. Raga, A. Barrado, A. Lázaro, P. Zumel, and E. Olías, “A

comparative study and parameterization of electrical battery models applied to
hybrid electric vehicles,” International Conference on Electrical Systems for Aircraft,
Railway, Ship Propulsion and Road Vehicles & International Transportation Electrification
Conference (ESARS-ITEC), 2017. DOI: 10.1109/ESARS-ITEC.2016.7841345.
(La información presentada en este articulo está parcialmente incluida en el Capítulo 4. Todo
el material de esta fuente incluido en la tesis no está señalado por medios tipográficos ni
referencias)

8. H. Miniguano, A. Barrado, C. Raga, A. Lázaro, C. Fernández, and M. Sanz, “A

comparative study and parameterization of supercapacitor electrical models
applied to hybrid electric vehicles,” International Conference on Electrical Systems for
Aircraft, Railway, Ship Propulsion and Road Vehicles & International Transportation
Electrification Conference (ESARS-ITEC), 2017. DOI: 10.1109/ESARS-
ITEC.2016.7841354.
(La información presentada en este articulo está parcialmente incluida en el Capítulo 5. Todo
el material de esta fuente incluido en la tesis está señalado por medios tipográficos y una
referencia explícita)

9. H. Miniguano, A. Barrado, A. Lázaro, M. Sanz, E. Olías, C. Fernández,

“Identificación y validación experimental de modelos eléctricos de baterías de
Li-ion y supercondensadores mediante análisis espectral aplicados a vehículos
eléctricos híbridos,” Seminario Anual de Automática, Electrónica Industrial e
Instrumentación SAAEI´17, 2017. ISBN: 978-84-606-8573-9.
(La información presentada en este articulo está parcialmente incluida en el Capítulo 6. Todo
el material de esta fuente incluido en la tesis no está señalado por medios tipográficos ni
referencias)
 OTROS MÉRITOS DE INVESTIGACIÓN

• Artículos de Revista:

1. C. Raga, A. Barrado, H. Miniguano, A. Lazaro, I. Quesada, and A. Martin-

Lozano, “Analysis and Sizing of Power Distribution Architectures Applied to
Fuel Cell Based Vehicles,” Energies, vol. 11, no. 10, p. 2597, 2018. DOI:
10.3390/en11102597.

• Artículos de Congreso:

2. D. López del Moral, H. Miniguano; A. Barrado, M. Sanz, C. Raga, A. Lázaro,

“Modelado en pequena senal del convertidor Flyback Serie en MCC y estudio
comparativo con el convertidor Clásico,” Seminario Anual de Automática,
Electrónica Industrial e Instrumentación SAAEI´13, 2013. ISBN: 978-84-
15302-60-5.

3. C. Raga, A. Barrado, A. Lázaro, H. Miniguano, P. Zumel, M. Sanz, “Análisis y

dimensionamiento de arquitecturas de distribución de potencia aplicadas a
vehículos propulsados por pilas de combustible,” Seminario Anual de
Automática, Electrónica Industrial e Instrumentación SAAEI´13, 2013. ISBN:
978-84-15302-60-5.

4. C. Raga et al., “Optimal sizing of propulsion systems applied to fuel cell based
vehicles,” 2014 IEEE Energy Convers. Congr. Expo. ECCE 2014, pp. 4797–4803,
2014. DOI: 10.1109/ECCE.2014.6954058.

5. C. Raga, H. Miniguano, A. Barrado, A. Lázaro, I. Quesada, C. Fernández,

“Dimensionamiento óptimo de sistemas de propulsión aplicados a vehículos
propulsados por pilas de combustible: validación experimental,” Seminario
Anual de Automática, Electrónica Industrial e Instrumentación SAAEI´15,
2015. ISBN: 978-84-944131-2-4.

6. D. L. Del Moral et al., “Improvement of the Synchronous Buck converter

dynamic performance applied to Hybrid Electric Vehicle regenerative power
systems,” Proc. - 2015 9th Int. Conf. Compat. Power Electron. CPE 2015, pp. 437–
442, 2015. DOI: 10.1109/CPE.2015.7231115.

7. D. Lopez Del Moral et al., “Static and dynamic analysis of a 300W Series
Connection Flyback converter applied to photovoltaic panels,” Conf. Proc. -
IEEE Appl. Power Electron. Conf. Expo. - APEC, vol. 2015-May, no. May, pp.
350–357, 2015. DOI: 10.1109/APEC.2015.7104374.

8. C. Raga, A. Barrado, A. Lázaro, H. Miniguano, M. Sanz, C. Fernández, “Impacto

de las estrategias de gestión de energía sobre el consumo de combustible de
vehículos eléctricos propulsados por pilas de combustible,” Seminario Anual de
Automática, Electrónica Industrial e Instrumentación SAAEI´16, 2016. ISBN:
978-84-608-9013-3.
9. C. Raga, A. Barrado, A. Lázaro, H. Miniguano, M. Sanz, C. Fernández, “Impacto
de las estrategias de gestión de energía sobre el consumo de combustible de
vehículos eléctricos propulsados por pilas de combustible,” Seminario Anual de
Automática, Electrónica Industrial e Instrumentación SAAEI´16, 2016. ISBN:
978-84-608-9013-3.
 I

Planteamiento y resumen de
la tesis
El proceso de electrificación de los medios de transporte plantea, en la actualidad, un
conjunto de desafíos relacionados con el desarrollo de sistemas de distribución de potencia
y propulsión basados en el uso de energías limpias, que deben ocasionar un mínimo impacto
sobre el medio ambiente. Por esta razón, los sistemas que gestionan este tipo de energías
deben ser lo más eficientes posible.

Esta marcada tendencia, que va desde los sistemas de propulsión basados en combustión
interna a los sistemas de propulsión basados en el uso de energías alternativas, requieren de
sistemas de almacenamiento que ayuden y garanticen la adecuada operación del vehículo.
De esta manera, se distingue entre la fuente de energía principal, como puede ser una pila de
combustible de tipo PEM cuyo combustible es el hidrógeno, y las fuentes de energías
secundarias, típicamente baterías y supercondensadores, las cuales en la relación tamaño
energía y potencia son las más indicadas para aplicaciones dirigidas a vehículos eléctricos.

El diseño, dimensionamiento y utilización de las fuentes de energía plantea un desafío a

nivel de modelado y control, asociado al constante compromiso entre complejidad y
precisión.

En este sentido, para la realización de la simulación del sistema, previa a su

implementación, es necesario disponer del modelo de todos los elementos que componen el
sistema, los cuales deben ser capaz de representar con suficiente precisión el
comportamiento real de cada elemento, y como consecuencia del sistema completo.

Por todas estas razones, en esta tesis doctoral se plantea un procedimiento de modelado
de baterías y supercondensadores. En este procedimiento se requiere disponer de un modelo,
un perfil de identificación, un algoritmo de optimización matemática, y un perfil de
verificación. La flexibilidad de control de estos elementos permite, en gran medida, hacer
que la estimación sea suficientemente adaptable a distintos tipos de modelos y sistemas,
asegurando su generalidad.

Mediante una adecuada identificación de los parámetros del modelo, se puede plantear
una comparativa entre los modelos de baterías y supercondensadores, disponible en estado
de la técnica, para extraer las ventajas e inconveniente de cada modelo, y seleccionar aquel
que mejor se adapte a cada aplicación. En esta tesis doctoral, el modelado de baterías se ha
centrado en aquellas baterías con tecnología de Ion-litio, por su aplicabilidad al vehículo
eléctrico.
 II

Fruto del estudio de los modelos y métodos de identificación realizado, se ha podido

verificar la importancia de la señal de identificación, en el proceso de modelado. Es por esta
razón, que en esta tesis se propone una nueva señal de identificación pseudoaleatoria
compuesta, denominada Pulso-PRBS, que presenta como bondad la capacidad de cubrir en
amplitud y frecuencia a la señal de verificación o señal de funcionamiento real del sistema,
reduciendo, de esta manera, el error de los modelos que utilizan perfiles de identificación
convencionales, habitualmente utilizados en baterías y supercondensadores.

Finalmente, los modelos seleccionados e identificados se utilizan en el diseño del control

de la energía de un sistema completo, en el que se precisan de uno o varios convertidores
CC-CC, en concreto se selecciona la topología reductora-elevadora no invertida, para la
gestión de la energía asociada a cada fuente, sea principal o secundaria.

El análisis y desarrollo de las propuestas incluidas en esta tesis doctoral, se estructuran y

describen en los siguientes capítulos:

En el Capítulo 1 se realiza una introducción al proceso de electrificación del transporte,

asociado a la generación de una movilidad más sostenible. Además, se describe la necesidad
del desarrollo de modelos, para conseguir un mejor control de los sistemas de energía de los
vehículos eléctricos.

En el Capítulo 2 se introducen técnicas de identificación y modelado de baterías y

supercondensadores disponibles en el estado de la técnica, además de algunas comparativas
entre los diferentes modelos. También, se describe las técnicas de control y gestión de
energía para las unidades de almacenamiento y fuentes de energía.

En el Capítulo 3 se propone un procedimiento general de identificación de parámetros

en modo offline. La optimización matemática se lleva a cabo mediante la herramienta de
Simulink de Matlab.

En el Capítulo 4 se describe y comparan los modelos de baterías más utilizados,

aplicando el procedimiento de identificación descrito en el capítulo 3. Adicionalmente, se
utilizan otros perfiles de identificación para realizar la comparativa de la precisión del
modelo frente a la respuesta temporal. Para efectuar esta comparativa de la precisión del
modelo, y una vez el modelo ha sido identificado, se utilizan unos perfiles de verificación
típicos en aplicaciones de automoción, en concreto los basado en el perfil de conducción
ECE15 y HPPC.

En el Capítulo 5 se desarrolla un estudio similar al realizado en el capítulo 4, pero

orientado al modelado de supercondensadores. De la misma manera, se definen y utilizan
perfiles de identificación y verificación, estos últimos también basados en el perfil de
conducción ECE15 y HPPC.

En el Capítulo 6 se propone un nuevo perfil de identificación, que trata de ser general y

fácil aplicación, para el modelado de baterías y supercondensadores. La nueva señal de
identificación está basada en una secuencia binaria pseudoaleatoria (PRBS).
 III

Experimentalmente, en este capítulo también se realiza una comparativa entre los perfiles de
identificación tradicionales y el nuevo perfil de identificación.

En el Capítulo 7 se propone un sistema de gestión de energía para vehículos eléctricos,

que utiliza las fuentes de energía secundaria modeladas e identificadas, junto con al menos
un convertidor CC-CC reductor-elevador no invertido, sobre el que se analizan las técnicas
de modulación y control empleadas.

Finalmente, en el Capítulo 8 se resumen todas las conclusiones de la tesis y se proponen

los trabajos futuros.
IV
 V

CONTENIDO

1 INTRODUCCIÓN --------------------------------------------------------------------------- 1
1.1 MOTIVACIÓN --------------------------------------------------------------------------- 3
1.2 MOVILIDAD SOSTENIBLE ---------------------------------------------------------- 3
1.3 FUENTES DE ALMACENAMIENTO DE ENERGÍA---------------------------- 5
1.4 MODELADO DE FUENTES DE ALMACENAMIENTO DE ENERGÍA ----- 6
1.5 GESTIÓN DE LAS FUENTES DE GENERACIÓN Y ALMACENAMIENTO
DE ENERGÍA ---------------------------------------------------------------------------- 6
2 ESTADO DE LA TÉCNICA Y OBJETIVOS------------------------------------------- 9
2.1 INTRODUCCIÓN ---------------------------------------------------------------------- 11
2.2 BATERÍAS DE ION-LITIO ---------------------------------------------------------- 11
2.2.1 Modelos de baterías ---------------------------------------------------------------- 12
2.2.2 Comparativa de modelos de baterías --------------------------------------------- 14
2.3 SUPERCONDENSADORES --------------------------------------------------------- 16
2.3.1 Modelos de supercondensadores ------------------------------------------------- 17
2.3.2 Comparativa de modelos de supercondensadores ------------------------------ 19
2.4 SISTEMAS DE PROPULSIÓN BASADOS EN PILAS DE COMBUSTIBLE,
BATERÍAS Y SUPERCONDENSADORES -------------------------------------- 19
2.4.1 Arquitecturas de sistemas de distribución de potencia ------------------------ 20
2.4.2 Técnicas de control ----------------------------------------------------------------- 21
2.5 OBJETIVOS ----------------------------------------------------------------------------- 24
3 IDENTIFICACIÓN PARAMÉTRICA -------------------------------------------------- 25
3.1 INTRODUCCIÓN ---------------------------------------------------------------------- 27
3.2 TÉCNICAS DE IDENTIFICACIÓN ------------------------------------------------ 27
3.3 PROCEDIMIENTO DE IDENTIFICACIÓN PARAMÉTRICA ---------------- 29
3.3.1 Montaje experimental -------------------------------------------------------------- 32
3.3.2 Perfil de perturbación -------------------------------------------------------------- 32
3.3.3 Herramienta de estimación de parámetros -------------------------------------- 33
VI

3.4 COMPARACIÓN DE RESULTADOS --------------------------------------------- 38

3.5 CONCLUSIONES ---------------------------------------------------------------------- 39
4 MODELADO DE BATERÍAS DE ION-LITIO --------------------------------------- 41
4.1 INTRODUCCIÓN ---------------------------------------------------------------------- 43
4.2 MODELO DE BATERÍAS ----------------------------------------------------------- 44
4.2.1 Modelo de Shepherd --------------------------------------------------------------- 44
4.2.2 Modelo No Lineal ------------------------------------------------------------------ 46
4.2.3 Modelo Partnership for a New Generation of Vehicles (PNGV) ------------ 47
4.2.4 Modelo de Thevenin de Tercer Orden con Histéresis (3RCH) -------------- 47
4.2.5 Modelo de Thevenin de Tercer Orden Dependiente del SOC (3RC(SOC)) 49
4.3 MONTAJE EXPERIMENTAL ------------------------------------------------------- 50
4.3.1 Banco de Pruebas ------------------------------------------------------------------- 50
4.3.2 Perfil de Corriente ------------------------------------------------------------------ 51
4.4 COMPARACIÓN DE RESULTADOS --------------------------------------------- 53
4.5 CONCLUSIONES ---------------------------------------------------------------------- 56
4.6 VALORES DE LOS PARÁMETROS DE LOS MODELOS DE BATERÍAS 58
5 MODELADO DE SUPERCONDENSADORES -------------------------------------- 63
5.1 INTRODUCCIÓN ---------------------------------------------------------------------- 65
5.2 MODELO DE SUPERCONDENSADORES -------------------------------------- 66
5.2.1 Modelo de Stern-Tafel ------------------------------------------------------------- 66
5.2.2 Modelo de Zubieta ----------------------------------------------------------------- 68
5.2.3 Modelo Serie ------------------------------------------------------------------------ 69
5.2.4 Modelo Paralelo -------------------------------------------------------------------- 70
5.2.5 Modelo de Línea de Transmisión ------------------------------------------------ 71
5.2.6 Modelo de Thevenin --------------------------------------------------------------- 72
5.3 MONTAJE EXPERIMENTAL ------------------------------------------------------- 73
5.3.1 Banco de pruebas ------------------------------------------------------------------- 73
5.3.2 Perfil de corriente de los supercondensadores ---------------------------------- 74
5.4 COMPARACIÓN DE RESULTADOS --------------------------------------------- 77
5.5 CONCLUSIONES ---------------------------------------------------------------------- 83
 VII

5.6 VALORES DE LOS PARÁMETROS DE LOS MODELOS DE

SUPERCONDENSADORES --------------------------------------------------------- 84
6 IDENTIFICACION ESPECTRAL DE BATERÍAS Y
SUPERCONDENSADORES ------------------------------------------------------------- 91
6.1 INTRODUCCIÓN ---------------------------------------------------------------------- 93
6.2 MODELO DE BATERÍAS Y SUPERCONDENSADORES -------------------- 93
6.2.1 Modelo de Batería ------------------------------------------------------------------ 94
6.2.2 Modelo de Supercondensador ----------------------------------------------------- 94
6.3 PERFIL DE IDENTIFICACIÓN PULSO-PRBS ---------------------------------- 95
6.4 MONTAJE EXPERIMENTAL ----------------------------------------------------- 103
6.5 IDENTIFICACIÓN DE PARÁMETROS ----------------------------------------- 104
6.6 COMPARACIÓN DE RESULTADOS-------------------------------------------- 105
6.7 CONCLUSIONES -------------------------------------------------------------------- 109
6.8 VALORES DE LOS PARÁMETROS DE LOS MODELOS DE BATERÍAS Y
SUPERCONDENSADORES ------------------------------------------------------- 110
7 SISTEMA DE GESTIÓN DE ENERGÍA EN VEHÍCULOS ELÉCTRICOS CON
FUENTES DE ENERGÍA SECUNDARIA ------------------------------------------ 113
7.1 INTRODUCCIÓN -------------------------------------------------------------------- 115
7.2 MODELADO DE LA PILA DE COMBUSTIBLE, BATERÍA Y
SUPERCONDENSADOR ---------------------------------------------------------- 116
7.3 CONVERTIDOR REDUCTOR ELEVADOR NO INVERTIDO ------------- 119
7.3.1 Modulador PWM ----------------------------------------------------------------- 121
7.3.2 Modelado promediado del convertidor NIBB -------------------------------- 126
7.3.3 Lazo de control interno de corriente ------------------------------------------- 127
7.3.4 Lazo de control externo de tensión --------------------------------------------- 129
7.3.5 Dimensionamiento de los componentes del convertidor NIBB ------------ 130
7.3.6 Cálculo de los reguladores para el convertidor NIBB ----------------------- 131
7.3.7 Simulación temporal con PSIM y Matlab ------------------------------------- 133
7.4 GESTIÓN Y DISTRIBUCIÓN DE POTENCIA EN VEHICULOS
ELECTRICOS HÍBRIDOS --------------------------------------------------------- 140
7.5 CONCLUSIONES -------------------------------------------------------------------- 144
8 CONCLUSIONES Y TRABAJOS FUTUROS -------------------------------------- 145
8.1 CONCLUSIONES -------------------------------------------------------------------- 147
VIII

8.2 APORTACIONES DE LA INVESTIGACIÓN -----------------------------------147

8.2.1 Aportaciones en el modelado de unidades de almacenamiento de energía 147
8.2.2 Aportaciones en el control de convertidores y del sistema de gestión de la
energía ------------------------------------------------------------------------------- 149
8.2.3 Divulgación de la investigación ------------------------------------------------- 150
8.3 TRABAJOS FUTUROS --------------------------------------------------------------150
REFERENCIAS ---------------------------------------------------------------------------------- 151
ANEXOS ------------------------------------------------------------------------------------------ 163
A.1 INTERFAZ DE PROGRAMACIÓN EN LABVIEW----------------------------165
A.2 PROGRAMACIÓN DEL PERFIL DE IDENTIFICACIÓN --------------------167
 IX

LISTA DE ACRÓNIMOS

CC Corriente continua.
DFT Transformada Discreta de Fourier.
ECE-15 Urban Driving Cycle UDC.
EKF Extended Kalman Filter.
EV Vehículos totalmente Eléctricos.
GA Algoritmo Genético.
HEV Vehículos Eléctricos Híbridos.
HPPC Hybrid Pulse Power Characterization
LUT Look-up table.
M Valor máximo de histéresis.
NIBB Non-inverting Buck-Boost converter.
OCV Tensión de circuito abierto.
PDF Probability Density Function.
PNGV Partnership for a New Generation of Vehicles.
PRBS Pseudorandom Binary Sequence.
PWM Pulse Width Modulation.
RC Resistencia-condensador.
RMS Root Mean Square.
RMSE Error Cuadrático Medio.
SCPI Standard Commands for Programmable Instruments.
SOC Estado de carga.
UDSS Urban Dnamometer Driving Schedule.
WLTP Worldwide Harmonized Light Vehicles Test Procedure.
3RCH Modelo de Thevenin de Tercer Orden con Histéresis.
3RC(SOC) Modelo de Thevenin de Tercer Orden Dependiente del SOC.
X
 XI

LISTA DE SÍMBOLOS

a Amplitud de corriente.
A Amplitud de la zona exponencial.
Ai Área superficial entre el electrodo y el electrolito.
B Constante de tiempo de la zona exponencial inversa.
c Concentración molar.
C Capacidad nominal
CGC Capacitancia de Gouy-Chapman.
CH Capacitancia de Helmholtz.
Cin Condensador de entrada.
Cn Capacitancia nominal.
Cout Condensador de salida.
Cp Capacitancia para modelar el efecto de polarización.
CT Capacitancia del condensador de doble capa.
C0 Capacitancia lineal inicial.
C1 Capacidad 1.
C2 Capacidad 2.
C3 Capacidad 3.
C0(SOC) Condensador variable dependiente del estado de carga.
C1(SOC) Condensador variable dependiente del estado de carga.
C2(SOC) Condensador variable dependiente del estado de carga.
C3(SOC) Condensador variable dependiente del estado de carga.
C1(v1) Condensador 1 dependiente de la tensión 1.
C2(v2) Condensador 2 dependiente de la tensión 2.
C3(v3) Condensador 3 dependiente de la tensión 3.
C4(v4) Condensador 4 dependiente de la tensión 4.
Cs(vs) Condensador serie dependiente de la tensión del supercondensador.
C1(vsc) Condensador 1 dependiente de la tensión del supercondensador.
 XII

C2(vsc) Condensador 2 dependiente de la tensión del supercondensador.

d Radio molecular.
𝐷𝑏𝑢𝑐𝑘 Ciclo de trabajo en modo reductor.
𝐷𝑏𝑜𝑜𝑠𝑡 Ciclo de trabajo en modo reductor.
E0 Tensión interna de la batería.
𝑓norm Ancho de banda normalizado.
flow Frecuencia del filtro pasabajos.
𝑓𝑚𝑎𝑥 Frecuencia máxima y mínima.
𝑓𝑚𝑖𝑛 Frecuencia máxima y mínima.
𝑓𝑠𝑤 Frecuencia de conmutación.
Fc Constante de Faraday.
h(k) Tensión dinámica de histéresis.
i(τ) Corriente del supercondensador.
𝑖𝐶𝑜𝑢𝑡 Corriente del condensador de salida.

if Corriente de la batería filtrada.

isd Corriente de autodescarga.
i1 Perfil de corriente 1.
i2 Perfil de corriente 2.
i3 Perfil de corriente 3.
If Corriente de fuga.
I Amplitud de corriente de carga o descarga.
kc Coeficiente que representa los efectos de la capa difusa del
supercondensador.
K Constante de polarización.
L Inductancia.
M Ganancia del convertidor.
𝑀𝐵𝑢𝑐𝑘 Ganancia estática en modo Buck.
𝑀𝑏𝑢𝑐𝑘−𝑏𝑜𝑜𝑠𝑡 Ganancia estática en modo Buck-Boost.
𝑀𝑏𝑜𝑜𝑠𝑡 Ganancia estática en modo Boost.
Ne Número de capas de electrodos.
Ns Número de celdas en serie.
 XIII

𝑛 Número de registros de desplazamiento o bits.

N Número de estados de la secuencia.
OCV0 Fuente de tensión constante inicial.
𝑝 Parámetros del modelo.
Q Capacidad máxima de la batería.
Qinit Carga inicial del supercondensador.
Qt Carga instantánea de la batería.
QT Carga eléctrica total.
rL resistencia parásita de la bobina.
R Constante de gas ideal.
Rdc Resistencia interna.
Rb Resistencia de propagación.
Rlk Resistencia de autodescarga del supercondensador.
Rp Resistencia de difusión.
Rs Resistencia serie.
Rt Resistencia interna óhmica.
𝑅𝑣 (𝑠) Regulador de tensión.
R0 Resistencia interna constante.
R1 Resistencia 1.
R2 Resistencia 2.
R3 Resistencia 3.
R0(SOC) Resistencia interna de la batería.
R1(vsc) Resistencia 1 dependiente de la tensión del supercondensador.
R2(vsc) Resistencia 2 dependiente de la tensión del supercondensador.
tclk Duración de pulso del reloj.
tp Tiempo de carga o descarga.
tpulso Duración del pulso inicial.
T temperatura de funcionamiento.
Tc Constante de tiempo de la batería.
𝑇𝑖 (𝑠) Lazo de control de corriente.
𝑇𝑣 (𝑠) Lazo de externo de tensión.
 XIV

Tsw Periodo de conmutación.

vh Tensión de histéresis.
vin Tensión de entrada.
vm Tensión señal moduladora en modo Buck-Boost.
𝑣𝑚𝑜𝑑 Tensión señal moduladora.
𝑣𝑚𝑜𝑑_𝐹𝐹 Tensión señal moduladora del Feedforward.
vout Tensión de salida.
Vhigh Valor alto de la señal portadora.
𝑉𝑖𝑛 Tensión de entrada estática.
Vinit Tensión inicial en voltios.
Vlow Valor alto de la señal portadora.
𝑉𝑚 Tensión medida.
Vmax Tensión máxima.
𝑉𝑜𝑢𝑡 Tensión de salida estática.
VT Tensión total del supercondensador.
Vs Tensión simulada.
 Coeficiente de transferencia de carga.

 Velocidad de cambio de la tensión de histéresis.

∆𝐼𝑜𝑢𝑡(𝑚𝑎𝑥) Rizado de corriente por la bobina.
∆SOC Variación del estado de carga.
∆V Sobretensión en voltios.
∆𝑉𝑜𝑢𝑡 Rizado de tensión.
ε Permitividad relativa del material.
ε0 Permitividad de espacio libre.
 Media geométrica.

 Desviación estándar.
 XV

ÍNDICE DE FIGURAS
Figura 1.1. Emisiones totales de CO2. ................................................................................... 4
Figura 1.2. Electrificación del sistema de tracción en los automóviles................................. 5
Figura 1.3. Diagrama de Ragone de sistemas de almacenamiento de energía. ..................... 5
Figura 1.4. Procedimiento de estimación de parámetros de un modelo para un sistema de
almacenamiento de energía. ................................................................................ 6
Figura 1.5. Conexión de unidades de fuente y almacenamiento de energía con el sistema de
control de potencia............................................................................................... 7
Figura 2.1. Sistema de tracción de un vehículo con pila de hidrógeno ............................... 11
Figura 2.2. Diagrama de Ragone para varios sistemas almacenadores de energía . ........... 11
Figura 2.3. Diferentes formatos de baterías de Ion-Litio. ................................................... 12
Figura 2.4. Modelo electroquímico de una batería de Ion-Litio. ......................................... 13
Figura 2.5. Modelo matemático de una batería de Ion-Litio. .............................................. 13
Figura 2.6. Modelo eléctrico equivalente de batería. .......................................................... 14
Figura 2.7. Implementación del filtro Kalman para estimación de parámetros en la batería.
...................................................................................................................................... 15
Figura 2.8. Respuesta espectral de perfiles de corriente para vehículos: a) Urban
Dynamometer Driving Schedule (UDDS) y b) Worldwide Harmonized Light
Vehicles Test Procedure (WLTP)...................................................................... 16
Figura 2.9. Estructura interna del supercondensador. ......................................................... 16
Figura 2.10. Diagrama de tela de araña del supercondensador. .......................................... 17
Figura 2.11. Modelo electroquímico de un supercondensador. ........................................... 18
Figura 2.12. Modelo matemático de Stern de un supercondensador. .................................. 18
Figura 2.13. Modelo eléctrico equivalente del supercondensador. ..................................... 19
Figura 2.14. Conexión de una pila de hidrógeno a múltiples unidades de almacenamiento
de energía . ...................................................................................................... 20
Figura 2.15. Estrategia de separación en frecuencia para la gestión de la energía. ............. 21
Figura 2.16. Diagrama de control de gestión de energía basado en la descomposición en
frecuencia........................................................................................................ 22
Figura 2.17. Estrategia de control anidada de gestión de energía. ...................................... 23
Figura 3.1. Identificación paramétrica y no paramétrica. .................................................... 28
Figura 3.2. Identificación: a) offline y b) online ................................................................. 28
Figura 3.3. Red RC a identificar .......................................................................................... 29
Figura 3.4. Diagrama del método de mínimos cuadrados ................................................... 30
Figura 3.5. Estimación de parámetros: a) diagrama de flujo del procedimiento, b) modelo
en Simscape y c) interface de optimización en Simulink .................................. 31
Figura 3.6. Montaje experimental para la obtención de los datos de identificación y
verificación. ....................................................................................................... 32
Figura 3.7. Perfiles de tensión de identificación. ................................................................ 33
Figura 3.8. Perfiles de tensión de verificación. ................................................................... 33
 XVI

Figura 3.9. Construcción y configuración del modelo: a) circuito en Simscape y b)

configuración del puerto de entrada .................................................................. 34
Figura 3.10. Creación de un experimento: a) introducción de vectores de datos y b)
representación gráfica..................................................................................... 35
Figura 3.11. Creación de un experimento con valores de tensión de entrada y salida
medidos. ......................................................................................................... 36
Figura 3.12. Creación de un experimento con valores de tensión de entrada y salida
medidos. ......................................................................................................... 36
Figura 3.13. Resultado de la estimación de parámetros: a) evolución gráfica, b) evolución
de la función coste, y c) resultados de los parámetros estimados. ................. 37
Figura 3.14. Experimento para la verificación de los parámetros estimados. ..................... 38
Figura 3.15. Verificación del modelo RC con la tensión residuo. ...................................... 39
Figura 4.1. Modelo equivalente de Shepherd: a) circuito eléctrico equivalente y b)
implementación en Simulink. .......................................................................... 45
Figura 4.2. Modelo equivalente No lineal: a) circuito eléctrico equivalente y b)
implementación en Simscape. .......................................................................... 46
Figura 4.3. Modelo equivalente PNGV: a) circuito eléctrico equivalente y b)
implementación en Simscape ........................................................................... 47
Figura 4.4. Modelo equivalente de Thevenin con Histéresis: a) circuito eléctrico
equivalente y b) implementación en Simscape. ............................................... 48
Figura 4.5. Carga y descarga de la batería con región de histéresis. ................................... 49
Figura 4.6. Modelo equivalente de Thevenin: a) circuito eléctrico equivalente y b)
implementación en Simscape. .......................................................................... 50
Figura 4.7. Conjunto experimental. ..................................................................................... 51
Figura 4.8. Perfiles de corriente de identificación: a) descarga constante y (c) pulsos de
corriente. .......................................................................................................... 52
Figura 4.9. Perfiles de corriente de verificación para los perfiles de conducción: a) HPPC y
(c) ECE-15. ...................................................................................................... 53
Figura 4.10. Respuesta temporal de la batería con el perfil de conducción HPPC: a) tensión
experimental y simulada, b) error relativo, c) error relativo promedio y
máximo, d) error cuadrático medio. ............................................................... 54
Figura 4.11. Respuesta temporal de la batería con el perfil de conducción ECE-15. a) perfil
de corriente, b) tensión experimental y simulada, c) error relativo, d) error
relativo promedio y máximo. ......................................................................... 55
Figura 4.12. Representación de los parámetros del modelo RC no lineal (No Lineal). ...... 58
Figura 4.13. Representación de los parámetros del modelo Partnership for a New
Generation of Vehicles (PNGV). ................................................................... 59
Figura 4.14. Representación de la tensión de circuito abierto del modelo de Thevenin de
tercer orden con histéresis (3RCH). ............................................................... 60
Figura 4.15. Representación de los parámetros del modelo de Thevenin de tercer orden
dependiente del SOC (3RC(SOC))................................................................. 61
 XVII

Figura 5.1. Modelo de Stern-Tafel: a) circuito eléctrico equivalente y b) implementación en

Simulink ........................................................................................................... 68
Figura 5.2. Modelo de Zubieta: a) circuito eléctrico equivalente y b) implementación en
Simscape .......................................................................................................... 69
Figura 5.3. Modelo Serie: a) circuito eléctrico equivalente y b) implementación en
Simulink ........................................................................................................... 70
Figura 5.4. Modelo Paralelo: a) circuito eléctrico equivalente y b) implementación en
Simulink ........................................................................................................... 71
Figura 5.5. Modelo de Línea de Transmisión: a) circuito eléctrico equivalente y b)
implementación en Simscape ........................................................................... 72
Figura 5.6. Modelo de Thevenin: a) circuito eléctrico equivalente y b) implementación en
Simulink ........................................................................................................... 73
Figura 5.7. Conjunto experimental que compone el banco de pruebas de
supercondensadores. ........................................................................................ 74
Figura 5.8. Perfiles de corriente y respuesta de tensión de identificación del
supercondensador: a) i1; b) i2 y c) i3 ................................................................. 75
Figura 5.9. Corriente y tensión correspondiente a los perfiles de conducción de verificación
del supercondensador: a) HPPC y b) ECE-15. ................................................ 76
Figura 5.10. Datos experimentales y de los modelos de supercondensadores, para el perfil
de identificación i1, incluyendo la respuesta temporal, error relativo (%), error
RMS (mV): (a)-(d) perfil HPPC, (e)-(h) perfil ECE15. ................................. 78
Figura 5.11. Datos experimentales y de modelos de supercondensadores, para el perfil de
identificación i2, incluyendo la respuesta temporal, error relativo: (a)-(d) perfil
HPPC, (e)-(h) perfil ECE-15. ......................................................................... 79
Figura 5.12. Datos experimentales y modelos de supercondensadores, para el perfil de
identificación i3, incluyendo la respuesta temporal, error relativo: (a)-(d) perfil
HPPC, (e)-(h) perfil ECE15............................................................................ 80
Figura 5.13. Representación de los parámetros del Modelo Serie con el perfil de corriente
i2 ...................................................................................................................... 85
Figura 5.14. Representación de los parámetros del Modelo Serie con el perfil de corriente
i3 ...................................................................................................................... 86
Figura 5.15. Representación de los parámetros del Modelo Paralelo con el perfil de
corriente i2....................................................................................................... 87
Figura 5.16. Representación de los parámetros del Modelo Paralelo con el perfil de
corriente i3....................................................................................................... 88
Figura 5.17. Representación de los parámetros del Modelo de Thevenin con el perfil de
corriente i2....................................................................................................... 89
Figura 5.18. Representación de los parámetros del Modelo de Thevenin con el perfil de
corriente i3....................................................................................................... 90
Figura 6.1. Modelo de Thevenin equivalente de la batería con tres redes RC constantes .. 94
Figura 6.2. Modelo Serie equivalente del supercondensador .............................................. 95
 XVIII

Figura 6.3. Perfil de identificación y verificación de la batería: a) Pulsos, b) ECE-15 y c)

HPPC. .............................................................................................................. 95
Figura 6.4. Modelo Perfil de identificación y verificación del supercondensador: a) Pulsos,
b) ECE-15 y c) HPPC ...................................................................................... 96
Figura 6.5. Respuesta espectral de los perfiles de identificación y verificación: a) ECE-15 y
pulsos de identificación para batería y supercondensador b) HPPC y pulso de
identificación para la batería y c) HPPC y pulso de identificación para el
supercondensador. ............................................................................................ 97
Figura 6.6. Generador de la señal pulso-PRBS ................................................................... 97
Figura 6.7. Histogramas de los perfiles de verificación: a) ECE-15 para batería y
supercondensador b) HPPC para la batería y c) HPPC para el
supercondensador. ............................................................................................ 98
Figura 6.8. Relación entre el número de bits, ancho de banda normalizado y la duración de
la PRBS .......................................................................................................... 100
Figura 6.9. Señal PRBS: a) implementación y b) respuesta temporal .............................. 101
Figura 6.10. Respuesta temporal y espectral de las señales de identificación aplicadas a la
batería: a) Señal de identificación Pulso-PRBS, b) FFT de ECE-15, Pulso y
Pulso-PRBS, c) FFT de HPPC, Pulso y Pulso-PRBS. ................................. 102
Figura 6.11. Respuesta temporal y espectral de las señales de identificación aplicadas al
supercondensador: a) Señal de identificación Pulso-PRBS, b) FFT de ECE-
15, Pulso y Pulso-PRBS, c) FFT de HPPC, Pulso y Pulso-PRBS. .............. 102
Figura 6.12. Conjunto experimental para la adquisición de datos de la batería y
supercondensador ......................................................................................... 104
Figura 6.13. Diagrama de flujo del procedimiento de identificación en Matlab ............... 104
Figura 6.14. Interfaz de Simulink Design Optimization ................................................... 105
Figura 6.15. Datos simulados y experimentales de la batería, para el perfil de identificación
pulso y pulso-PRBS. Para ECE-15: a) respuesta temporal, b) error relativo, c)
error relativo promedio y máximo, d) Error cuadrático medio (RMSE). Para
HPPC: e) respuesta temporal, f) error relativo, g) error relativo promedio y
máximo, h) error cuadrático medio (RMSE)................................................ 106
Figura 6.16. Datos simulados y experimentales del supercondensador, para el perfil de
identificación pulso y pulso-PRBS. Para ECE-15: a) respuesta temporal, b)
error relativo, c) error relativo promedio y máximo, d) Error cuadrático medio
(RMSE). Para HPPC: e) respuesta temporal, f) error relativo, g) error relativo
promedio y máximo, h) error cuadrático medio (RMSE). ........................... 107
Figura 7.1. Arquitectura de distribución de potencia para un vehículo eléctrico híbrido
basado en pila de combustible. ..................................................................... 115
Figura 7.2. Estructura del control para el convertidor NIBB. ........................................... 116
Figura 7.3. Modelo eléctrico detallado de la pila de combustible PEM. .......................... 117
Figura 7.4. Modelo batería tipo Thevenin con tres redes RC constantes .......................... 118
Figura 7.5. Modelo de supercondensador Serie equivalente del supercondensador ......... 119
Figura 7.6. Topología del convertidor NIBB. ................................................................... 120
 XIX

Figura 7.7. Modos del funcionamiento del convertidor NIBB: a) Reductor, b) Reductor-
Elevador y c) Elevador. .................................................................................. 120
Figura 7.8. Moduladores equivalentes: a) escalado de tensión moduladora, b) escalado de
tensión portadora. ............................................................................................ 121
Figura 7.9. Señales del modulador con escalado de la tensión portadora ......................... 121
Figura 7.10. PWM en modo Buck ..................................................................................... 122
Figura 7.11. PWM en modo Buck-Boost .......................................................................... 123
Figura 7.12. PWM en modo Boost .................................................................................... 124
Figura 7.13. Modulador: a) ganancia estática y b) regiones de activación de los distintos
ciclos de trabajo ............................................................................................ 125
Figura 7.14. Modelo promediado del convertidor NIBB .................................................. 126
Figura 7.15. Lazo interno de corriente con los modos de funcionamiento del convertidor
NIBB ............................................................................................................. 127
Figura 7.16. Modelo promediado del convertidor NIBB: a) después de aplicar
Feedforward, b) sin Feedforward, c) detalle de la posición del bloque
Feedforward. ................................................................................................. 128
Figura 7.17. Modelo promediado del convertidor NIBB con compensación Feedforward.
.................................................................................................................................... 129
Figura 7.18. Lazo externo de control de tensión ............................................................... 129
Figura 7.19. Diseño del regulador en modo corriente mediante SmartCtrl. ...................... 131
Figura 7.20. Respuesta temporal y en frecuencia del lazo de corriente en SmartCtrl. ...... 132
Figura 7.21. Diseño del regulador de tensión mediante SmartCtrl. .................................. 133
Figura 7.22. Diagrama de bloques del control de NIBB bidireccional con un
supercondensador como fuente de energía. .................................................. 134
Figura 7.23. Implementación del NIBB en PSIM: a) Convertidor de potencia, b) Control
con Feedforward ........................................................................................... 135
Figura 7.24. Respuesta temporal del convertidor NIBB en los distintos modos de
funcionamiento, simulado en PSIM ............................................................. 136
Figura 7.25. Implementación del NIBB en Simulink: a) Convertidor de potencia, b)
Modulador, Feedforward y control de histéresis .......................................... 137
Figura 7.26. Respuesta temporal de la tensión de salida y modo de funcionamiento del
NIBB. ............................................................................................................ 138
Figura 7.27. Corriente por la bobina del convertidor NIBB. ............................................. 138
Figura 7.28. Potencia de salida sensada y de referencia .................................................... 139
Figura 7.29. Respuesta temporal de la tensión de salida. .................................................. 139
Figura 7.30. Gestión de energía del sistema de tracción. .................................................. 140
Figura 7.31. Descomposición de la potencia de salida en función de las fuentes del sistema
.................................................................................................................................... 141
Figura 7.32. Implementación del NIBB en Simulink: a) Modelo promediado de los
convertidores conectados en paralelo y b) estrategia de control de potencia
por descomposición de frecuencias. ............................................................. 142
 XX

Figura 7.33. Respuesta temporal de potencia, tensión y corriente del sistema de

distribución de potencia con pila de combustible y batería. ......................... 143
Figura A.1. Diagrama de bloques del sistema experimental implementado para la
caracterización de baterías y supercondensadores. ........................................ 165
Figura A.2. Interfaz de programación en LabVIEW para MyDAQ: a) panel frontal y b)
diagrama de bloques. ..................................................................................... 166
Figura A.3. Perfil de corriente basado en el perfil de conducción ECE-15. ..................... 167
Figura A.4. Perfil de corriente basado en el perfil de conducción ECE-15: a) valores
numéricos y b) diagrama de bloques en LabVIEW. ...................................... 168
 XXI

ÍNDICE DE TABLAS

Tabla 3.1. Procedimiento de Estimación de Parámetros ..................................................... 31

Tabla 4.1. Especificaciones técnicas de la batería de ion-litio HRB 8048145 .................... 51
Tabla 4.2. Perfiles de corriente de identificación aplicable a cada modelo ......................... 53
Tabla 4.3. Error relativo y error cuadrático medio con el perfil de conducción HPPC y
ECE-15. ............................................................................................................. 56
Tabla 4.4. Parámetros del Modelo de Shepherd. ................................................................. 58
Tabla 4.5. Parámetros del modelo RC no lineal (No Lineal) .............................................. 58
Tabla 4.6. Parámetros del modelo Partnership for a New Generation of Vehicles (PNGV)
...................................................................................................................................... 59
Tabla 4.7. Parámetros del modelo de Thevenin de tercer orden con histéresis (3RCH). .... 60
Tabla 4.8. Parámetros del modelo de Thevenin de tercer orden dependiente del SOC
(3RC(SOC)). ...................................................................................................... 61
Tabla 5.1. Componentes del conjunto experimental ........................................................... 74
Tabla 5.2. Perfiles de corriente de identificación ................................................................ 76
Tabla 5.3. Valores obtenidos de la aplicación del perfil corriente de identificación i1 ....... 82
Tabla 5.4. Valores obtenidos de la aplicación del perfil corriente de identificación i2 ....... 82
Tabla 5.5. Valores obtenidos de la aplicación del perfil corriente de identificación i3 ....... 82
Tabla 5.6. Parámetros del Modelo de Stern-Tafel con el perfil de corriente i1 ................... 84
Tabla 5.7. Parámetros del Modelo de Zubieta ..................................................................... 84
Tabla 5.8. Parámetros del Modelo Serie con el perfil de corriente i2 .................................. 85
Tabla 5.9. Parámetros del Modelo Serie con el perfil de corriente i3 .................................. 86
Tabla 5.10. Parámetros del Modelo Paralelo con el perfil de corriente i2 ........................... 87
Tabla 5.11. Parámetros del Modelo Paralelo con el perfil de corriente i3 ........................... 88
Tabla 5.12. Parámetros del Modelo Línea de Transmisión ................................................. 89
Tabla 5.13. Parámetros del Modelo de Thevenin con el perfil de corriente i2 .................... 89
Tabla 5.14. Parámetros del Modelo de Thevenin con el perfil de corriente i3 .................... 90
Tabla 6.1. Conexión de los registros de desplazamiento para la construcción de la señal
PRBS ............................................................................................................... 100
Tabla 6.2. Especificaciones de la señal pulso-PBRS para la batería ................................. 101
Tabla 6.3. Especificaciones de la señal pulso-PBRS para el supercondensador ............... 102
Tabla 6.4. Especificaciones técnicas de la batería de ion-litio HRB 8048145 .................. 103
Tabla 6.5. Especificaciones técnicas del supercondensador BCAP3000 .......................... 103
Tabla 6.6. Comparación de la precisión del modelo de la batería con el método de
identificación basado en pulso y en pulso-PRBS ............................................ 108
Tabla 6.7. Comparación de la precisión del supercondensador con el método de
identificación basado en pulso y en pulso-PRBS ............................................ 108
Tabla 6.8. Parámetros del modelo de Thevenin de tercer orden con pulso de corriente ... 110
Tabla 6.9. Parámetros del modelo de Thevenin de tercer orden con pulso-PRBS de
corriente ........................................................................................................... 110
 XXII

Tabla 6.10. Parámetros del Modelo Serie con pulso de corriente ..................................... 110
Tabla 6.11. Parámetros del Modelo Serie con pulso-PRBS de corriente .......................... 111
Tabla 7.1. Parámetros del modelo estático de la pila de combustible ............................... 117
Tabla 7.2. Parámetros del modelo dinámico de la pila de combustible ............................ 117
Tabla 7.3. Parámetros del modelo de Thevenin, extraídos mediante la señal de
identificación de corriente tipo pulso-PRBS . ................................................. 118
Tabla 7.4. Parámetros del Modelo Serie, extraídos mediante la señal de identificación de
corriente tipo pulso-PRBS. .............................................................................. 119
Tabla 7.5. Parámetros de diseño del convertidor NIBB .................................................... 130
 Capítulo 1: Introducción
1

Capítulo 1

1 INTRODUCCIÓN

1 INTRODUCCIÓN --------------------------------------------------------------------------- 1
1.1 MOTIVACIÓN --------------------------------------------------------------------------- 3
1.2 MOVILIDAD SOSTENIBLE ---------------------------------------------------------- 3
1.3 FUENTES DE ALMACENAMIENTO DE ENERGÍA---------------------------- 5
1.4 MODELADO DE FUENTES DE ALMACENAMIENTO DE ENERGÍA ----- 6
1.5 GESTIÓN DE LAS FUENTES DE GENERACIÓN Y ALMACENAMIENTO
DE ENERGÍA ---------------------------------------------------------------------------- 6
 Capítulo 1: Introducción
2
 Capítulo 1: Introducción
3

1.1 MOTIVACIÓN
La sostenibilidad en el desarrollo de las actividades del Ser Humano es vital para la
supervivencia, donde la base de la vida debe ser preservada para las futuras generaciones
[1]. Por ello, es necesario una transición energética progresiva, desde las energías fósiles a
las renovables.

Las energías renovables han recibido un enorme impulso en los últimos años, estando
actualmente en el centro de atención en muchas áreas de investigación. Sin embargo, las
fuentes de energía renovables dependen del clima, las estaciones y la ubicación, lo que
significa que es una fuente de alimentación fluctuante, necesitando sistemas de
almacenamiento de energía.

Los sistemas de almacenamiento y producción de energía como pilas de hidrógeno,

baterías y supercondensadores son una solución, aunque presentan algunas limitaciones, ya
que permiten almacenar grandes cantidades de energía en un espacio reducido [2]. Tan
pronto como se han desarrollado estas tecnologías de almacenamiento de energía, como
parte de una industria sostenible, han sido utilizadas en diferentes sectores, como en el sector
del transporte, generando así un proceso de electrificación paulatino en la sociedad.

Existen retos técnicos para el desarrollo y la integración de estos sistemas en el concepto

ecológico y de electrificación, para lo cual es necesario la optimización a nivel de modelado
y control de estos sistemas de energía.

1.2 MOVILIDAD SOSTENIBLE

El uso responsable de los recursos energéticos y la reducción de las emisiones de CO2, no
sólo es una tendencia deseable desde el punto de vista de la sociedad, sino una necesidad
actual, debido a la evolución y al continuo aumento de los requisitos legales. Por lo tanto,
los futuros sistemas de distribución de energía y convertidores de energía tendrán que ser
eficientes desde el punto de vista energético. Este desafío tiene una importancia específica
para aplicaciones estacionarias y portátiles, así como para el transporte.

El cambio en el sistema energético tiene tanto consecuencias políticas como económicas.

En comparación con los valores del año 1990, los objetivos para la reducción de las
emisiones de gases de efecto invernadero son del 40 % hasta 2020, del 55 % hasta 2030 y
80-95 % hasta 2050 [1]. En marco de desarrollo, el hidrógeno y las pilas de combustible
ofrecen oportunidades muy prometedoras, a partir de un adecuado desarrollo tecnológico.

Por esta razón, la atención se ha desplazado en todo el mundo hacia la reducción de las
emisiones de gases de efecto invernadero. Una de las razones de esta situación es que muchos
científicos ven una fuerte conexión entre el cambio climático y los gases de efecto
invernadero.
 Capítulo 1: Introducción
4

Aunque el transporte no es el único agente que afecta a los gases de efecto invernadero,
y no es el mayor emisor de gases de efecto invernadero en la Unión Europea, el automóvil
está en el centro de las regulaciones y normativas como se muestra en la Figura 1.1.

Figura 1.1. Emisiones totales de CO2 [3].

Debido a las restricciones de los Vehículos Eléctricos a Batería, BEV, en cuanto a

autonomía, peso, tiempo de carga y tamaño del vehículo, los vehículos eléctricos basados en
pila de combustible que utilizan hidrógeno serán una de las alternativas para contribuir, de
forma significativa, a la consecución de los objetivos de emisiones. Esto conlleva, la
necesidad del desarrollo de los sistemas de distribución de potencia basado en pilas de
combustible que utilizan hidrógeno, así como el desarrollo y modelado de los diferentes
componentes que forman estos nuevos sistemas. En este sentido, esta tecnología podría ser
un elemento diferenciador y competitivo en los próximos años.

Dentro del escenario de diversificación de las fuentes de energía y la reducción de CO2,

los vehículos eléctricos de pila de combustible están desempeñando un papel estratégico
clave en el sector de la automoción. Los fabricantes de automóviles están incrementando
gradualmente la electrificación de los sistemas de tracción hasta alcanzar su máxima
potencia, para el desarrollo de vehículos libres de emisiones contaminantes. La Figura 1.2
describe la tendencia en el aumento de la electrificación de los sistemas de tracción en los
automóviles [1].
 Capítulo 1: Introducción
5

Figura 1.2. Electrificación del sistema de tracción en los automóviles [1].

1.3 FUENTES DE ALMACENAMIENTO DE ENERGÍA

Existen varias fuentes de almacenamiento de energía, susceptible a ser usadas o que se
han sido utilizadas en los vehículos eléctricos, como son las baterías de plomo ácido, baterías
de níquel-cadmio, baterías de iones de litio, supercondensadores, volantes de inercia y pilas
de combustible. La densidad de energía y potencia de cada una se muestra, en escala
logarítmica, en la Figura 1.3, mediante el gráfico de Ragone [4]. En este gráfico, las líneas
diagonales se obtienen dividiendo los valores de densidad especifica por la potencia
específica, con el fin de obtener el tiempo necesario para la carga o descarga del sistema de
energía.

Es evidente la necesidad de combinar diferentes fuentes de almacenamiento o generación

de energía para obtener la mayor densidad de energía y potencia, similar a la que ofrece un
vehículo de combustión, pero con cero emisiones de CO2.

Figura 1.3. Diagrama de Ragone de sistemas de almacenamiento de energía [4].

 Capítulo 1: Introducción
6

El uso de convertidores de potencia permite seleccionar la tensión nominal de los

dispositivos de una manera más flexible.

Las fuentes de almacenamiento de energía objeto de estudio en esta tesis son las baterías
de ion-litio y los supercondensadores, sobre los que se realizará un estudio de modelos y
técnicas de identificación de sus parámetros. Además, se analizará su aplicación a un sistema
de distribución de potencia, mediante convertidores CC-CC bidireccionales. Todo este
estudio es necesario para el adecuado dimensionamiento y la mejora en la precisión de la
simulación del sistema de distribución de potencia de un vehículo eléctrico puro o híbrido.

1.4 MODELADO DE FUENTES DE ALMACENAMIENTO DE

ENERGÍA
Los modelos que describen el comportamiento de los sistemas de energía se basan en
ecuaciones matemáticas, circuitos equivalentes o tablas de búsqueda, los cuales permiten
una aproximación al comportamiento real, en base a los datos medidos del proceso.

La Figura 1.4 muestra la representación del proceso de ajuste de un modelo a un sistema

desconocido mediante la respuesta a una señal de identificación. El posterior análisis de los
datos almacenados permite de manera offline calcular los valores de los diferentes
parámetros del modelo, a través de la optimización matemática que es llevada a cabo
mediante los algoritmos desarrollados por el investigador, o mediante herramientas
comerciales, como por ejemplo Matlab® [5].

Señal de Sistema
identificación (desconocido) Respuesta medida
+
error Función de
optimización
-
Respuesta simulada
Modelo

Optimizador

Figura 1.4. Procedimiento de estimación de parámetros de un modelo para un sistema de almacenamiento de energía.

1.5 GESTIÓN DE LAS FUENTES DE GENERACIÓN Y

ALMACENAMIENTO DE ENERGÍA
Desde el punto de vista de sistema de distribución de potencia de un vehículo, la conexión
de las fuentes de energía puedes ser visto como una microrred de corriente continua, que
contiene unidades de generación de energía, almacenamiento y consumo, cada una de las
cuales está conectada mediante un circuito de gestión de energía a un bus de continua común,
a través del cual se produce el flujo de energía, como se muestra en la Figura 1.5.
 Capítulo 1: Introducción
7

Hay que tener en cuenta que los circuitos de gestión de energía pueden incluir
convertidores electrónicos de potencia, o simples interruptores y fusibles que permiten la
conexión directa de una unidad de generación, almacenamiento o carga al bus de conexión.

La similitud entre el sistema de distribución de potencia de un vehículo eléctrico y las

microredes permite también utilizar topologías de electrónica de potencia [6], así como
estrategias generales de gestión de la energía, utilizadas en las microrredes para la gestión
del flujo de energía del vehículo.

Unidades de Gestión de CC Gestión de Unidades de

Fuente Potencia Potencia Carga

Gestión de
Potencia

Unidades de
Almacenamiento

Figura 1.5. Conexión de unidades de fuente y almacenamiento de energía con el sistema de control de potencia [6].
 Capítulo 1: Introducción
8
 Capítulo 2: Estado de la Técnica y Objetivos
9

Capítulo 2

2 ESTADO DE LA TÉCNICA Y OBJETIVOS

2 ESTADO DE LA TÉCNICA Y OBJETIVOS------------------------------------------- 9

2.1 INTRODUCCIÓN ---------------------------------------------------------------------- 11
2.2 BATERÍAS DE ION-LITIO ---------------------------------------------------------- 11
2.2.1 Modelos de baterías ---------------------------------------------------------------- 12
2.2.2 Comparativa de modelos de baterías --------------------------------------------- 14
2.3 SUPERCONDENSADORES --------------------------------------------------------- 16
2.3.1 Modelos de supercondensadores ------------------------------------------------- 17
2.3.2 Comparativa de modelos de supercondensadores ------------------------------ 19
2.4 SISTEMAS DE PROPULSIÓN BASADOS EN PILAS DE COMBUSTIBLE,
BATERÍAS Y SUPERCONDENSADORES -------------------------------------- 19
2.4.1 Arquitecturas de sistemas de distribución de potencia ------------------------ 20
2.4.2 Técnicas de control ----------------------------------------------------------------- 21
2.5 OBJETIVOS ----------------------------------------------------------------------------- 24
 Capítulo 2: Estado de la Técnica y Objetivos
10
 Capítulo 2: Estado de la Técnica y Objetivos
11

2.1 INTRODUCCIÓN
Durante más de un siglo, nuestra sociedad ha dependido del petróleo. Hoy en día, la
industria y los gobiernos de todo el mundo se ven obligados a considerar alternativas y
soluciones sostenibles para el transporte [7]. Los vehículos con sistemas de propulsión y de
distribución de potencia con diferentes fuentes de energía, ofrecen una ventaja única en lo
que respecta a la eficiencia energética, la reducción de emisiones y el ahorro de energía. Por
lo tanto, el análisis y control de estos sistemas de energía es de interés en todo el mundo,
como se muestra en la Figura 2.1, para lo que se requiere un modelado y control lo
suficientemente robusto y simple.

Figura 2.1. Sistema de tracción de un vehículo con pila de hidrógeno [8]

En este capítulo, se revisa el estado de la técnica del modelado de baterías de ion-litio y

supercondensadores. Además, también se aborda el control de la gestión de energía para
diferentes topologías del sistema de distribución de potencia de un vehículo eléctrico híbrido
(HEV).

2.2 BATERÍAS DE ION-LITIO

En comparación con otras tecnologías de baterías como las baterías de níquel-metal
hidruro Ni-MH, plomo ácido, etc., Figura 2.2, la tecnología de Ion-Litio es una de las
tecnologías que posee las mayores ventajas en aplicaciones de automoción, debido a su alta
densidad de energía a un coste razonable.

Figura 2.2. Diagrama de Ragone para varios sistemas almacenadores de energía [9] .
 Capítulo 2: Estado de la Técnica y Objetivos
12

La Figura 2.3, muestra algunos tamaños de celdas de baterías, incluyendo las cilíndricas,
prismáticas y de bolsa, donde cada una tiene sus ventajas y desventajas. Evidentemente, la
aceptabilidad comercial y utilización de las baterías dependerá de su aplicación.

En términos de coste, se espera en los próximos años una reducción drástica del coste de
la tecnología de iones de litio en aplicaciones de automoción, debido a la mejora de
materiales y procesos. En la actualidad, aunque algunas baterías de otras tecnología están
aún en desarrollo, para el futuro inmediato de las aplicaciones HEV, se espera que la
tecnología Ion-Litio sea dominante [10].

Figura 2.3. Diferentes formatos de baterías de Ion-Litio [11].

2.2.1 Modelos de baterías

Existen varios enfoques para modelar baterías y representar su comportamiento
equivalente. Entre ellos, los modelos electroquímicos, matemáticos y de circuitos
equivalentes [12], [13] y [14]. Cada tipo representa, en mayor o menor medida, fenómenos
específicos en la célula de la batería; por ejemplo, el estado de carga (SOC) y las variaciones
de capacidad, la dependencia de la temperatura, los efectos del envejecimiento, etc. Sin
embargo, ninguno de estos enfoques es actualmente lo suficientemente preciso como para
representar todos los factores que afectan al rendimiento de la batería por sí solo. Por lo
tanto, el modelado debe adaptarse a las especificidades y al nivel de detalle necesario para
cada aplicación.

Los modelos electroquímicos se basan en complejas ecuaciones diferenciales no lineales

que nos permiten reproducir los procesos químicos dentro de las celdas de la batería. Estos
modelos son los más detallados, pero también son difícilmente implementables, como se
muestra en la Figura 2.4. El beneficio de usar un modelo electroquímico detallado es la
información adicional obtenida sobre la batería, como por ejemplo estimaciones de la
temperatura interna, el estado de carga dentro de cada uno de los electrodos y distribución
de corriente a través de los electrodos, que puede ser utilizada para seguridad y
funcionamiento óptimo [15].
 Capítulo 2: Estado de la Técnica y Objetivos
13

Figura 2.4. Modelo electroquímico de una batería de Ion-Litio [15].

Los modelos matemáticos tienen como objetivo reproducir las no linealidades de la

batería utilizando ecuaciones menos complejas que los formulados para los modelos
electroquímicos [7]. Esto nos permite incluir con éxito estos modelos en entornos de
simulación dinámica con el fin de predecir variables como el SOC. Sin embargo, no se
pueden utilizar para representar características dinámicas de tensión y corriente con
precisión. Ejemplos de modelos matemáticos son el modelo de KiBaM [16] y el modelo de
Shepherd [17], [18], como se muestra en la Figura 2.5. La ventaja de estos modelos es que,
a partir de la hoja técnica del fabricante, se puede obtener una primera aproximación del
modelo de batería.
t
0
Integrador
1
1+ s Tc
Filtro de corriente
Qt if R ibatería
+

Modelo de descarga (if  0)

f d (Qt, if , i ) = E0 − K 
Q
 if − K 
Q
 Qt + A  e− BQt vbatería
Q − Qt Q − Qt +
Modelo de carga (if  0) -
Q if − K  Q  Qt + A e− BQt
( )
f c Qt, if , i = E0 − K 
Qt + 0.1Q Q − Qt -

Figura 2.5. Modelo matemático de una batería de Ion-Litio [19].

Por último, los modelos basados en circuitos eléctricos permiten reproducir las
características de corriente y tensión de manera dinámica con una buena precisión [20], [21]
y [22]. Para ello, estos modelos se basan en fuentes de tensión y corriente controlables, en
combinación con resistencias y condensadores, como se muestra en la Figura 2.6. La
 Capítulo 2: Estado de la Técnica y Objetivos
14

limitación de estos modelos es que se necesitan valores experimentales para obtener sus
parámetros.

R1 ( SOC ) R2 ( SOC ) R3 ( SOC ) ibatería

+
R0 ( SOC )

vbatería
OCV ( SOC ) C1 ( SOC ) C2 ( SOC ) C3 ( SOC )

Figura 2.6. Modelo eléctrico equivalente de batería [22].

2.2.2 Comparativa de modelos de baterías

En general en la literatura, se realizan comparativas de los modelos matemáticos y
específicamente de los modelos basados en circuito equivalente. Esto es debido al buen
compromiso de precisión y complejidad, como se describe en [23], con un tiempo de
simulación muy reducido.

Los modelos utilizados generalmente en las comparativas son el modelo matemático de

Shepherd como se describe en [13] y [18], el modelo Partnership for a New Generation of
Vehicles (PNGV) [24] y [25] y el modelo de Thevenin descrito en [22] y [26]. Éstos y otros
modelos se analizan y comparan con más detalle en el capítulo 4.

Desde el punto de vista de la identificación, los modelos se pueden construir a través del
análisis de la respuesta en frecuencia [27] ,[28] y [29], o a través del análisis de la respuesta
temporal de la batería [30] y [31] .

La identificación y comparativa en el dominio del tiempo es la más extendida, debido a

la menor complejidad y coste computacional respecto al análisis en frecuencia [32]. El
modelo resistencia-condensador (RC) es el que mejor respuesta tiene en función del número
de ramas como se analiza en [28], teniendo una respuesta en frecuencia muy precisa para
diversas aplicaciones.

Para la estimación de los parámetros del modelo se necesita conocer técnicas de

optimización, tales como algoritmos genéticos, filtros Kalman y filtros de partículas como
se describe en [33], [34] y [35]. En la Figura 2.7 se muestra como ejemplo la implementación
del filtro Kalman.

Estos algoritmos son precisos, pero complejos al momento de implementarlos, debiendo

tener un conocimiento profundo en optimización y programación. Esto dificulta la
reproducción para otro tipo de modelos de baterías, donde para cada modelo es necesario
obtener sus variables de estado.
 Capítulo 2: Estado de la Técnica y Objetivos
15

Figura 2.7. Implementación del filtro Kalman para estimación de parámetros en la batería [36].

Finalmente, otro componente clave en la identificación es el tipo de perfil de corriente

inyectada a la batería. En este sentido, los pulsos de carga y descarga es lo más habitual
como se muestra en [37], [38] y [39]. Estos pulsos de corriente permiten de una manera
simple extraer los parámetros a través de la identificación. Sin embargo, el espectro en
frecuencia del perfil de verificación o del consumo real suele ser, en general, más dinámico
en amplitud y ancho de banda.

Por esta razón, algunos autores orientan la identificación de los componentes y sistemas
a partir del análisis en frecuencia del perfil de verificación, mediante el análisis de Fourier
de la corriente del terminal de la batería [40]. Por ejemplo, en [41], se muestra un análisis
espectral del perfil Urban Dnamometer Driving Schedule (UDSS), Figura 2.8. a) y del perfil
Worldwide Harmonized Light Vehicles Test Procedure (WLTP), Figura 2.8. b). Una vez se
dispone de la información en frecuencia del perfil, estos autores seleccionan los valores
máximos dentro de un rango de frecuencias que incluye los subamónicos principales del
perfil. A partir de esta información, se calculan los parámetros de la señal de identificación
para que su perfil tenga un espectro similar al perfil de verificación.

Una propuesta mejorada basada en el análisis espectral se presenta en [42], donde para
mantener la generalidad y reducir el error de modelado, se propone el diseño de un perfil de
identificación basado en una señal pulso-multiseno, para cubrir las especificaciones
espectrales del perfil de verificación. Esta propuesta, presenta mejoras en la precisión del
modelo respecto a la identificación con pulsos de corriente.
 Capítulo 2: Estado de la Técnica y Objetivos
16

a) b)
Figura 2.8. Respuesta espectral de perfiles de corriente para vehículos: a) Urban Dynamometer Driving Schedule
(UDDS) y b) Worldwide Harmonized Light Vehicles Test Procedure (WLTP) [41].

La dificultad de reproducir a nivel práctico este tipo de señal pulso-multiseno, hace que
se busquen alternativas más simples y efectivas, como las basadas en señales
pseudoaleatoria, Pseudo Random Binary Sequence (PRBS) de estados discretos, la cual se
aplican a la identificación de impedancia de baterías [43] y convertidores [44].

2.3 SUPERCONDENSADORES
Los supercondensadores se caracterizan por tener una alta densidad de potencia y un
número de ciclos de vida elevado, en comparación con las baterías.

La estructura interna de los supercondensadores está formada por múltiples capas de

carbón activado como se muestra en la Figura 2.9. Sin embargo, la autodescarga es uno de
los efectos intrínsecos del supercondensador, que causa la caída de tensión y perdida de
energía. En esta área, se está avanzando mediante el estudio de nuevos materiales, con una
potencial reducción del 80% de la corriente de fuga [45].

Figura 2.9. Estructura interna del supercondensador [46].

 Capítulo 2: Estado de la Técnica y Objetivos
17

Para la comparación gráfica entre las características principales del supercondensador y

la batería de ion-litio se utiliza el diagrama de la tela de araña de la Figura 2.10, con una
escala de cinco niveles, donde el quinto nivel indica el mejor rendimiento. Estos
componentes son complementarios en términos de rendimiento energético. De hecho, los
supercondensadores se consideran generalmente como una fuente de energía, capaz de
proporcionar o recuperar picos de potencia; mientras que las baterías se consideran como
una fuente de energía, capaz de proporcionar energía durante un largo periodo de tiempo
[47]. Además, son complementarios en otras características, que son tan interesantes como
las prestaciones energéticas: tiempo de descarga, vida útil (número de ciclos) y autodescarga.

Ambos componentes de almacenamiento tienen una buena eficiencia energética, que está
entre el 95% y el 98% para un supercondensador, y cerca del 100% para una batería de
polímero de iones de litio, siendo útiles en aplicaciones de frenado regenerativo en los
sistemas de propulsión.

Este tipo de batería también tiene una baja tasa de autodescarga, que oscila entre el 0,1%
y el 0,5% al día, mientras que la tasa de autodescarga del supercapacitador es más importante
y alrededor del 5% al día [48].

Figura 2.10. Diagrama de tela de araña del supercondensador [47].

2.3.1 Modelos de supercondensadores

Los diferentes modelos equivalentes de supercondensadores han sido desarrollados para
caracterizar su comportamiento físico [49]. Las formulaciones matemáticas generales para
modelar un supercondensador tienen en cuenta simultáneamente los electrodos en 3D, el
tamaño de los iones y la permitividad dieléctrica del electrolito, para describir la estructura
de los macroporos y mesoporos, como se describe en [50], Figura 2.11. Si las predicciones
del modelo se ajustan a las medidas experimentales, el coste computacional y complejidad
hace que sea un modelo utilizado a nivel de fabricación.
 Capítulo 2: Estado de la Técnica y Objetivos
18

Figura 2.11. Modelo electroquímico de un supercondensador [50].

Una aproximación del modelo mediante expresiones matemáticas que describe el

comportamiento interno del supercondensador es el modelo de Stern, descrito en [51]. En la
Figura 2.12 se muestra la estructura de este modelo. Los parámetros necesarios para el
modelo son obtenidos a través de las especificaciones de la hoja técnica del fabricante, y
otros como el número de capas y radio molecular de su composición interna a través de
medidas experimentales [52].
t iself _ dis
QT 0 i ( )
i = isc  1− u(t) + iself _ disc  u(t )
u(t ) 0=
Integrator

Rdc isc

+
 
N s QT  d QT
VT = + 2  Ne  N s  R T sinh −1  

+ Controlled
N p  Ne   0  Ai F  N p  Ne  Ai  8  R T   0  c 
2
- voltage source
vsc
 

Figura 2.12. Modelo matemático de Stern de un supercondensador [53].

Por último, los modelos de circuitos eléctricos describen la equivalencia en impedancia

del supercondensador. Estos modelos están formados por fuentes dependientes y redes RC,
como se describe en [54]. La Figura 2.13 muestra el diagrama eléctrico, donde sus
parámetros son dependientes de tablas de búsqueda o funciones polinomiales, para
representar las no linealidades del supercondensador.
 Capítulo 2: Estado de la Técnica y Objetivos
19

vsc

R1 (vsc ) R2 (vsc )
+ -
Rs
Cs (vsc )
C1 (vsc ) C2 (vsc )

R3 C3

R4 C4

Rlk

Figura 2.13. Modelo eléctrico equivalente del supercondensador [55].

2.3.2 Comparativa de modelos de supercondensadores

Una vez definido el tipo de modelo, lo que se suele realizar es una comparativa de los
diferentes modelos en función de una aplicación específica, considerando su precisión y
complejidad. Tratar de llegar a un compromiso es importante para un modelado óptimo.

Un estudio comparativo de modelos de supercondensadores se desarrolla en [56], donde

solo se comparan modelos equivalentes de Thevenin con redes RC. En este caso, el modelo
de Thevenin con histéresis es el que mejor precisión muestra. Adicionalmente en [57], se
realiza la comparativa de redes RC en serie pero con valores constantes, los cuales son
incapaces de representar las no linealidades presentes en el supercondensador [58]. En la
estimación de los parámetros se utiliza algoritmos genéticos, inteligencia artificial, entre
otros, [56] y [59].

Un mayor análisis de los tipos de modelos de supercondensadores y su comparativa se

realiza en el capítulo 5 de la tesis doctoral.

2.4 SISTEMAS DE PROPULSIÓN BASADOS EN PILAS DE

COMBUSTIBLE, BATERÍAS Y SUPERCONDENSADORES
La combinación de la pila de combustible como fuente principal de energía y dispositivos
de almacenamiento como las batería y supercondensador, permite la generación de sistemas
de distribución de energía y propulsión más electrificados, para aplicaciones futuras de
vehículos eléctricos [60].

La energía en un sistema híbrido se comparte a través del bus de CC, y su funcionamiento

se optimiza mediante la adecuada combinación de las características de alta densidad de
energía y potencia, que presentan las baterías y supercondensadores, respectivamente.
 Capítulo 2: Estado de la Técnica y Objetivos
20

2.4.1 Arquitecturas de sistemas de distribución de potencia

Las configuraciones del suministro de energía varían dependiendo de qué fuentes de
energías se utilizan en la aplicación del sistema de distribución de potencia de un vehículo.

En [61], se muestran varias configuraciones de suministro de energía para un sistema de

distribución de potencia de un vehículo eléctrico, Figura 2.14.
CC Bus CC Bus CC Bus CC Bus CC Bus

BATERÍA SUPERCONDENSADOR PILA DE HIDRÓGENO PILA DE HIDRÓGENO CONVERTIDOR

CC
CC

CONVERTIDOR CONVERTIDOR CONVERTIDOR BATERÍA

CONVERTIDOR

CC CC CC
CC
CC CC CC
CC

PILA DE HIDRÓGENO PILA DE HIDRÓGENO BATERÍA SUPERCONDENSADOR CONVERTIDOR

CC
CC

PILA DE HIDRÓGENO

CC Bus CC Bus CC Bus CC Bus CC Bus

CONVERTIDOR BATERÍA SUPERCONDENSADOR PILA DE HIDRÓGENO CONVERTIDOR

CC CC
CC CC

SUPERCONDENSADOR CONVERTIDOR CONVERTIDOR CONVERTIDOR BATERÍA

CC CC CC
CC CC CC

CONVERTIDOR SUPERCONDENSADOR BATERÍA SUPERCONDENSADOR CONVERTIDOR

CC CC
CC CC

CONVERTIDOR CONVERTIDOR CONVERTIDOR

PILA DE HIDRÓGENO SUPERCONDENSADOR

CC CC CC
CC CC CC

PILA DE HIDRÓGENO PILA DE HIDRÓGENO BATERÍA CONVERTIDOR

CC
CC

PILA DE HIDRÓGENO

Figura 2.14. Conexión de una pila de hidrógeno a múltiples unidades de almacenamiento de energía [61].

Una configuración sencilla es conectar directamente dos dispositivos en paralelo, por

ejemplo, pila de combustible y batería, pila de combustible y supercondensador, o batería y
supercondensador. Sin embargo, de esta manera la potencia consumida por cada dispositivo
no puede ser controlada, sino que está determinada pasivamente por la impedancia de los
 Capítulo 2: Estado de la Técnica y Objetivos
21

dispositivos. Por lo tanto, cada dispositivo puede funcionar en condiciones inadecuadas con
respecto a su vida útil y eficiencia.

Las características de tensión también tienen que coincidir perfectamente con las de los
dos sistemas, y sólo se puede utilizar una fracción del rango de funcionamiento de los
dispositivos cuando ambos están puestos en paralelo. Por ejemplo, en una configuración
directamente en paralelo entre una pila de combustible y una batería, la pila de combustible
debe proporcionar casi la misma potencia todo el tiempo debido a la tensión fija de la batería;
y en una configuración de batería y supercondensador sólo se puede utilizar un pequeño
porcentaje de la capacidad energética del supercondensador [62].

Por esta razón, algunas de las arquitecturas incorporan convertidores unidireccionales o

bidireccionales, con el fin de realizar una mejor gestión de la energía entregada por cada
fuente, sea principal o secundaria.

2.4.2 Técnicas de control

Las diferentes estrategias de control tienen como objetivo distribuir de manera óptima la
potencia y energía de cada fuente, para satisfacer la demanda de la carga.

Varias propuestas existen al respecto en el estado de la técnica. Una de las más generales
y simples a nivel de control se muestra en [63]. Esta estrategia de control se fundamenta en
la descomposición en frecuencia de cada fuente de energía, de tal manera que las demandas
de baja frecuencia se asocian a la pila de combustible, la de media frecuencia a la batería, y
finalmente, la de alta frecuencia al supercondensador, Figura 2.15.
Descomposición en Frecuencia
Potencias de referencia
Frecuencias de filtrado para fuentes de energía

f low PFC
P (W)

Potencia de perfil de conducción Filtros

f med PBATT
F

f high PSC
0 f(Hz)
f low f med f high

Figura 2.15. Estrategia de separación en frecuencia para la gestión de la energía [63].

La estrategia de gestión de energía global de todo el sistema mediante la técnica de

desacoplo en frecuencia se muestra en la Figura 2.16, donde los lazos internos de corriente
están desacoplados del lazo externo de tensión del bus, permitiendo cubrir la demanda de la
carga. Este esquema está basado en la estrategia de separación en frecuencia, para la
segregación adecuada de la potencia de la pila de combustible, batería y supercondensador.
 Capítulo 2: Estado de la Técnica y Objetivos
22

DRIVER PLoad
CBUS iLoad M

iLoadEST
PFC PSC SUPERCONDENSADOR
PILA DE HIDRÓGENO
CONVERTIDOR CONVERTIDOR

CC

+
CC
+

VFC iFC iSC VSC

- CC CC
-

PBATT BATERÍA

CONVERTIDOR

CC

+
iBATT VBATT
CC -

CONTROL CONTROL CONTROL

Regulador interno
de corriente PI PI PI
iFCref iSC iSCref iBATT iBATTref
iFC

f low f high f med

+

+
+

-
+

FILTRO

iSC iBATT flow2

CONTROL CONTROL

PI PI
+

-
VBATT VBUSref
FILTRO
VSCref VSC
flow1
Regulador SOC

iLoadEST
CONTROL

PI
Sistema de Gestión de Energía

VBUS VBUSref

Figura 2.16. Diagrama de control de gestión de energía basado en la descomposición en frecuencia [63].

Otra propuesta de estrategia de control es la mostrada en la Figura 2.17. Esta estrategia

tiene como objetivo distribuir la potencia global, pero donde los supercondensadores
suministran la energía necesaria para lograr la regulación de la tensión del bus de CC [64].

Las baterías se controlan como fuente de alimentación que suministra energía a los
supercondensadores para mantenerlos a una tensión de referencia, y la pila de hidrogeno
 Capítulo 2: Estado de la Técnica y Objetivos
23

actúa como la fuente de energía principal que suministra energía a las baterías para
mantenerlas con un estado de carga adecuado.

En consecuencia, los reguladores de controlan de manera cruzada para cada fuente de

energía, y con funciones de filtrado para imponer la limitación de corriente, lo cual complica
el diseño y la inclusión de otras fuentes de energía.
PILA DE HIDRÓGENO

Lazo de control de tensión de la batería Lazo de control de carga de la Batería

iFC
FILTRO

vBattREF
CONTROL

vBattCom
CONTROL
iFCREF
flow
+

LIMITADOR LIMITADOR
+

PI PI CONVERTIDOR

- - CC
vBatt CC
vBatt
vBus DRIVER PLoad
iLoad
M
Lazo de control de tensión del supercondensador
CONVERTIDOR
vSCREF CONTROL
LIMITADOR
FILTRO
iBattREF
fmed CC
+

PI CC
- vBatt
vSC
iBatt
BATERÍA

pSCREF
CONTROL

vBusREF
EBus EBusREF CONVERTIDOR

PI LIMITADOR iSCREF CC
VBus ÷
+

- CC
EBus
vSC vSC
EBus
VBus vBus iSC
Lazo de control de tensión del bus CC SUPERCONDENSADOR

Figura 2.17. Estrategia de control anidada de gestión de energía [64].

Otras estrategias de control similares se proponen en [65], [66] y [67], que a nivel de
control son lo suficientemente simples y robustas.

Del análisis de las distintas estrategias de control, se pueden identificar las ventajas e
inconvenientes de cada una de ellas, siendo posible la integración y el diseño de una
estrategia de control que aúne algunas de estas ventajas presentes en las estrategias de control
analizadas.
 Capítulo 2: Estado de la Técnica y Objetivos
24

2.5 OBJETIVOS
Después de la revisión del estado de la técnica, se han identificado algunas cuestiones que
aún necesitan ser abordadas en relación al modelado, identificación y control de las fuentes
de energía, del sistema de distribución de potencia de un vehículo eléctrico híbrido.

Por lo tanto, los principales objetivos de esta tesis doctoral se resumen en:

1) Desarrollar un procedimiento general y simple de identificación de parámetros

para el modelado de batería y supercondensadores, haciendo uso de herramientas
de optimización comerciales. En este caso, se propone utilizar Matlab, y para el
desarrollo de los diagramas de bloques o circuitos equivalentes de los modelos se
propone utilizar Simulink/Simscape de Matlab, el cual puede ser aplicado a
cualquier dispositivo o sistema.
2) Realizar una comparativa de los principales modelos equivalentes de baterías y
supercondensadores, para definir mediante métricas estadísticas el mejor modelo
para cada aplicación, y su complejidad.
3) Desarrollar un perfil de identificación de corriente general, lo suficientemente
dinámico en amplitud y frecuencia, para lograr una mejor precisión en la
identificación de modelos de baterías y supercondensadores. Este perfil de
identificación estará basado en pulsos de descarga y en señales binarias
pseudoaleatorias (PBRS), así como en el análisis espectral de las señales de
identificación y verificación.
4) Aplicación de la identificación y selección de modelos, para logar una mayor
precisión en la simulación de la gestión de energía de los sistemas de distribución
de potencia eléctrica de vehículos eléctricos híbridos. Para ello, también será
necesario mejorar las técnicas de control de los convertidores bidireccionales
conectados a las fuentes de energía principal y secundaria, así como seleccionar
la estrategia de control para el intercambio de energía entre las fuentes y la carga.
 Capítulo 3: Identificación Paramétrica
25

Capítulo 3

3 IDENTIFICACIÓN PARAMÉTRICA

3 IDENTIFICACIÓN PARAMÉTRICA -------------------------------------------------- 25

3.1 INTRODUCCIÓN ---------------------------------------------------------------------- 27
3.2 TÉCNICAS DE IDENTIFICACIÓN ------------------------------------------------ 27
3.3 PROCEDIMIENTO DE IDENTIFICACIÓN PARAMÉTRICA ---------------- 29
3.3.1 Montaje experimental -------------------------------------------------------------- 32
3.3.2 Perfil de perturbación -------------------------------------------------------------- 32
3.3.3 Herramienta de estimación de parámetros -------------------------------------- 33
3.4 COMPARACIÓN DE RESULTADOS---------------------------------------------- 38
3.5 CONCLUSIONES ---------------------------------------------------------------------- 39
 Capítulo 3: Identificación Paramétrica
26
 Capítulo 3: Identificación Paramétrica
27

3.1 INTRODUCCIÓN
El análisis de las características del sistema físico a identificar y de las relaciones entre
sus variables es de vital importancia para la predicción, control, monitorización, y
modelización. Por lo general, se siguen dos enfoques para el desarrollo de modelos, los
basados en las leyes fundamentales de la materia y la energía, y los que tienen un enfoque
empírico que se basa en el análisis de observaciones (datos experimentales). Dependiendo
el tipo de aplicación se puede usar uno u otro, ya que la mayoría de los sistemas físicos a
identificar son demasiado complejos para ser entendidos a un nivel fundamental.

La identificación se refiere a los medios y técnicas para estudiar un sistema físico a través
de los datos medidos o experimentales, principalmente para el desarrollo de una descripción
matemática adecuada de los mismos.

El objetico principal de este capítulo es proporcionar un procedimiento detallado y

práctico para la identificación paramétrica de modelos matemáticos, que describen el
comportamiento de un sistema, a partir de los datos observados.

3.2 TÉCNICAS DE IDENTIFICACIÓN

Los modelos matemáticos que describen el comportamiento del sistema pueden basarse
en modelos analíticos en forma de ecuaciones matemáticas, tablas de búsqueda o curvas
características. La identificación del sistema se utiliza en el desarrollo de un modelo
aproximado para una aplicación específica, en base a los datos observados y al conocimiento
previo del sistema.

Ya que los parámetros del sistema juegan un papel dominante en la identificación, los
modelos se clasificarán como paramétricos y no paramétricos [68]:

1) Modelos paramétricos (modelos con estructura y número finito de parámetros)

2) Modelos no paramétricos (modelos sin estructura específica y número infinito de
parámetros)
Los modelos paramétricos son ecuaciones que contienen explícitamente los parámetros
del proceso. Entre ellos se encuentran las ecuaciones diferenciales o las funciones de
transferencia. Por otro lado, los modelos no paramétricos proporcionan una relación entre
una determinada entrada y la respuesta correspondiente, mediante una tabla o una curva
característica muestreada.

Desde el punto de vista de la identificación, los modelos no paramétricos se pueden

construir en función de la frecuencia, a través del análisis de la respuesta en frecuencia,
espectral o Fourier, o en función del tiempo a través del análisis de la respuesta temporal del
sistema o mediante correlación. Por otro lado, la estimación de modelos paramétricos exige
un conocimiento a priori capaz de describir el comportamiento del sistema, tales como
funciones de transferencia. Las Figura 3.1 muestra la representación de los tipos de modelos.
 Capítulo 3: Identificación Paramétrica
28

Función de transferencia

Indentificación bn  s n + ... + b1  s + b0
G ( s) = k
paramétrica an  s n + ... + a1  s + a0

Diagrama de Bode
Sistema y (t)
u (t)
Señal de
(desconocido) Respuesta
identificación observada

Indentificación
no paramétrica

Figura 3.1. Identificación paramétrica y no paramétrica.

En identificación, se distinguen dos tipos de acoplamiento entre el sistema a identificar y

el ordenador [69]:

1) Offline (acoplamiento indirecto)

2) Online (acoplamiento directo)
Para la identificación offline, Figura 3.2. a), los datos medidos se almacenan primero y
luego se transfieren al ordenador para su posterior procesamiento y estimación de parámetros
del modelo.

La identificación online se realiza paralelamente al experimento, donde el ordenador se

acopla al proceso y la estimación de parámetros son calculados a medida que los datos están
disponibles, como se muestra en la Figura 3.2. b)

u (t) Sistema
y (t)
Señal de (desconocido) Respuesta
identificación
observada

u (t) Sistema
y (t)
Datos
almacenados Señal de (desconocido) Respuesta
identificación
observada

Ordenador
Datos
procesados
Modelo
Ordenador

Modelo

a) b)
Figura 3.2. Identificación: a) offline y b) online
 Capítulo 3: Identificación Paramétrica
29

3.3 PROCEDIMIENTO DE IDENTIFICACIÓN PARAMÉTRICA

La identificación de modelos de fuentes de energía en modo offline son utilizados a nivel
de simulación en aplicaciones de control, cálculo de estado de carga o dimensionamiento
[70], [71].

En el estado de la técnica, existen diferentes algoritmos y procedimientos, algunos de

ellos como el Genetic Algorithm (GA) [57], Extended Kalman Filter (EKF) [72], o Fuzzy
Logic [73] son complejos de reproducir y requieren ser especialista en algoritmos de
optimización para su utilización, dificultando el análisis y estudio de un modelo en particular.

En este capítulo, se pretende proporciona un procedimiento detallado, sencillo, práctico

y suficientemente general, que tiene en cuenta las herramientas software de uso general
disponibles, como Simulink de MATLAB®, para la identificación paramétrica de modelos
matemáticos, que describen el comportamiento de un sistema, a partir de los datos
observados.

Para ilustrar el procedimiento, a continuación, se desarrolla un ejemplo de identificación

de parámetros de un sistema desconocido sencillo. La Figura 3.3 muestra un sistema
compuesto por la red RC a identificar, red resistencia-condensador (RC). Para ello, se aplica
una señal de identificación, que es una tensión de entrada, y se obtiene la respuesta temporal
del circuito, que es la señal de salida.
Sistema
Señal de Respuesta
(desconocido)
identificación observada
u (t) y (t)
R
Vin + Vout
+
C
t - t
0 0
-

Figura 3.3. Red RC a identificar

La estimación de parámetros puede ser formulada de la siguiente manera. Dados los

parámetros del modelo:

𝑝 = (𝑝1 𝑝2 𝑝3 … 𝑝𝑚 ) (3.1)

con la tensión simulada Vs (Vout simulada) dependiente de estos parámetros:

𝑉𝑠 = 𝑓(𝑝) (3.2)

el objetivo se centra en encontrar los valores de los parámetros del modelo 𝑝, los cuales
permitan el ajuste con n muestras de la tensión medida 𝑉𝑚 (𝑉𝑜𝑢𝑡 experimental), donde 𝑝
 Capítulo 3: Identificación Paramétrica
30

puede variar entre más infinito y menos infinito, aunque se debe seleccionar un rango que
tengan un significado físico, por ejemplo, 10-6 a 106.

La obtención de los parámetros del modelo se realiza minimizando la función de coste

(3.4), que es el sumatorio del cuadrado del error de la diferencia entre la tensión de salida
medida experimentalmente Vm y la tensión de salida del modelo simulado Vs (3.3).

𝑒(𝑘) = 𝑉𝑚 (𝑘) − 𝑉𝑠 (𝑘, 𝑝) (3.3)

El proceso iterativo de identificación minimiza la suma de los errores al cuadrado entre

el modelo y las tensiones medidas de n muestras, hasta que el error sea lo suficientemente
pequeño, como se muestra en la Figura 3.4.

𝑛
2
𝐹(𝑝) = 𝑒 2 (1) + 𝑒 2 (2) + ⋯ + 𝑒 2 (𝑛) = ∑(𝑒(𝑘)) (3.4)
𝑘=1

Vin Sistema Vm (k )
Señal de (desconocido) Respuesta medida
+
identificación
e( k ) F ( p)
- e 2

Respuesta simulada
Modelo
Vs (k )

Optimizador

Figura 3.4. Diagrama del método de mínimos cuadrados

El problema de minimización se lleva a cabo con Simulink® Design Optimization™ de

Matlab (versión R2018b). Esta herramienta proporciona una interfaz interactiva que ayuda
a minimizar la función de coste entre la tensión del modelo medido y el simulado, utilizando
el método no lineal de mínimos cuadrados para la estimación de parámetros, hasta que el
error sea lo suficientemente pequeño.

Para llevar a cabo la estimación de los parámetros, en la Figura 3.5. a) se muestra el

diagrama de bloques del procedimiento de identificación propuesto, cuyo procedimiento se
puede dividir en varios pasos, que se muestran y describen en la Tabla 3.1.
 Capítulo 3: Identificación Paramétrica
31

Perfil de
identificación
en corriente

Experimento

Datos de
identificación

Método de
identificación

b)
Modelo

Perfil de
verificación en
Herramienta de
corriente
identificación de parámetros
error

Experimento NO
OK?

SI
Datos de
Validación
verificación

error

NO
OK?

SI

Modelo
parametrizado

a) c)
Figura 3.5. Estimación de parámetros: a) diagrama de flujo del procedimiento, b) modelo en Simscape y c) interface de
optimización en Simulink

Tabla 3.1. Procedimiento de Estimación de Parámetros

Pasos Descripción
Aplicar el perfil de identificación al sistema para obtener la medida experimental de la corriente,
tensión o ambas, de entrada y salida del sistema (datos de identificación).
1 Cuando se realiza la identificación de un componente, el perfil de identificación puede ser la
tensión o corriente inyectada, y los datos experimentales medidos pueden ser los relativos a la
tensión o corriente del dispositivo a modelar.
Seleccionar y construir el circuito equivalente del modelo propuesto o seleccionado () en
2 Simulink o Simscape mediante un diagrama de bloques o diagrama eléctrico con parámetros
iniciales, Figura 3.5. b).
Crear un nuevo experimento en Simulink e importar los datos de identificación.
3 Simular el modelo con los parámetros iniciales y el perfil actual de identificación, para obtener
los datos de simulación, Figura 3.5. c).
4 Elegir los parámetros a estimar y sus límites para estimar su valor.
Configurar las opciones de optimización (método de optimización, algoritmo y tolerancia de
5
parámetros y funciones).
Ejecutar el proceso de estimación de parámetros aplicando el solver de optimización seleccionado
(por ejemplo, error de la suma de mínimos cuadrados) para hacer coincidir los datos de
6 identificación con los datos de simulación. Si el error no es lo suficientemente pequeño, volver al
paso 1 (); o cambie el método de identificación y vuelva al paso 3 (); o modifique el perfil
actual de identificación y volver al paso 2 (), Figura 3.5. a).
 Capítulo 3: Identificación Paramétrica
32

Una vez obtenidos los parámetros del modelo a partir de los datos de identificación, con un error
suficientemente pequeño, el siguiente paso es verificar la respuesta del modelo utilizando el perfil
de verificación y los datos de la aplicación, para obtener los datos experimentales de verificación.
7 Para ello, es necesario comparar los datos de verificación con los nuevos datos simulados,
utilizando los parámetros obtenidos en el paso 6. Si el error no es lo suficientemente pequeño,
volver al paso 1 (); o cambie el método de identificación y volver al paso 3 (); o modifique
el perfil actual y volver al paso 2 (), Figura 3.5.a).
Si para la aplicación analizada hubiera que reducir el tiempo de ejecución, se podrían
utilizar otras técnicas, por ejemplo las basadas en la técnica de capas para dividir la
optimización global como se describe en [74] y [22], aunque podrían verse afectadas la
flexibilidad y la simplicidad proporcionadas por la interfaz de usuario de Simulink.

3.3.1 Montaje experimental

El montaje experimental utilizado para las pruebas de adquisición de datos de tensión,
de identificación y verificación, en la red RC, para su carga y descarga, se muestra en la
Figura 3.6.

Para ello, se utiliza el siguiente conjunto de equipos:

1) Generador de señales: Agilent 33120A para inyectar la tensión de entrada.

2) Protoboard: circuito R= 1 kΩ y C=100 F.
3) Amplificador operacional TL052 para construir un seguidor de tensión que acopla
las impedancias del generador y del circuito RC.
4) Adquisición de datos: NI myDAQ para medir la tensión de entrada y salida.

Generador de
senales Red RC

Tensión de Tensión de
entrada salida

Adquisición de datos PC

Figura 3.6. Montaje experimental para la obtención de los datos de identificación y verificación.

La adquisición de datos se ha realizado con el software LabVIEW®, para almacenar, en

este caso, los valores de tensión de entrada y salida, necesarios para posteriormente realizar
la identificación y verificación del modelo.

3.3.2 Perfil de perturbación

El procedimiento de identificación de parámetros del modelo RC utiliza un pulso de
tensión de amplitud 6 V y duración de 1,5 segundos, produciendo una respuesta exponencial
a la salida de la red como se muestra en la Figura 3.7.
 Capítulo 3: Identificación Paramétrica
33

Figura 3.7. Perfiles de tensión de identificación.

Además, para verificar la robustez y precisión de los modelos obtenidos, se aplica una
tensión sinusoidal de amplitud 5 Vpp y frecuencia de 500 mHz que está modulada en
amplitud, descrita en [75], con una frecuencia de modulación de 10 Hz y un porcentaje de
modulación del 50%. La Figura 3.8 muestra la medida de la red RC con el perfil de
verificación.

Figura 3.8. Perfiles de tensión de verificación.

3.3.3 Herramienta de estimación de parámetros

Para la estimación paramétrica, en Simulink, es necesario construir el circuito equivalente
mediante un diagrama de bloques o circuito eléctrico, para posteriormente utilizar la
herramienta de optimización.

La Figura 3.9. a) muestra el modelo del circuito equivalente construido en Simscape,

donde es necesario incluir los puertos para la medida de la tensión de entrada (Vin) y salida
(Vout).
 Capítulo 3: Identificación Paramétrica
34

a)

b)
Figura 3.9. Construcción y configuración del modelo: a) circuito en Simscape y b) configuración del puerto de entrada

Adicionalmente en la Figura 3.9. b) se muestra cómo se asocia en la configuración general

de Simulink en Data Import/Export el puerto de entrada (Vin) con el vector de la tensión
de entrada medida [t_ident, Vin_ident], para tomar el vector de datos desde el espacio de
trabajo de Matlab. Posteriormente, también se asocian los nombres de los datos de salida con
el vector [t_ident, Vout_ident].

Una vez definido el modelo de Simulink/Simscape para estimar valores de parámetros

desconocidos, se abre la herramienta de Estimación de Parámetros seleccionando en
Analysis→Parameter Estimation. En la interfaz de usuario, primero hay que crear un
experimento en New Experiment; creado el experimento, se introduce en Input y Output
los datos de entrada y salida medidos, Figura 3.10. a). Para la representación gráfica, se
selecciona la opción Plot & Simulate, donde se compara la respuesta simulada con la
experimental como se muestra en la Figura 3.10. b), a través de la simulación del circuito en
Simscape.
 Capítulo 3: Identificación Paramétrica
35

a)

b)
Figura 3.10. Creación de un experimento: a) introducción de vectores de datos y b) representación gráfica

Para estimar los diferentes parámetros del modelo del experimento, hay que especificar
qué valores se van a estimar, con sus valores iniciales y los límites para cada valor, tal y
como se muestra en la Figura 3.11. Alternativamente, se puede especificar un valor de
parámetro como un valor conocido, tal como la tensión inicial del condensador.
 Capítulo 3: Identificación Paramétrica
36

Figura 3.11. Creación de un experimento con valores de tensión de entrada y salida medidos.

Adicionalmente, se necesita configurar la optimización en More Options→General

Options, Figura 3.12. Por defecto y como se sugiere en [5], para problemas de modelado
con límites, se elige el método Nonlinear least squares y el algoritmo de Trust-
Region_Reflective. Los detalles y descripción específicos del algoritmo se pueden encontrar
en la referencia [5] y [76].

Figura 3.12. Creación de un experimento con valores de tensión de entrada y salida medidos.
 Capítulo 3: Identificación Paramétrica
37

Una vez definido el modelo, los parámetros a estimar con sus límites y la configuración
de la optimización numérica, se puede habilitar la visualización de la evolución de los
parámetros y la función coste en Add Plot →Parameter Trajectory y Estimation Cost.
Finalmente, pulsando en Estimate se inicia la iteración de la optimización hasta que el valor
de la función coste sea menor a 0.001. Al finalizar se muestra la evolución del valor del
parámetro de manera gráfica, Figura 3.13. a), y de manera numérica, Figura 3.13. b), así
como el número de iteraciones, el número de veces que se evalúa la función coste y el valor
de la función de coste al final de cada iteración, Figura 3.13. c).

a)

b) c)
Figura 3.13. Resultado de la estimación de parámetros: a) evolución gráfica, b) evolución de la función coste, y c)
resultados de los parámetros estimados.
 Capítulo 3: Identificación Paramétrica
38

3.4 COMPARACIÓN DE RESULTADOS

Una vez obtenidos los parámetros del modelo RC, utilizando las opciones de la
herramienta de optimización, se crea un nuevo experimento con el perfil de verificación o
validación.

La Figura 3.14 muestra un nuevo experimento con los vectores de prueba en Inputs, señal
sinusoidal modulada en amplitud [t_val,Vin_val], y en Outputs la respuesta de la red RC a
esta señal modulada [t_val, Vout_val].

Figura 3.14. Experimento para la verificación de los parámetros estimados.

Al crear el experimento de validación se obtiene la superposición de los resultados,

medidos y simulados, como se muestra en la Figura 3.15. También al comparar la respuesta
del modelo con los datos medidos, utilizando los parámetros estimados y la entrada
sinusoidal modulada, se obtiene el gráfico de residuos que muestra la diferencia entre la
respuesta simulada y dichos datos medidos. Una vez que la tensión simulada se ajusta a la
medida, la diferencia o residuo de sus tensiones se observa que:

1) El porcentaje de la variación máxima de desviación en mínima.

2) No muestra ningún patrón sistemático, por ejemplo, un valor de divergencia
creciente.
 Capítulo 3: Identificación Paramétrica
39

Por ejemplo, se puede ver en la Figura 3.15 que la diferencia o residuos para los datos de
verificación satisfacen ambos criterios.

Figura 3.15. Verificación del modelo RC con la tensión residuo.

3.5 CONCLUSIONES
En este capítulo, se ha propuesto y desarrollado un procedimiento para la identificación
del valor de los parámetros de los modelos que representan el comportamiento de un sistema
o componente, a partir de los datos experimentales medidos.

Este procedimiento pretende ser sencillo, práctico y suficientemente general, y tiene en

cuenta las herramientas software de uso general disponibles, en concreto Simulink® Design
Optimization™/Sinscape de MATLAB®. Estas herramientas se usan para la identificación
paramétrica de modelos matemáticos, que describen el comportamiento de un sistema, a
partir de los datos observados.

Para ilustrar el procedimiento, se ha desarrollado y mostrado un ejemplo sencillo basado

en la identificación de un circuito RC, con el fin de comparar los datos de validación medidos
con la salida del modelo simulado, en base a los parámetros estimados.

Este procedimiento será utilizado en los siguientes capítulos para el modelado de baterías
y supercondensadores.

Como limitación, este procedimiento depende de los métodos y algoritmos de

optimización incluidos en Simulink.
 Capítulo 3: Identificación Paramétrica
40
 Capítulo 4: Modelado de Baterías de Ion-Litio
41

Capítulo 4

4 MODELADO DE BATERÍAS DE ION-LITIO

4 MODELADO DE BATERÍAS DE ION-LITIO --------------------------------------- 41

4.1 INTRODUCCIÓN ---------------------------------------------------------------------- 43
4.2 MODELO DE BATERÍAS ------------------------------------------------------------ 44
4.2.1 Modelo de Shepherd ---------------------------------------------------------------- 44
4.2.2 Modelo No Lineal ------------------------------------------------------------------ 46
4.2.3 Modelo Partnership for a New Generation of Vehicles (PNGV) ------------ 47
4.2.4 Modelo de Thevenin de Tercer Orden con Histéresis (3RCH) --------------- 47
4.2.5 Modelo de Thevenin de Tercer Orden Dependiente del SOC (3RC(SOC)) 49
4.3 MONTAJE EXPERIMENTAL ------------------------------------------------------- 50
4.3.1 Banco de Pruebas ------------------------------------------------------------------- 50
4.3.2 Perfil de Corriente ------------------------------------------------------------------ 51
4.4 COMPARACIÓN DE RESULTADOS---------------------------------------------- 53
4.5 CONCLUSIONES ---------------------------------------------------------------------- 56
4.6 VALORES DE LOS PARÁMETROS DE LOS MODELOS DE BATERÍAS 58
 Capítulo 4: Modelado de Baterías de Ion-Litio
42
 Capítulo 4: Modelado de Baterías de Ion-Litio
43

4.1 INTRODUCCIÓN
En los últimos años, las baterías recargables están desempeñando un papel importante
como método de almacenamiento de energía, así como fuentes de energía para algunos
sistemas eléctricos relacionados con los sistemas de comunicaciones, las energías
renovables, los vehículos eléctricos, los autobuses eléctricos, etc. , [77]. Las baterías de ion-
litio han llegado a ser una tecnología esencial en los sistemas de distribución de potencia de
los Vehículos Eléctricos Híbridos (HEV) y los Vehículos totalmente Eléctricos (EV), los
cuales permiten reducir el consumo de combustible y las emisiones de gases de efecto
invernadero [78]. Este tipo de baterías presenta algunas prestaciones muy adecuadas para su
aplicación en el transporte, tales como su alta densidad de potencia y su lenta autodescarga
[79].

En el estado de la técnica, se han publicado numerosos modelos de baterías a nivel de

sistema. Elegir entre estos modelos es un compromiso entre la complejidad del modelo, la
dificultad de estimación de parámetros y la precisión.

De manera general, los modelos de baterías se pueden clasificar en tres categorías:

electroquímicos, matemáticos y eléctricos. Los modelos electroquímicos consisten en un
conjunto de ecuaciones diferenciales parciales algebraicas [80], [81]. La estimación del
modelo electroquímico es muy preciso [82], sin embargo, la simulación con estos modelos
puede llevar mucho tiempo, ya que requiere resolver un conjunto complejo de ecuaciones
para reproducir las propiedades electroquímicas [83]. Los modelos matemáticos son una
alternativa basada en fórmulas empíricas [17], [84]. Estos modelos son funciones empíricas
con parámetros derivados de las hojas de datos o de mediciones estáticas, y utilizan un menor
número de ecuaciones. Sin embargo, estos modelos no pueden representar el
comportamiento dinámico correctamente y proporcionan resultados con un error del orden
del 5%-20%. Por último, los modelos eléctricos, o basados en circuitos, son capaces de
mostrar con precisión las características de corriente y tensión de las baterías, manteniendo
al mismo tiempo la eficiencia de la simulación. La precisión de estos modelos eléctricos se
encuentra entre los modelos electroquímicos y los modelos matemáticos [85]. Estos modelos
se basan en resistencias y condensadores conectadas a una fuentes de tensión dependiente
del estado de carga, y pueden representar la rápida dinámica de la batería con un alto nivel
de precisión [21].

En la literatura, varios artículos desarrollan un estudio comparativo entre diferentes

modelos. Así, en [86] se muestra una revisión sistemática de diez modelos, utilizando la
técnica de identificación no lineal basada en el Filtro Kalman Extendido dual (dual-EKF),
concluyendo que el modelo 2-RC proporciona la mejor respuesta dinámica y precisión para
la mayoría de baterías. Además, en [34] se examina once modelos de circuitos eléctricos en
los que los parámetros se estiman mediante el uso de Algoritmo Genético (GA), concluyendo
que un incremento en el número de redes RC mejora la robustez, considerando las
variaciones de los parámetros y los errores de los sensores en aplicaciones reales.
 Capítulo 4: Modelado de Baterías de Ion-Litio
44

La principal contribución de este capítulo es la aplicación del procedimiento general de

identificación de parámetros en modo offline, descrito en el capítulo 3, a los modelos
equivalentes de batería. El método de identificación se basa en la Herramienta de
Optimización de MATLAB®, que utiliza una optimización numérica para minimizar el error
entre la tensión medida y la estimada por el modelo de la batería.

Además, se realiza un análisis comparativo de los modelos de baterías más utilizados en

aplicaciones de vehículos eléctricos. Estos modelos seleccionados tienen la capacidad de
representar los efectos más importantes de una batería desde el punto de vista del
comportamiento eléctrico, y se pueden aplicar dependiendo de las necesidades de
aproximación y complejidad del sistema a simular.

4.2 MODELO DE BATERÍAS

En esta sección se analizan cinco modelos de baterías, seleccionados del estado de la
técnica, sobre los que se han aplicado el procedimiento de identificación descrito en el
capítulo 3.

Así, del estudio del estado de la técnica, se obtiene que en [72], se utilizan diferentes
conjuntos de datos de una batería de Litio-polímero aplicados a Vehículos Eléctricos
Híbridos (HEV) para comparar modelos matemáticos. En ellos, la autocorrección mejorada
con cuatro filtros proporcionó mejor rendimiento en todos los casos, a costa de una mayor
complejidad. En [87] se presentó una visión general de los modelos genéricos de baterías
(matemáticos y eléctricos), donde la prueba de descarga de corriente continua y transitoria
del modelo resistencia-condensador (RC) es la que muestra un mayor rendimiento.

Otro estudio comparativo del estado de la técnica de los modelos eléctricos se realizó en
[26], donde el modelo RC de tercer orden con histéresis muestra mejores características.
Además, en [88] se muestra un estudio comparativo sistemático de modelos matemáticos y
eléctricos de baterías, en el que el modelo RC de primer orden con histéresis parece ser la
mejor opción para las células LiFePO4.

Teniendo en cuenta los estudios previos realizados y las conclusiones obtenidas, del
estado de la técnica, en esta tesis, los modelos seleccionados para realizar el estudio
comparativo son el modelo Shepherd [13], el modelo no lineal [89], el modelo PNGV [24],
el modelo RC de tercer orden con histéresis [26] y el modelo RC de tercer orden dependiente
del SOC en [22]. Estos modelos fueron seleccionados para cubrir la mayoría de las
aplicaciones, y se revisan brevemente a continuación.

4.2.1 Modelo de Shepherd

El modelo de batería de ion-litio propuesto en [13] es utilizado debido a que sólo requiere
unos pocos datos obtenidos de la hoja técnica de datos del fabricante (curva de descarga de
la batería). Este modelo se basa en el modelo modificado de Shepherd, y puede reflejar con
suficiente precisión las características de corriente y tensión a un nivel macro, las cuales son
 Capítulo 4: Modelado de Baterías de Ion-Litio
45

importantes para las simulaciones a nivel de sistema. Este modelo se muestra en la Figura
4.1. a), y su implementación en Simulink en la Figura 4.1. b).
t
0
Integrador
1
1+ s Tc
Filtro de corriente
Qt if R ibatería
+

Modelo de descarga (if  0)

f d (Qt, if , i ) = E0 − K 
Q
 if − K 
Q
 Qt + A  e− BQt vbatería
Q − Qt Q − Qt +
Modelo de carga (if  0) -
Q if − K  Q  Qt + A e− BQt
( )
f c Qt, if , i = E0 − K 
Qt + 0.1Q Q − Qt -

a)

ibatería

vbatería

b)

Figura 4.1. Modelo equivalente de Shepherd: a) circuito eléctrico equivalente y b) implementación en Simulink.

La implementación de este modelo de batería se realiza mediante el uso de diagramas de

bloques en Simulink, y está compuesto por una fuente de tensión controlada y una resistencia
interna. El valor de la fuente de tensión controlada depende de dos expresiones, una para la
descarga de la batería y otra para la carga de la batería. Donde E0 es la tensión interna de la
batería (V), K es la constante de polarización (V·Ah-1), Q es la capacidad máxima de la
batería (Ah), if es la corriente de la batería filtrada (A), Qt representa la carga instantánea de
la batería (Ah), A es la amplitud de la zona exponencial (V), B es la constante de tiempo de
 Capítulo 4: Modelado de Baterías de Ion-Litio
46

la zona exponencial inversa (Ah-1), Tc es la constante de tiempo de la batería (s) y R es la

resistencia interna de la batería (Ω), tal y como se describe en [18].

4.2.2 Modelo No Lineal

El modelo de Randles, originalmente, fue desarrollado para baterías de plomo-ácido como
se describe en [90]. Una versión modificada del modelo de Randles de desarrollo para su
adaptación a baterías de ion-litio [91]. A pesar de los buenos resultados obtenidos con el
modelo de Randles modificado cuando la estimación de parámetros se realiza online, este
modelo en su versión de parámetros contantes no es apropiado para aplicaciones offline,
debido al comportamiento no lineal de este tipo de baterías. Por esta razón, se propone un
modelo de batería RC no lineal en [89]. El modelo propuesto consiste en una fuente de
tensión no lineal, cuya tensión de circuito abierto (OCV) es función del estado de carga
(SOC), con el objetivo de representar las características no lineales; una capacitancia Cp para
modelar el efecto de polarización; una resistencia de propagación Rb; una resistencia de
difusión Rp; y una resistencia óhmica Rt, como se muestra en la Figura 4.2. a), con su
equivalente en Simscape en la Figura 4.2. b).

Rt ibatería

+
Rb Rp

OCV ( SOC ) vbatería

Cp
-
a)
Rt

Rb

OCV ( SOC )
Rp

vbatería

Cp

b)

Figura 4.2. Modelo equivalente No lineal: a) circuito eléctrico equivalente y b) implementación en Simscape.
 Capítulo 4: Modelado de Baterías de Ion-Litio
47

4.2.3 Modelo Partnership for a New Generation of Vehicles (PNGV)

El modelo Partnership for a New Generation of Vehicles es el modelo de batería estándar
descrito en [24]. En [25], se mejora el modelo PNGV aplicado a baterías de Ion-litio
añadiendo un circuito RC, obteniéndose un circuito eléctrico equivalente como se muestra
en la Figura 4.3. a). Este modelo está compuesto por la tensión de circuito abierto OCV0 que
representa la fuente de tensión constante inicial (V), y C0(SOC) que representa un
condensador variable dependiente del estado de carga, los cuales conectados en serie
representan la tensión de circuito abierto de la batería. R0(SOC) representa la resistencia
interna de la batería (Ω) junto con dos redes paralelas R1, C1, R2 y C2 en función del SOC.
La implementación del circuito en Simscape se muestra en la Figura 4.3. b).

R1 ( SOC ) R2 ( SOC ) ibatería

+
C0 ( SOC ) R0 ( SOC )

vbatería
C1 ( SOC ) C2 ( SOC )
OCV0

-
a)

C1 ( SOC )
C2 ( SOC )
R0 ( SOC )
C0 ( SOC )
R1 ( SOC )
R2 ( SOC )
OCV0

vbatería

b)

Figura 4.3. Modelo equivalente PNGV: a) circuito eléctrico equivalente y b) implementación en Simscape

4.2.4 Modelo de Thevenin de Tercer Orden con Histéresis (3RCH)

El circuito de Thevenin con tres redes paralelas RC con histéresis se propone en [26]. En
este modelo, se añade una tensión de histéresis vh en serie con una resistencia óhmica y tres
redes paralelas RC, como se muestra en la Figura 4.4. a) y su equivalente en Simscape en la
Figura 4.4. b). El modelo de la tensión de histéresis de la batería vh (en el orden de
milivoltios), propuesto en [72] y definido por (4.2):

𝑣ℎ = 𝑀 ∙ ℎ(𝑘) (4.1)
 Capítulo 4: Modelado de Baterías de Ion-Litio
48

donde h(k) representa la tensión dinámica de histéresis y se obtiene de la resolución de la

ecuación (4.2), y M representa el valor máximo de histéresis.

𝑖(𝑘) ∙ 𝛾 ∙ ∆𝑡 𝑖(𝑘) ∙ 𝛾 ∙ ∆𝑡
ℎ(𝑘 + 1) = 𝑒𝑥𝑝 (− | |) ∙ ℎ(𝑘) − (1 − 𝑒𝑥𝑝 (− | |)) ∙ 𝑠𝑔𝑛(𝑖(𝑘)) (4.2)
𝑄 𝑄

con  como la velocidad de cambio de la tensión de histéresis y Q es la capacidad total.

En [92], los autores proporcionan una metodología robusta y consistente para evaluar la
tensión de circuito abierto OCV de diferentes células de baterías de ion-litio, la cual es
dependiente del estado de carga (SOC). Para estimar los diferentes parámetros de la tensión
de histéresis, se aplica a la batería pulsos de carga y descarga con una variación del 10% de
SOC, utilizando una corriente de 1 C (1 C=5,58 Ah) hasta la tensión de flotación y corte,
como se muestra en la Figura 4.5.

R1 R2 R3 ibatería
+
vh R0

OCV ( SOC ) C1 C2 C3 vbatería

-
a)

vh R1 R2 R3

R0
OCV ( SOC )
C1 C2 C3

vbatería

b)

Figura 4.4. Modelo equivalente de Thevenin con Histéresis: a) circuito eléctrico equivalente y b) implementación en
Simscape.
 Capítulo 4: Modelado de Baterías de Ion-Litio
49

Figura 4.5. Carga y descarga de la batería con región de histéresis.

4.2.5 Modelo de Thevenin de Tercer Orden Dependiente del SOC (3RC(SOC))

Todos los componentes del modelo del circuito equivalente de la Figura 4.6. a) depende
del estado del carga (SOC). Este modelo consta de una resistencia interna en serie con tres
redes RC que representan la respuesta dinámica lenta, intermedia y rápida de la batería. En
[22], se hace una comparación cuando se utilizan una, dos y tres ramas RC, obteniendo una
mayor precisión a medida que se aumentan el número de ramas en paralelo. La desventaja
de usar un mayor número de ramas RC es que el modelo matemático se vuelve más complejo,
ya que incluye más tablas de búsqueda [93].

En este caso, se utilizan tres ramas RC para obtener una mayor precisión, sin aumentar
demasiado la complejidad del modelo, y así representar mejor las no linealidades de la
batería. En el modelo, OCV representa la tensión en circuito abierto, R0 representa la
resistencia interna de la batería, y las tres redes paralelas basadas en R1, C1, R2, C2, R3, y C3,
la respuesta temporal de las diferentes constantes de tiempo. La Figura 4.6. b) muestra la
representación en Simscape del circuito equivalente.
 Capítulo 4: Modelado de Baterías de Ion-Litio
50

R1 ( SOC ) R2 ( SOC ) R3 ( SOC ) ibatería

+
R0 ( SOC )

vbatería
OCV ( SOC ) C1 ( SOC ) C2 ( SOC ) C3 ( SOC )

-
a)

C1 ( SOC )
C2 ( SOC ) C3 ( SOC )
R0 ( SOC )
R1 ( SOC )
OCV ( SOC )
R2 ( SOC ) R3 ( SOC )

vbatería

b)

Figura 4.6. Modelo equivalente de Thevenin: a) circuito eléctrico equivalente y b) implementación en Simscape.

4.3 MONTAJE EXPERIMENTAL

Los modelos de baterías se pueden aplicar de dos maneras: en línea (online) y fuera de
línea (offline). Los modelos en línea se utilizan en los sistemas de gestión de baterías en
tiempo real para la estimación del estado de carga (SOC), con algoritmos de seguimiento de
diferentes parámetros [87], [26], y [88]. En esta tesis, este procedimiento se aplica al
modelado offline.

4.3.1 Banco de Pruebas

El conjunto experimental para las pruebas de adquisición de datos de carga y descarga
de la batería se muestra en la Figura 4.7. Incluye una batería de ion-litio, un sistema de
adquisición de datos y carga dinámica.

Se han realizado experimentos con una batería de ion-litio HRB 8048145, cuyas
especificaciones técnicas se enumeran en la Tabla 4.1.

Para verificar la precisión del modelo de batería en aplicaciones de automoción, el perfil

experimental de corriente y el sistema de adquisición de datos, se utiliza el siguiente conjunto
de equipos:

1) Carga electrónica de CC: Chroma 63206A-600-420 que reproduce los períodos

de consumo de corriente del motor de corriente continua.
2) Fuente de alimentación de CC: Sorensen SGI400/38 para inyectar la energía del
frenado regenerativo.
 Capítulo 4: Modelado de Baterías de Ion-Litio
51

3) Registrador de datos: Agilent 34970A para medir la tensión y la corriente de la

batería.
4) Resistencia shunt: Newtons 4th HF200 (0.5mΩ) para sensar la corriente de la
batería.

Batería Ion- Resistencia Carga

Litio Shunt regenerativa

Tensión Corriente
medida medida

Registrador de
PC
datos

Figura 4.7. Conjunto experimental.

Tabla 4.1. Especificaciones técnicas de la batería de ion-litio HRB 8048145

Parámetro Valor

Tensión nominal 3,7 V

Capacidad nominal 5 Ah

Tensión máxima 4,20 V

Tensión mínima 2,75 V

Corriente de carga 5 C (1 C = 5 Ah)

Corriente de descarga máxima 50 C

Todos estos elementos han sido sincronizados con el software LabVIEW® para producir
los pulsos y perfiles de corriente específicos, necesarios para verificar el modelo equivalente
de la batería.

4.3.2 Perfil de Corriente

El procedimiento de identificación de parámetros de cada modelo utiliza uno de los dos
perfiles de corriente específicos mostrados en la Figura 4.8. Para la estimación de los
parámetros, el primer perfil de corriente se realiza con una descarga de la batería a corriente
constante igual a 0,2C (igual al 20% de la capacidad nominal), con el propósito de minimizar
la excitación de las partes dinámicas como se describe en [13].

Por otro lado, el segundo perfil de corriente se fundamenta en el método de carga o

descarga a través de pulsos de corriente, como se describe en [94]. La amplitud del pulso
generalmente de descarga esta entre 1C a 4C, dependiendo de las especificaciones máximas
 Capítulo 4: Modelado de Baterías de Ion-Litio
52

del fabricante [95]-[42]. Por otro lado, la variación del estado de carga en porcentaje
∆SOC(%) del pulso está definida mediante la ecuación (4.3).

100 ∙ 𝐼 ∙ 𝑡𝑝
∆𝑆𝑂𝐶(%) = (4.3)
𝑄

donde tp es el tiempo de carga o descarga, I es la corriente del pulso y Q la capacidad

nominal de la batería [71].

La Figura 4.8.a) muestra la curva de descarga de la batería obtenida a corriente constante

de 0,2 C, de donde al integrar la corriente en función del tiempo se obtiene la capacidad real
de la batería, Q=5,58Ah.

Por otro lado, la estimación del estado de carga (SOC) es una tarea difícil, debido al
envejecimiento de la batería y al efecto de la temperatura. Algunas técnicas se presentan en
[96], donde la tendencia de la estimación es una mezcla de técnicas probabilísticas y de
inteligencia artificial. En esta tesis, se utiliza el método de Coulomb para el cálculo de la
SOC porque es simple y proporciona una buena precisión. Para obtener los datos de
identificación del modelo se aplican pulsos de corriente de 1C con una variación del 10%
del SOC, en cada pulso, como se muestra en la Figura 4.8.b)

a) b)

Figura 4.8. Perfiles de corriente de identificación: a) descarga constante y (c) pulsos de corriente.

No todos los perfiles de identificación pueden ser aplicados a todos los modelos, debido
a su circuito equivalente. Los perfiles de identificación susceptibles a aplicarse a cada
modelo, se muestran en la Tabla 4.2.
 Capítulo 4: Modelado de Baterías de Ion-Litio
53

Tabla 4.2. Perfiles de corriente de identificación aplicable a cada modelo

Perfil de corriente de identificación

Modelo
Descarga constante Pulsos de corriente
Shepherd ✓ –
No lineal – ✓
PNGV – ✓
3RCH – ✓
3RCH(SOC) – ✓

✓= Aplicable; – =No aplicable

Además, para verificar la robustez y precisión de los modelos de batería obtenidos, se

aplica un perfil de verificación diferente al perfil de identificación, que incluye el perfil de
corriente correspondiente al perfil de conducción HPPC (Hybrid Pulse Power
Characterization) y el ECE-15 (también conocido como Urban Driving Cycle UDC).

La Figura 4.9. a) muestra la medida con el perfil de conducción HPPC, que se describe
en [97]. Se aplica durante casi una hora para validar la robustez de la respuesta a largo plazo
del modelo de batería. Por otro lado, el perfil la medida con el perfil de conducción ECE-15,
que se describe en [98], se muestra en la Figura 4.9. b).

a) b)

Figura 4.9. Perfiles de corriente de verificación para los perfiles de conducción: a) HPPC y (c) ECE-15.

Los resultados obtenidos de aplicar los perfiles de identificación a los modelos descritos
en la sección 4.2 se muestran en el apartado 4.6 (Tabla 4.3 –Tabla 4.7). En este apartado, se
detallan los parámetros de los cinco modelos, identificados mediante los perfiles de
conducción descritos y el procedimiento mostrado en el capítulo 3.

4.4 COMPARACIÓN DE RESULTADOS

Una vez obtenidos los parámetros de cada modelo, utilizando en cada caso el mismo
procedimiento de estimación de parámetros descrito en el capítulo 3, se realiza el análisis de
la precisión y robustez de la tensión de salida obtenida, para los cinco modelos de la batería
de ion-litio descritos en la sección 4.2. Para ello, se han usado los perfiles de corriente
 Capítulo 4: Modelado de Baterías de Ion-Litio
54

obtenidos a partir de los perfiles de conducción. Los resultados obtenidos se ilustran en

laFigura4.10. a) – 4.10 d) para el perfil de verificación HPPC, y en la Figura 4.11. a) – 4.11.
d) para el perfil de verificación ECE-15.

La Figura 4.10. a) y Figura 4.11. a) muestran la tensión experimental de la batería de los

modelos comparados. Las Figuras 4.10. b) y Figura 4.11. b) muestran el error relativo entre
la tensión simulada y experimental.

Las Figura 4.10. c) y Figura 4.11. c) representan el error relativo en porcentaje.

Finalmente, la Figura 4.10. d) y Figura 4.11. d), muestran el error RMS en mV.

a) b)

c) d)
Figura 4.10. Respuesta temporal de la batería con el perfil de conducción HPPC: a) tensión experimental y simulada, b)
error relativo, c) error relativo promedio y máximo, d) error cuadrático medio.

Se concluye, de la Figura 4.10. c) que el modelo de Thevenin de tercer orden con histéresis
(3RCH) y el modelo de Thevenin de tercer orden dependiente del SOC (3RC(SOC))
presentan los menores errores relativo medio y máximo, así como un error que no se
incrementa con el tiempo de simulación, en comparación con los otros modelos. Por otro
lado, el modelo RC no lineal (No Lineal) tiene el error relativo medio más alto con un error
que se incrementa con el tiempo de simulación. El modelo Partnership for a New Generation
of Vehicles (PNGV) tiene una buena respuesta temporal para periodos de simulación cortos,
sin embargo, la precisión empeora para largos período de simulación.
 Capítulo 4: Modelado de Baterías de Ion-Litio
55

a) b)

c) d)

Figura 4.11. Respuesta temporal de la batería con el perfil de conducción ECE-15. a) perfil de corriente, b) tensión
experimental y simulada, c) error relativo, d) error relativo promedio y máximo.

Un análisis similar se hace tras verificar los modelos con el perfil de conducción ECE-
15, como se muestran en la Figura 4.11. c), donde nuevamente el modelo de Thevenin de
tercer orden con histéresis (3RCH) y el modelo de Thevenin de tercer orden dependiente del
SOC (3RC(SOC)) presentan un error relativo promedio menor, con un error que no se
incrementa con el tiempo de simulación.

Por otro lado, el modelo RC no lineal (No Lineal) tiene un error medio más alto y un error
máximo con un error que se incrementa con el tiempo de simulación. Adicionalmente, el
modelo Partnership for a New Generation of Vehicles (PNGV) tiene una buena respuesta
durante cortos períodos de simulación, pero con un error que se incrementa con el tiempo de
simulación, como en el perfil de conducción HPPC. El modelo Shepherd (Shepherd)
presenta el mayor error relativo máximo, similar al modelo No Lineal.

En la Tabla 4. 3. se muestra un resumen de los resultados para la verificación de los dos

perfiles de corriente.
 Capítulo 4: Modelado de Baterías de Ion-Litio
56

Tabla 4.3. Error relativo y error cuadrático medio con el perfil de conducción HPPC y ECE-15.

HPPC ECE-15
Modelo
Error Error Error Error Error Error
relativo relativo cuadrático relativo relativo cuadrático
máximo promedio medio máximo promedio medio
(%) (%) (mV) (%) (%) (mV)
Shepherd 6,3026 0,4635 19,6932 2,8041 0,3864 20,4445
No Lineal 3,5664 1,2211 49,6012 2,7446 1,1457 54,4532
PNGV 3,2684 0,4853 20,1985 1,4791 0,4752 21,0762
3RCH 2,1933 0,2300 9,8119 1,7342 0,2141 10,3969
3RC(SOC) 2,2356 0,1068 5,6983 1,2663 0,1831 10,1766

4.5 CONCLUSIONES
En este capítulo, se ha desarrollado un estudio comparativo de los cinco modelos más
representativos de baterías, disponibles en el estado actual de la técnica, para su aplicación
a vehículos eléctricos. En todos los casos, los parámetros del modelo se han obtenido a partir
del procedimiento de identificación de parámetros general, propuesto en el capítulo 3. Los
valores de los parámetros obtenido, de cada modelo, se muestran en el apartado 4.6.

El primer resultado obtenido, es que el procedimiento de identificación utilizado para la

parametrización de todos los modelos, proporciona errores aceptables en todos los casos, en
los tiempos de simulación utilizados, aunque como se comentará a continuación, se detectan
diferencias en la posible aplicación de los distintos modelos.

El resultado de la comparación, indica que el modelo Shepherd es muy simple, y puede

ser utilizado como una primera aproximación, necesitando solamente la curva de descarga
de la batería a corriente constate. Sin embargo, cuando se utiliza durante simulaciones de
largos períodos de tiempo, este modelo produce un error de tensión acumulativa y no puede
representar los picos de tensión de la respuesta de la batería. El modelo PNGV es excelente
para una simulación de corto plazo, sin embargo, una vez más, en simulaciones de largos
periodos de tiempo, produce un error acumulativo de tensión, debido al incremento de
tensión en el condensador que representa las características de tensión no lineal, el cual es
dependiente del estado de carga. El modelo RC no lineal no refleja con precisión las
características dinámicas de la batería y su precisión es limitada.

Los modelos 3RCH y 3RC(SOC) no muestran un error acumulativo en simulaciones de

largos períodos de tiempo, y los errores en la tensión simulada es menor que los modelos
anteriores. El 3RCH incluye el fenómeno de histéresis, que depende de la química de la
batería, y es más simple de estimar que el modelo 3RC(SOC), que es más complejo y preciso.
 Capítulo 4: Modelado de Baterías de Ion-Litio
57

Por lo tanto, puede concluirse que ambos modelos tienen mayor precisión y robustez que
el resto de los modelos analizados, para mostrar la tensión estática y dinámica de la batería.
Con el modelo 3RCH se obtiene un equilibrio entre complejidad, robustez y precisión.

Considerando estos resultados, el modelo Shepherd se recomienda para simulaciones a

de cortos periodos de tiempo y como una primera aproximación, y el modelo 3RCH para
simulaciones de medio y largos períodos de tiempo.
 Capítulo 4: Modelado de Baterías de Ion-Litio
58

4.6 VALORES DE LOS PARÁMETROS DE LOS MODELOS DE

BATERÍAS
Tabla 4.4. Parámetros del Modelo de Shepherd.

Parámetro Valor
E0 (V) 3,7380
K (V) 1,493210-3
Q (Ah) 5,5832
A (V) 0,5307
B (Ah-1) 0,612
R (Ω) 5,423810-3
Tc (s) 10,02

Tabla 4.5. Parámetros del modelo RC no lineal (No Lineal)

SOC (%)
Parámetro
11,0821 20,0061 28,9002 37,7848 46,6761 55,5755 64,4555 73,3533 82,2332 91,1255 100

OCV (V) 3,5805 3,6896 3,7291 3,7730 3,7890 3,8307 3,9113 4,0019 4,1140 4,1364 4,2301
Cp (F) 8946,5
Rb (mΩ) 5,4646
Rp (Ω) 0,4418
Rt (mΩ) 1,616
Vp (V) 3,9163
Cp (F) 8946,5

Figura 4.12. Representación de los parámetros del modelo RC no lineal (No Lineal).
 Capítulo 4: Modelado de Baterías de Ion-Litio
59

Tabla 4.6. Parámetros del modelo Partnership for a New Generation of Vehicles (PNGV)

SOC (%)
Parámetro
11,0821 20,0061 28,9002 37,7848 46,6761 55,5755 64,4555 73,3533 82,2332 91,1255 100

OCV0 (V) 4,230

C0 (kF) * 68,7420 28,7140 110,730 45,1290 87,0250 42,0530 19,4130 42,8830 8,8560 47,5230 5,3872
C1 (kF) * 12,3630 17,4650 63,5560 147,000 596,420 298,630 154,120 34,4120 26,0930 19,2730 24118
C2 (kF) * 199,580 376,300 13,9700 17,3140 14,673 153,620 21,8720 7,4790 1,4473 13,3610 264,170
R0 (mΩ) * 2,2213 4,4317 4,9254 4,1839 4, 5333 4,2388 4,5360 3,4158 4,1868 2,9751 0,9459
R1 (mΩ) * 5,2583 3,4383 6,0789 3,2660 13,8250 0,1776 6,8301 6,1388 2,2758 9,8609 0,18918
R2 (mΩ) * 4,0208 10,662 1,9166 3,0477 3,9884 1,6512 2,8152 4,6487 0,26945 2,4883 0,0332

Figura 4.13. Representación de los parámetros del modelo Partnership for a New Generation of Vehicles (PNGV).
 Capítulo 4: Modelado de Baterías de Ion-Litio
60

Tabla 4.7. Parámetros del modelo de Thevenin de tercer orden con histéresis (3RCH).

SOC (%)
Parámetro
10 20 30 40 50 60 70 80 90 100

OCV (V) 3,6893 3,7434 3,7739 3,7963 3,8287 3,8815 3,9542 4,0391 4,1317 4,2484
R0 (mΩ) 4,71
R1 (mΩ) 3,62
R2 (mΩ) 1,13
R3 (Ω) 28,865
C1 (kF) 69,437
C2 (kF) 33,455
C3 (kF) 45,765
M (–) 0,0012

 (–) 48,5745

Figura 4.14. Representación de la tensión de circuito abierto del modelo de Thevenin de tercer orden con histéresis
(3RCH).
 Capítulo 4: Modelado de Baterías de Ion-Litio
61

Tabla 4.8. Parámetros del modelo de Thevenin de tercer orden dependiente del SOC (3RC(SOC)).

SOC (%)
Parámetro
11,0821 20,0061 28,9002 37,7848 46,6761 55,5755 64,4555 73,3533 82,2332 91,1255 100

OCV (V) 3,6904 3,7244 3,7619 3,7825 3,8042 3,8389 3,8969 3,9524 4,0462 4,1280 4,2192
C1 (kF) * 12,3630 17,4650 63,5560 147,000 596,420 298,6300 154,1200 34,4120 26,0930 19,2730 24118
C2 (kF) * 199,5800 376,300 13,9700 17,3140 14,673 153,620 21,8720 7,4790 1,4473 13,3610 264,170
C3 (kF) * 27,8980 336,020 24,6160 9,7176 49,015 42,709 11,177 89,624 1,1646 167,580 3,960
R0 (mΩ) * 68,7420 28,7140 110,730 45,1290 87,0250 42,0530 19,4130 42,8830 8,8560 47,5230 5,3872
R1 (mΩ) * 2,2213 4,4317 4,9254 4,1839 4,5333 4,2388 4,5360 3,4158 4,1868 2,9751 0,9459
R2 (mΩ) * 5,2583 3,4383 6,0789 3,2660 13,8250 0,1776 6,8301 6,1388 2,2758 9,8609 0,18918
R3 (mΩ) * 4,0208 10,6620 1,9166 3,0477 3,9884 1,6512 2,8152 4,6487 0,26945 2,4883 0,0332

Figura 4.15. Representación de los parámetros del modelo de Thevenin de tercer orden dependiente del SOC
(3RC(SOC)).
 Capítulo 4: Modelado de Baterías de Ion-Litio
62
 Capítulo 5: Modelado de Supercondensadores
63

Capítulo 5

5 MODELADO DE SUPERCONDENSADORES

5 MODELADO DE SUPERCONDENSADORES -------------------------------------- 63

5.1 INTRODUCCIÓN ---------------------------------------------------------------------- 65
5.2 MODELO DE SUPERCONDENSADORES --------------------------------------- 66
5.2.1 Modelo de Stern-Tafel ------------------------------------------------------------- 66
5.2.2 Modelo de Zubieta ------------------------------------------------------------------ 68
5.2.3 Modelo Serie ------------------------------------------------------------------------ 69
5.2.4 Modelo Paralelo --------------------------------------------------------------------- 70
5.2.5 Modelo de Línea de Transmisión ------------------------------------------------- 71
5.2.6 Modelo de Thevenin ---------------------------------------------------------------- 72
5.3 MONTAJE EXPERIMENTAL ------------------------------------------------------- 73
5.3.1 Banco de pruebas ------------------------------------------------------------------- 73
5.3.2 Perfil de corriente de los supercondensadores ---------------------------------- 74
5.4 COMPARACIÓN DE RESULTADOS---------------------------------------------- 77
5.5 CONCLUSIONES ---------------------------------------------------------------------- 83
5.6 VALORES DE LOS PARÁMETROS DE LOS MODELOS DE
SUPERCONDENSADORES --------------------------------------------------------- 84
 Capítulo 5: Modelado de Supercondensadores
64
 Capítulo 5: Modelado de Supercondensadores
65

5.1 INTRODUCCIÓN
Algunas características, como la alta densidad de potencia, la fiabilidad y la seguridad
son críticas en los sistemas de almacenamiento de energía de sectores como el industrial,
médico, energías renovables o transporte. Estas son algunas de las razones por las que el
condensador electroquímico de doble capa, o supercondensador, desempeña un papel
importante en estos sectores y aplicaciones, además de tener la capacidad de capturar y
liberar grandes cantidades de corriente, de forma instantánea [59].

Se pueden mencionar muchas áreas de aplicación en las que se utilizan

supercondensadores, por ejemplo, en los sistemas utilizados para realizar resonancias
magnéticas (RM), donde se necesitan impulsos de corriente muy cortos [99], o en un sistema
de distribución de potencia híbrido, con pila de combustible, en el que el supercondensador
satisface la demanda de potencia dinámica [100]. Además, el supercondensador puede
utilizarse para la integración de plantas fotovoltaicas [101], en la integración de energías
renovables [102], o la mejora de la utilización de la energía en aplicaciones de excavadoras
mineras [103]. Sin embargo, muchas aplicaciones están limitadas por el comportamiento de
autodescarga del supercondensador, es decir, que no pueden almacenar energía por un largo
periodo de tiempo como las baterías [104], aunque nuevas técnicas químicas de fabricación
reducen el efecto de este fenómeno, como se muestra en [105] y [45].

En general, los modelos de supercondensadores se clasifican en tres categorías, al igual

que los modelos de las baterías: electroquímicos, matemáticos y eléctricos. Los modelos
electroquímicos consisten en un conjunto de ecuaciones diferenciales-algebraicas parciales.
La respuesta temporal de los modelos electroquímicos es muy precisa [106], siendo
utilizados en áreas de diagnóstico y fabricación. Sin embargo, la simulación y estimación de
parámetros de estos modelos consume muchos recursos de tiempo y memoria en un
ordenador. Por otro lado, los modelos matemáticos son una alternativa basada en estructuras
tridimensionales ordenadas [107]. Los modelos matemáticos permiten obtener un buen
ajuste con datos experimentales, pero a costa de aumentar la complejidad a la hora de obtener
los diferentes parámetros. Finalmente, los modelos basados en circuitos o modelos
eléctricos, son capaces de reproducir el comportamiento eléctrico de los supercondensadores
a nivel de sistema, con circuitos equivalentes simples y prácticos [46].

Existen estudios, en el estado de la técnica, que realizan comparativas entre los diferentes
modelos eléctricos de supercondensadores. Así, en [57] se revisan tres tipos de circuitos
equivalentes con componentes lineales, con sólo un perfil de corriente de identificación y
varios perfiles de corriente de verificación. Los modelos comparados son el modelo clásico,
el modelo de red multietapa y el modelo dinámico, que se utilizan en aplicaciones de
vehículos eléctricos. En [108] se analiza la equivalencia de los tres modelos RC de
parámetros constantes, pudiendo utilizar un equivalente u otro, en función de la aplicación.
Sin embargo, como se muestra en [58], la precisión del modelo puede mejorarse con un
modelo eléctrico de circuito equivalente no lineal. Así, en [109] los autores comparan tres
 Capítulo 5: Modelado de Supercondensadores
66

modelos de circuitos equivalentes (Miller, Zubieta y Thevenin), con un perfil de corriente

de identificación específico para cada modelo.

En general, se ha podido verificar que la comparación entre los modelos de

supercondensadores conocidos en el estado de la técnica, se hace aplicando diferentes
perfiles de corriente de identificación y utilizando diferentes procedimientos de
identificación de parámetros, por lo que es difícil obtener conclusiones fiables generales,
para identificar el mejor modelo y procedimiento de modelado para cada aplicación.

La principal aportación de este capítulo es la aplicación del procedimiento general para

la identificación de parámetros, descrito en el capítulo 3, aplicado a la comparativa de los
modelos de supercondensadores seleccionados, para su utilización en modo offline. Los
parámetros obtenidos para estos modelos, también podrán utilizarse como estimación inicial
de los parámetros en modelos de supercondensadores en aplicaciones online [110].

Para la optimización numérica de los diferentes parámetros, se describen cada uno de los
modelos equivalentes en diagramas de bloques en Simulink, o circuitos eléctricos en
Simscape, y a continuación, se aplica la herramienta de optimización de MATLAB, descrita
en el capítulo 3. Además, en este capítulo, se muestra la comparación de diferentes perfiles
dinámicos de corriente de identificación, aplicados a los modelos de supercondensadores
seleccionados de la literatura, con el objetivo de obtener las mejores características de cada
uno de ellos, además de determinar el mejor modelo en función del uso, así como su
precisión y complejidad.

5.2 MODELO DE SUPERCONDENSADORES

En primer lugar, se seleccionan seis modelos de supercondensadores representativos
dentro del estado de la técnica, que cubren la mayoría de las aplicaciones. Se escogen
modelos no lineales, ya que permiten conseguir una mayor precisión. Los modelos
seleccionados son: el Modelo de Stern-Tafel [52], el Modelo de Zubieta [111], el Modelo
Serie [112], el Modelo Paralelo [113], el Modelo de Línea de Transmisión [114] y el Modelo
de Thevenin [115]. En este apartado, se describen los circuitos eléctricos equivalentes y los
parámetros asociados a cada uno de los modelos seleccionados.

5.2.1 Modelo de Stern-Tafel

El modelo electroquímico de supercondensador propuesto en [116] y [51] utiliza el
modelo Stern-Tafel para describir el comportamiento del condensador equivalente no lineal.
Este modelo reproduce la capacitancia del condensador de doble capa (CT) según (5.1),
relacionada con la dinámica de difusión no lineal. Para ello, el modelo de supercondensador
combina tanto la capacitancia de Helmholtz (CH) según (5.2), como la capacitancia de Gouy-
Chapman (CGC) según (5.3), ambas descritas en [117].
 Capítulo 5: Modelado de Supercondensadores
67

𝑁𝑝 1 1 −1
𝐶𝑇 = ∙( + ) (5.1)
𝑁𝑠 𝐶𝐻 𝐶𝐺𝐶

donde

𝑁𝑒 ∙ 𝜀 ∙ 𝜀0 ∙ 𝐴𝑖
𝐶𝐻 = (5.2)
𝑑

𝐹𝑐 ∙ 𝑄𝑇 𝑄𝑇
𝐶𝐺𝐶 = 𝑠𝑖𝑛ℎ ( 2 ) (5.3)
2 ∙ 𝑁𝑒 ∙ 𝑅 ∙ 𝑇 𝑁𝑒 ∙ 𝐴𝑖 √8 ∙ 𝑅 ∙ 𝑇 ∙ 𝜀 ∙ 𝜀0 ∙ 𝑐

En las ecuaciones (5.1) a (5.3), Np es el número de celdas en paralelo, Ns es el número de

celdas en serie, Ne es el número de capas de electrodos, d es el radio molecular en (m), c la
concentración molar en (mol.m-3), Ai es el área superficial entre el electrodo y el electrolito
en (m2), T es la temperatura de funcionamiento (K), Fc es la constante de Faraday en (C/mol),
R es la constante de gas ideal en (J/(K·mol)), QT es la carga eléctrica total en (C), ε es la
permitividad relativa del material electrolítico (F/m), y ε0 es la permitividad de espacio libre
(F/m) [52].

El circuito eléctrico equivalente del modelo consta de una fuente de tensión controlada y
una resistencia interna, como se muestra en la Figura 5.1. a). Este modelo depende de varios
parámetros: Cn es la capacitancia nominal en faradios (F), Vmax es la tensión máxima del
supercondensador en voltios (V), Rdc es la resistencia interna en (Ω), VT es la tensión total
(V), e isd es la corriente de autodescarga en amperios (A). isd se determina a partir de la
ecuación de Tafel, descrita en la referencia [118] como (5.4):

𝑉 𝑉
𝛼∙𝐹𝑐 ∙( 𝑖𝑛𝑖𝑡 − 𝑚𝑎𝑥 −∆𝑉)
𝑁𝑠 𝑁𝑠
( ) (5.4)
𝑅∙𝑇
𝑖𝑠𝑑 (𝑡) = 𝑁𝑒 ∙ 𝐼𝑓 ∙ 𝑒

donde If es la corriente de fuga en amperios (A), Vinit es la tensión inicial en voltios (V),
 es el coeficiente de transferencia de carga, y ∆V es la sobretensión en voltios (V). La
tensión del supercondensador está definida como la carga total (QT) dividida para la
capacitancia de Gouy-Chapman (CGC) que controla una fuente dependiente, donde algunos
de los parámetros se obtienen a partir de la hoja de datos del fabricante y de constantes
universales definidas para la ecuación (5.3), tal como se describe en la referencia [119]. La
implementación del modelo mediante diagrama de bloques en Simulink se muestra en la
Figura 5.1. b).
 Capítulo 5: Modelado de Supercondensadores
68

Cn Vmax
t isd (t )
QT 0 i i = isc 1− u(t )  + isd (t ) u(t )
u (t ) 0=
Integrador
0

Rdc isc
+
 
N s QT  d QT
VT = + 2  Ne  N s  R T sinh −1   +
N p  Ne   0  Ai Fc 
 N p  Ne  Ai  8  R T   0  c 
2 - vsc
 

a)

V

Cn Vmax 
Ne
Ns
If

Rdc

Qinit isc

Cn Vmax SOC %

vsc

b)

Figura 5.1. Modelo de Stern-Tafel: a) circuito eléctrico equivalente y b) implementación en Simulink

5.2.2 Modelo de Zubieta

Este modelo se propone en [111], e incluye un circuito con tres constantes de tiempo RC
paralelas, Figura 5.2. a). La primera rama R0C(vc), está formada por una resistencia constante
en serie con un condensador variable que es dependiente de la tensión, y que define la
respuesta en segundos. Las ramas de valores constantes R1C1 proporciona la respuesta
temporal en el orden de minutos, y R2C2 representa la respuesta temporal para un tiempo
superior a los minutos. Por último, una resistencia Rlk reproduce el fenómeno de
autodescarga del supercondensador.

Otras investigaciones relacionadas con este modelo se encuentran en [120], donde se

muestra un circuito equivalente simplificado con dos ramas, con un procedimiento también
simplificado de identificación de parámetros de la respuesta temporal, a través de la ecuación
diferencial del circuito. Así mismo, en [121] se propone un procedimiento similar para la
obtención de los parámetros del modelo a partir de la descarga a potencia constante del
supercondensador. En [122] se propone una función de minimización multivariable para
 Capítulo 5: Modelado de Supercondensadores
69

encontrar los parámetros del modelo, validados con el perfil de corriente de un vehículo
eléctrico híbrido.

La implementación del circuito en Simscape para obtener la capacitancia total (5.5) y la

corriente de la capacitancia controlada por tensión (5.6), se muestra en la Figura 5.2. b).

𝐶(𝑣𝑐 ) = 𝐶0 + 𝑘𝑐 ∙ 𝑣𝑐 (5.5)

𝑑𝑄 𝑑(𝐶(𝑣𝑐 ) ∙ 𝑣𝑐 ) 𝑑𝑣𝑐
𝑖𝑐 = = = (𝐶0 + 2𝑘𝑐 ∙ 𝑣𝑐 ) (5.6)
𝑑𝑡 𝑑𝑡 𝑑𝑡

donde C0 es la capacitancia lineal inicial que representa la capacitancia electrostática del

condensador, y kc un coeficiente positivo que representa los efectos de la capa difusa del
supercondensador.

+
R0 R1 R2

vsc Rlk
+
C0 vc kc  vc C1 C2
-
-

a)

R0 R1 R2

isc
C1 C2 Rlk

vsc

vc

2 kc

C0

b)

Figura 5.2. Modelo de Zubieta: a) circuito eléctrico equivalente y b) implementación en Simscape

5.2.3 Modelo Serie

El circuito equivalente del Modelo Serie, consta de dos circuitos RC paralelos compuestos
por R1(vsc), C1(vsc), R2(vsc) y C2(vsc), conectados en serie con otro circuito RC compuesto por
Rs y Cs(vs), [123] y [124]. Para mejorar el modelado de los efectos de redistribución y
 Capítulo 5: Modelado de Supercondensadores
70

autodescarga, en [125] se presenta una versión modificada de este circuito, que incluye una
combinación del modelo propuesto por Buller y Zubieta, con el fin de representar un modelo
para un mayor rango de frecuencias. La estimación de parámetros de este modelo se obtiene
mediante el análisis en el tiempo y en la frecuencia, por separado. Sin embargo para
simplificar este proceso, en el presente capítulo se obtienen los parámetros mediante un
análisis de la respuesta temporal.

Este modelo completo, se muestra en la Figura 5.3. a). e incluye tres ramas en paralelo
compuesto por R3C3, R4C4, y la resistencia Rlk, adicionales al circuito equivalente original.
La Figura 5.3. b) muestra la implementación en Simscape del circuito equivalente del
Modelo Serie completo.
vsc

R1 (vsc ) R2 (vsc )
+ -
Rs
Cs (vsc )
C1 (vsc ) C2 (vsc )

R3 C3

R4 C4

Rlk

a)

C2 (vsc )
C1(vsc )
Rs Cs (vsc )

R1(vsc ) R2 (vsc )

R3 C3

isc R4 C4
vsc
Rlk

b)

Figura 5.3. Modelo Serie: a) circuito eléctrico equivalente y b) implementación en Simulink

5.2.4 Modelo Paralelo

El Modelo Paralelo tradicional contiene redes de resistencias y condensadores constantes
en serie, paralelizadas tal como se describe en [49] y [126]. En [127] se describe un
procedimiento para calcular los parámetros constantes del circuito sin necesidad de
adquisición de datos previa, utilizando únicamente la información proporcionada por la hoja
de datos del fabricante de supercondensadores, y las ecuaciones empíricas. En [128] se
 Capítulo 5: Modelado de Supercondensadores
71

presenta una modificación del Modelo Paralelo tradicional, formado por cuatro redes RC
paralelas modificadas con parámetros dependientes de la tensión, como se muestra en la
Figura 5.4. a). Este modelo es más complejo, pero logra una mayor precisión. La Figura 5.4.
b) muestra la implementación del circuito en Simscape.

+
R1 (vsc ) R2 (vsc ) R3 (vsc ) R4 (vsc )
vsc Rlk (vsc )
C1 (vsc ) C2 (vsc ) C3 (vsc ) C4 (vsc )

a)

R1 R2 R3 R4
isc

C1 C2 C3 C4 Rlk
vsc

b)

Figura 5.4. Modelo Paralelo: a) circuito eléctrico equivalente y b) implementación en Simulink

5.2.5 Modelo de Línea de Transmisión

El Modelo de Línea de Transmisión está compuesto por n ramas RC, con las que se
reproduce la respuesta en frecuencia del supercondensador desde 10 mHz a 1 kHz. Este
modelo fue propuesto para vehículos híbridos y eléctricos, y fue descrito en [129] y [130].

Este modelo consta de cuatro redes paralelas basadas en R1, C1(v1), R2, C2(v2), R3, C3(v3)
y R4, C4(v4), y una resistencia, Rlk, en paralelo a las cuatro redes anteriores, como se muestra
en la Figura 5.5. a). En [131] los parámetros del modelo se identifican mediante la carga del
supercondensador desde cero hasta la tensión nominal, después se mantiene un tiempo sin
carga ni descarga para medir la autodescarga, y finalmente un período de descarga hasta
tensión cero. En cada variación de corriente se obtiene las ecuaciones del circuito RC, siendo
complejo el análisis y la verificación ante un perfil de corriente diferente. Este modelo
también se utiliza para evaluar el proceso de envejecimiento físico de los
supercondensadores [114], estimando las incertidumbres de los parámetros a lo largo del
tiempo, mediante optimización multivariable.
 Capítulo 5: Modelado de Supercondensadores
72

La Figura 5.5. b) muestra el Modelo de Línea de Transmisión implementado en Simscape,

utilizando las mismas ecuaciones anteriormente descritas en (5.5) y (5.6), para obtener la
capacitancia total y la corriente de la capacitancia controlada por tensión, respectivamente.

R1 R2 R3 R4
+
+ + + +
vsc v1 C1 (v1 ) v2 C2 (v2 ) v3 C3 (v3 ) v4 C4 (v4 ) Rlk
- - - -
-

a)

R1 R2 R3 R4

ic2 ic3 ic4

ic1
Rlk
isc
vc1 vc2 vc3 vc4
vsc

2 kc1 2 kc2 2 kc3 2 kc4

C1 C2 C3 C4

b)

Figura 5.5. Modelo de Línea de Transmisión: a) circuito eléctrico equivalente y b) implementación en Simscape

5.2.6 Modelo de Thevenin

El circuito eléctrico equivalente del Modelo de Thevenin, incluye varias ramas RC en
paralelo y una fuente de tensión dependiente del estado de carga (SOC), según se describe
en [115], Figura 5.6. a). El SOC se calcula mediante la integración de la corriente utilizando
la ecuación (5.5):

𝑡
𝑄𝑖𝑛𝑖𝑡 − ∫0 𝑖(𝜏)𝑑𝜏
𝑆𝑂𝐶 = (5.7)
𝑄𝑇

siendo Qinit la carga inicial del supercondensador, QT la carga total del supercondensador
e i(τ) la corriente del supercondensador.

El número de ramas RC depende de la precisión y complejidad del modelo. En [54] se

demuestra que tres ramas son un buen compromiso entre complejidad y una mejor
correspondencia de la respuesta simulada respecto de la experimental. La Figura 5.6. b)
muestra la implementación de Simscape del circuito del Modelo Thevenin para tres ramas.
Como se puede ver, en el Modelo de Thevenin todos los parámetros son dependientes del
SOC. El parámetro OCV de la fuente de tensión dependiente, representa la tensión en circuito
abierto. R0 representa la resistencia interna de la fuente dependiente.
 Capítulo 5: Modelado de Supercondensadores
73

R1 ( SOC ) R2 ( SOC ) R3 ( SOC )

R0 ( SOC ) +

C1 ( SOC ) C2 ( SOC ) C3 ( SOC ) vsc

OCV ( SOC )

a)

SOC

C1(SOC )
C2 (SOC ) C3 (SOC )
isc R0 (SOC )
R1(SOC )
OCV (SOC ) R2 (SOC ) R3 (SOC )

vsc

b)

Figura 5.6. Modelo de Thevenin: a) circuito eléctrico equivalente y b) implementación en Simulink

5.3 MONTAJE EXPERIMENTAL

El objetivo del montaje experimental es comprobar qué modelo de entre los considerados
reproduce mejor el comportamiento de un supercondensador real. Para ello, en primer lugar,
se aplica al supercondensador tres perfiles de corrientes de identificación, con lo que se
recogerán datos suficientes para la posterior identificación de los parámetros de cada
modelo, utilizando el procedimiento de identificación descrito en el capítulo 3.

Posteriormente, los modelos se someterán a una simulación bajo un perfil de corriente de

verificación más complejo, el cual debe tener variaciones tanto positivas como negativas,
para verificar la precisión de los modelos bajo diferentes condiciones.

Finalmente se analizará, mediante métricas estadísticas, la precisión de cada modelo

mediante los perfiles de verificación, una vez obtenidos sus parámetros a partir de los perfiles
de identificación utilizados.

5.3.1 Banco de pruebas

El banco de pruebas utilizado para la realización de los experimentos consta de una célula
básica de supercondensador, un sistema de adquisición de datos, una fuente de alimentación
y una carga electrónica, dispuestos como se muestra en la Figura 5.7.

El supercondensador utilizado para desarrollar la prueba es el modelo BCAP3000 de

Maxwell Technologies. Para emular los perfiles de corriente, se utiliza una fuente de
corriente bidireccional, compuesta por una carga electrónica y una fuente de alimentación,
 Capítulo 5: Modelado de Supercondensadores
74

conectadas en paralelo. La descripción del conjunto de equipos utilizados en las pruebas,

junto con sus especificaciones, se enumeran en la Tabla 5.1.

Fuente de potencia + Supercondensador

Ethernet Resistencia
Shunt

Carga electrónica
-

isc vsc
Ethernet

RS232
Pc
Registrador de datos
.
Figura 5.7. Conjunto experimental que compone el banco de pruebas de supercondensadores.

Todos los elementos utilizados en la prueba experimental han sido sincronizados por
ordenador mediante el software LabVIEW® (Anexo A.1), con el objetivo de gestionar el
registro de datos y el control de la corriente de carga y descarga. El uso del software
LabVIEW® permite controlar y registrar los datos experimentales, y hace flexible la
modificación del experimento, según el perfil de corriente que se desee utilizar.
Tabla 5.1. Componentes del conjunto experimental

Componente Especificaciones Uso

Supercondensador;
2,7 V/3000 F Celda de prueba
Maxwell BCAP3000

Registrador de datos;
100 nV–1000 V/500 kHz Medida de tensión
Agilent 34970A

Fuente de potencia;
400 V/38 A Carga de corriente
Sorensen SGI400/38

Carga electrónica
600 V/420 A Descarga de corriente
Chroma:63206ª-600

Resistencia Shunt:
0,5m Ω/200 mA – 200 Arms Medida de corriente
Newtons4th HF200

5.3.2 Perfil de corriente de los supercondensadores

Para el procedimiento de identificación de parámetros se utilizan tres perfiles de corriente
de identificación dinámicamente diferentes. El perfil de corriente de identificación i1, se
define por un pulso de corriente que dura hasta que le supercondensador alcanza la tensión
máxima; a partir de ese instante el pulso se detiene [120]. En particular, se ha aplicado un
pulso de amplitud 36 A, que es la máxima corriente de la fuente, con una duración de 220
segundos, hasta llegar a su tensión máxima, como se muestra en la Figura 5.8. a).
 Capítulo 5: Modelado de Supercondensadores
75

El perfil de corriente de identificación i2, se define por pulsos de corriente de carga

repetitivos, aplicados hasta alcanzar la tensión máxima del supercondensador [115], Figura
5.8. b). La variación del estado de carga en porcentaje ∆SOC(%), está definida en [115]
mediante la ecuación (5.8):

100 ∙ 𝑡𝑝 ∙ 𝐼
∆𝑆𝑂𝐶(%) = (5.8)
𝑉𝑚𝑎𝑥 ∙ 𝐶

donde tp es el tiempo de carga o descarga del pulso, I la amplitud de corriente de carga o

descarga, C la capacidad nominal del supercondensador y Vmax la tensión máxima del
supercondensador. El perfil i2, para una variación de estado de carga del 10%, pulso de
corriente de 36 A, tensión máxima de 2,7 V y capacidad de 3000 F, tiene una duración de
pulso de 23 segundos.

Finalmente, el tercer perfil de corriente de identificación i3, es una combinación de pulsos

de carga-descarga variables en amplitud y tiempo, similar al aplicado a un conjunto de
baterías en [31]. La Figura 5.8. c) muestra varios pulsos. El de mayor duración corresponde
a un pulso de 10 A y duración de 81 segundos, con el que se consigue una variación del
estado de carga del supercondensador del 10%. Los pulsos secundarios tienen una amplitud
de 16A, -14A, 12A, -10A, 8A y -6 A con tiempos de 12, 10, 8, 6, 4 y 2 segundos,
respectivamente. Este proceso se repite, hasta que el supercondensador alcance la mitad de
su valor máximo de tensión.

(a) (b)

(c)

Figura 5.8. Perfiles de corriente y respuesta de tensión de identificación del supercondensador: a) i1; b) i2 y c) i3
 Capítulo 5: Modelado de Supercondensadores
76

No todos los perfiles de identificación pueden ser aplicados a todos los modelos, debido
al circuito equivalente. Los perfiles de identificación susceptibles de aplicarse a cada uno de
los modelos comparados, se muestran en la Tabla 5.2.
Tabla 5.2. Perfiles de corriente de identificación

Perfil de corriente de
Modelo identificación

i1 i2 i3
Stern-Tafel ✓ – –
Zubieta ✓ ✓ ✓
Series – ✓ ✓
Parallel – ✓ ✓
Línea de transmisión – ✓ ✓
Thevenin – ✓ ✓

✓= Aplicable; – =No aplicable

La robustez y precisión de los modelos identificados de supercondensadores se evalúan

mediante dos perfiles estandarizados de verificación diferentes, como son el perfil de
conducción HPPC (Hybrid Pulse Power Characterization) y el perfil de conducción ECE-15
(también conocido como Urban Driving Cycle UDC).

La Figura 5.9. a) muestra el perfil de corriente correspondiente al perfil de conducción

HPPC que se describe en [97]. El ciclo ECE-15, descrito en [98], es un perfil de corriente
más dinámico, como se muestra en la Figura 5.9. b).

(a) (b)

Figura 5.9. Corriente y tensión correspondiente a los perfiles de conducción de verificación del supercondensador: a)
HPPC y b) ECE-15.
 Capítulo 5: Modelado de Supercondensadores
77

5.4 COMPARACIÓN DE RESULTADOS

Una vez obtenidos los parámetros de cada modelo, con el procedimiento descrito en el
capítulo 3 y los perfiles de corriente de identificación aplicables a cada modelo, se realiza el
análisis de precisión y robustez de los seis modelos de supercondensadores considerados, a
partir de la comparativa de los datos obtenidos de la simulación de su comportamiento, ante
los perfiles de corriente de verificación, y la medida real. Para ello, se utilizarán como
métricas estadísticas el error relativo y el error cuadrático medio (RMSE). Los valores
numéricos de los parámetros de los modelos obtenidos durante el proceso de identificación,
se muestran en la sección 5.6, (Tabla 5.6 – Tabla 5.14).

Los resultados de la comparación entre los modelos Stern-Tafel y Zubieta, identificados

con el perfil de corriente de identificación i1, se ilustran en la Figura 5.10. a) – 5.10. d) para
el perfil de verificación HPPC, y en la Figura 5.10. e) – 5.10. h) para el perfil de verificación
ECE-15.

La Figura 5.10. a) y Figura 5.10. e) muestran la tensión experimental del

supercondensador de los modelos comparados. Las Figura 5.10. b) y Figura 5.10. f) muestran
el error relativo entre la tensión simulada y experimental.

Las figuras Figura 5.10. c) y Figura 5.10. g) representan el error relativo en porcentaje.
Finalmente, las figuras Figura 5.10. d) y Figura 5.10. h), muestran el error RMS en mV.

Se concluye en vista de los resultados, que el error relativo y RMS del Modelo Stern-
Tafel es menor en comparación con los del Modelo de Zubieta. En los dos modelos, la
tendencia del error relativo es creciente con el aumento del tiempo, por lo tanto, la precisión
de ambos modelos identificados con el perfil de corriente i1 es adecuada, únicamente, para
una primera aproximación dinámica.

Un análisis similar se hace tras utilizar el perfil de corriente i2 para obtener los parámetros
de los modelos Serie, Zubieta, Paralelo, Línea de Transmisión y Thevenin, mediante el
procedimiento de identificación descrito en el capítulo 3.

Desde la Figura 5.11. a) – 5.11. d) se muestran los resultados de comparación entre la

simulación de los modelos circuitales y la medida experimental, para el perfil de verificación
HPPC.

De la misma manera, desde la Figura 5.11. e) – 5.11. h) muestran los resultados de

comparación para el perfil de verificación ECE-15.

Como se puede observar, usando el perfil de identificación i2 el Modelo Serie es el que

presenta un menor error relativo y RMS, en función del tiempo.
 Capítulo 5: Modelado de Supercondensadores
78

a) e)

b) f)

c) g)

d) h)

Figura 5.10. Datos experimentales y de los modelos de supercondensadores, para el perfil de identificación i1, incluyendo
la respuesta temporal, error relativo (%), error RMS (mV): (a)-(d) perfil HPPC, (e)-(h) perfil ECE15.
 Capítulo 5: Modelado de Supercondensadores
79

a) e)

b) f)

c) g)

d) h)
Figura 5.11. Datos experimentales y de modelos de supercondensadores, para el perfil de identificación i2, incluyendo la
respuesta temporal, error relativo: (a)-(d) perfil HPPC, (e)-(h) perfil ECE-15.
 Capítulo 5: Modelado de Supercondensadores
80

a) e)

b) f)

c) g)

d) h)

Figura 5.12. Datos experimentales y modelos de supercondensadores, para el perfil de identificación i3, incluyendo la
respuesta temporal, error relativo: (a)-(d) perfil HPPC, (e)-(h) perfil ECE15.
 Capítulo 5: Modelado de Supercondensadores
81

Finalmente, el resultado obtenido de la identificación con el perfil i3, que es el perfil de

corriente más dinámico y variable en amplitud y frecuencia, de los modelos Serie, Zubieta,
Paralelo, Línea de Transmisión y Thevenin se representa en la Figura 5.12. a) – 5.12. d) para
el perfil de verificación HPPC, y en la Figura 5.12. e) – 5.12. h) para el perfil de verificación
ECE-15.

Una vez más, el Modelo Serie presenta el menor error, incluso menor que con los perfiles
de identificación i1 e i2. También los modelos Paralelo, Línea de Transmisión y Thevenin
muestran gran exactitud, por lo que la idoneidad de un modelo u otro dependerá el tipo de
aplicación.

Las principales conclusiones obtenidas de estos resultados son las siguientes:

- El perfil de corriente de identificación utilizado para la obtención de los

parámetros de los distintos modelos afecta a la precisión final de los resultados
obtenidos, precisión y ámbito de aplicación.
- El perfil de corriente de identificación más complejo, i3, obtiene la mayor
precisión en los modelos en que se puede aplicar.
- En la mayoría de los casos, el Modelo Serie proporciona el menor error relativo.
- Si se desea utilizar un modelo de supercondensador más simple y básico, la mejor
opción es utilizar el modelo Zubieta identificado con el perfil de corriente i3. Otra
posibilidad, aún más básica sería utilizar el modelo de Stern-Tafel identificado
con el perfil de corriente i1.

En la Tabla 5.3, Tabla 5.4 y Tabla 5.5, se incluyen los valores numéricos de las métricas
estadísticas de los modelos identificados con los perfiles i1, i2 e i3, y posteriormente
verificados mediante los perfiles de conducción HPPC y ECE-15.
 Capítulo 5: Modelado de Supercondensadores
82

Tabla 5.3. Valores obtenidos de la aplicación del perfil corriente de identificación i1

HPPC ECE15

Modelo Error Error Error

Error Error Error
relativo relativo relativo
relativo cuadrático cuadrático
promedio máximo promedio
máximo (%) medio (mV) medio (mV)
(%) (%) (%)
Stern-Tafel 2,6624 0,4975 11,6037 6,9044 2,0402 45,1645
Zubieta 8,8702 3,5055 79,0721 8,2994 3,3861 72,6719

Tabla 5.4. Valores obtenidos de la aplicación del perfil corriente de identificación i2

HPPC ECE15
Modelo
Error Error Error
Error Error Error
relativo relativo relativo
relativo cuadrático cuadrático
promedio máximo promedio
máximo (%) medio (mV) medio (mV)
(%) (%) (%)
Zubieta 5,5291 2,2657 50,5217 2,2409 1,4013 29,2705
Serie 1,5156 0,7592 15,7086 2,1871 1,2212 24,2654
Paralelo 1,2932 0,2971 7,3963 6,6324 1,9509 43,9770
Línea de Transmisión 7,2856 2,9581 65,0135 8,3307 3,8223 78,3289
Thevenin 8,0835 3,5226 77,9992 8,5904 3,9647 82,2516

Tabla 5.5. Valores obtenidos de la aplicación del perfil corriente de identificación i3

HPPC ECE15
Modelo
Error Error Error
Error Error Error
relativo relativo relativo
relativo cuadrático cuadrático
promedio máximo promedio
máximo (%) medio (mV) medio (mV)
(%) (%) (%)
Zubieta 1,9602 0,7170 15,8874 1,1287 0,5673 11,6797
Serie 0,9718 0,2728 6,8365 0,9562 0,2119 5,1513
Paralelo 0,9263 0,2714 7,0952 1,2706 0,3724 8,7621
Línea de Transmisión 1,4099 0,5227 11,6305 0,7700 0,3722 8,7803
Thevenin 1,2297 0,4617 10,7354 0,7593 0,3493 8,8829
 Capítulo 5: Modelado de Supercondensadores
83

5.5 CONCLUSIONES
En este capítulo, se aplica el procedimiento general de identificación de parámetros
descrito en el capítulo 3, para la obtención de los parámetros utilizados en los seis modelos
circuitales de supercondensadores seleccionados del estado de la técnica: Stern-Tafel,
Zubieta, Serie, Paralelo, Línea de Transmisión y Thevenin, los cuales han sido
implementados en Simulink o Simscape.

El procedimiento desarrollado se utiliza para el estudio comparativo de los seis modelos,

comparando los resultados de la simulación de cada modelo con las medidas reales sobre el
supercondensador, a partir de dos perfiles de corriente de verificación estandarizados.
Previamente, se utilizan diferentes perfiles de corriente de identificación, ofreciendo la
posibilidad de analizar la influencia de cada uno de estos perfiles en la precisión y robustez
de cada modelo.

Los resultados experimentales obtenidos de los seis modelos y tres perfiles de corriente
de identificación muestran, que tanto el modelo como el perfil de corriente de identificación
son críticos para obtenerse una adecuada precisión y robustez, en la predicción de la
respuesta temporal del supercondensador.

De la comparación entre los resultados experimentales y los resultados de la simulación

obtenidos con los modelos, se puede concluir que, en general, a mayor complejidad del perfil
de identificación, mayor precisión y robustez del modelo en cuestión. Así, el perfil de
corriente de identificación con mayor dinamismo, i3, ha obtenido la mejor precisión en cada
modelo que permite su aplicación.

Los resultados para una simulación de pocos ciclos del perfil de verificación muestran,
que la mayoría de los modelos estimados proporcionan suficiente precisión. Sin embargo,
en una simulación de larga duración, las diferencias entre modelos, así como entre los
perfiles de corriente utilizados en su identificación, llega a ser muy importante, haciendo que
algunos modelos acumulen errores a lo largo de los ciclos, entre las tensiones simuladas y
real. Este error acumulado hace que, en algunos casos, los modelos afectados no representen
correctamente la tensión real del supercondensador que modelan.

De los resultados de comparación se obtiene, que el modelo Stern-Tafel es apropiado para

una simulación corta, y como primera aproximación, identificado con el perfil de corriente
i1. Para simulaciones más complejas, se recomienda el Modelo Serie, con el menor error
medio y RMS con respecto a la medida real, seguido por el Modelo Paralelo.

No obstante, aunque el Modelo Serie proporciona el menor error relativo, el Modelo

Zubieta ofrece mejor compromiso entre complejidad y precisión. En definitiva, si se quiere
utilizar un modelo de supercondensador simple y suficientemente preciso, la mejor opción
es utilizar el Modelo de Zubieta, identificando sus parámetros a partir de un perfil de
corriente relativamente complejo, con suficiente variación de amplitud y frecuencia, como
el perfil de corriente i3.
 Capítulo 5: Modelado de Supercondensadores
84

5.6 VALORES DE LOS PARÁMETROS DE LOS MODELOS DE

SUPERCONDENSADORES

Tabla 5.6. Parámetros del Modelo de Stern-Tafel con el perfil de corriente i1

Parámetro Valor
C (F) 3000
Rdc (mΩ) 2,1000
If (mA) 5,2000
Vn (V) 2,7000
Ns 1
Np 1
Ne* 2
d (nm)* 1,0115
* 0,3200 (0 <  < 1)
∆V* 0,4100
* = Parámetros estimados

Tabla 5.7. Parámetros del Modelo de Zubieta

Perfil de corriente
Parámetro
i1 i2 i3

R0 (mΩ) * 1,1080 0,8653 0,6504

C0 (F) * 2290,3000 2172,6000 2081,7000
kc (F/V) * 244,4400 240,5600 220,1800
R1 (Ω) * 16,9130 19,9280 10,5170
C1 (F) * 471,1500 368,1700 111,1500
R2 (Ω) * 0,6729 0,3773 3,5770
C2 (F) * 292,0100 176,3200 382,0700
Rlk (kΩ) * 171210 11023 51,4030
 Capítulo 5: Modelado de Supercondensadores
85

Tabla 5.8. Parámetros del Modelo Serie con el perfil de corriente i2

Tensión (V)
Parámetro

0 0,330 0,6417 0,9295 1,1977 1,4522 1,6973 1,934 2,1622 2,3830 2,5948
Cs (kΩ) * 2,4655 2,3629 2,5419 2,6699 2,8260 2,8941 2,9450 2,962 3,0666 3,1518 3,5999
R1 (µΩ) * 581,02 470,26 563,94 546,61 540,87 507,120 544,94 238,4 0,0080 1,3731 1,6410
C1 (kF) * 1,1595 1,7094 1,0285 1,5702 1,5695 2,1529 1,4429 0,277 265,980 65,884 87,292
R2 (µΩ) * 0,120 58,126 14,810 25,842 43,970 108,870 0,0164 6,128 707,200 692,73 501,860
C2 (F) * 14,393 1324 1891,1 10714 570,42 34,5400 58,919 13,51 43,7690 161,84 54,3090
R3 (Ω) * 10,6610
C3 (kF) * 1,0877
R4 (Ω) * 14,4660
C4 (F) * 32,5750
Rlk (kΩ) * 5,5436

Figura 5.13. Representación de los parámetros del Modelo Serie con el perfil de corriente i2
 Capítulo 5: Modelado de Supercondensadores
86

Tabla 5.9. Parámetros del Modelo Serie con el perfil de corriente i3

Tensión (V)
Parámetro
1,4932 1,7931 2,0874 2,3761 2,6618

Cs (kΩ) * 2,8890 2,9626 3,0489 3,1745 3,1935

R1 (µΩ) * 192,3800 460,1300 428,0600 182,1800 437,5600
C1 (F) * 15,3320 923,8500 30,6020 9,3121 229,6200
R2 (µΩ) * 166,3700 1,4114 32,8880 303,2600 99,7610
C2 (kF) * 0,0309 0,2120 1,9380 1,9937 0,1050
R3 (Ω) * 7,6440
C3 (kF) * 1,2486
R4 (Ω) * 14,0350
C4 (F) * 110,7000
Rlk (kΩ) * 1584,4000

Figura 5.14. Representación de los parámetros del Modelo Serie con el perfil de corriente i3
 Capítulo 5: Modelado de Supercondensadores
87

Tabla 5.10. Parámetros del Modelo Paralelo con el perfil de corriente i2

Tensión (V)
Parámetro
0,0002 0,3301 0,6417 0,9295 1,1977 1,4522 1,6973 1,9337 2,1622 2,3830 2,5948

C1 (kF) * 11,494 56,47 86,826 0,2254 82,203 0,00353 100,120 219,83 125,880 182,96 170
R1 (Ω) * 18502 91,543 1980,4 15,8680 421,90 2545,4 51657 857,68 398,850 254,02 279,950
C2 (F) * 561,28 258,20 362,59 239,440 57,1310 65,969 56,8820 112,78 134,450 46,676 50,050
R2 (mΩ) * 0,00358 11,937 0,3757 1,9524 155,180 137,89 117,090 14,308 13,746 4622,1 500,020
C3 (F) * 1068,9 1780,7 0,3458 43,1960 47,3320 0,1059 665,260 8,367 12,691 30,798 25,003
R3 (mΩ) * 2,9311 5,5832 0,00014 0,6223 16,946 3,0161 5,6190 1,2579 0,01369 369,01 100
C4 (kF) * 1,8016 0,0452 2,4350 2,4355 2,7939 2,7622 2,4572 3,013 3,0641 3,3026 3,119
R4 (mΩ) * 6,4737 8,4052 0,1441 1,0450 0,5837 0,6355 0,6429 0,4083 0,3057 0,5758 0,199
Rlk (Ω) * 1,6786 15,397 13,829 25,6290 11,714 13,701 17,801 17,821 16,065 16,649 18,947

Figura 5.15. Representación de los parámetros del Modelo Paralelo con el perfil de corriente i2
 Capítulo 5: Modelado de Supercondensadores
88

Tabla 5.11. Parámetros del Modelo Paralelo con el perfil de corriente i3

Tensión (V)
Parámetros
1,4932 1,7931 2,0874 2,3761 2,6618

C1 (kF) * 21,1090 652,920 119,440 503,490 28,4650

R1 (Ω) * 0,3961 765,50 364,790 112,370 14,1460
C2 (F) * 59,1990 123,90 110,42 126,430 26,3940
R2 (Ω) * 9,1786 0,12605 0,11993 0,09205 0,01963
C3 (F) * 657,710 15,920 21,9840 17,6280 15,6860
R3 (mΩ) * 16,0070 4,7105 11,4340 0,0615 12,3470
C4 (kF) * 3,0746 2,867 2,9347 3,0351 3,1868
R4 (uΩ) * 507,890 657,90 689,490 470,030 850,340
Rlk (Ω) * 120,930 768,810 6150,30 585,340 303,670

Figura 5.16. Representación de los parámetros del Modelo Paralelo con el perfil de corriente i3
 Capítulo 5: Modelado de Supercondensadores
89

Tabla 5.12. Parámetros del Modelo Línea de Transmisión

Perfil de corriente
Parámetros
i2 i3

R1 (µΩ) * 826,72 575,75

R2 (mΩ) * 115,67 2,7568
R3 (Ω) * 1,3558 0,0116
R4 (Ω) * 3,9621 1,5723
kc1 (F/V) * 209,20 85,715
kc2 (F/V) * 26,6080 21,482
kc3 (F/V) * 47,1510 13,4470
kc4 (F/V) * 11,8540 15,2340
C1 (F) * 2303,30 2408,90
C2 (F) * 0,1000 5,2926
C3 (F) * 21,2820 120,67
C4 (F) * 37,9010 55,4780
Rlk (kΩ) * 111,01 13,8080

Tabla 5.13. Parámetros del Modelo de Thevenin con el perfil de corriente i2

SOC (%)
Parámetros
0,01 10 20,04 29,96 39,95 49,86 59,89 69,77 70,77 89,67 99,64

OCV (V) 0,0002 0,330 0,6417 0,9295 1,1977 1,4522 1,6973 1,9337 2,162 2,3830 2,5953
C1 (F) * 17046 551,64 236,58 303,76 363,06 509,86 434,30 401,51 227,47 411,24 147,11
C2 (kF) * 119,28 29,58 35,427 30,323 39,527 22,579 20,577 771,57 11,614 94,522 19,695
C3 (kF) * 2943,8 498,12 248,36 205,07 541,22 449,09 844,16 97,252 2507,5 703,25 3,772
R0 (µΩ) * 723,2 431,02 0,2476 13,381 104,41 17,20 3,7923 213,26 115,96 23,528 372,15
R1 (mΩ) * 1,2436 0,9416 1,2504 1,1690 1,1998 1,3676 1,3495 1,2395 1,0854 1,1086 1,2487
R2 (mΩ) * 68,622 10,261 1,1819 35,648 3,3491 0,32405 0,4529 7,7754 14,9250 1,6529 186,44
R3 (Ω) * 33,592 22,765 0,9059 2,143 2,6865 1,9369 432,480 548140 29422 558,260 555

Figura 5.17. Representación de los parámetros del Modelo de Thevenin con el perfil de corriente i2
 Capítulo 5: Modelado de Supercondensadores
90

Tabla 5.14. Parámetros del Modelo de Thevenin con el perfil de corriente i3

SOC (%)
Parámetros
53,37 64,68 75,97 87,25 98,59

OCV (V) 1,4786 1,7794 2,0742 2,365 2,6499

C1 (F) * 0,070731 11,1610 11,1610 12,30 123,90
C2 (kF) * 7,2709 1,3362 0,7907 16,107 28,906
C3 (MF) * 1929,30 0,00769 0,00638 76,5800 9,8952
R0 (µΩ) * 6,5167 13,9100 39,4740 75,8540 53,527
R1 (µΩ) * 204,02 168,97 35,226 339,940 565,850
R2 (µΩ) * 684,340 486,780 512,330 352,520 284,940
R3 (µΩ) * 24,6710 4,8491 7,8730 74,0560 0,25154

Figura 5.18. Representación de los parámetros del Modelo de Thevenin con el perfil de corriente i3
 Capítulo 6: Identificación Espectral de Baterías y Supercondensadores
91

Capítulo 6

6 IDENTIFICACION ESPECTRAL DE BATERÍAS Y

SUPERCONDENSADORES

6 IDENTIFICACION ESPECTRAL DE BATERÍAS Y

SUPERCONDENSADORES ------------------------------------------------------------- 91
6.1 INTRODUCCIÓN ---------------------------------------------------------------------- 93
6.2 MODELO DE BATERÍAS Y SUPERCONDENSADORES -------------------- 93
6.2.1 Modelo de Batería ------------------------------------------------------------------ 94
6.2.2 Modelo de Supercondensador ----------------------------------------------------- 94
6.3 PERFIL DE IDENTIFICACIÓN PULSO-PRBS ---------------------------------- 95
6.4 MONTAJE EXPERIMENTAL ----------------------------------------------------- 103
6.5 IDENTIFICACIÓN DE PARÁMETROS ----------------------------------------- 104
6.6 COMPARACIÓN DE RESULTADOS-------------------------------------------- 105
6.7 CONCLUSIONES -------------------------------------------------------------------- 109
6.8 VALORES DE LOS PARÁMETROS DE LOS MODELOS DE BATERÍAS Y
SUPERCONDENSADORES ------------------------------------------------------- 110
 Capítulo 6: Identificación Espectral de Baterías y Supercondensadores
92
 Capítulo 6: Identificación Espectral de Baterías y Supercondensadores
93

6.1 INTRODUCCIÓN
Como se ha indicado en los capítulos anteriores, para la identificación de los parámetros
de los componentes que componen el modelo eléctrico equivalente es común utilizar pulsos
de corriente como perfil de identificación. Posteriormente, los resultados de la identificación
se validan con uno o varios perfiles de verificación. El perfil de verificación en comparación
con el perfil de identificación incorpora mayor variación en amplitud y frecuencia, con lo
que si el perfil de identificación no es lo suficientemente completo en contenido armónico,
es posible que el modelo no describa con la suficiente precisión el comportamiento del
componente a modelar [21]. Para solucionar este inconveniente, en [132] se presentó una
superposición de un pulso de carga-descarga con una señal multiseno, produciendo una señal
pulso-multiseno con múltiples armónicos, a fin de cubrir el espectro del perfil de
verificación, y mejorar la estimación de parámetros del modelo eléctrico equivalente de una
batería. La principal desventaja de esta técnica, es la dificultad en generar la señal de pulso-
multiseno a nivel práctico.

Por lo tanto, a efectos de identificación de baterías y supercondensadores es deseable

contar con una señal de identificación simple, reproducible a nivel práctico y con el grado
de generalidad necesario. La señal pseudorandom binary sequence (PRBS), se utiliza de
manera habitual como perturbación en la identificación de sistemas, por ejemplo en la
identificación no paramétrica de convertidores de potencia de conmutación, [44] y [133], y
en la identificación de la impedancia de batería y supercondensador en [43], [134] y [135].
En [136], se muestra la identificación paramétrica del modelo de Espacio de Estados de las
baterías de ion-litio en el dominio de la frecuencia. Sin embargo, del análisis en frecuencia
sólo se extrae la constante de tiempo de la batería, y no se realiza una comparación espectral
del perfil de identificación y con el perfil de validación.

En este capítulo se propone la combinación de dos señales de corriente para la

identificación, un pulso de descarga y una señal bipolar como la PRBS. Esta nueva señal
pulso-PRBS presenta una mayor similitud en amplitud y frecuencia al perfil de verificación.
Además, para la posterior obtención de los parámetros de los modelos, se utiliza el
procedimiento basado en la herramienta de optimización de Simulink de Matlab®, descrito
en el capítulo 3.

6.2 MODELO DE BATERÍAS Y SUPERCONDENSADORES

En la revisión del estado de la técnica, se pueden encontrar diferentes variantes de
modelos eléctricos equivalentes para representar el comportamiento de baterías y
supercondensadores. Sin embargo, como demuestra el análisis de precisión y complejidad,
a través de optimización multiobjetivo, aplicado al modelado de baterías realizado en [137],
un mayor número de circuitos paralelos RC incluidos en el modelo aportará una mejor
precisión de modelado. No obstante, un mayor número de circuitos también conllevará una
 Capítulo 6: Identificación Espectral de Baterías y Supercondensadores
94

mayor complejidad computacional. Por ello, es necesario buscar un compromiso entre

ambos, de manera que se consiga suficiente precisión sin una excesiva complejidad.

6.2.1 Modelo de Batería

En el capítulo 4, se realizó una comparativa de diferentes modelos de baterías, donde el
modelo de Thevenin de Tercer Orden con Histéresis (3RCH) fue el que, en términos de
precisión y complejidad, poseía las mejores características. Sin embargo, añadir la tensión
de histéresis resta fiabilidad al modelo, ya que dependerá del tipo de química que se utilice
[34]. En concreto, el tipo de batería utilizado en esta tesis, polímero de ion-litio (Li-Po), tiene
una tensión de histéresis casi despreciable respecto a otros tipos de baterías, como por
ejemplo la batería de litio-ferrofosfato (LiFePO4) [86].

Por lo tanto, para la batería de ion-litio se propone utilizar el modelo de Thevenin con
tres redes RC constantes, en lugar del modelo de Thevenin de Tercer Orden con Histéresis,
ya que reproduce de manera óptima la impedancia de las baterías [28] y predice con precisión
la tensión en sus terminales [138].

R1 R2 R3

R0 +

C1 C2 C3 vbat
OCV ( SOC )

-
Figura 6.1. Modelo de Thevenin equivalente de la batería con tres redes RC constantes

El circuito eléctrico equivalente del modelo de Thevenin con tres redes RC constantes, se
representa en la Figura 6.1. Este modelo consiste en una tensión de circuito abierto (OCV)
que varía en función del estado de carga (SOC), una resistencia interna de la batería R0, y
tres redes RC en paralelo R1, C1, R2, C2, C2, R2, y C3, que representan la respuesta dinámica
lenta, intermedia y rápida de la batería respectivamente. Este modelo se ha descrito con
mayor precisión en el capítulo 4.

6.2.2 Modelo de Supercondensador

El modelo de supercondensador analizado en el capítulo 5 que presentó las mejores
características de precisión fue el Modelo Serie. Este modelo se describe en [125] como una
combinación del modelo dinámico [124] y el modelo Zubieta [111], para conjuntamente
tener en cuenta el efecto de la autodescarga, los fenómenos de redistribución, y la respuesta
dinámica del supercondensador. El procedimiento de identificación de parámetros del
Modelo Serie se obtiene a partir de la respuesta en frecuencia y la respuesta temporal. Sin
embargo, en [139], se demuestra que este modelo se puede estimar únicamente mediante la
respuesta temporal sin necesidad de la respuesta en frecuencia, simplificando el
procedimiento de identificación.
 Capítulo 6: Identificación Espectral de Baterías y Supercondensadores
95

El modelo seleccionado de supercondensador consta de dos circuitos RC paralelos

compuestos por R1(vsc), C1(vsc), R2(vsc) y C2(vsc), conectados en serie con otro circuito RC
compuesto por Rs y Cs(vsc), y tres ramas constantes compuestas por R3C3, R4C4, y la
resistencia de autodescarga Rlk, tal y como se muestra en la Figura 6.2. Una descripción más
detallada se realiza en el capítulo 5.
vsc

R1 (vsc ) R2 (vsc )
+ -
Rs
Cs (vsc )
C1 (vsc ) C2 (vsc )

R3 C3

R4 C4

Rlk

Figura 6.2. Modelo Serie equivalente del supercondensador

6.3 PERFIL DE IDENTIFICACIÓN PULSO-PRBS

La señal típica para identificar una batería está compuesta por pulsos de carga y/o
descarga de corriente, con una duración suficiente para provocar una variación del 10% del
SOC de la batería, Figura 6.3. a), descrita en [94] y en [95]. Esta señal requiere de un período
de reposo recomendado, entre pulsos, de 60 minutos para garantizar que la batería ha
alcanzado su equilibrio. Sin embargo, puede reducirse a 30 min o 10 min para una rápida
aproximación [140].

De manera similar, una señal compuesta por pulsos de corriente de carga o descarga se
puede aplicar, como se describe en [115] y en [110], en la identificación de modelos de
supercondensadores, como se muestra en la Figura 6.4. a). Es aconsejable descargar el
supercondensador hasta el 50% de la tensión nominal [141] para obtener la máxima
eficiencia, algo especialmente útil en aplicaciones de automoción [142]. Los valores de
corrientes y tiempos se calculan como se indica en los capítulos anteriores mediante las
ecuaciones (4.3) para la batería y (5.8) para supercondensador.

a) b) c)

Figura 6.3. Perfil de identificación y verificación de la batería: a) Pulsos, b) ECE-15 y c) HPPC.

 Capítulo 6: Identificación Espectral de Baterías y Supercondensadores
96

Para la Figura 6.3. a), la estimación de parámetros para la batería, en el modelado del
comportamiento entre el 10-100% del estado de carga (SOC), se ha realizado con pulsos de
descarga del 10% del SOC, y un período de reposo de 45 minutos. En el caso del
supercondensador, Figura 6.4. a), la descarga se realizó hasta el 50% de la tensión nominal,
con intervalos SOC del 7,4% (0,19 V).

La robustez y precisión de los modelos considerados se evaluaron mediante diferentes

perfiles de corriente de verificación estandarizados, que incluyen el ECE-15 [143] para
batería y supercondensador como se muestra en la Figura 6.3. b) y la Figura 6.4. b),
respectivamente. El pulso de verificación HPPC se describe en [144] para la batería, Figura
6.3. c), y en [57] para los supercondensadores, Figura 6.4. c).

a) b) c)

Figura 6.4. Modelo Perfil de identificación y verificación del supercondensador: a) Pulsos, b) ECE-15 y c) HPPC

Por otro lado, a partir de la respuesta temporal de los perfiles de corriente de identificación
y verificación de la batería y supercondensador, es posible comparar su respuesta en
frecuencia, con la aplicación de la Transformada Discreta de Fourier (DFT).

En la Figura 6.5. a), se muestra que el perfil de verificación ECE-15 tiene una mayor
amplitud y variación en frecuencia que los pulsos de identificación mostrados en la Figura
6.3 y Figura 6.4, a los que se sometieron la batería y el supercondensador. En el caso de la
batería, la Figura 6.5. b) muestra que para el perfil de verificación HPPC, Figura 6.3. c) se
obtiene un mayor contenido armónico que en la señal de identificación, Figura 6.3.a). En la
Figura 6.5. c), se muestra que igualmente ocurre para el perfil de verificación HPPC en el
caso del supercondensador, Figura 6.4. c), ya que presenta un mayor contenido armónico
que la señal de identificación, Figura 6.4. a).

Se necesita, por lo tanto, diseñar un nuevo perfil de identificación que cubra las
características en amplitud y frecuencia que se esperan encontrar en el perfil de verificación,
con el fin de reducir el error del modelo, y mejorar su precisión en el rango amplio de
frecuencias de interés. En este sentido, en esta tesis doctoral se propone un nuevo perfil de
identificación denominado pulso-PRBS (Pseudorandom Binary Sequence).
 Capítulo 6: Identificación Espectral de Baterías y Supercondensadores
97

a) b)

c)

Figura 6.5. Respuesta espectral de los perfiles de identificación y verificación: a) ECE-15 y pulsos de identificación para
batería y supercondensador b) HPPC y pulso de identificación para la batería y c) HPPC y pulso de identificación para el
supercondensador.

Desde el punto de vista de la identificación, una señal PRBS es una señal periódica
determinista que puede ser generada fácilmente por registros de desplazamiento con
realimentación NXOR, y generarse en un sistema embebido de bajo coste.

La nueva señal de identificación pulso-PRBS que se propone, requiere de seis parámetros

que deben seleccionarse, como se muestra en la Figura 6.6.
clk (t) u (t) PRBS (t)

1 1 a

0
t
0
0 -a
t
tclk t
TPRBS = ( 2n −1)  tclk
Escalado
n +
1 2 3 4 2a
-
a
pulso (t) - PRBS (t)
I
pulso (t)
I

Concatenar
0
t
0
t -a
t pulso

Figura 6.6. Generador de la señal pulso-PRBS

 Capítulo 6: Identificación Espectral de Baterías y Supercondensadores
98

Estos parámetros incluyen la amplitud (a), la duración de pulso del reloj (tclk), el número
de registros de desplazamiento o bits (𝑛), que a su vez definen el periodo de la PRBS (TPRBS),
la amplitud del pulso inicial de descarga (I) y el tiempo de duración del pulso inicial (tpulso).

Para calcular la amplitud, se muestra en la Figura 6.7 el histograma y la PDF (Probability

Density Function) de los perfiles de corriente de verificación. La función de probabilidad
normal es una función de la media  y de desviación estándar  de los datos. En la Figura
6.7.a) se muestra el perfil de verificación ECE-15 utilizado para la batería y
supercondensador; en la Figura 6.7. b) se muestra el perfil de verificación HPPC utilizado
para la batería; y en la Figura 6.7. c) se muestra el perfil de verificación HPPC utilizado para
el supercondensador.

La superposición del histograma y la PDF de los perfiles de verificación muestra que los
valores de corriente bajo el área del 96% de probabilidad para el ECE-15 están entre -5 A
(-2) y 7 A (+2), para una media de 1A. Para el diseño de la PBRS se toma un valor de
amplitud simétrico de 7 A, lo que conduce a una señal de perturbación relativamente
equilibrada, que carga y descarga de forma que la cantidad neta de energía almacenada no
se vea afectada.

a) b)

c)
Figura 6.7. Histogramas de los perfiles de verificación: a) ECE-15 para batería y supercondensador b) HPPC para la
batería y c) HPPC para el supercondensador.
 Capítulo 6: Identificación Espectral de Baterías y Supercondensadores
99

Por otro lado, para el cálculo del período del pulso del reloj o ancho mínimo de pulso de
la señal PRBS, en [69] se sugiere un valor de tclk ≤ τ/5, donde τ es la contante de tiempo del
proceso a identificar, que en este caso corresponde al de la batería o supercondensador. En
[136] se indica que la constante de tiempo de una batería ion-litio está en el orden de los 75
segundos y para un supercondensador en el rango de 0,5 a 3,6 segundos [145].

Revisando el perfil de verificación ECE-15 de la batería y supercondensador, se

comprueba que las componentes de mayor amplitud del espectro de frecuencia están por
debajo de una frecuencia de 0,2 Hz, Figura 6.5. Por esta razón, la frecuencia del reloj de la
señal PRBS es igual a 0,2 Hz, lo que es equivalente a un ancho mínimo de pulso de 5
segundos.

Para mantener las propiedades en frecuencia de la señal PRBS, en [146] se calcula la

frecuencia máxima y mínima de la señal PRBS definida por (6.1):

𝑓𝑚𝑖𝑛 ≤ 𝑓 ≤ 𝑓𝑚𝑎𝑥

(6.1)
1 1
≤𝑓≤
𝑡𝑐𝑙𝑘 ∙ 𝑁 2,25 ∙ 𝑡𝑐𝑙𝑘

donde N=2n-1 es el número de estados de la secuencia. También se define el ancho de

banda normalizada, como se muestra (6.2):

1 1
𝑓𝑏𝑎𝑛𝑑 = 𝑓𝑐𝑙𝑘 ∙ ( − )
2,25 𝑁
(6.2)
𝑓𝑏𝑎𝑛𝑑 2,25
𝑓𝑛𝑜𝑟𝑚 = =1−
𝑓𝑚𝑎𝑥 𝑁

La Figura 6.8 ilustra el efecto del aumento del número de bits sobre el ancho de banda
normalizado (𝑓norm) y la duración de la secuencia PRBS (𝑇PRBS) de prueba descrita en [43],
donde la duración de la señal PRBS está definida por (6.3):

𝑇𝑃𝑅𝐵𝑆 = 𝑁 ∙ 𝑡𝑐𝑙𝑘 (6.3)

Como puede observarse en la Figura 6.8, el ancho de banda normalizado aumenta

exponencialmente con el aumento del número de bits de la PRBS. Sin embargo, el aumento
exponencial de la duración de la prueba se convierte en una desventaja, por ello se deduce
que un número de bits entre 4 y 6 representa un valor razonable, de donde se selecciona 5
bits.
 Capítulo 6: Identificación Espectral de Baterías y Supercondensadores
100

Figura 6.8. Relación entre el número de bits, ancho de banda normalizado y la duración de la PRBS

Esto da lugar a una señal PRBS con período de reloj de 5 segundos, 31 estados y una
duración de 155 segundos, que cubre un rango de frecuencias mínima y máxima de 0,0065
Hz ≤𝑓≤ 0,0889 Hz. Este rango es lo suficientemente bajo como para estimular
adecuadamente la dinámica de baja frecuencia de la batería y supercondensador en
aplicaciones de automoción con el perfil de corriente ECE-15.

Una vez obtenida la información necesaria para la construcción de la señal PRBS, la

conexión de los registros de desplazamiento se realiza a través de la Tabla 6.1, como se
indica en [69]:
Tabla 6.1. Conexión de los registros de desplazamiento para la construcción de la señal PRBS

Longitud de la
Número de bits Retroalimentación de registros secuencia
2 1 NXOR 2 3

3 1 NXOR 3 o 2 NXOR 3 7

4 1 NXOR 4 o 3NXOR 4 15

5 2 NXOR 5 o 3 NXOR 5 31

6 1 XNOR 6 o 5 NXOR 6 63

Esta señal pseudoaleatoria con la amplitud y tiempo mínimo de pulso establecidos, se

implementa en Simulink como se muestra en la Figura 6.9. a) a través de biestables tipo D
con valor inicial de 0, obteniéndose la respuesta temporal mostrada en la Figura 6.9. b).

Finalmente, la señal de identificación propuesta es la concatenación de un pulso de

corriente de descarga con la señal PRBS definida (Pulso-PRBS).

El cálculo de la duración del pulso en función del estado de carga se describió en los
capítulos anteriores, para la batería (4.3) y supercondensador (5.8), cuyos valores numéricos
se muestran en la Tabla 6.2. y Tabla 6.3.
 Capítulo 6: Identificación Espectral de Baterías y Supercondensadores
101

a)

b)

Figura 6.9. Señal PRBS: a) implementación y b) respuesta temporal

Tabla 6.2. Especificaciones de la señal pulso-PBRS para la batería

Parámetro Valor

Amplitud pulso de corriente (I) 10 A

Duración del pulso de corriente (tpulso) 180 s

∆SOC 10 %

Número de bits de PRBS (n) 5

Frecuencia del reloj de PRBS (fclk) 0,2 Hz

Amplitud señal PRBS (a) 7A

Período de la señal PRBS (TPRBS) 155 s

Tiempo de reposo 45 minutos

La respuesta espectral del perfil ECE-15, de la señal pulso, y pulso-PRBS en la batería,

Figura 6.10. a), se muestra en la Figura 6.10. b). La Figura 6.10. c) muestra la respuesta
espectral del perfil HPPC, pulso, y pulso-PRBS en la batería. De manera similar se muestra
la respuesta espectral del supercondensador en las Figuras 6.11. b) a Figura 6.11. c).
 Capítulo 6: Identificación Espectral de Baterías y Supercondensadores
102

Tabla 6.3. Especificaciones de la señal pulso-PBRS para el supercondensador

Parámetro Valor

Amplitud pulso de corriente (I) 10 A

Duración del pulso de corriente (tpulso) 60 s

∆SOC 7.4 %

Número de bits de PRBS (n) 5

Frecuencia del reloj de PRBS (fclk) 0,2 Hz

Amplitud señal PRBS (a) 7A

Período de la señal PRBS (TPRBS) 155 s

Tiempo de reposo 120 s

En todos los casos, la nueva señal de identificación tiene características que cubren al
perfil de corriente de verificación, lo que permitirá obtener una mayor precisión de los
parámetros de la batería y del supercondensador durante el proceso de identificación.

a) b) c)
Figura 6.10. Respuesta temporal y espectral de las señales de identificación aplicadas a la batería: a) Señal de
identificación Pulso-PRBS, b) FFT de ECE-15, Pulso y Pulso-PRBS, c) FFT de HPPC, Pulso y Pulso-PRBS.

a) b) c)

Figura 6.11. Respuesta temporal y espectral de las señales de identificación aplicadas al supercondensador: a) Señal de
identificación Pulso-PRBS, b) FFT de ECE-15, Pulso y Pulso-PRBS, c) FFT de HPPC, Pulso y Pulso-PRBS.
 Capítulo 6: Identificación Espectral de Baterías y Supercondensadores
103

6.4 MONTAJE EXPERIMENTAL

Para obtener los conjuntos de datos experimentales necesarios para la identificación y
verificación del modelo, se realiza el análisis a una batería de polímero ion-Litio HRB
8048145 con una tensión nominal de 3,7 V y una capacidad de 5 Ah.

El supercondensador utilizado es una celda cilíndrica Maxwell BCAP3000 con una

tensión nominal de 2,7V y una capacidad de 3000 F, las especificaciones de las celdas están
mostradas en la Tabla 6.4. y Tabla 6.5.

Tanto la batería como el supercondensador utilizado corresponden con los empleados en

el capítulo 4 y 5, respectivamente.

Tabla 6.4. Especificaciones técnicas de la batería de ion-litio HRB 8048145

Parámetro Valor

Tensión nominal 3,7 V

Capacidad nominal 5 Ah

Tensión máxima 4,20 V

Tensión mínima 2,75 V

Corriente de carga 5 C (1 C = 5 Ah)

Corriente de descarga continua 50 C

Tabla 6.5. Especificaciones técnicas del supercondensador BCAP3000

Parámetro Valor

Tensión nominal 2,7 V

Capacitancia nominal 3000 F

Tensión máxima 2,85 V

Corriente máxima 1900 A

Las diferentes señales de identificación y verificación, que incluye el frenado

regenerativo, en la aplicación de la industria del automóvil, se obtienen a partir de una carga
programable (Chroma 63206A-600) sincronizada con una fuente de potencia (Sorensen
SGI400/38).

La Figura 6.12, muestra el diagrama de conexión de la batería o supercondensador, con

la tarjeta de adquisición de datos (MyDAQ) de National Instruments®, utilizada para las
medidas de tensión y corriente.

La corriente es obtenida a través del sensor de efecto Hall (HTB 50-P LEM). Toda la
adquisición de datos se sincroniza a través del software LabVIEW®, tal como se muestra en
el Anexo A.1.
 Capítulo 6: Identificación Espectral de Baterías y Supercondensadores
104

Batería/ Sensor de Carga

Supercondensador corriente regenerativa

Tensión Corriente
medida medida

Adquisición de datos PC

Figura 6.12. Conjunto experimental para la adquisición de datos de la batería y supercondensador

6.5 IDENTIFICACIÓN DE PARÁMETROS

En [139] y en el capítulo 3 de este documento, se presenta el procedimiento de estimación
offline de parámetros, con la herramienta de Simulink® Design Optimization™ de Matlab,
donde se pueden obtener los diferentes parámetros de identificación a través de una interfaz
de usuario.

Para cada modelo, se modifican tanto los parámetros del circuito de simulación como la
señal de corriente de entrada pseudoaleatoria. El flujo de operación se muestra en la Figura
6.13, y se detalla en el capítulo 3. La herramienta recalcula en cada iteración los parámetros
del modelo en Simulink/Simscape, tras lo cual aplica de nuevo el mismo perfil de corriente
de identificación. El proceso de iteración se repite hasta que el error es lo suficientemente
pequeño, por defecto menor a 0,001 por unidad.

Perfil de corriente

I (t )

Batería o Modelo eléctrico

Supercondensador
Algoritmo de
estimación

Vm (t )+ Vs (t , p)
-
Tensión Tensión
medida simulada

no
error

si

Parámetros estimados p

Figura 6.13. Diagrama de flujo del procedimiento de identificación en Matlab

En el cuadro de diálogo de la herramienta de estimación de parámetros de Simulink,

Figura 6.14, se muestra la comparativa de la tensión experimental y simulada del modelo de
 Capítulo 6: Identificación Espectral de Baterías y Supercondensadores
105

batería o supercondensador, así como la evolución de los parámetros obtenidos para el

modelo, aplicando la función coste de optimización de mínimos cuadrados. El procedimiento
de utilización del interfaz de usuario paso a paso se puede encontrar en [5].

Los parámetros de cada modelo, obtenidos del proceso de identificación mediante la

utilización del perfil de identificación basado en la señal pulso-PRBS, se detallan en las
tablas del apartado 6.8.

Figura 6.14. Interfaz de Simulink Design Optimization

6.6 COMPARACIÓN DE RESULTADOS

Sobre la tensión de salida de los circuitos eléctricos equivalentes seleccionados para
modelar la batería y supercondensador, se aplican distintas métricas estadísticas, a partir de
la identificación con la señal de Pulso, Figura 6.3. a) y Figura 6.4. a), y la señal propuesta
Pulso-PRBS, Figura 6.10. a) y Figura 6.11. a).

Los resultados para la batería se muestran en la Figura 6.15. La respuesta temporal de la

tensión de salida experimental, comparada con el perfil de corriente del modelo, utilizando
identificación de Pulso e identificación de Pulso-PRBS, se muestran en la Figura 6.15. a)
para el perfil ECE-15, y en la Figura 6.15. e) para el ciclo HPPC. El error relativo promedio
y máximo cometido con la medida experimental de la tensión para el perfil ECE-15, se
muestra en la Figura 6.15. b) y la Figura 6.15. c). El error cuadrático medio (RMSE) en
voltios también para el perfil de verificación ECE-15, se muestra en la Figura 6.15. d). Desde
la Figura 6.15. f) a la Figura 6.15. h), se muestran las mismas comparativas estadísticas para
el caso de la batería, pero en este caso para el perfil de verificación HPPC. Los valores
numéricos de las comparativas se resumen en la Tabla 6.6.
 Capítulo 6: Identificación Espectral de Baterías y Supercondensadores
106

a) e)

b) f)

c) g)

d) h)
Figura 6.15. Datos simulados y experimentales de la batería, para el perfil de identificación pulso y pulso-PRBS. Para
ECE-15: a) respuesta temporal, b) error relativo, c) error relativo promedio y máximo, d) error cuadrático medio (RMSE).
Para HPPC: e) respuesta temporal, f) error relativo, g) error relativo promedio y máximo, h) error cuadrático medio
(RMSE).
 Capítulo 6: Identificación Espectral de Baterías y Supercondensadores
107

a) e)

b) f)

c) g)

d) h)
Figura 6.16. Datos simulados y experimentales del supercondensador, para el perfil de identificación pulso y pulso-
PRBS. Para ECE-15: a) respuesta temporal, b) error relativo, c) error relativo promedio y máximo, d) error cuadrático
medio (RMSE). Para HPPC: e) respuesta temporal, f) error relativo, g) error relativo promedio y máximo, h) error
cuadrático medio (RMSE).
 Capítulo 6: Identificación Espectral de Baterías y Supercondensadores
108

Tabla 6.6. Comparación de la precisión del modelo de la batería con el método de identificación basado en pulso y en
pulso-PRBS

ECE-15 HPPC

Perfil de identificación Error Error Error

Error Error Error
relativo relativo relativo
relativo cuadrático cuadrático
promedio máximo promedio
máximo (%) medio (mV) medio (mV)
(%) (%) (%)
Pulso 1,3492 0,1944 8,9408 1,5640 0,1476 8,3256
Pulso-PRBS 0,7292 0,1492 7,3320 1,0066 0,1381 6,5042
Reducción (%) 45,95 23,25 17,99 35,64 6,44 21,88

Los resultados obtenidos del análisis del supercondensador se muestran en la Figura 6.16.
La respuesta temporal de la tensión de salida experimental, comparada con el perfil de
corriente de identificación de Pulso y Pulso-PRBS, se muestran en la Figura 6.16. a) para el
perfil ECE-15, y en la Figura 6.16. e) para el ciclo HPPC. El error relativo promedio y
máximo cometido con la medida experimental de la tensión para el perfil ECE-15, se muestra
en la Figura 6.16. b) y la Figura 6.16. c). El RMSE en voltios también para el perfil de
verificación ECE-15, se muestra en la Figura 6.16. d). Desde la Figura 6.16. f) a la Figura
6.16. h), se muestran las mismas comparativas estadísticas para el caso de la batería, pero en
este caso para el ciclo HPPC. Los valores numéricos de las comparativas, se resumen en la
Tabla 6.7.

Tabla 6.7. Comparación de la precisión del supercondensador con el método de identificación basado en pulso y en
pulso-PRBS

ECE-15 HPPC

Perfil de identificación Error Error Error

Error Error Error
relativo relativo relativo
relativo cuadrático cuadrático
promedio máximo promedio
máximo (%) medio (mV) medio (mV)
(%) (%) (%)
Pulso 1,2618 0,2707 7,9453 1,9577 0,1896 6,2725
Pulso-PRBS 0,6077 0,1442 3,4155 0,9576 0,0692 1,8087
Reducción (%) 51,84 46,73 57,01 51,06 63,50 71,16

Se concluye de los resultados obtenidos, que la identificación con la señal Pulso-PRBS

mejora la precisión para los modelos de batería y supercondensadores. En la mayoría de los
casos, la mejora es más evidente en la identificación del supercondensador, donde la mayor
reducción del error se da en el error cuadrático medio, 71,16%, para el perfil de verificación
HPPC, y la menor en el error relativo promedio, 46,73%, para el perfil de verificación ECE-
15. En el caso de la batería, la reducción es menor que en el caso del supercondensador,
debido a la respuesta dinámica de sus constantes de tiempo. En este caso, la mayor reducción
es del 45,95% en el error relativo máximo, para el perfil de verificación ECE-15, y la menor
reducción, del 6,44%, se produce en el error relativo promedio, para el perfil de verificación
HPPC.
 Capítulo 6: Identificación Espectral de Baterías y Supercondensadores
109

6.7 CONCLUSIONES
El método de carga o descarga con pulsos de corriente, utilizados comúnmente para la
identificación de baterías o supercondensadores, no cubre completamente el espectro en
magnitud y frecuencia del perfil de verificación que se utilizan para la comprobación de estos
modelos, por lo que los modelos identificados a partir estos perfiles de identificación, no
consiguen la precisión suficiente como para reproducir el comportamiento de las baterías y
supercondensadores, fielmente, aunque pueden ser válido para algunas de las aplicaciones.

Para resolver esta deficiencia y reducir el error de precisión del modelado, se ha diseñado
una señal de identificación denominada pulso-PRBS, basada en la respuesta espectral del
perfil de verificación a utilizar. Esta nueva señal de identificación es fácil de reproducir, y el
procedimiento de identificación de parámetros se simplifica con la herramienta de
optimización en Simulink, utilizando un algoritmo de identificación basado en mínimos
cuadrados, descrito en el capítulo 3.

La metodología y análisis utilizados en este capítulo ayudan a una mejor comprensión de

las características que debe tener la señal de identificación, para identificar cualquier modelo
de batería o supercondensador. Debido a la flexibilidad que proporciona el análisis a través
de Simulink, la señal de identificación puede ser modificada de una manera sencilla, para
comprobar los efectos de utilizar una y otra señal de identificación, en la precisión del
resultado final.

Durante el diseño de la señal pulso-PRBS se obtiene información sobre el ancho de banda

y duración del pulso apropiados, para obtener la precisión óptima en el procedimiento de
identificación.

Los resultados obtenidos al utilizar la señal de identificación pulso-PRBS, en

comparación con la señal de identificación pulso, han sido favorables en todos los casos,
siendo especialmente destacados para el caso del modelo aplicado al supercondensador. En
este sentido, el error cuadrático medio para el supercondensador se ha mejorado por encima
de un 50%, para cualquiera de los dos perfiles de verificación utilizados. En el caso de la
batería, el error cuadrático medio se ha mejorado por encima del 17%, para ambos perfiles
de verificación.
 Capítulo 6: Identificación Espectral de Baterías y Supercondensadores
110

6.8 VALORES DE LOS PARÁMETROS DE LOS MODELOS DE

BATERÍAS Y SUPERCONDENSADORES

Tabla 6.8. Parámetros del modelo de Thevenin de tercer orden con pulso de corriente

SOC (%)
Parámetro
9,60 19,59 29,61 39,67 49,72 59,81 69,87 79,91 89,96 100
OCV (V) 3,708 3,754 3,782 3,803 3,834 3,887 3,959 4,020 4,116 4,207
R0 (mΩ) 5,223
R1 (mΩ) 5,135
R2 (mΩ) 4,489
R3 (kΩ) 4,077
C1 (F) 454,7
C2 (kF) 100,9
C3 (MF) 639,76

Tabla 6.9. Parámetros del modelo de Thevenin de tercer orden con pulso-PRBS de corriente

SOC (%)
Parámetro
14,85 24,39 33,96 43,46 52,92 62,37 71,85 81,37 90,78 100
OCV (V) 3,7460 3,778 3,795 3,817 3,853 3,9183 3,9756 4,0475 4,1260 4,2126
9 2 7 1
R0 (mΩ) 7,6124
R1 (Ω) 1,1057
R2 (mΩ) 13,178
R3 (mΩ) 3,0469
C1 (MF) 8,3828
C2 (MF) 15,999
C3 (kF) 5,1098
Tabla 6.10. Parámetros del Modelo Serie con pulso de corriente

Tensión (V)
Parámetro
1,5853 1,7781 1,9679 2,1606 2,3475 2,5366 2,7235

Cs (kΩ) 3,7904 3,1667 4,668 3,5562 4,587 3,112 3,2041

R1 (Ω) 1,2445 0,54135 8,3459 1,8846 8,7012 8,3536 6,5584
C1 (kF) 6,981 10,431 5,8627 8,0288 9,6249 0,2974 0,1064
R2 (mΩ) 5,822 5,902 5,633 6,248 5,495 4,434 8,169
C2 (F) 0,9050 0,4328 2,1467 0,9504 1,1707 0,2679 0,6425
Rs (µΩ) 73,591
R3 (mΩ) 18,249
C3 (F) 533,36
R4 (kΩ) 95,681
C4 (kF) 2,8095
Rlk (kΩ) 1,4996
Capítulo 6: Identificación Espectral de Baterías y Supercondensadores
111

Tabla 6.11. Parámetros del Modelo Serie con pulso-PRBS de corriente

Tensión (V)
Parámetro
1,6645 1,8445 2,0232 2,1997 2,3768 2,5509 2,7248

Cs (kΩ) 3,1085 3,1301 3,1539 3,1721 3,2023 3,2126 3,3045

R1 (µΩ) 83,571 56,441 3,8054 129,57 145,83 88,46 257,63
C1 (F) 1,9864 14,799 2,7567 3202,2 875 296,61 1365,12
R2 (mΩ) 4,462 4,455 4,541 4,449 4,517 4,433 4,705
C2 (F) 0,8913 0,5945 0,03037 0,011659 0,19211 0,4676 0,8903
Rs (µΩ) 86,733
R3 (Ω) 1,067
C3 (F) 3,1052
R4 (Ω) 169,03
C4 (F) 195,94
Rlk (kΩ) 866,67
 Capítulo 6: Identificación Espectral de Baterías y Supercondensadores
112
 Capítulo 7: Sistema de Gestión de Energía en Vehículos Eléctricos
113

Capítulo 7

7 SISTEMA DE GESTIÓN DE ENERGÍA EN

VEHÍCULOS ELÉCTRICOS CON FUENTES DE
ENERGÍA SECUNDARIA

7 SISTEMA DE GESTIÓN DE ENERGÍA EN VEHÍCULOS ELÉCTRICOS CON

FUENTES DE ENERGÍA SECUNDARIA ------------------------------------------ 113
7.1 INTRODUCCIÓN -------------------------------------------------------------------- 115
7.2 MODELADO DE LA PILA DE COMBUSTIBLE, BATERÍA Y
SUPERCONDENSADOR ---------------------------------------------------------- 116
7.3 CONVERTIDOR REDUCTOR ELEVADOR NO INVERTIDO ------------- 119
7.3.1 Modulador PWM ----------------------------------------------------------------- 121
7.3.2 Modelado promediado del convertidor NIBB -------------------------------- 126
7.3.3 Lazo de control interno de corriente ------------------------------------------- 127
7.3.4 Lazo de control externo de tensión --------------------------------------------- 129
7.3.5 Dimensionamiento de los componentes del convertidor NIBB ------------ 130
7.3.6 Cálculo de los reguladores para el convertidor NIBB ----------------------- 131
7.3.7 Simulación temporal con PSIM y Matlab ------------------------------------- 133
7.4 GESTIÓN Y DISTRIBUCIÓN DE POTENCIA EN VEHICULOS
ELECTRICOS HÍBRIDOS --------------------------------------------------------- 140
7.5 CONCLUSIONES -------------------------------------------------------------------- 144
 Capítulo 7: Sistemas de Gestión de Energía en Vehículos Eléctricos
114
 Capítulo 7: Sistema de Gestión de Energía en Vehículos Eléctricos
115

7.1 INTRODUCCIÓN
En los vehículos eléctricos híbridos es habitual contar con más de una fuente de energía.
Así, por ejemplo, en los vehículos eléctricos híbridos basados en la utilización de una pila
de combustible, la fuente de energía principal es una pila de combustible, y la fuente de
energía secundaria puede ser una batería, un supercondensador, o ambos. En este sentido, se
han desarrollado numerosas arquitecturas para el sistema de distribución de energía de
vehículo eléctricos híbridos, con combinan estos tipos de fuentes [147].

En la Figura 7.1, se muestra un ejemplo de arquitectura, donde la fuente de energía

principal es una pila de combustible, la cual está conectada al bus a través de un convertidor
unidireccional; la primera y segunda fuente de energía secundaria es una batería y un
supercondensador, respectivamente, ambos conectados al bus a través de dos convertidores
CC-CC bidireccionales. Es posible encontrar en el estado de la técnica otras arquitecturas
similares, en las cuales o bien la batería y el supercondensador intercambian la posición
indicada en la Figura 7.1, o bien se conectan al bus directamente, o simplemente una de ellas
no se utiliza, reduciéndose la arquitectura al uso de una única fuente de energía principal y
otra secundaria.

Uno de los elementos utilizadas en estas arquitecturas suele ser un convertidor

bidireccional, como se ha mencionado anteriormente. Así, en aplicaciones de alta eficiencia
y sin aislamiento, el convertidor Reductor-Elevador no invertido (Non-inverting Buck-Boost
converter, NIBB), o también denominado como convertidor Reductor-Elevador de cuatro
interruptores, suele ser una de las opciones habitualmente seleccionadas, ya que presenta una
menor tensión en los dispositivos de potencia, menos componentes pasivos, una tensión de
salida no invertida, y además tiene la capacidad de aumentar y disminuir la tensión de salida
respecto de la de entrada.

PILA DE HIDRÓGENO CONVERTIDOR

Motor Eléctrico Transmisión
CC
DRIVER
CC

CONVERTIDOR
M
BATERÍA

CC
CONVERTIDOR SUPERCONDENSADOR
CC
CC
CC

Figura 7.1. Arquitectura de distribución de potencia para un vehículo eléctrico híbrido basado en pila de combustible.
 Capítulo 7: Sistemas de Gestión de Energía en Vehículos Eléctricos
116

Para el control de los convertidores, generalmente se utiliza una estructura de control

compuesta por dos lazos. En el lazo externo se utiliza una de las siguientes variables tensión,
energía, o potencia de salida; mientras que en el lazo interno se emplea una variable interna
al convertidor, como la corriente, la cual sigue al parámetro de salida producido por el
controlador externo. Los dos bucles están desacoplados en el dominio de la frecuencia para
permitir un diseño independiente tal y como se describe en [148].

En este caso, la tensión de salida vout se elige como parámetro de control para el lazo
externo, y representa por ejemplo la tensión en el bus del sistema de distribución de potencia.
Para ello, se usa como referencia la tensión vref. La salida del regulador del lazo externo se
utiliza como señal de referencia de corriente iref para el lazo de corriente interno, cuyo
parámetro a controlar es la corriente de la bobina del convertidor, iL, como se muestra en la
Figura 7.2. El lazo de control interno genera la señal moduladora vmod que mediante la
comparación de una señal portadora vcarr genera los disparos PWM de los interruptores del
convertidor CC-CC.

𝑣𝑐𝑎𝑟𝑟

𝑣𝑟𝑒𝑓 𝑖𝑟𝑒𝑓 𝑣𝑚𝑜𝑑 𝑣𝑜𝑢𝑡

𝐶𝑜𝑛𝑡 𝑜 𝑑𝑜 𝐶𝑜𝑛𝑡 𝑜 𝑑𝑜 𝑀𝑜𝑑𝑢 𝑑𝑜 Convertidor
𝑜 𝑒𝑥𝑡𝑒 𝑛𝑜 𝑜 𝑖𝑛𝑡𝑒 𝑛𝑜 PWM CC

Figura 7.2. Estructura del control para el convertidor NIBB.

El diseño del control de los convertidores bidireccional para este tipo de aplicaciones
requiere atender a la información de alto nivel del sistema, que marca tanto del modo de
funcionamiento y el nivel de la potencia a transferir, así como de la dirección del flujo de
potencia.

En este capítulo, se propone la combinación de diferentes técnicas de control aplicables

al convertidor NIBB, algunas de ellas recogidas en el estado de la técnica, junto con la
utilización de técnicas de Feedforward para los distintos modos de funcionamiento. De esta
manera, se pretende atender y optimizar las necesidades de propulsión y frenado
regenerativo, presente en este tipo de aplicaciones. Además, se pretende mostrar el
funcionamiento de estos convertidores, junto a alguno de los modelos de baterías y
supercondensadores descritos en capítulos anteriores, así como en una estructura completa
de sistema de distribución de energía.

7.2 MODELADO DE LA PILA DE COMBUSTIBLE, BATERÍA Y

SUPERCONDENSADOR
En este apartado se van a mostrar los modelos seleccionados e identificados para la fuente
de energía principal y las fuentes de energía secundarias: pila de hidrógeno, batería y
supercondensador. Estos modelos permitirán simular y verificar la respuesta estática y
dinámica de la corriente y tensión del sistema de distribución de potencia del vehículo.
 Capítulo 7: Sistema de Gestión de Energía en Vehículos Eléctricos
117

El tipo de pila de combustible utilizada habitualmente en transporte, y en este capítulo

en concreto, es de membrana polimérica tipo PEM.

Este tipo de pilas de combustible han sido estudiadas y modeladas, disponiéndose en el

estado de la técnica de modelos probados, tal como el modelo eléctrico equivalente de la
Figura 7.3. Este modelo es descrito y desarrollado experimentalmente en [147] y [149] para
una pila de combustible NEXA Ballard de 1,2 kW.

I fc

+
Vfc

Figura 7.3. Modelo eléctrico detallado de la pila de combustible PEM.

Este modelo es el modelo seleccionado para las simulaciones realizadas en este capítulo.
Los valores de los parámetros que componen su versión simplificada o estática, y completa
o dinámica se muestran en la Tabla 7.1 y Tabla 7.2:
Tabla 7.1. Parámetros del modelo estático de la pila de combustible [147]

ifc(A) Rv(ifc) ifc(A) Rv(ifc)

1 1,780 25 0,312
2 1,080 30 0,279
3 1,013 35 0,251
4 0,905 40 0,229
5 0,820 42 0,225
8 0,630 43 0,222
10 0,550 44 0,221
15 0,427 45 0,227
20 0,358

Tabla 7.2. Parámetros del modelo dinámico de la pila de combustible [147]

ifc(A) τ10(s) RL(ifc) L(ifc)

4,127 5,012 0,083 3,970
9,156 6,122 0,126 7,352
14,190 4,210 0,0113 4,528
19,20 8,320 0,126 10,023
24,23 8,86 0,067 5,688
29,41 7,54 0,092 5,599
34,450 6,20 0,073 4,298
39,450 3,040 0,067 1,974
44,480 1,50 0,026 0,375
 Capítulo 7: Sistemas de Gestión de Energía en Vehículos Eléctricos
118

El siguiente modelo necesario para la simulación del sistema de distribución de potencia

completo, o de parte del sistema, es el modelo de batería de ion-litio. En este caso, se ha
seleccionado un modelo de batería típo Thevenin con tres redes RC constantes como se
muestra en la Figura 7.4, y que fue analizado y descrito en el capítulo 6.

R1 R2 R3

R0 +

C1 C2 C3 vbat
OCV ( SOC )

Figura 7.4. Modelo batería tipo Thevenin con tres redes RC constantes

La batería modelada corresponde a una batería compuesta por 71 celdas tipo B38120SP
de 3,2V y 8Ah. Para la obtención de los parámetros de la batería se ha utilizado la técnica de
identificación propuesta y descrita en el capítulo 6, basada en el uso de la señal Pulso-PRBS,
así como el procedimiento de identificación descrito en el capítulo 3.

Los parámetros del modelo se muestran en la Tabla 7.3:

Tabla 7.3. Parámetros del modelo de Thevenin, extraídos mediante la señal de identificación de corriente tipo pulso-
PRBS .

SOC (%)
Parámetro
13,46 23,08 32,72 42,31 51,97 61,64 71,28 80,85 90,34 100

OCV (V) 224,09 226,74 229,30 230,16 230,27 230,37 231,07 232,07 233,02 248,93
R0 (mΩ) 426,92
R1 (mΩ) 278,84
R2 (mΩ) 208,34
R3 (mΩ) 183,72
C1 (F) 186,31
C2 (F) 6138
C3 (F) 12471

Finalmente, el modelo seleccionado para representar el funcionamiento del

supercondensador es el modelo serie descrito y analizado en el capítulo 5, Figura 7.5.

Para la identificación de este modelo, también se ha utilizado la señal de identificación

descrita en el capítulo 6, basada en el uso de la señal pulso-PRBS, y el procedimiento de
descrito en el capítulo 3.
 Capítulo 7: Sistema de Gestión de Energía en Vehículos Eléctricos
119

vsc

R1 (vsc ) R2 (vsc )
+ -
Rs
Cs (vsc )
C1 (vsc ) C2 (vsc )

R3 C3

R4 C4

Rlk

Figura 7.5. Modelo de supercondensador Serie equivalente del supercondensador

El supercondensador completo está compuesto por 18 módulos conectados en serie del

supercondensador tipo BMOD0058 E016 B02 de 58F y 16 VDC. Los valores de los
parámetros extraídos del modelo se muestran en la Tabla 7.4:
Tabla 7.4. Parámetros del Modelo Serie, extraídos mediante la señal de identificación de corriente tipo pulso-PRBS.

Tensión (V)
Parámetro
134,21 151,53 168,20 185,11 215,59 281,7

Cs (F) 193,18 194,105 193,313 192,611 189,649 191,242

R1 (kΩ) 70,256 58,635 65,554 73,419 88,567 130,95
C1 (F) 93,189 94,108 93,305 92,606 89,578 91,96
R2 (kΩ) 70,256 58,635 65,554 73,419 88,567 130,98
C2 (F) 63,167 65,761 89,634 72,895 85,987 61,320
Rs (mΩ) 131,13
R3 (Ω) 0,4489
C3 (F) 3,5614
R4 (kΩ) 394,20
C4 (F) 175,49
Rlk (kΩ) 15,407

7.3 CONVERTIDOR REDUCTOR ELEVADOR NO INVERTIDO

En la Figura 7.6 se muestra la topología del convertidor reductor elevador no invertido,
NIBB, el cual se utiliza en aplicaciones con un amplio rango de tensión de entrada como
cargadores de baterías, aplicaciones solares, vehículos eléctricos con pila de hidrógeno,
correctores de factor de potencia, entre otras [150], [151], [60], [152]. Este convertidor
consta de cuatro interruptores S1, S2, S3, S4, un inductor L y un condensador de entrada Cin y
otro de salida Cout. En la Figura 7.6 se ha incluido la resistencia parásita de la bobina, rL, que
se considerará en algunas partes del estudio llevado a cabo.
 Capítulo 7: Sistemas de Gestión de Energía en Vehículos Eléctricos
120

+ 𝑠1 𝑠̅2 +
𝑖𝑐𝑜𝑛𝑣 𝑖𝑜𝑢𝑡
𝑖𝑖𝑛

𝑉𝑖𝑛 𝐶𝑖𝑛 𝐶𝑜𝑢𝑡 𝑅 𝑉𝑜𝑢𝑡

𝑖
𝑠̅1 𝑠2

- -
Figura 7.6. Topología del convertidor NIBB.

El convertidor NIBB tiene tres modos de funcionamiento, modo reductor (Buck), modo
reductor-elevador (Buck-Boost) y modo elevador (Boost), como se muestra en la Figura 7.7
a), b) y c), los cuales dependen del orden de activación de los interruptores.

+ 𝑠1 + + 𝑠1 𝑠̅2
𝑖𝑐𝑜𝑛𝑣 𝑖𝑜𝑢𝑡 + + 𝑠̅2
𝑖𝑐𝑜𝑛𝑣 𝑖𝑜𝑢𝑡 +
𝑖𝑖𝑛 𝑖𝑐𝑜𝑛𝑣 𝑖𝑜𝑢𝑡 𝑖𝑖𝑛 𝑖𝑖𝑛

𝑉𝑖𝑛 𝐶𝑖𝑛 𝐶𝑜𝑢𝑡 𝑅 𝑉𝑜𝑢𝑡 𝑉𝑖𝑛 𝐶𝑖𝑛 𝐶𝑜𝑢𝑡 𝑅 𝑉𝑜𝑢𝑡 𝑉𝑖𝑛 𝐶𝑖𝑛 𝐶𝑜𝑢𝑡 𝑅 𝑉𝑜𝑢𝑡
𝑖 𝑖 𝑖
𝑠̅1 𝑠̅1 𝑠2 𝑠2

- - - - - -

a) b) c)

Figura 7.7. Modos del funcionamiento del convertidor NIBB: a) Reductor, b) Reductor-Elevador y c) Elevador.

El funcionamiento en modo Buck-Boost es el más simple de controlar debido a que al

conmutar el interruptor S1 y S2, directamente se controlan los otros interruptores en modo
complementario. Sin embargo, este modo produce los mayores niveles de corriente por la
bobina, para una misma potencia y tensión de salida, como se describe en [153]. Esto se
demuestra en las expresiones (7.1) mediante el cálculo de la corriente media por la bobina,
para cada modo, con la misma carga resistiva R.

𝑉𝑜𝑢𝑡
𝑖̅ =
Buck 𝑅

𝑉𝑜𝑢𝑡 𝑉𝑜𝑢𝑡
Buck-Boost 𝑖̅ = (1 + ) (7.1)
𝑅 𝑉𝑖𝑛

Boost 𝑉𝑜𝑢𝑡 𝑉𝑜𝑢𝑡

𝑖̅ = ( )
𝑅 𝑉𝑖𝑛

Como se puede apreciar, la corriente media por el convertidor Buck-Boost es mayor que
la corriente media por el convertidor Boost, que a su vez es mayor que la corriente media
para el convertidor Buck.
 Capítulo 7: Sistema de Gestión de Energía en Vehículos Eléctricos
121

La reducción de corriente media por la bobina es un método eficaz para aumentar la

eficiencia general del convertidor, por lo que el objetivo es el funcionamiento en los modos
Buck y Boost, tratando de reducir al mínimo el funcionamiento en modo Buck-Boost.

7.3.1 Modulador PWM

La variación del ciclo de trabajo a través de la modulación por ancho de pulso PWM
(Pulse Width Modulation), se realiza mediante el modulador que generara los pulsos de
disparo de los interruptores. El modulador puede ser realizado de dos maneras equivalentes,
como se muestra en la Figura 7.8 [154]. Una primera alternativa es mediante una señal
moduladora vmod escalada y comparada con la señal portadora vcarr, Figura 7.8. a), como se
describe en [155]. En la segunda implementación, descrita en [156], la señal portadora es
escala para ser comparada con la señal moduladora, como se muestra en la Figura 7.8. b).

𝑣𝑚𝑜𝑑1 + 𝑆1 𝑣𝑐𝑎𝑟𝑟1 + 𝑆1
- -
𝑣𝑚𝑜𝑑 𝑣𝑐𝑎𝑟𝑟
escalado escalado
+ 𝑆2 + 𝑆2
𝑣𝑚𝑜𝑑2 - 𝑣𝑐𝑎𝑟𝑟2 -

𝑣𝑐𝑎𝑟𝑟 𝑣𝑚𝑜𝑑
a) b)

Figura 7.8. Moduladores equivalentes: a) escalado de tensión moduladora, b) escalado de tensión portadora.

En el presente capítulo se ha optado por la utilización de la segunda estrategia de

modulación, Figura 7.8. b). Para ello es necesario definir los valores máximos y mínimos de
las señales portadoras, 0 y Vmax, y los valores intermedios de intersección Vhigh y Vlow para
obtener una transición suave en la zona de funcionamiento Buck-Boost, como se muestra en
la Figura 7.9, con periodo de conmutación de Tsw.

𝑇𝑠𝑤
𝑉𝑚𝑎𝑥 𝑣𝑐𝑎𝑟𝑟2
Boost
𝑣𝑚𝑜𝑑
𝑉ℎ𝑖 ℎ

𝑉𝑙𝑜𝑤 Buck-Boost
𝑣𝑐𝑎𝑟𝑟1 Buck
0 𝑡

Buck Boost
Buck-Boost
Figura 7.9. Señales del modulador con escalado de la tensión portadora
 Capítulo 7: Sistemas de Gestión de Energía en Vehículos Eléctricos
122

El cálculo de la ganancia del convertidor, M (Vout/Vin), se analiza en cada modo de

funcionamiento.

En modo Buck, este análisis se realiza a partir de la Figura 7.7. a), y a través del balance
de energía en la bobina, Figura 7.10:

−𝑉𝑜𝑢𝑡 ∙ (1 − 𝐷𝑏𝑢𝑐𝑘 ) + (𝑉𝑖𝑛 − 𝑉𝑜𝑢𝑡 ) ∙ 𝐷𝑏𝑢𝑐𝑘 = 0

(7.2)
𝑉𝑜𝑢𝑡
= 𝐷𝑏𝑢𝑐𝑘
𝑉𝑖𝑛

Atendiendo a la igualdad de la relación geométrica de la zona A y B de la Figura 7.10, se

obtiene:

𝑣𝑚𝑜𝑑 𝑉ℎ𝑖 ℎ
= (7.3)
𝐷𝑏𝑢𝑐𝑘 1

𝑇𝑠𝑤
𝑉ℎ𝑖 ℎ
𝑉𝑙𝑜𝑤
𝑣𝑚𝑜𝑑

0 𝑡

1 − 𝐷𝑏𝑢𝑐𝑘 𝐷𝑏𝑢𝑐𝑘
𝑆1
𝑡
𝑉 = 𝑉𝑖𝑛 −𝑉𝑜𝑢𝑡
𝑉 = −𝑉𝑜𝑢𝑡
Figura 7.10. PWM en modo Buck

De este modo, se obtiene en modo Buck la expresión de la ganancia estática mostrada en

(7.4):

𝑉𝑜𝑢𝑡 𝑣𝑚𝑜𝑑
𝑀𝑏𝑢𝑐𝑘 = = (7.4)
𝑉𝑖𝑛 𝑉ℎ𝑖 ℎ

Para el funcionamiento en modo Buck-Boost, se aplicará el mismo procedimiento en

cuanto a balance de energía por la bobina, a partir de la Figura 7.7. b) y teniéndose en cuenta
la Figura 7.11. De esta manera, se obtiene (7.5):

−𝑉𝑜𝑢𝑡 ∙ (1 − 𝐷𝑏𝑢𝑐𝑘 ) + (𝑉𝑖𝑛 − 𝑉𝑜𝑢𝑡 ) ∙ (𝐷𝑏𝑢𝑐𝑘 − 𝐷𝑏𝑜𝑜𝑠𝑡 ) + 𝑉𝑖𝑛 ∙ 𝐷𝑏𝑜𝑜𝑠𝑡 = 0 (7.5)

 Capítulo 7: Sistema de Gestión de Energía en Vehículos Eléctricos
123

𝑉𝑜𝑢𝑡 𝐷𝑏𝑢𝑐𝑘
=
𝑉𝑖𝑛 1 − 𝐷𝑏𝑜𝑜𝑠𝑡

𝑉𝑚𝑎𝑥 𝑇𝑠𝑤

𝐶
𝑉ℎ𝑖 ℎ
𝑣𝑚𝑜𝑑
𝑉𝑙𝑜𝑤
𝐷
0 𝑡

𝑆1
𝐷𝑏𝑢𝑐𝑘
𝑡
𝑆2 𝐷𝑏𝑜𝑜𝑠𝑡
𝑡
𝑉 = −𝑉𝑜𝑢𝑡 𝑉 = 𝑉𝑖𝑛
𝑉 = 𝑉𝑖𝑛 −𝑉𝑜𝑢𝑡
Figura 7.11. PWM en modo Buck-Boost

De la relación geométrica de la zona C de la Figura 7.11, se obtiene (7.6):

𝑣𝑚𝑜𝑑 𝑉ℎ𝑖 ℎ
= (7.6)
𝐷𝑏𝑢𝑐𝑘 1

y de la zona D, se obtiene (7.7):

𝑣𝑚𝑜𝑑 − 𝑉𝑙𝑜𝑤 𝑉𝑚𝑎𝑥 − 𝑉𝑙𝑜𝑤

= (7.7)
𝐷𝑏𝑜𝑜𝑠𝑡 1

donde,

𝑉𝑚𝑎𝑥 = 2 ∙ 𝑉ℎ𝑖 ℎ − (𝑉ℎ𝑖 ℎ − 𝑉𝑙𝑜𝑤 ) = 𝑉𝑙𝑜𝑤 +𝑉ℎ𝑖 ℎ (7.8)

Reemplazando (7.6) y (7.7) en (7.5), se obtiene la expresión de la ganancia estática en

modo Buck-Boost:
 Capítulo 7: Sistemas de Gestión de Energía en Vehículos Eléctricos
124

𝑉𝑜𝑢𝑡 𝑣𝑚𝑜𝑑
𝑀𝑏𝑢𝑐𝑘−𝑏𝑜𝑜𝑠𝑡 = = (7.9)
𝑉𝑖𝑛 𝑉ℎ𝑖 ℎ + 𝑉𝑙𝑜𝑤 − 𝑣𝑚𝑜𝑑

Finalmente, aplicando el balance de energía en modo Boost a partir de la Figura 7.7. c) y

la Figura 7.12:

(𝑉𝑖𝑛 − 𝑉𝑜𝑢𝑡 ) ∙ (1 − 𝐷𝑏𝑜𝑜𝑠𝑡 ) + 𝑉𝑖𝑛 ∙ 𝐷𝑏𝑜𝑜𝑠𝑡 = 0

(7.10)
𝑉𝑜𝑢𝑡 1
=
𝑉𝑖𝑛 1 − 𝐷𝑏𝑜𝑜𝑠𝑡

𝑇𝑠𝑤
𝑉𝑚𝑎𝑥

𝑣𝑚𝑜𝑑
𝐹
𝑉𝑙𝑜𝑤 𝑡

1 − 𝐷𝑏𝑜𝑜𝑠𝑡 𝐷𝑏𝑜𝑜𝑠𝑡
𝑆2
𝑡
𝑉 = 𝑉𝑖𝑛
𝑉 = 𝑉𝑖𝑛 −𝑉𝑜𝑢𝑡
Figura 7.12. PWM en modo Boost

De la relación geométrica de la zona E y F de la Figura 7.12, se obtiene:

𝑣𝑚𝑜𝑑 − 𝑉𝑙𝑜𝑤 𝑉𝑚𝑎𝑥 − 𝑉𝑙𝑜𝑤

= (7.11)
𝐷𝑏𝑜𝑜𝑠𝑡 1

Reemplazando (7.11) en (7.10), se obtiene la expresión de la ganancia estática en modo

Boost:

𝑉𝑜𝑢𝑡 𝑉ℎ𝑖 ℎ
𝑀𝑏𝑜𝑜𝑠𝑡 = = (7.12)
𝑉𝑖𝑛 𝑉ℎ𝑖 ℎ + 𝑉𝑙𝑜𝑤 − 𝑣𝑚𝑜𝑑

Resumiendo, en (7.13) se muestra las expresiones de la ganancia estática en todos los

modos de funcionamiento del convertidor NIBB.
 Capítulo 7: Sistema de Gestión de Energía en Vehículos Eléctricos
125

𝑉𝑜𝑢𝑡 𝑣𝑚𝑜𝑑
Buck 𝑀𝐵𝑢𝑐𝑘 = =
𝑉𝑖𝑛 𝑉ℎ𝑖 ℎ

𝑉𝑜𝑢𝑡 𝑣𝑚𝑜𝑑
Buck-Boost 𝑀𝐵𝑢𝑐𝑘−𝐵𝑜𝑜𝑠𝑡 = = (7.13)
𝑉𝑖𝑛 𝑉ℎ𝑖 ℎ + 𝑉𝑙𝑜𝑤 − 𝑣𝑚𝑜𝑑

𝑉𝑜𝑢𝑡 𝑉ℎ𝑖 ℎ
Boost 𝑀𝐵𝑜𝑜𝑠𝑡 = =
𝑉𝑖𝑛 𝑉ℎ𝑖 ℎ + 𝑉𝑙𝑜𝑤 − 𝑣𝑚𝑜𝑑

La representación gráfica de la función de transferencia estática de los modos de

funcionamiento se muestra en la Figura 7.13. a), donde se ve una transición suave entre los
modos de funcionamiento Buck y Boost. La Figura 7.13. b) muestra las regiones de operación
de cada ciclo de trabajo.
Ganancia DC
𝑀(𝑣𝑚𝑜𝑑 )

𝑉𝑙𝑜𝑤 𝑉ℎ𝑖 ℎ

𝑣𝑚𝑜𝑑
a)

𝐷𝑏𝑢𝑐𝑘, 𝐷𝑏𝑜𝑜𝑠𝑡

𝑉𝑙𝑜𝑤 𝑉ℎ𝑖 ℎ

𝑣𝑚𝑜𝑑

b)

Figura 7.13. Modulador: a) ganancia estática y b) regiones de activación de los distintos ciclos de trabajo

Como se puede apreciar en la Figura 7.13. b), mientras que la señal moduladora vmod esté
por debajo de la tensión Vlow, únicamente se activará el ciclo de trabajo tipo Buck. Cuando
la señal moduladora vmod esté por encima de la tensión Vhigh, únicamente se activará el ciclo
 Capítulo 7: Sistemas de Gestión de Energía en Vehículos Eléctricos
126

de trabajo tipo Boost. Finalmente, cuando la señal moduladora vmod esté por encima de la
tensión Vlow y por debajo de Vhigh, se activarán los dos ciclos de trabajo, tipo Buck y tipo
Boost.

7.3.2 Modelado promediado del convertidor NIBB

El modelo promediado del convertidor NIBB se obtiene sustituyendo cada rama de
interruptores por una fuente dependiente de corriente y de tensión, como se muestra en la
Figura 7.14, donde la primera rama representa el modo Buck y la segunda rama el modo
Boost, con los ciclos de trabajo complementarios, tal y como se ha descrito en [148].

+ -
+ 𝑖𝑖𝑛 𝑖𝑜𝑢𝑡 +
𝑖

𝑑𝑏𝑢𝑐𝑘 𝑖 𝑑𝑏𝑢𝑐𝑘 𝑣𝑖𝑛

𝑣𝑖𝑛 𝐶𝑖𝑛 + + 𝐶𝑜𝑢𝑡 𝑣𝑜𝑢𝑡
- -
1 − 𝑑𝑏𝑜𝑜𝑠𝑡 𝑣𝑜𝑢𝑡 1 − 𝑑𝑏𝑜𝑜𝑠𝑡 𝑖

- -
Figura 7.14. Modelo promediado del convertidor NIBB

La tensión media aplicada a la bobina, para cada uno de los modos, se muestra en (7.17),
a partir de las expresiones (7.14), (7.15) y (7.16), con la tensión del modelo promediado de
la Figura 7.14:

𝑑𝑖 (7.14)
∙ +𝑖 ∙ = 𝑑𝑏𝑢𝑐𝑘 ∙ 𝑣𝑖𝑛 − (1 − 𝑑𝑏𝑜𝑜𝑠𝑡 ) ∙ 𝑣𝑜𝑢𝑡
𝑑𝑡

Siendo:

𝑣𝑚𝑜𝑑
𝑑𝑏𝑢𝑐𝑘 = (7.15)
𝑉ℎ𝑖 ℎ

𝑣𝑚𝑜𝑑 − 𝑉𝑙𝑜𝑤 (7.16)

𝑑𝑏𝑜𝑜𝑠𝑡 =
𝑉ℎ𝑖 ℎ
 Capítulo 7: Sistema de Gestión de Energía en Vehículos Eléctricos
127

𝑣𝑖𝑛 ∙ 𝑣𝑚𝑜𝑑 Buck

− 𝑣𝑜𝑢𝑡
𝑉ℎ𝑖 ℎ
𝑑𝑖 𝑣𝑖𝑛 ∙ 𝑣𝑚𝑜𝑑 𝑉ℎ𝑖 ℎ− 𝑣𝑚𝑜𝑑 +𝑉𝑙𝑜𝑤
∙ +𝑖 ∙ = −( ) ∙ 𝑣𝑜𝑢𝑡 Buck-Boost (7.17)
𝑑𝑡 𝑉ℎ𝑖 ℎ 𝑉ℎ𝑖 ℎ
𝑉ℎ𝑖 ℎ− 𝑣𝑚𝑜𝑑 +𝑉𝑙𝑜𝑤
𝑣𝑖𝑛 − ( ) ∙ 𝑣𝑜𝑢𝑡 Boost
{ 𝑉ℎ𝑖 ℎ

7.3.3 Lazo de control interno de corriente

En [156], el diseño del lazo interno de corriente por la bobina se obtiene con el
promediado de las funciones de transferencia en cada uno de los modos de funcionamiento,
Figura 7.15.

𝑣𝑖𝑛 𝑣𝑜𝑢𝑡

𝑖 𝑣𝑚𝑜𝑑 - PLANTA
_𝑟𝑒𝑓 𝜀𝑖 𝑣 Buck
𝑅𝑖 (𝑠) +
+ -
𝑖 𝑣𝑖𝑛 𝑣𝑜𝑢𝑡
+ +
𝑉ℎ𝑖 ℎ + 𝑉𝑙𝑜𝑤 Buck-Boost
- 𝑣 𝑖
+
𝑣𝑜𝑢𝑡
𝑣𝑖𝑛
𝑉ℎ𝑖 ℎ + 𝑉𝑙𝑜𝑤
- - 𝑣
+
+ Boost

Figura 7.15. Lazo interno de corriente con los modos de funcionamiento del convertidor NIBB

En [65], se aplica una técnica de Feedforward para los modos de funcionamiento Buck y
Boost, sin tener en cuenta el modo de transición Buck-Boost que es inherente a la topología.
No considerar la zona de transición puede llevar a inestabilidades con ciclos de trabajo
cercanos a 0 o a 1, que en la práctica son inalcanzables como se describe en [157].

En este capítulo, se propone incluir la técnica de Feedforward al modo de transición, para

realizar un control robusto y simple, donde el objetivo es obtener un modelo de planta
equivalente que solo dependa del efecto de la bobina, como se muestra en la Figura 7.16. a),
a partir de la planta original que depende, además, de parámetros de entrada y salida del
propio convertidor, como se indica en la Figura 7.16. b). Para lograr este objetico, en la
Figura 7.16. c) se añade un bloque adicional de Feedforward, que compensa desde el bloque
de control, las dependencias que la planta tiene de la tensión de entrada y salida.
 Capítulo 7: Sistemas de Gestión de Energía en Vehículos Eléctricos
128

LIMITADOR
iL _ ref + i
CONTROL
vmod vL 1 iL
L
Ri ( s )
- sL + rL
iL

a)
iL _ ref +
LIMITADOR
i
CONTROL PLANTA
vmod vL 1 iL
Ri ( s )
f (vin , vout , Vhigh , Vlow ) sL + rL
iL
-

vin v
out

b)
FEED-FORWARD

iL _ ref i
CONTROL LIMITADOR
vmod vmod_ FF
PLANTA
vL iL
+ FF (vin , vout , Vhigh , Vlow )
1
Ri ( s ) f (vin , vout , Vhigh , Vlow )
sL + rL
-
iL
vin
vout

c)
Figura 7.16. Modelo promediado del convertidor NIBB: a) después de aplicar Feedforward, b) sin Feedforward, c)
detalle de la posición del bloque Feedforward.

Las ecuaciones necesarias para llevar a cabo esta técnica, se obtienen despejando la
tensión 𝑣𝑚𝑜𝑑_𝐹𝐹 , para cada modo de funcionamiento, como se muestra en (7.18):

(𝜀𝑖 ∙ 𝑅𝑖 (𝑠) + 𝑣𝑢𝑡 ) ∙ 𝑉ℎ𝑖 ℎ Buck

𝑣𝑚𝑜𝑑_𝐹𝐹 =
𝑣𝑖𝑛
𝑉ℎ𝑖 ℎ ∙ 𝜀𝑖 ∙ 𝑅𝑖 (𝑠) + (𝑉𝑙𝑜𝑤 + 𝑉ℎ𝑖 ℎ ) ∙ 𝑣𝑜𝑢𝑡 Buck-Boost
𝑣𝑚𝑜𝑑_𝐹𝐹 = (7.18)
𝑣𝑖𝑛 + 𝑣𝑜𝑢𝑡
𝜀𝑖 ∙ 𝑅𝑖 (𝑠) ∙ 𝑉ℎ𝑖 ℎ + (𝑉𝑙𝑜𝑤 + 𝑉ℎ𝑖 ℎ ) ∙ 𝑣𝑜𝑢𝑡 − 𝑉ℎ𝑖 ℎ ∙ 𝑣𝑖𝑛
𝑣𝑚𝑜𝑑_𝐹𝐹 = Boost
𝑣𝑜𝑢𝑡

La Figura 7.17, muestra el diagrama de bloques del sistema de control completo con todos
los modos de funcionamiento con la técnica de Feedforward, donde existe un multiplexor
que permite seleccionar el modo correspondiente en función de las tensiones de entrada y
salida.
 Capítulo 7: Sistema de Gestión de Energía en Vehículos Eléctricos
129

FEED-FORWARD
vout vin
+
+ Vhigh
vout ÷
+
Vhigh + Vlow vin +
Buck
iL _ ref + i
CONTROL LIMITADOR
vmod + vmod_ FF
PLANTA
vL 1 iL
Vhigh +
Buck − Boost
Ri ( s ) ÷ f (vin , vout ,Vhigh ,Vlow ) sL + rL
- Boost
iL vout Modo vin vout
vin
Vhigh + Vlow

- +
Vhigh ÷
+ +

Figura 7.17. Modelo promediado del convertidor NIBB con compensación Feedforward.

Como resultado de aplicar la técnica de Feedforward la función de transferencia a

controlar corresponde al inverso de la impedancia de la bobina en el dominio de Laplace,
como se muestra en (7.19). Esta función de transferencia es lineal, por lo que su equivalente
en pequeña señal es idéntico (7.20). Esta técnica de control permite la rápida respuesta de
control ante perturbaciones en la entrada y salida del convertidor.

𝑖 (𝑠) 1
= (7.19)
𝑣 (𝑠) ∙𝑠+

𝑖̂ (𝑠) 1
= (7.20)
𝑣̂ (𝑠) ∙𝑠+

7.3.4 Lazo de control externo de tensión

La tensión de salida del convertidor NIBB es controlada mediante un regulador 𝑅𝑣 (𝑠)
que genera el valor de la corriente necesaria por el condensador 𝑖𝐶𝑜𝑢𝑡 , como se muestra en la
Figura 7.18. Se considera el lazo interno de corriente igual a la unidad, en caso de existir
sensor de corriente correspondería a la ganancia del sensor de corriente, con la condición de
que el ancho de banda del lazo de control de corriente 𝑇𝑖 (𝑠) sea al menos 10 veces mayor
que el ancho de banda del lazo externo de tensión 𝑇𝑣 (𝑠).

vout _ ref + CONTROL LIMITADOR

iCout+ iLref iL + iCout
PLANTA
1 vout
Rv ( s ) 1
sCout
vout - + -

iout

Figura 7.18. Lazo externo de control de tensión

 Capítulo 7: Sistemas de Gestión de Energía en Vehículos Eléctricos
130

Teniendo en cuenta lo anterior, la función de transferencia o planta del lazo de tensión de

salida, es por lo tanto, el condensador Cout en el dominio de Laplace (7.21). Dado que esta
función de transferencia es lineal, la función en pequeña señal sería idéntica (7.22).

𝑣𝑜𝑢𝑡 (𝑠) 1
= (7.21)
𝑖𝐶𝑜𝑢𝑡 (𝑠) 𝐶𝑜𝑢𝑡 ∙ 𝑠

𝑣̂𝑜𝑢𝑡 (𝑠) 1
= (7.22)
𝑖̂𝐶𝑜𝑢𝑡 (𝑠) 𝐶𝑜𝑢𝑡 ∙ 𝑠

7.3.5 Dimensionamiento de los componentes del convertidor NIBB

En esta sección, se describe el dimensionamiento de los componentes del convertidor para
el posterior cálculo del regulador y simulación. La Tabla 7.5 muestra las especificaciones de
diseño del convertidor NIBB.
Tabla 7.5. Parámetros de diseño del convertidor NIBB

Parámetros de diseño Especificaciones Nomenclatura

Rango de tensión de entrada 168–275 V 𝑉𝑖𝑛(𝑚𝑖𝑛) − 𝑉𝑖𝑛(𝑚𝑎𝑥)

Tensión de salida 240 V 𝑉𝑜𝑢𝑡

Potencia de salida Máxima 5,5 kW 𝑉𝑜𝑢𝑡 ∙ 𝐼𝑜𝑢𝑡(𝑚𝑎𝑥)

Rizado de corriente por la bobina 20% ∆𝐼𝑜𝑢𝑡(𝑚𝑎𝑥)

Rizado de tensión de entrada y salida <5% ∆𝑉𝑜𝑢𝑡

Frecuencia de conmutación 50 kHz 𝑓𝑠𝑤

Las ecuaciones matemáticas de funcionamiento para los casos más críticos se detallan en
[158]. Así la expresión (7.23), define el valor de la bobina para el caso más crítico en modo
elevador:

𝑉𝑖𝑛(𝑚𝑖𝑛) 2 ∙ (𝑉𝑜𝑢𝑡 − 𝑉𝑖𝑛(𝑚𝑖𝑛) ) (168 𝑉)2 ∙ (240 𝑉 − 168 𝑉)

= 2 = = 153,9 𝜇𝐻 (7.23)
∆𝐼𝑜𝑢𝑡(𝑚𝑎𝑥) ∙ 𝑓𝑠𝑤 ∙ 𝑉𝑜𝑢𝑡 0,2 ∙ (23 𝐴) ∙ (50000 𝐻 ) ∙ (240 𝑉)2

Para garantizar un margen de seguridad mayor al 15 %, se selecciona un valor de L de

valor 180 µH.

La selección del condensador de salida Cout, según [158], se definen durante su

funcionamiento en modo elevador, y con la especificación del rizado de la tensión de salida
mostrada en la Tabla 7.5. El valor mínimo queda definido por (7.24):

𝐼𝑜𝑢𝑡(𝑚𝑎𝑥) 2 ∙ (𝑉𝑜𝑢𝑡 − 𝑉𝑖𝑛(𝑚𝑖𝑛) ) (23 𝐴)2 ∙ (240 𝑉 − 168 𝑉)

𝐶𝑜𝑢𝑡 = = = 11,5 𝜇𝐹 (7.24)
∆𝑉𝑜𝑢𝑡 ∙ 𝑓𝑠𝑤 ∙ 𝑉𝑜𝑢𝑡 0,05 ∙ (240 𝑉) ∙ (50000 𝐻 ) ∙ (240 𝑉)
 Capítulo 7: Sistema de Gestión de Energía en Vehículos Eléctricos
131

Para tener suficiente margen de seguridad de distribución de corriente y capacidad

suficiente para configuraciones de múltiples convertidores con fuentes de energía, se toma
un valor de 40 µF.

Finalmente, el cálculo del condensador de entrada se calcula en funcionamiento en modo

reductor [158], mediante la ecuación (7.25):

𝐼𝑜𝑢𝑡(𝑚𝑎𝑥) ∙𝑉𝑜𝑢𝑡 𝑉𝑜𝑢𝑡 23 𝐴∙(240 𝑉) 240

𝐶𝑖𝑛 =
∆𝑉𝑖𝑛(𝑚𝑎𝑥) ∙𝑓𝑠𝑤 ∙𝑉𝑖𝑛(𝑚𝑎𝑥)
(1 −
𝑉𝑖𝑛(𝑚𝑎𝑥)
)=
0,05∙(275 𝑉)∙(50000 𝐻𝑧)∙(275 𝑉)
(1 −
275
) = 3,7 𝜇𝐹 (7.25)

Se selecciona un valor de 10 µF como valor final de diseño.

7.3.6 Cálculo de los reguladores para el convertidor NIBB

Para el cálculo de los reguladores de corriente y tensión, se utiliza el software SmartCtrl.
Esta herramienta permite introducir la función de transferencia del sistema a controlar
mediante un archivo de texto o de manera analítica. En la Figura 7.19. a) se muestra la
interfaz de usuario que permite introducir las funciones de trasferencia, descritas en los
apartados anteriores, de la planta y sensor, así como, seleccionar el regulador. La Figura
7.19. b), se muestra la función de transferencia de la planta del lazo de corriente,
considerando un retardo máximo de un ciclo de conmutación, con el fin de considerar los
efectos en la discretización.

a) b)

c) d)
Figura 7.19. Diseño del regulador en modo corriente mediante SmartCtrl.
 Capítulo 7: Sistemas de Gestión de Energía en Vehículos Eléctricos
132

La frecuencia de corte del sensor de corriente se considera una década por debajo de la
frecuencia de conmutación, con una ganancia unitaria, puesto que se volverá a escalar a su
valor real dentro de la FPGA. Una vez definida la planta y el sensor, se selecciona el tipo de
regulador, en este caso un regulador proporcional-integral PI, mostrado en la Figura 7.19.
c). Los valores de las constantes del regulador se obtienen a través del mapa de soluciones
donde se especifica la frecuencia de corte y margen de fase, Figura 7.19. d).

La respuesta en el dominio del tiempo y frecuencia se muestra en la Figura 7.20, donde

se observa que el control en modo corriente es estable ante una variación de escalón de la
tensión de referencia.

Figura 7.20. Respuesta temporal y en frecuencia del lazo de corriente en SmartCtrl.

En el proceso de diseño del lazo externo de tensión se va a considera que está desacoplado
del lazo interno de corriente, al menos en una década entre sus frecuencias de cruce.

En la Figura 7.21. a), se muestran los parámetros de la planta. El caso más desfavorable,
es considerar una resistencia de carga muy elevada. La frecuencia de corte del sensor de
tensión se considera una década por debajo de la frecuencia de conmutación, con una
ganancia unitaria. Una vez definida la planta y el sensor, se selecciona el tipo de regulador,
en este caso un regulador PI, definiendo su frecuencia de corte y margen de fase a través del
mapa de soluciones de la Figura 7.21. b).

Finalmente se muestra la respuesta temporal y en el dominio de la frecuencia del lazo de

tensión externo, Figura 7.21. c).
 Capítulo 7: Sistema de Gestión de Energía en Vehículos Eléctricos
133

a) b)

c)
Figura 7.21. Diseño del regulador de tensión mediante SmartCtrl.

7.3.7 Simulación temporal con PSIM y Matlab

Una vez diseñados y conocidos los valores del control del convertidor, el siguiente paso
es utilizarlo en una aplicación específica.

En este caso, se utilizará el convertidor bidireccional con un supercondensador como

fuente de energía y una carga en modo corriente, como se muestra en la Figura 7.22.

La primera simulación se realizará en modo conmutado para verificar el funcionamiento

del control con fuente y carga ideal. Esta configuración es implementada en PSIM®.
 Capítulo 7: Sistemas de Gestión de Energía en Vehículos Eléctricos
134

CONVERTIDOR DRIVER
SUPERCONDENSADOR
CC
CC
Cout
+
- iout M
d1 iL d2
vin vout

Referencia de potencia de Transición con histéresis en modo Buck-Boost

Lazo de control de la tensión de salida del bus CC salida
HISTÉRESIS HISTÉRESIS
vout vm
vout _ ref + CONTROL LIMITADOR
iCout+ iconv LIMITADOR
pout _ ref Vhigh + Vlow ÷ vm h1 vm h2
Rv ( s ) ×
vout - + +
iout vout
+
vin Vlow Vlow + e Vhigh − e Vhigh
Señal PWM
Lazo de control de corriente por la bobina
vmax
+ d1
FEEDFORWARD Vlow
pout _ ref iL _ ref CONTROL LIMITADOR
vmod
buck MULTIPLEXOR
-
LIMITADOR
+ i vmod_ FF
÷ Ri ( s ) FF (vin , vout , Vhigh , Vlow ) buck − boost
boost Vhigh
- + d2
vin MULTIPLEXOR iL 0
h1 h2 -
vout vin vout

h1 h2

Figura 7.22. Diagrama de bloques del control de NIBB bidireccional con un supercondensador como fuente de energía.

La Figura 7.23. a), muestra la implementación de la topología del convertidor en PSIM,

con una tensión de entrada variable ideal y una carga de corriente variable ideal, que permite
cambiar entre los diferentes modos de funcionamiento del convertidor, y verificar la
regulación de corrientes, tensiones y potencias.

La estrategia de control consta de los bloques marcados en la Figura 7.23. b), los cuales
se describen a continuación:

El modulador PWM utiliza una señal triangular de frecuencia de conmutación de 50

kHz, ciclo de trabajo de 0,5, y amplitud Vhigh= 1,05 para la onda portadora inferior, para la
onda portadora superior Vlow=0,95.

El control Feedforward se implementa siguiendo la Figura 7.17. Este bloque contiene

un multiplexor Mux_vmod_FF, el cual selecciona el ciclo de trabajo en función del modo
de funcionamiento correspondiente, indicado desde el bloque de transición con histéresis
en modo Buck-Boost.

El bloque de control por histéresis se incluye en el funcionamiento en modo Buck_Boost,

para evitar oscilaciones en las fronteras durante la transición al modo Buck y Boost. Esta
técnica permite eliminar las inestabilidades a la salida, en este modo de funcionamiento,
logrando transiciones suaves. Una ventaja adicional de la técnica utilizada es su simplicidad,
que permite su implementación en sistemas digitales de bajo coste, así como en circuitos de
control analógicos, como se describe en [159]. Esta técnica de control de histéresis se puede
comparar con otras técnicas como la mostrada en [160].
 Capítulo 7: Sistema de Gestión de Energía en Vehículos Eléctricos
135

La implementación se realiza mediante las salidas digitales h1 y h2 de los circuitos

biestables RS con un ancho de ventana de ±e, que en la práctica se ha tomado de valor 0,05.
Las tensiones Vhigh= 1,05 y Vlow=0,95, en la zona de transición, son comparados con la
tensión moduladora vmod en modo Buck-Boost, descrita en la expresión (7.13), que en el
diagrama de bloques es denomina vm.

Una vez definidos los bloques anteriores, se realiza el diseño del lazo de control de la
corriente por la bobina, donde los valores del regulador son obtenidos mediante SmartCtrl
7.3.6, al igual que el regulador PI del lazo de control de la tensión de salida del bus CC.
La referencia de la corriente por la bobina corresponde a la potencia de salida de referencia
dividida por una tensión que depende del modo de operación. Esta tensión, se obtiene
mediante la misma lógica del multiplexor Mux_Vin_Vout utilizada en el caso del bloque
Feedforward. Así, en modo Buck esta tensión es igual a la tensión de salida, en modo Buck-
Boost a la tensión de salida y en modo Boost a la tensión de entrada, logrando así que el valor
medio de salida de este bloque sea igual al valor medio de la corriente por la bobina del
convertidor.

a)
Lazo de control de la tensión Referencia de potencia de Modulador PWM
de salida del bus CC salida

Feedforward

Lazo de control de corriente por la bobina

Transición con histéresis en modo Buck-Boost

b)
Figura 7.23. Implementación del NIBB en PSIM: a) Convertidor de potencia, b) Control con Feedforward
 Capítulo 7: Sistemas de Gestión de Energía en Vehículos Eléctricos
136

Finalmente, el bloque de referencia de potencia de salida es igual a la tensión de salida

por la corriente de salida del convertidor, que es a su vez la suma de la corriente de la carga
más la corriente del condensador del bus.

Una vez implementado el convertidor y control en PSIM, se modifica la tensión de

entrada para analizar el comportamiento del convertidor en los distintos modos de
funcionamiento, con distintos niveles de potencia. La Figura 7.24, muestra que la tensión de
salida se mantiene al nivel de 240 V fijado por la referencia, así como que la corriente por la
bobina y la potencia de salida siguen a sus referencias correspondientes en todo el rango de
funcionamiento.

Figura 7.24. Respuesta temporal del convertidor NIBB en los distintos modos de funcionamiento, simulado en PSIM

Una vez verificado el funcionamiento del convertidor en modo conmutado, el siguiente

paso es la verificación del convertidor mediante uno de los perfiles de corriente utilizados
en aplicaciones de automoción, como es el ECE-15, actuando como fuente de
almacenamiento de energía un supercondensador. Para ello, se utiliza el modelo de
supercondensador identificado experimentalmente de la sección 7.2, que consta de 18
supercondensadores de 58 F conectados en serie. La implementación del convertidor
bidireccional es realiza a través de su equivalente promediado como se muestra en la Figura
7.25. a). En este caso, la implementación se realiza en Simulink, debido al tiempo de
simulación y requerimientos de memoria que PSIM requiere en simulaciones de larga
duración.

La implementación del modelo promediado se realiza a partir de la Figura 7.14. Los

bloques de control en Simulink son similares a los implementados y explicados
anteriormente, para el caso de la implementación del convertidor bidireccional en PSIM, a
diferencia de que el modulador presenta una ganancia definida por (7.15) y (7.16), que ya se
incluye en el multiplexor del selector de modos.
 Capítulo 7: Sistema de Gestión de Energía en Vehículos Eléctricos
137

En este modelo promediado es necesario incluir retardos unitarios a efectos de simulación

para evitar problemas con lazos algebraicos en Simulink, que pueden producir errores de
simulación al no encontrar una solución al sistema de ecuaciones, en cada instante de
simulación.

Los bloques de control son exactamente los mismos a los descritos para PSIM, con la
única diferencia de que se incluye el modelo de supercondensador que está implementado
en Simscape, mediante el circuito de la Figura 5.3, del capítulo 5.

La potencia de salida se limita a 1,2 kW, con una tensión inicial de 280 V en el banco de
supercondensadores.

a)
Lazo de control de la tensión de salida del bus
Referencia de potencia de salida
CC

Feedforward

Lazo de control de corriente por la bobina

Transición con histéresis en modo Buck-Boost

b)
Figura 7.25. Implementación del NIBB en Simulink: a) Convertidor de potencia, b) Modulador, Feedforward y control de
histéresis

La Figura 7.26 muestra la evolución de la tensión de entrada y salida, así como los estados
de funcionamiento. Se puede apreciar con claridad la efectividad de la técnica de histéresis
implementada, ya que en los cambios de modo no se producen oscilaciones.
 Capítulo 7: Sistemas de Gestión de Energía en Vehículos Eléctricos
138

Figura 7.26. Respuesta temporal de la tensión de salida y modo de funcionamiento del NIBB.

La Figura 7.27 muestra la corriente por la bobina la cual sigue a la referencia. Se puede
observar que esta corriente va creciendo con el tiempo, debido a que el sistema debe entregar
la misma potencia ciclo a ciclo, Figura 7.28, pero, sin embargo, la tensión en el
supercondensador no es constante, va decreciendo como se muestra en la Figura 7.26. A
efectos prácticos esta corriente podrá ser limitada para evitar daños en las fuentes de energía,
mediante, por ejemplo, circuitos de protección implementados en el convertidor.

Figura 7.27. Corriente por la bobina del convertidor NIBB.

 Capítulo 7: Sistema de Gestión de Energía en Vehículos Eléctricos
139

Figura 7.28. Potencia de salida sensada y de referencia

En la Figura 7.29, se puede comprobar que la tensión del bus se mantiene estable en todo
el tiempo de simulación, con rizados de tensión por debajo del 1% durante los pulsos de
consumo.

Figura 7.29. Respuesta temporal de la tensión de salida.

 Capítulo 7: Sistemas de Gestión de Energía en Vehículos Eléctricos
140

7.4 GESTIÓN Y DISTRIBUCIÓN DE POTENCIA EN VEHICULOS

ELECTRICOS HÍBRIDOS
En esta sección, se utiliza el modelo de pila de combustible, batería de ion-litio,
convertidores, y las estrategias de distribución de energía para simular el sistema de
distribución de potencia completo.

En el estado de la técnica se han presentado distintas técnicas de control, que se pueden

combinar de manera adecuada para realizar un control robusto en un vehículo eléctrico
propulsado con pila de combustible tipo PEM. En este sentido, en la Figura 7.30 se muestra
la representación de un sistema completo compuesto por una pila de combustible y una
batería, pudiendo integrarse, de forma similar, otras fuentes de almacenamiento de energía
como los supercondensadores. Ambas fuentes, están conectadas al bus a través de un
convertidor CC-CC.
PILA DE HIDRÓGENO CONVERTIDOR DRIVER

CC
CC
Cout
+
- iout M
d1 iL1 d2
vin1 vout

CONVERTIDOR
BATERÍA

CC
CC

d3 iL 2 d4
vin 2

Lazo de control de la tensión de salida del

Referencia de potencia de salida
bus de CC

vout _ ref + CONTROL LIMITADOR

iCout+ iLref pLref LIMITADOR FILTRO
flow pL1ref
Rv ( s ) ×
- + - pL 2 ref
vout +
iout vout

Modulador PWM
Lazo de control de corriente por la bobina vmax
+ d1
FEEDFORWARD Vlow
iL1_ ref CONTROL LIMITADOR
vmod1
buck
MULTIPLEXOR
-
pL1ref LIMITADOR
+  i1 vmod_ FF
÷ Ri1 ( s ) FF (vin1 , vout , Vhigh , Vlow ) buck − boost
boost Vhigh
- + d2
vin1 MULTIPLEXOR iL1 0
h1 h2
-
vout vin1 vout

vmax
h1 h2 + d3
FEEDFORWARD Vlow
iL 2_ ref CONTROL LIMITADOR buck MULTIPLEXOR
-
pL 2 ref LIMITADOR
+ i2 vmod 2 vmod_ FF
÷ Ri ( s ) FF (vin 2 , vout , Vhigh , Vlow ) buck − boost
boost Vhigh
- + d4
vin 2 MULTIPLEXOR iL 2 0
h3 h4
-
vout vin 2 vout

h3 h4

Transición con histéresis en modo Buck-Boost

HISTÉRESIS HISTÉRESIS HISTÉRESIS HISTÉRESIS

vout vm1 vm1 h1 vm1 h2 vout vm 2 vm 2 h3 vm 2 h4

Vhigh + Vlow ÷ Vhigh + Vlow ÷
+ +
+ Vlow Vlow + e Vhigh − e Vhigh + Vlow Vlow + e Vhigh − e Vhigh
vin1 vin 2

Figura 7.30. Gestión de energía del sistema de tracción.

 Capítulo 7: Sistema de Gestión de Energía en Vehículos Eléctricos
141

El sistema de control utilizado en los convertidores CC-CC se basa en las técnicas de

control descritas en la sección 7.3.7. Dado que, en este sistema completo, se dispone de dos
fuentes de energía y dos convertidores, hay que determinar la potencia que debe proporcionar
cada una de las fuentes. Para conocer el valor de cada potencia se utiliza la técnica de
descomposición en frecuencia mostrada en la Figura 7.31. Esta técnica de control permite la
descomposición de la potencia, mediante la aplicación de filtros con diferente respuesta.

La Figura 7.31 muestra el principio de funcionamiento de esta técnica, donde la potencia

de entrada se separa en dos componentes, una de baja frecuencia y la otra de frecuencia
superiores. En esta aplicación los transitorios rápidos de alta potencia son absorbidos por la
batería, y el resto de la potencia es proporcionada por la pila de combustible.
Descomposición en Frecuencia
Frecuencia de filtrado Potencias de referencia
para fuentes de energía
P (W)

Potencia de perfil de conducción

Filtro f low Pfc
25

20

15

F
10
f high Pbatt
P(W)

-5

-10
0 50 100 150 200
0 f(Hz)
t(s)

f low f high

Figura 7.31. Descomposición de la potencia de salida en función de las fuentes del sistema

La Figura 7.32. a) muestra los dos convertidores NIBB en modo promediado conectados
en paralelo al bus de tensión. Para el control de potencia de cada convertidor, es necesario
aplicar el desacoplo de potencias a través de la frecuencia, como se muestra en la Figura 7.32
b). La separación de la frecuencia a través de un filtro paso bajo incluye un limitador
dinámico, si se quiere hacer un control en modo online, permitiendo esta configuración de
control la flexibilidad de cambio de la potencia de referencia que entregaría la pila de
combustible.

El lazo de control de corriente, el módulo de Feedforward y el modulador utilizados para

el funcionamiento del sistema de la Figura 7.32 son los mismos que los utilizados en el
ejemplo del control bidireccional, que utiliza como fuente de energía un supercondensador,
Figura 7.25. b). Este control no se ha vuelto a representar en la Figura 7.32, para cada uno
de los convertidores.

La estrategia de control, a través de la descomposición en frecuencias, es descrita en [63],

donde la referencia de potencia de cada fuente de energía viene determinada por la capacidad
de reacción de cada tipo de fuente. De manera general, las respuestas más rápidas serán
asumidas por los supercondensadores, las más lentas por la pila de combustible, y las
intermedias por la batería.
 Capítulo 7: Sistemas de Gestión de Energía en Vehículos Eléctricos
142

En el diseño del sistema, se ha considerado, un filtro paso bajo en el orden de los mHz
para la referencia de potencia de la pila de hidrogeno, en concreto flow=300mHz. Para la
selección de este filtro, hay que considerar la necesidad de evitar sobrepasar la pendiente de
corriente que una pila de combustible real es capaz de proporcionar, que es del orden de los
4A/s [161].

a)
Separación de la potencia de refrencia con filtrado en la frecuencia
Lazo de control de la tensión de salida del bus CC
Saturador dinámico

Filtro paso bajo Referencias de

potencia de salida

b)
Figura 7.32. Implementación del NIBB en Simulink: a) Modelo promediado de los convertidores conectados en paralelo
y b) estrategia de control de potencia por descomposición de frecuencias.

Las curvas de respuesta temporal que se obtienen de la simulación del sistema completo
se muestran en la Figura 7.33.

En la Figura 7.33. a) se muestra y se verifica la respuesta más lenta de la pila de

combustible debido al filtro de 300 mHz incorporado en el control. Además, se puede
comprobar que los picos de potencia son proporcionados por la batería, la cual es capaz de
satisfacer los transitorios y de absorber la potencia proveniente del frenado regenerativo.

Los límites de potencia de la pila se han establecido en 3kW como potencia máxima capaz
de entregar, y 100W como potencia mínima que debe entregar, con el objetivo de evitar el
apagado de la pila de combustible, con el posterior retraso en la activación de la pila.
 Capítulo 7: Sistema de Gestión de Energía en Vehículos Eléctricos
143

a) b)

c) d)
Figura 7.33. Respuesta temporal de potencia, tensión y corriente del sistema de distribución de potencia con pila de
combustible y batería.

La Figura 7.33 a) muestra la distribución de la potencia, proporcionada por la pila de

combustible y la batería, durante todo el intervalo de simulación, compuesto por un ciclo del
perfil de conducción ECE-15. La Figura 7.33. b) muestra los valores de las tensiones en el
bus, batería y pila de combustible. La Figura 7.33. c) muestra la distribución de las corrientes
en el bus, proporcionada por la pila de combustible y la batería, con el objetivo de hacer
frente al perfil de corriente procedente de la aplicación del perfil de conducción ECE-15.
Finalmente, la Figura 7.33. d) muestra la variación del estado de carga de la batería, durante
la simulación.

Los resultados obtenidos demuestran un correcto funcionamiento del sistema,

demostrando que la combinación de las diferentes estrategias incluidas en el control,
proporcionan un sistema estable, con una respuesta efectiva.
 Capítulo 7: Sistemas de Gestión de Energía en Vehículos Eléctricos
144

7.5 CONCLUSIONES
Los sistemas de distribución de potencia de los vehículos eléctricos puros e híbridos,
requieren de convertidores bidireccionales para su funcionamiento. Uno de estos
convertidores, utilizado en sistemas donde se precisa elevado rendimiento sin aislamiento
galvánico, es el convertidor reductor-elevador no invertido (NIBB). El diseño y control de
este convertidor requiere del conocimiento de los diferentes modos de funcionamiento, para
su optimización.

Para realizar el control del convertidor NIBB se diseña un modulador en el cual se escala
la señal portadora para compararla con la señal moduladora, logrado así un cambio suave de
un modo de funcionamiento entre el modo reductor (Buck) y el elevador (Boost), pasando
por la zona de transición reductora-elevadora (Buck- Boost), sin zona de discontinuidad, ni
oscilaciones.

Adicionalmente, se utiliza la técnica de Feedforward para simplificar la planta del lazo

interno de corriente reduciendo la complejidad y optimizando su comportamiento dinámico.
Para el cálculo de control se ha utilizado el software comercial SmartCtrl.

Los resultados obtenidos en la simulación en PSIM y Simulink demuestran la efectividad

de la técnica de control aplicada al convertidor en todos sus modos de funcionamiento, tanto
en modo conmutado, como promediado.

Además, se ha mostrado la simulación de un sistema de distribución de energía completo

de un vehículo eléctrico híbrido, que incluye dos fuentes de energía. No obstante, las técnicas
de control utilizadas pueden ser escalable a un número mayor de fuentes.

En la simulación del sistema completo se han utilizado tanto el modelo de pilas de

combustible y batería, como una combinación de las diferentes estrategias incluidas en el
control, logrando obtener un sistema estable, y una adecuada distribución de la energía,
cumpliendo con las especificaciones del sistema.
 Capítulo 8: Conclusiones y Trabajos Futuros
145

Capítulo 8

8 CONCLUSIONES Y TRABAJOS FUTUROS

8 CONCLUSIONES Y TRABAJOS FUTUROS -------------------------------------- 145

8.1 CONCLUSIONES -------------------------------------------------------------------- 147
8.2 APORTACIONES DE LA INVESTIGACIÓN ---------------------------------- 147
8.2.1 Aportaciones en el modelado de unidades de almacenamiento de energía 147
8.2.2 Aportaciones en el control de convertidores y del sistema de gestión de la
energía ------------------------------------------------------------------------------ 149
8.2.3 Divulgación de la investigación ------------------------------------------------ 150
8.3 TRABAJOS FUTUROS ------------------------------------------------------------- 150
 Capítulo 8: Conclusiones y Trabajos Futuros
146
 Capítulo 8: Conclusiones y Trabajos Futuros
147

8.1 CONCLUSIONES
En este último capítulo de la tesis, se describe las principales conclusiones de la
investigación realizada, así como el detalle de las aportaciones obtenidas. Finalmente, se
propone las principales líneas de investigación que pueden ser desarrolladas en trabajos
futuros.

8.2 APORTACIONES DE LA INVESTIGACIÓN

En una tendencia creciente a la electrificación del transporte, a través de una movilidad
cada vez más eléctrica, las aportaciones se enfocan principalmente en el vehículo eléctrico
y, en particular, en la identificación, modelado y gestión de las fuentes y almacenamientos
de energía.

Un sistema de propulsión o de distribución de potencia generalmente está compuesto por

los siguientes componentes, que se enumeran a continuación:

1) Fuente de energía principal, como las pilas de combustible tipo PEM, que actúan
como generadores, siendo un sistema con una alta densidad de energía, y cuyos
residuos son compatibles con el cuidado del medio ambiente.
2) Fuentes de almacenamiento de energía secundaria como las baterías o los
supercondensadores. En el caso de las baterías, presentan una densidad de energía,
siendo claves para la autonomía y estabilidad de los vehículos eléctricos. Por otro
lado, los supercondensadores presentan una alta densidad potencia, que los hacen
especialmente adecuado para los periodos de altas demandas o devolución de
energía, como en los casos de aceleración y frenado.
3) Convertidores de corriente continua, CC-CC, y alterna, CC-CA, que permiten el
intercambio y el control de la energía entre las fuentes, los sistemas de
almacenamiento de energía, y en motor eléctrico como carga.
4) Un sistema de control y gestión de energía para satisfacer la demanda de la carga
y garantizar un flujo seguro de energía, entre las diferentes fuentes y
almacenamientos de energía.
Una vez descritos los componentes principales del sistema de distribución de potencia y
propulsión, existe la necesidad de conocer el comportamiento de cada componente para así
poder diseñar diferentes estrategias de dimensionamiento, control y estimación de las
variables de interés.

8.2.1 Aportaciones en el modelado de unidades de almacenamiento de energía

Las unidades de almacenamiento de energía desempeñan un papel importante en el
sistema de distribución de potencia y propulsión del vehículo eléctrico. En este sentido, en
esta tesis doctoral se ha realizado una revisión de los diferentes modelos de baterías y
supercondensadores, identificados en el dominio del tiempo, y disponibles en el estado de la
 Capítulo 8: Conclusiones y Trabajos Futuros
148

técnica. A través de este estudio, se encontró que para el proceso de identificación son
necesarias tres componentes fundamentales:

1) Modelos equivalentes, que pueden ser electroquímicos, matemáticos o eléctricos,

y donde este último presenta ventajas a nivel de simulación, complejidad y
precisión.
2) Perfiles de identificación que permitan obtener las características estáticas y
dinámicas del modelo equivalente, así como los valores de los parámetros que lo
componen.
3) El algoritmo de identificación para la optimización matemática de la función coste
del modelo matemático ya sea de manera offline u offline.
Dado que existe la necesidad, desde el punto de vista práctico, de reproducir no solo un
modelo especifico de batería o supercondensador, sino de realizar una comparativa entre
ellos, y determinar el más adecuado en función de la aplicación y complejidad, las
aportaciones fueron orientadas como se describe a continuación:

▪ Se ha establecido un procedimiento general de estimación de parámetros para los

modelos matemáticos y eléctricos de baterías y supercondensadores, mediante el
uso de una herramienta de optimización matemática como Simulink® Design
Optimization™ de Matlab, que permite a través de Simulink y Simscape la
construcción del circuito o diagrama equivalente del modelo a estimar. Para ello,
se hace uso de una interfaz gráfica que permite la optimización matemática de una
manera simple, sin necesidad de crear un algoritmo de optimización o ser
especialista en ello. Esto habilita no solo la estimación de modelos de baterías o
supercondensadores, sino también de diversos tipos de sistemas.
▪ Se ha realizado una comparativa de los diferentes modelos de baterías y
supercondensadores, disponibles en el estado de la técnica y de aplicación al
vehículo eléctrico. Esta comparativa se ha realizado siguiendo el procedimiento
establecido, lo que ha permitido identificar los modelos más adecuados para cada
tipo de aplicación y tiempo de simulación.
▪ Se ha diseñado y propuesto un perfil de identificación lo suficientemente dinámico
en amplitud y frecuencia, que permite la reducción de error en el proceso de
modelado, en comparación con perfiles clásicos. Este nuevo perfil, basado en una
nueva señal compuesta pseudoaleatoria binaria, que se ha denominado pulso-
PRBS, es capaz de cubrir el espectro en frecuencia de la señal de verificación. La
señal pulso-PRBS es simple de generar, en comparación con otras señales
compuestas basadas, por ejemplo, en señales multiseno. La señal de identificación
propuesta puede ser aplicada a otros tipos de dispositivos y sistemas.
▪ En la comparativa de baterías de Ion-litio, el compromiso entre precisión y
complejidad siempre es un factor importante a la hora de seleccionar un modelo.
En este sentido, el modelo de Thevenin con ramas de resistencia-condensador
(RC) ha obtenido el mejor desempeño, ratificando así otros estudios similares
 Capítulo 8: Conclusiones y Trabajos Futuros
149

realizados con anterioridad, aunque en este caso de una manera más simple y
general.
▪ En la comparativa de modelos de supercondensadores, el modelo Serie aporta
una buena precisión en comparación con otros modelos. Este modelo es identificado
en el estado de la técnica en el dominio del tiempo y la frecuencia, dificultando su
reproducibilidad. Mediante el procedimiento y señal de identificación propuesta, se
ha conseguido como aportación una simplificación de este proceso.

8.2.2 Aportaciones en el control de convertidores y del sistema de gestión de la

energía
Los convertidores electrónicos de potencia son fundamentales para la conversión, gestión
e intercambio de energía entre los sistemas de generación y almacenamiento de energía, tales
como pilas de combustible, baterías y supercondensadores. La utilización de convertidores
de potencia aislados o no aislados dependerá en cada caso del tipo de aplicación.

Entre las topologías no aisladas, el convertidor reductor-elevador no invertido, NIBB,

ofrece varias ventajas respecto a otras topologías, ya que permite un valor de tensión de
entrada menor o mayor que su salida, mediante un número reducido de componentes, y un
nivel de estrés de tensión en sus semiconductores reducido. Esto justifica que esta topología
se utilice ampliamente en aplicaciones de cargadores de baterías, micro-redes, sistemas de
tracción, entre otras.

El funcionamiento de NIBB consiste en conmutar sus cuatro interruptores de manera

complementaria y simultánea, funcionando en modo Buck-Boost para todo el rango de
funcionamiento. Este tipo de modulación si bien es simple, conlleva mayores pérdidas en
comparación con los modos Buck y Boost, siendo necesario reducir estos niveles de pérdidas
si se desea obtener una mejora en la eficiencia del convertidor. Cuando el convertidor NIBB
trabaja en modo Buck y debe pasar a modo Boost, pasa por una zona de transición, que a
nivel de implementación puede provocar problemas de inestabilidad.

Así en la literatura, para reducir la zona de transición, o Buck-Boost, al mínimo se

proponen diversas técnicas de control y compensación, desde las más complejas hasta las
más óptimas. Existen diferentes tipos de modulaciones, sin embargo, en esta tesis se elige
una técnica de modulación basada en el escalado en magnitud de dos ondas portadoras,
permitiendo diseñar una zona de transición, que consigue obtener la operación del
convertidor en todo su rango de funcionamiento. Además, se incorpora una técnica adicional
con histéresis para mejorar las transiciones entre un modo y otro.

A nivel de control, existen diferentes propuestas, en donde la aportación de la presente

tesis se centra:

▪ El control del convertidor incorporando la estrategia de Feedforward en los tres

modos de funcionamiento, permitiendo reducir las perturbaciones de entrada y
 Capítulo 8: Conclusiones y Trabajos Futuros
150

salida, así como la reducción y simplificación de la planta a un sistema de primer

orden.
▪ Aplicación de los modelos de baterías y supercondensadores, para la simulación,
con PSIM y Simulink, de la gestión de energía del sistema de distribución de
potencia con múltiples unidades de energía, el cual incorpora una combinación de
técnicas seleccionadas y combinadas, del estado de la técnica.

8.2.3 Divulgación de la investigación

A lo largo de la tesis doctoral se han realizado aportaciones científicas en el área de
modelado e identificación de baterías y supercondensadores. Estas aportaciones se han
divulgado a través de 1 artículo a revista internacional; 2 artículos enviados a revistas
internacionales, actualmente en revisión; 2 artículos en congresos internacionales; 4 artículos
en congresos nacionales.

Además, se han realizado colaboraciones de investigación en otras temáticas que han

dado como resultado 1 artículo a revista, 3 artículos a congreso internacional, y 4 artículos a
congreso nacional.

El detalle de todas estas publicaciones se encuentra en la sección denominada Contenidos

Publicados y Presentados, situada al comienzo de este documento de tesis.

8.3 TRABAJOS FUTUROS

En el proceso de desarrollo del estudio realizado, se han identificado varias áreas de
interés e investigación, las cuales se resumen a continuación:

▪ Modelado de sistemas de almacenamiento de energía, en particular baterías y

supercondensadores, orientado a un modelado online o en tiempo real.
▪ Desarrollo de modelos que incluyan parámetros tales como la temperatura y
envejecimiento, como variables externas, aplicando el procedimiento de
modelado y señal de identificación presentados.
▪ La implementación experimental del convertidor Buck-Boost con técnicas de
conmutación suave, para mejorar su eficiencia.
▪ Por último, la implementación del sistema de gestión de energía de manera offline,
para controlar eficientemente las fuentes y almacenamientos de energía, y reducir
las pérdidas totales en la gestión de la energía.
 Referencias
151

Referencias

REFERENCIAS
[1] J. Töpler and J. Lehmann, “Hydrogen and Fuel Cell,” Springer, 2015.
[2] A. Z. Weber and T. E. Lipman, “Fuel Cells and Hydrogen Production,” Springer,
2018.
[3] S. Chakraborty, H. N. Vu, M. M. Hasan, D. D. Tran, M. El Baghdadi, and O. Hegazy,
“DC-DC converter topologies for electric vehicles, plug-in hybrid electric vehicles
and fast charging stations: State of the art and future trends,” Energies, vol. 12, no. 8,
2019.
[4] I. Jiya, N. Gurusinghe, and R. Gouws, “Electrical Circuit Modelling of Double Layer
Capacitors for Power Electronics and Energy Storage Applications: A Review,”
Electronics, vol. 7, no. 11, p. 268, 2018.
[5] Mathworks, “Simulink ® Design Optimization User ’s Guide.” MathWorks, Natick,
MA, USA, 2018.
[6] I. Aharon and A. Kuperman, “Topological overview of powertrains for battery-
powered vehicles with range extenders,” IEEE Trans. Power Electron., vol. 26, no. 3,
pp. 868–876, 2011.
[7] F. Díaz-González, A. Sumper, and G.-B. Oriol, Generating Systems Based on
Renewable Power. London: Wiley, 2016.
[8] Y. Manoharan, S. E. Hosseini, B. Butler, and H. Alzhahrani, “Hydrogen Fuel Cell
Vehicles; Current Status and Future Prospect,” Appl. Sci., 2019.
[9] “Power vs energy density 3 - Diagrama de Ragone - Wikipedia, la enciclopedia libre.”
[Online]. Available:
https://es.wikipedia.org/wiki/Diagrama_de_Ragone#/media/Archivo:Power_vs_ener
gy_density_3.svg. [Accessed: 19-Jun-2019].
[10] B. Scrosati, J. Garche, and T. Werner, Advances in Battery Technologies for Electric
Vehicles, vol. 1. Oxford: Woodhead, 2015.
[11] A. Das, D. Li, D. Williams, and D. Greenwood, “Joining Technologies for
Automotive Battery Systems Manufacturing,” World Electr. Veh. J., vol. 9, no. 2, p.
22, 2018.
[12] X. Zhang, J. Lu, S. Yuan, J. Yang, and X. Zhou, “A novel method for identification
 Referencias
152

of lithium-ion battery equivalent circuit model parameters considering

electrochemical properties,” J. Power Sources, vol. 345, pp. 21–29, 2017.
[13] O. Tremblay and L. A. Dessaint, “Experimental validation of a battery dynamic model
for EV applications,” World Electr. Veh. J., vol. 3, no. 2, pp. 289–298, 2009.
[14] T. Huria, G. Ludovici, and G. Lutzemberger, “State of charge estimation of high
power LFP cells,” J. Power Sources, vol. 249, pp. 92–102, 2013.
[15] R. Klein, N. A. Chaturvedi, J. Christensen, J. Ahmed, R. Findeisen, and A. Kojic,
“Electrochemical model based observer design for a lithium-ion battery,” IEEE Trans.
Control Syst. Technol., vol. 21, no. 2, pp. 289–301, 2013.
[16] Q. Zhang, Y. Shang, N. Cui, Y. Li, and C. Zhang, “A fractional-order KiBaM of
lithium-ion batteries with capacity nonlinearity,” Proc. - 2017 Chinese Autom. Congr.
CAC 2017, vol. 2017-Janua, pp. 4995–5000, 2017.
[17] S. Li and B. Ke, “Study of battery modeling using mathematical and circuit oriented
approaches,” IEEE Power Energy Soc. Gen. Meet., pp. 1–8, 2011.
[18] S. N. Motapon, A. Lupien-Bedard, L.-A. Dessaint, H. Fortin-Blanchette, and K. Al-
Haddad, “A Generic Electro-Thermal Li-Ion Battery Model for Rapid Evaluation of
Cell Temperature Temporal Evolution,” IEEE Trans. Ind. Electron., vol. 0046, no. c,
pp. 1–1, 2016.
[19] “Implement generic battery model - Simulink - MathWorks España.” [Online].
Available:
https://es.mathworks.com/help/physmod/sps/powersys/ref/battery.html;jsessionid=4
3d0de57d7d648293f48b615d20c. [Accessed: 20-Jun-2019].
[20] M. Chen, S. Member, and G. A. Rinc, “Accurate Electrical Battery Model Capable of
Predicting Runtime and I – V Performance,” IEEE Trans. Energy Convers., vol. 21,
no. 2, pp. 504–511, 2006.
[21] J. Li and M. S. Mazzola, “Accurate battery pack modeling for automotive
applications,” J. Power Sources, vol. 237, pp. 215–228, 2013.
[22] R. Jackey, M. Saginaw, P. Sanghvi, J. Gazzarri, T. Huria, and M. Ceraolo, “Battery
Model Parameter Estimation Using a Layered Technique : An Example Using a
Lithium Iron Phosphate Cell,” MathWorks, pp. 1–14, 2013.
[23] L. Zhang, H. Peng, Z. Ning, Z. Mu, and C. Sun, “Comparative Research on RC
Equivalent Circuit Models for Lithium-Ion Batteries of Electric Vehicles,” Appl. Sci.,
vol. 7, no. 10, p. 1002, 2017.
[24] W. Gao, M. Jiang, and Y. Hou, “Research on PNGV model parameter identification
of LiFePO4 Li-ion battery based on FMRLS,” Proc. 2011 6th IEEE Conf. Ind.
Electron. Appl. ICIEA 2011, no. 10111406006, pp. 2294–2297, 2011.
[25] F. Jin, H. Yongling, and W. Guofu, “Comparison Study of Equivalent Circuit Model
of Li-Ion Battery for Electrical Vehicles,” vol. 6, no. 20, pp. 3756–3759, 2013.
[26] M. Farag, M. Fleckenstein, and S. R. Habibi, “Li-Ion Battery SOC Estimation Using
Non-Linear Estimation Strategies Based on Equivalent Circuit Models,” SAE Tech.
Pap. Ser., vol. 1, 2014.
 Referencias
153

[27] C. R. Birkl and D. A. Howey, “Model identification and parameter estimation for
LiFePO4,” 1st Catapult Conf. Energy Storage Technol., pp. 1–6, 2013.
[28] U. Westerhoff, K. Kurbach, F. Lienesch, and M. Kurrat, “Analysis of Lithium-Ion
Battery Models Based on Electrochemical Impedance Spectroscopy,” Energy
Technol., vol. 4, no. 12, pp. 1620–1630, 2016.
[29] S. Gantenbein, M. Weiss, and E. Ivers-ti, “Impedance based time-domain modeling
of lithium-ion batteries : Part I,” vol. 379, no. September 2017, pp. 317–327, 2018.
[30] B. Xia, X. Zhao, R. de Callafon, H. Garnier, T. Nguyen, and C. Mi, “Accurate
Lithium-ion battery parameter estimation with continuous-time system identification
methods,” Appl. Energy, vol. 179, pp. 426–436, 2016.
[31] J. Li, M. S. Mazzola, J. Gafford, B. Jia, and M. Xin, “Bandwidth based electrical-
analogue battery modeling for battery modules,” J. Power Sources, vol. 218, pp. 331–
340, 2012.
[32] D. Andre, M. Meiler, K. Steiner, H. Walz, T. Soczka-Guth, and D. U. Sauer,
“Characterization of high-power lithium-ion batteries by electrochemical impedance
spectroscopy. II: Modelling,” J. Power Sources, vol. 196, no. 12, pp. 5349–5356,
2011.
[33] A. Fotouhi, D. J. Auger, K. Propp, and S. Longo, “Accuracy Versus Simplicity in
Online Battery Model Identification,” IEEE Trans. Syst. Man, Cybern. Syst., vol. 48,
no. 2, pp. 195–206, 2018.
[34] X. Lai, Y. Zheng, and T. Sun, “A comparative study of different equivalent circuit
models for estimating state-of-charge of lithium-ion batteries,” Electrochim. Acta,
vol. 259, pp. 566–577, 2018.
[35] M. Farag, M. Fleckenstein, and S. R. Habibi, “Li-Ion Battery SOC Estimation Using
Non-Linear Estimation Strategies Based on Equivalent Circuit Models,” SAE
Technical Paper, pp. 1-11, 2014-01-1849.
[36] S. Yuan, H. Wu, X. Ma, and C. Yin, “Stability analysis for Li-ion battery model
parameters and state of charge estimation by measurement uncertainty consideration,”
Energies, vol. 8, no. 8, pp. 7729–7751, 2015.
[37] X. Lin et al., “A lumped-parameter electro-thermal model for cylindrical batteries,”
J. Power Sources, vol. 257, pp. 1–11, 2014.
[38] M. Cacciato, G. Nobile, G. Scarcella, and G. Scelba, “Real-Time Model-Based
Estimation of SOC and SOH for Energy Storage Systems,” IEEE Trans. Power
Electron., vol. 32, no. 1, pp. 794–803, 2017.
[39] G. Aurilio et al., “A battery equivalent-circuit model and an advanced technique for
parameter estimation,” Conf. Rec. - IEEE Instrum. Meas. Technol. Conf., vol. 2015-
July, pp. 1705–1710, 2015.
[40] J. Li and M. S. Mazzola, “Accurate battery pack modeling for automotive
applications,” J. Power Sources, vol. 237, pp. 215–228, 2013.
[41] J. Yang, B. Xia, Y. Shang, W. Huang, and C. Mi, “Improved battery parameter
estimation method considering operating scenarios for HEV/EV applications,”
 Referencias
154

Energies, vol. 10, no. 1, 2017.

[42] W. D. Widanage et al., “Design and use of multisine signals for Li-ion battery
equivalent circuit modelling. Part 2: Model estimation,” J. Power Sources, vol. 324,
pp. 61–69, 2016.
[43] A. J. Fairweather, M. P. Foster, and D. A. Stone, “Battery parameter identification
with Pseudo Random Binary Sequence excitation (PRBS),” J. Power Sources, vol.
196, no. 22, pp. 9398–9406, 2011.
[44] B. Miao, R. Zane, and D. Maksimović, “System identification of power converters
with digital control through cross-correlation methods,” IEEE Trans. Power
Electron., vol. 20, no. 5, pp. 1093–1099, 2005.
[45] M. Xia, J. Nie, Z. Zhang, X. Lu, and Z. Lin, “Nano Energy Suppressing self-discharge
of supercapacitors via electrorheological e ff ect of liquid crystals,” Nano Energy, vol.
47, no. November 2017, pp. 43–50, 2018.
[46] J. Lee et al., “Modeling of the electrical and thermal behaviors of an ultracapacitor,”
Energies, vol. 7, no. 12, pp. 8264–8278, 2014.
[47] J. Snoussi, S. Ben Elghali, M. Benbouzid, and M. F. Mimouni, “Auto-adaptive
filtering-based energy management strategy for fuel cell hybrid electric vehicles,”
Energies, vol. 11, no. 8, pp. 1–20, 2018.
[48] P. Saenger, N. Devillers, K. Deschinkel, M. C. Pera, R. Couturier, and F. Gustin,
“Optimization of Electrical Energy Storage System Sizing for an Accurate Energy
Management in an Aircraft,” IEEE Trans. Veh. Technol., vol. 66, no. 7, pp. 5572–
5583, 2017.
[49] R. Signorelli, D. C. Ku, J. G. Kassakian, and J. E. Schindall, “Electrochemical double-
layer capacitors using carbon nanotube electrode structures,” Proc. IEEE, vol. 97, no.
11, pp. 1837–1847, 2009.
[50] Shi, Zhang, Chen, and Mijowska, “Evaluation of Nanoporous Carbon Synthesized
from Direct Carbonization of a Metal–Organic Complex as a Highly Effective Dye
Adsorbent and Supercapacitor,” Nanomaterials, vol. 9, no. 4, p. 601, 2019.
[51] N. Xu and J. Riley, “Nonlinear analysis of a classical system : The double ‐ layer
capacitor,” Electrochem. commun., vol. 13, no. 10, pp. 1077–1081, 2011.
[52] S. Njoya Motapon, L. A. Dessaint, and K. Al-Haddad, “A comparative study of
energy management schemes for a fuel-cell hybrid emergency power system of more-
electric aircraft,” IEEE Trans. Ind. Electron., vol. 61, no. 3, pp. 1320–1334, 2014.
[53] “Implement generic supercapacitor model - Simulink - MathWorks España.”
[Online]. Available:
https://es.mathworks.com/help/physmod/sps/powersys/ref/supercapacitor.html.
[Accessed: 20-Jun-2019].
[54] M. Michalczuk, L. M. Grzesiak, and B. Ufnalski, “Experimental parameter
identification of battery-ultracapacitor energy storage system,” IEEE Int. Symp. Ind.
Electron., vol. 2015-Septe, pp. 1260–1265, 2015.
[55] V. Musolino, L. Piegari, and E. Tironi, “New full-frequency-range supercapacitor
 Referencias
155

model with easy identification procedure,” IEEE Trans. Ind. Electron., vol. 60, no. 1,
pp. 112–120, 2013.
[56] C. Wang, H. He, Y. Zhang, and H. Mu, “A comparative study on the applicability of
ultracapacitor models for electric vehicles under different temperatures,” Appl.
Energy, vol. 196, pp. 268–278, 2017.
[57] L. Zhang, Z. Wang, X. Hu, F. Sun, and D. G. Dorrell, “A comparative study of
equivalent circuit models of ultracapacitors for electric vehicles,” J. Power Sources,
vol. 274, pp. 899–906, 2015.
[58] C. Xie, X. Liu, L. Huang, and W. Fang, “Modeling of supercapacitor modules in the
hybrid powertrain with a nonlinear 3-branch equivalent circuit,” Int. J. Energy Res.,
vol. 42, no. 11, pp. 3524–3534, 2018.
[59] L. Zhang, X. Hu, Z. Wang, F. Sun, and D. G. Dorrell, “A review of supercapacitor
modeling , estimation , and applications : A control / management perspective,”
Renew. Sustain. Energy Rev., vol. 81, no. May 2017, pp. 1868–1878, 2018.
[60] E. Schaltz, P. O. Rasmussen, and A. Khaligh, “Non-inverting buck-boost converter
for fuel cell applications,” IECON Proc. Industrial Electron. Conf., pp. 855–860,
2008.
[61] E. Schaltz and P. O. Rasmussen, “Design and comparison of power systems for a fuel
cell hybrid electric vehicle,” Conf. Rec. - IAS Annu. Meet. IEEE Ind. Appl. Soc., pp.
1–8, 2008.
[62] E. Schaltz, “Design ofa Fuel Cell Hybrid Electric Vehicle Drive System,” PhD Thesis,
2010, Aalborg University, Denmark.
[63] T. Azib, C. Larouci, A. Chaibet, and M. Boukhnifer, “Online energy management
strategy of a hybrid fuel cell/battery/ultracapacitor vehicular power system,” IEEJ
Trans. Electr. Electron. Eng., vol. 9, no. 5, pp. 548–554, 2014.
[64] P. Thounthong, S. Raël, and B. Davat, “Energy management of fuel
cell/battery/supercapacitor hybrid power source for vehicle applications,” J. Power
Sources, vol. 193, no. 1, pp. 376–385, 2009.
[65] R. Georgious, J. Garcia, P. Garcia, and M. Sumner, “Analysis of hybrid energy
storage systems with DC link fault ride-through capability,” ECCE 2016 - IEEE
Energy Convers. Congr. Expo. Proc., 2016.
[66] T. Azib, O. Bethoux, G. Remy, C. Marchand, and E. Berthelot, “An innovative control
strategy of a single converter for hybrid fuel cell/supercapacitor power source,” IEEE
Trans. Ind. Electron., vol. 57, no. 12, pp. 4024–4031, 2010.
[67] P. Thounthong, P. Sethakul, S. Raël, and B. Davat, “Control of fuel
cell/battery/supercapacitor hybrid source for vehicle applications,” Proc. IEEE Int.
Conf. Ind. Technol., 2009.
[68] Tangirala Arun, “Principles of System Identification,” CRC Press, 2015.
[69] R. Isermann and M. Münchhof, “Identification of Dynamic Systems,” Springer, 2011.
[70] L. Turos, I. Szekely, G. Csernath, and K. Gyorgy, “Offline Battery Pack Model
Optimization,” EPE 2014 - Proc. 2014 Int. Conf. Expo. Electr. Power Eng., no. Epe,
 Referencias
156

pp. 973–977, 2014.

[71] Y. Parvini, “Modeling , Hybridization , and Optimal Charging of Electrical Energy
Storage Systems,” Clemson University, 2016.
[72] G. L. Plett, “Extended Kalman filtering for battery management systems of LiPB-
based HEV battery packs - Part 2. Modeling and identification,” J. Power Sources,
vol. 134, no. 2, pp. 262–276, 2004.
[73] D. Jiani, L. Zhitao, W. Youyi, and W. Changyun, “A fuzzy logic-based model for Li-
ion battery with SOC and temperature effect,” IEEE Int. Conf. Control Autom. ICCA,
pp. 1333–1338, 2014.
[74] R. A. Jackey, G. L. Plett, and M. J. Klein, “Parameterization of a Battery Simulation
Model Using Numerical Optimization Methods,” Comput. Eng., vol. 4970, 2009.
[75] Agilent technologies, “(Function Generator) Users Guide Agilent 33120A 15 MHz
Function / Arbitrary Waveform Generator,” 2002.
[76] Y. X. Yuan, “Recent advances in trust region algorithms,” Math. Program., vol. 151,
no. 1, pp. 249–281, 2015.
[77] X. Zhang, H. Peng, H. Wang, and M. Ouyang, “Hybrid Lithium Iron Phosphate
Battery and Lithium Titanate Battery Systems for Electric Buses,” IEEE Trans. Veh.
Technol., vol. 67, no. 2, pp. 956–965, 2018.
[78] M. U. Cuma and T. Koroglu, “A comprehensive review on estimation strategies used
in hybrid and battery electric vehicles,” Renew. Sustain. Energy Rev., vol. 42, pp.
517–531, 2015.
[79] N. Nitta, F. Wu, J. T. Lee, and G. Yushin, “Li-ion battery materials: Present and
future,” Mater. Today, vol. 18, no. 5, pp. 252–264, 2015.
[80] E. Hosseinzadeh, R. Genieser, D. Worwood, A. Barai, J. Marco, and P. Jennings, “A
systematic approach for electrochemical-thermal modelling of a large format lithium-
ion battery for electric vehicle application,” J. Power Sources, vol. 382, no. January,
pp. 77–94, 2018.
[81] M. Farag, M. Fleckenstein, and S. Habibi, “Continuous piecewise-linear , reduced-
order electrochemical model for lithium-ion batteries in real-time applications,” J.
Power Sources, vol. 342, 2017.
[82] D. Sauerteig, N. Hanselmann, A. Arzberger, H. Reinshagen, S. Ivanov, and A. Bund,
“Electrochemical-mechanical coupled modeling and parameterization of swelling and
ionic transport in lithium-ion batteries,” J. Power Sources, vol. 378, no. September
2017, pp. 235–247, 2018.
[83] C. Zhang, W. Allafi, Q. Dinh, P. Ascencio, and J. Marco, “Online estimation of
battery equivalent circuit model parameters and state of charge using decoupled least
squares technique,” Energy, vol. 142, pp. 678–688, 2018.
[84] E. Raszmann, K. Baker, Y. Shi, and D. Christensen, “Modeling Stationary Lithium-
Ion Batteries for Optimization and Predictive Control Preprint Modeling Stationary
Lithium-Ion Batteries for Optimization and Predictive Control,” vol. 18302, 2017.
[85] C. Zhang, K. Li, J. Deng, and S. Song, “Improved Realtime State-of-Charge
 Referencias
157

Estimation of LiFePO4Battery Based on a Novel Thermoelectric Model,” IEEE

Trans. Ind. Electron., vol. 64, no. 1, pp. 654–663, 2017.
[86] S. Nejad, D. T. Gladwin, and D. A. Stone, “A systematic review of lumped-parameter
equivalent circuit models for real-time estimation of lithium-ion battery states,” J.
Power Sources, vol. 316, pp. 183–196, 2016.
[87] A. A. H. Hussein and I. Batarseh, “An overview of generic battery models,” IEEE
Power Energy Soc. Gen. Meet., no. 4, pp. 4–9, 2011.
[88] X. Hu, S. Li, and H. Peng, “A comparative study of equivalent circuit models for Li-
ion batteries,” J. Power Sources, vol. 198, pp. 359–367, 2012.
[89] Il-Song Kim, “Nonlinear State of Charge Estimator for Hybrid Electric Vehicle
Battery,” IEEE Trans. Power Electron., vol. 23, no. 4, pp. 2027–2034, 2008.
[90] C. R. Gould, C. M. Bingham, D. A. Stone, and P. Bentley, “New battery model and
state-of-health determination through subspace parameter estimation and state-
observer techniques,” IEEE Trans. Veh. Technol., vol. 58, no. 8, pp. 3905–3916, 2009.
[91] C. Gould, J. Wang, D. Stone, and M. Foster, “EV/HEV Li-ion battery modelling and
State-of-Function determination,” SPEEDAM 2012 - 21st Int. Symp. Power Electron.
Electr. Drives, Autom. Motion, pp. 353–358, 2012.
[92] A. Barai, W. D. Widanage, J. Marco, A. Mcgordon, and P. Jennings, “A study of the
open circuit voltage characterization technique and hysteresis assessment of lithium-
ion cells,” J. Power Sources, vol. 295, pp. 99–107, 2015.
[93] R. Ahmed et al., “Model-Based Parameter Identification of Healthy and Aged Li-ion
Batteries for Electric Vehicle Applications,” SAE Int. J. Altern. Powertrains, vol. 4,
no. 2, pp. 2015-01–0252, 2015.
[94] T. Huria, M. Ceraolo, J. Gazzarri, and R. Jackey, “High Fidelity Electrical Model with
Thermal Dependence for Characterization and Simula- tion of High Power Lithium
Battery Cells,” Syst. Eng., pp. 1–8, 2012.
[95] A. Hentunen, T. Lehmuspelto, and J. Suomela, “Time-domain parameter extraction
method for thévenin-equivalent circuit battery models,” IEEE Trans. Energy
Convers., vol. 29, no. 3, pp. 558–566, 2014.
[96] J. Rivera-Barrera, N. Muñoz-Galeano, and H. Sarmiento-Maldonado,“SoC
Estimation for Lithium-ion Batteries: Review and Future Challenges, ” Electronics,
vol. 6, no. 4. 2017.
[97] H. Hongwen, X. Rui, Z. Xiaowei, S. Fengchun, and F. JinXin, “State-of-Charge
Estimation of the Lithium-Ion Battery Using an Adaptive Extended Kalman Filter
Based on an Improved Thevenin Model,” Veh. Technol. IEEE Trans., vol. 60, no. 4,
pp. 1461–1469, 2011.
[98] C. Raga, A. Barrado, A. Lazaro, I. Quesada, M. Sanz, and P. Zumel, “Driving profile
and fuel cell minimum power analysis impact over the size and cost of fuel cell based
propulsion systems,” Proc. - 2015 9th Int. Conf. Compat. Power Electron. CPE 2015,
pp. 390–395, 2015.
[99] M. Ristic, Y. Gryska, J. V. M. McGinley, and V. Yufit, “Supercapacitor energy
 Referencias
158

storage for magnetic resonance imaging systems,” IEEE Trans. Ind. Electron., vol.
61, no. 8, pp. 4255–4264, 2014.
[100] W. Wu, J. Partridge, and R. Bucknall, “Development and Evaluation of a Degree of
Hybridisation Identification Strategy for a Fuel Cell Supercapacitor Hybrid Bus,”
Energies, vol. 12, no. 1, p. 142, 2019.
[101] F. Ciccarelli, L. P. Di Noia, and R. Rizzo, “Integration of photovoltaic plants and
supercapacitors in tramway power systems,” Energies, vol. 11, no. 2, pp. 1–14, 2018.
[102] S. Vazquez, S. M. Lukic, E. Galvan, L. G. Franquelo, and J. M. Carrasco, “Energy
Storage Systems for Transport and Grid Applications,” IEEE Trans. Ind. Electron.,
vol. 57, no. 12, pp. 3881–3895, 2010.
[103] X. Yang, P. Wen, Y. Xue, T. Q. Zheng, and Y. Wang, “Super capacitor energy storage
based MMC for energy harvesting in mine hoist application,” Energies, vol. 10, no.
9, 2017.
[104] H. Yang and Y. Zhang, “A study of supercapacitor charge redistribution for
applications in environmentally powered wireless sensor nodes,” J. Power Sources,
vol. 273, pp. 223–226, 2015.
[105] H. Wang et al., “Suppressing the Self-Discharge of Supercapacitors by Modifying
Separators with an Ionic Polyelectrolyte,” Adv. Mater. Interfaces, vol. 5, no. 10, pp.
1–7, 2018.
[106] W. Sarwar, M. Marinescu, N. Green, N. Taylor, and G. Offer, “Electrochemical
double layer capacitor electro-thermal modelling,” J. Energy Storage, vol. 5, pp. 10–
24, 2016.
[107] H. Wang and L. Pilon, “Mesoscale modeling of electric double layer capacitors with
three-dimensional ordered structures,” J. Power Sources, vol. 221, pp. 252–260, 2013.
[108] L. Shi and M. L. Crow, “Comparison of ultracapacitor electric circuit models,” IEEE
Power Energy Soc. 2008 Gen. Meet. Convers. Deliv. Electr. Energy 21st Century,
PES, pp. 1–6, 2008.
[109] H. Miniguano, A. Barrado, C. Raga, A. Lázaro, C. Fernández, and M. Sanz, “A
comparative study and parameterization of supercapacitor electrical models applied
to hybrid electric vehicles,” International Conference on Electrical Systems for
Aircraft, Railway, Ship Propulsion and Road Vehicles & International Transportation
Electrification Conference (ESARS-ITEC), pp. 5–10, 2017.
[110] M. Ceraolo, G. Lutzemberger, and D. Poli, “State-Of-Charge Evaluation Of
Supercapacitors,” J. Energy Storage, vol. 11, pp. 211–218, 2017.
[111] L. Zubieta and R. Bonert, “Characterization of double-layer capacitors for power
electronics applications,” IEEE Trans. Ind. Appl., vol. 36, no. 1, pp. 199–205, 2000.
[112] C. H. Wu, Y. H. Hung, and C. W. Hong, “On-line supercapacitor dynamic models for
energy conversion and management,” Energy Convers. Manag., vol. 53, no. 1, pp.
337–345, 2012.
[113] C. Quintáns, R. Iglesias, A. Lago, J. M. Acevedo, and C. Martínez-Peñalver,
“Methodology to Obtain the Voltage-Dependent Parameters of a Fourth-Order
 Referencias
159

Supercapacitor Model With the Transient Response to Current Pulses,” IEEE Trans.
Power Electron., vol. 32, no. 5, pp. 3868–3878, 2017.
[114] E. Schaeffer, F. Auger, Z. Shi, P. Guillemet, and L. Loron, “Comparative analysis of
some parametric model structures dedicated to EDLC Diagnosis,” IEEE Trans. Ind.
Electron., vol. 63, no. 1, pp. 387–396, 2016.
[115] Y. Parvini, J. B. Siegel, A. G. Stefanopoulou, and A. Vahidi, “Supercapacitor
Electrical and Thermal Modeling, Identification, and Validation for a Wide Range of
Temperature and Power Applications,” IEEE Trans. Ind. Electron., vol. 63, no. 3, pp.
1574–1585, 2016.
[116] J. Kang, J. Wen, S. H. Jayaram, A. Yu, and X. Wang, “Development of an equivalent
circuit model for electrochemical double layer capacitors (EDLCs) with distinct
electrolytes,” Electrochim. Acta, vol. 115, pp. 587–598, 2014.
[117] K. B. Oldham, “A Gouy-Chapman-Stern model of the double layer at a (metal)/(ionic
liquid) interface,” J. Electroanal. Chem., vol. 613, no. 2, pp. 131–138, 2008.
[118] B. E. Conway, W. G. Pell, and T. C. Liu, “Diagnostic analyses for mechanisms of
self-discharge of electrochemical capacitors and batteries,” J. Power Sources, vol. 65,
no. 1–2, pp. 53–59, 1997.
[119] H. Ji et al., “Capacitance of carbon-based electrical double-layer capacitors,” Nat.
Commun., vol. 5, no. Cmcm, pp. 1–7, 2014.
[120] R. Faranda, “A new parameters identification procedure for simplified double layer
capacitor two-branch model,” Electr. Power Syst. Res., vol. 80, no. 4, pp. 363–371,
2010.
[121] H. Yang and Y. Zhang, “Characterization of supercapacitor models for analyzing
supercapacitors connected to constant power elements,” J. Power Sources, vol. 312,
pp. 165–171, 2016.
[122] J. Solano, D. Hissel, and M. C. Pera, “Modeling and parameter identification of
ultracapacitors for hybrid electrical vehicles,” IEEE Veh. Power Propuls. Conf., pp.
214–217, 2013.
[123] S. H. Kim, W. Choi, K. B. Lee, and S. Choi, “Advanced dynamic simulation of
supercapacitors considering parameter variation and self-discharge,” IEEE Trans.
Power Electron., vol. 26, no. 11, pp. 3377–3385, 2011.
[124] S. Buller, E. Karden, D. Kok, and R. W. De Doncker, “Modeling the dynamic
behavior of supercapacitors using impedance spectroscopy,” IEEE Trans. Ind. Appl.,
vol. 38, no. 6, pp. 1622–1626, 2002.
[125] V. Musolino, L. Piegari, and E. Tironi, “New full-frequency-range supercapacitor
model with easy identification procedure,” IEEE Trans. Ind. Electron., vol. 60, no. 1,
pp. 112–120, 2013.
[126] T. Wei, X. Qi, and Z. Qi, “An improved ultracapacitor equivalent circuit model for
the design of energy storage power systems,” Electr. Mach. Syst. 2007. …, no. c, pp.
1–5, 2007.
[127] J. M. Miller, P. J. McCleer, and M. Cohen, “Ultracapacitors as energy buffers in a
 Referencias
160

multiple zone electrical distribution system,” Glob. Powertrain Conf. Expo. Crowne
Plaza Hotel. Ann Arbor, MI, 2003.
[128] C. Quintáns, R. Iglesias, A. Lago, J. M. Acevedo, and C. Martínez-Peñalver,
“Methodology to Obtain the Voltage-Dependent Parameters of a Fourth-Order
Supercapacitor Model With the Transient Response to Current Pulses,” IEEE Trans.
Power Electron., vol. 32, no. 5, pp. 3868–3878, 2017.
[129] W. Lajnef, J. M. Vinassa, O. Briat, S. Azzopardi, and E. Woirgard, “Characterization
methods and modelling of ultracapacitors for use as peak power sources,” J. Power
Sources, vol. 168, no. 2, pp. 553–560, 2007.
[130] H. Yang, “Estimation of Supercapacitor Charge Capacity Bounds Considering Charge
Redistribution,” IEEE Trans. Power Electron., vol. 33, no. 8, pp. 6980–6993, 2018.
[131] S. Noh, J. Choi, H. C. Kim, and E. K. Lee, “PSiM based electric modeling of
supercapacitors for line voltage regulation of electric train system,” PECon 2008 -
2008 IEEE 2nd Int. Power Energy Conf., no. PECon 08, pp. 855–859, 2008.
[132] W. D. Widanage et al., “Design and use of multisine signals for Li-ion battery
equivalent circuit modelling. Part 1: Signal design,” J. Power Sources, vol. 324, pp.
70–78, 2016.
[133] M. Shirazi, J. Morroni, A. Dolgov, R. Zane, and D. Maksimovic, “Integration of
frequency response measurement capabilities in digital controllers for dc-dc
converters,” IEEE Trans. Power Electron., vol. 23, no. 5, pp. 2524–2535, 2008.
[134] P. J. Weddle, R. J. Kee, and T. Vincent, “A Stitching Algorithm to Identify Wide-
Bandwidth Electrochemical Impedance Spectra for Li-Ion Batteries Using Binary
Perturbations,” J. Electrochem. Soc., vol. 165, no. 9, pp. A1679–A1684, 2018.
[135] J. D. Gabano, T. Poinot, and H. Kanoun, “LPV continuous fractional modeling
applied to ultracapacitor impedance identification,” Control Eng. Pract., vol. 45, pp.
86–97, 2015.
[136] Y. Li, C. Liao, L. Wang, L. Wang, and D. Xu, “Subspace-based modeling and
parameter identification of lithium-ion batteries,” Int. J. Energy Res., vol. 38, no.
October 2013, pp. 1024–1038, 2013.
[137] H. Zhang and M. Y. Chow, “Comprehensive dynamic battery modeling for PHEV
applications,” IEEE PES Gen. Meet. PES 2010, pp. 1–6, 2010.
[138] M. S. Farag, R. Ahmed, S. A. Gadsden, S. R. Habibi, and J. Tjong, “A comparative
study of Li-ion battery models and nonlinear dual estimation strategies,” 2012 IEEE
Transp. Electrif. Conf. Expo, ITEC 2012, 2012.
[139] H. Miniguano, A. Barrado, C. Fernández, P. Zumel, and L. Antonio, “A General
Parameter Identification Procedure Used for the Comparative Study of
Supercapacitors Models,” Energies, vol. 12, no. 1776, p. 20, 2019.
[140] N. Somakettarin and T. Funaki, “Study on Factors for Accurate Open Circuit Voltage
Characterizations in Mn-Type Li-Ion Batteries,” Batteries, vol. 3, no. 1, p. 8, 2017.
[141] P. J. Grbović, P. Delarue, P. Le Moigne, and P. Bartholomeus, “The ultracapacitor-
based regenerative controlled electric drives with power-smoothing capability,” IEEE
 Referencias
161

Trans. Ind. Electron., vol. 59, no. 12, pp. 4511–4522, 2012.
[142] A. Burke, “Ultracapacitor technologies and applications in hybrid and electric
vehicles,” Int. J. Energy Res., no. 2, pp. 70–79, 2009.
[143] C. Raga, A. Barrado, H. Miniguano, A. Lazaro, I. Quesada, and A. Martin-Lozano,
“Analysis and Sizing of Power Distribution Architectures Applied to Fuel Cell Based
Vehicles,” Energies, vol. 11, no. 10, p. 2597, 2018.
[144] X. Wu, X. Li, and J. Du, “State of Charge Estimation of Lithium-Ion Batteries over
Wide Temperature Range Using Unscented Kalman Filter,” IEEE Access, vol. 6, pp.
41993–42003, 2018.
[145] S. Zhang and N. Pan, “Supercapacitors performance evaluation,” Adv. Energy Mater.,
vol. 5, no. 6, pp. 1–19, 2015.
[146] S. Nejad, D. T. Gladwin, and D. A. Stone, “A hybrid battery parameter identification
concept for lithium-ion energy storage applications,” IECON Proc. (Industrial
Electron. Conf., pp. 1980–1985, 2016.
[147] C. Raga, “Dimensionamiento, modelado e implementación de sistemas de
distribución de potencia aplicados a vehículos eléctricos híbridos basados en pilas de
combustible,” Universidad Carlos III de Madrid, 2015.
[148] I. Aharon, D. Shmilovitz, and A. Kuperman, “Multimode power processing interface
for fuel cell range extender in battery powered vehicle,” Appl. Energy, vol. 204, pp.
572–581, 2017.
[149] C. Raga et al., “Black-box model, identification technique and frequency analysis for
PEM fuel cell with overshooted transient response,” IEEE Trans. Power Electron.,
vol. 29, no. 10, pp. 5334–5346, 2014.
[150] X. E. Hong, J. F. Wu, and C. L. Wei, “98.1%-Efficiency Hysteretic-Current-Mode
Noninverting Buck-Boost DC-DC Converter With Smooth Mode Transition,” IEEE
Trans. Power Electron., vol. 32, no. 3, pp. 2008–2017, 2017.
[151] Y. M. Chen, Y. L. Chen, and C. W. Chen, “Progressive smooth transition for four-
switch buck-boost converter in photovoltaic applications,” IEEE Energy Convers.
Congr. Expo. Energy Convers. Innov. a Clean Energy Futur. ECCE 2011, Proc., pp.
3620–3625, 2011.
[152] G. K. Andersen and F. Blaabjerg, “Current Programmed Control of a Single Phase
Two-Switch Buck–Boost Power Factor Correction Circuit,” IEEE Trans. Ind.
Electron., vol. 53, no. 1, pp. 350–356, 2006.
[153] D. H. Kim and B. K. Lee, “An Enhanced Control Algorithm for Improving the Light-
Load Efficiency of Noninverting Synchronous Buck-Boost Converters,” IEEE Trans.
Power Electron., vol. 31, no. 5, pp. 3395–3399, 2016.
[154] Y.-J. Lee, A. Khaligh, and A. Emadi, “A Compensation Technique for Smooth
Transitions in Non-inverting Buck-Boost Converter,” 2009 Twenty-Fourth Annu.
IEEE Appl. Power Electron. Conf. Expo., pp. 608–614, 2009.
[155] C. Yao, X. Ruan, W. Cao, and P. Chen, “A two-mode control scheme with input
voltage feed-forward for the two-switch buck-boost DC-DC converter,” IEEE Trans.
 Referencias
162

Power Electron., vol. 29, no. 4, pp. 2037–2048, 2014.

[156] I. Aharon, A. Kuperman, and D. Shmilovitz, “Analysis of dual-carrier modulator for
bidirectional noninverting buck-boost converter,” IEEE Trans. Power Electron., vol.
30, no. 2, pp. 840–848, 2015.
[157] N. Zhang, S. Batternally, K. C. Lim, K. W. See, and F. Han, “Analysis of the non-
inverting buck-boost converter with four-mode control method,” Proc. IECON 2017
- 43rd Annu. Conf. IEEE Ind. Electron. Soc., vol. 2017-Janua, pp. 876–881, 2017.
[158] V. Choudhary, T. Hegarty, and D. Pace, “Under the hood of a noninverting buck-
boost converter,” Power Supply Design Seminar Texas Instrument, no. 17. 2016.
[159] C. Restrepo, T. Konjedic, J. Calvente, and R. Giral, “Hysteretic transition method for
avoiding the dead-zone effect and subharmonics in a noninverting buck-boost
converter,” IEEE Trans. Power Electron., vol. 30, no. 6, pp. 3418–3430, 2015.
[160] D. C. Jones and R. W. Erickson, “Buck-boost converter efficiency maximization via
a nonlinear digital control mapping for adaptive effective switching frequency,” IEEE
J. Emerg. Sel. Top. Power Electron., vol. 1, no. 3, pp. 153–165, 2013.
[161] P. Thounthong, S. Raël, and B. Davat, “Control of fuel cell/supercapacitors hybrid
power sources,” IECON Proc. (Industrial Electron. Conf., vol. 2005, pp. 768–773,
2005.
 Anexos
163

Anexos

ANEXOS

ANEXOS ----------------------------------------------------------------------------------------- 163

A.1 INTERFAZ DE PROGRAMACIÓN EN LABVIEW --------------------------- 165
A.2 PROGRAMACIÓN DEL PERFIL DE IDENTIFICACIÓN ------------------- 167
 Anexos
164
 Anexos
165

A.1 INTERFAZ DE PROGRAMACIÓN EN LABVIEW

Para realizar las pruebas experimentales necesarias para la identificación de los modelos
de las baterías de ion-litio y supercondensadores, es necesario un software que permita la
sincronización de la instrumentación de laboratorio. El software utilizado en la realización
de esta tesis es LabVIEW, cuya interfaz gráfica y programación por bloques permite
flexibilizar la programación, reduciendo el tiempo de desarrollo en el prototipado y
adquisición de datos.

Los archivos creados en LabVIEW se llaman Instrumentos Virtuales o VIs. Estos

archivos forman parte de las librerías que permiten acceder a múltiples funciones y drivers
de equipos comerciales.

Los perfiles de identificación y verificación de corriente, que son inyectados a la batería

y supercondensador, deben ser generados por una carga compuesta, al menos, por dos
equipos: una carga programable (Chroma 63206A-600) para la demanda de corriente y una
fuente programable (Sorensen SGI400/38) para la inyección de corriente. De esta manera,
es posible emular el perfil de conducción de un vehículo eléctrico con frenado regenerativo.
Además, se requiere la adquisición de los datos, que se realiza a través de una tarjeta de
adquisición de datos (MyDAQ), como se muestra en la Figura A.1.

Fuente Sorensen

Carga Chroma

Batería/ Sensor de Carga

Supercondensador corriente regenerativa

Tensión Corriente
medida medida

Adquisición de datos PC

MyDAQ

Figura A.1. Diagrama de bloques del sistema experimental implementado para la caracterización de baterías y
supercondensadores.

La interfaz de programación de LabVIEW para la adquisición de datos con la tarjeta

MyDAQ, permite visualizar, en un panel frontal, las formas de ondas de corriente y tensión
medidos en los terminales del dispositivo a modelar, así como los controles de ejecución de
la aplicación, Figura A.2. a).

La conexión de este panel está directamente asociada con el diagrama de bloques

mostrado en la Figura A.2. b), a través de funciones VIs que permiten comunicarse y
 Anexos
166

gestionar el flujo de datos, para un posterior procesamiento y estimación de los parámetros

de los modelos de baterías y supercondensadores, a identificar.

a)

b)

Figura A.2. Interfaz de programación en LabVIEW para MyDAQ: a) panel frontal y b) diagrama de bloques.

Las funciones principales del sistema mostrado en el diagrama de bloque es la medida de

tensión de los sensores, a través de dos entradas analógicas, el almacenamiento de los datos
en un archivo, y la monitorización de una protección de sobretensión o cortocircuito a través
de una salida digital. Estas funcionalidades permiten, en tiempo real, monitorizar y controlar
el estado de las medidas experimentales.

Una vez definido el sistema de adquisición de datos, en la siguiente sección, se indica el

procedimiento de control y sincronización de los distintos elementos que conforman la carga
 Anexos
167

dinámica del sistema experimental construido, para producir los perfiles de identificación y
verificación.

A.2 PROGRAMACIÓN DEL PERFIL DE IDENTIFICACIÓN

Durante el proceso de verificación del modelo se utilizan perfiles de verificación estándar,
tales como el perfil de conducción ECE-15 y el HPPC.

En la Figura A.3, se muestra un ciclo del perfil de verificación basado en el perfil de

conducción ECE-15. Este perfil se compone de rampas de corriente y escalones de corriente.

Figura A.3. Perfil de corriente basado en el perfil de conducción ECE-15.

El perfil de corriente de la Figura A.3, debe ser generado por la fuente programable
(Sorensen SGI400/38) y la carga programable (Chroma 63206A-600) conectadas en
paralelo. Para ello, tienen que ser gestionadas y sincronizadas a través de LabVIEW. Para
lograr este objetivo, es necesario transmitir comandos estandarizados como son los SCPI
(Standard Commands for Programmable Instruments). Estos comandos están disponible a
través de librerías desarrolladas por los propios fabricantes de equipos y a través de la web.

Para una mejor comprensión, se muestra como ejemplo el primer tramo del perfil ECE-
15, Figura A.4 a). En la Figura A.4 b) se muestra el diagrama de bloques del circuito que
permite generar las referencias de los pulsos y rampas de corriente. Este perfil se ha dividido
en los tramos A, B, C y D, donde en los tramos A, B y C se programan para que actúe la
carga dinámica Chroma, y el tramo D para que actúe la fuente programable Sorensen.

Una vez definidos los valores de los pulsos y rampas del perfil, este proceso se repite
como función del número de ciclos.
 Anexos
168

t2 ==
i2 ==

t1 ==
i1 ==

t3 ==
i3 == t5 ==
i5 ==
t4 =
=
i4 =
=
A B C D

a)

b)

Figura A.4. Perfil de corriente basado en el perfil de conducción ECE-15: a) valores numéricos y b) diagrama de bloques
en LabVIEW.