S.E.I.T. D.G.I.T. S.E.P.

CENTRO NACIONAL DE INVESTIGACI~N Y DESARROLLO TECNOL~GICO

cenidet

“DETERMINACI~N DEL ESTADO DE CARGA DE BATEI~AS PLOMO-ÁCIDO UTILIZANDO REDES NEURONALES”

T E S I S

PARA OBTENER EL GRADO DE:

MAESTRO EN CIENCIAS

EN INGENIEIÚA ELECTRÓNICA

PRESENTA: MIGUEL ÁNGEL CRISTIN VALDEZ

DIRECTOR DE TESIS DR. CESAR A. ORTEGA SÁNCHEZ

CENIDET CO-DIRECTOR DE TESIS

DR. ENRIQUE QUINTERO-MÁRMOL MÁRQUEZ

0 4 - 0 8 2 8 CUERNAVACA, MOR. NOVEMBRE 2004

cenjdet Ceniro Nacional de Investigación y Oesarrollo Tecnol(igic0 Sistema Nacional de Institutos TecnoI6gicos

ANEXO No.11

ACEPTACI~N DEL DOCUMENTO DE TESIS M10

, ’ Cuernavaca, Mor., a 22 de octubre del 2004

C. Dr. Enrique Quintero-Mármol Márquez Jefe del departamento de Electrónica Preen te.

At’n C. Dr. Gerard0 V. Guerrero Ramírez Presidente de la Academia de Electrónica

Nos es grato comur..-ark, que con.-rme a los lineamientos para la obtención del grado de Maestro en Ciencias de este Centro, y después de haber sometido a revisión académica la tesis titulada: “Determinación del Estado de Carga de Baterías Plomo-Ácido Utilizando Redes Neuronales”, realizada por e l C. Miguel Ángel Cristin Valdez , y dirigida por el Dr. Cesar A. Ortega Sánchez y Co- director Enrique Quintero Mármol Márquez y habiendo realizado las correcciones que l e fueron indicadas, acordamos ACEPTAR el documento final de tesis, así mismo le solicitamos tenga a bien extender e l correspondiente oficio de autorización de impresión.

Atentamente La Comisión de Revisión de Te

CENTRO NACIONAL 9 DE INVEST!GACION

Nombre y firma lievisor

C.C.P. Subdirección Académica Departamento de Servicios Escolares Directores de tesis Estudiante

2 PWSrama de 10s pmgnrni% de Ma&s e<clmcl<~del CENlDET

Acad6mlco. RFSllrnFnlo y Pmcedlrnlenlor Acad0rnlFo-Adrnlni<lhstlvos

. . . . .

cenidet Centro Nacional de invesligaci6n y Desarrollo Tecnológlco

Sistema Nacional de Institutos Tecnoiógicos

ANEXO No. 12

M11 AUTORIZACI~N DE I M P R E S I ~ N DE TESIS

Cuernavaca, Mor., a 27 de octubre del 20004

Ing. Miguel Ángel Cristín Valdez Candidato al grado de Maestro en Ciencias en Ingeniería Electrónica Presente.

Después de haber atendido las indicaciones sugeridas por la Comisión Revisora de la Academia de Electrónica en relación a su trabajo de tesis cuyo titulo es: “Determinación del Estado de Carga de Baterías Plomo-Acido Utilizando Redes Neuronales”, me es grato comunicarle que conforme a los lineamientos establecidos para la obtención del grado de Maestro en Ciencias en este centro se le concede la autorización para que proceda con la impresión de su tesis.

Atentamente

Y , I

Dr. Enrique QuinterdMánnol Márquez Jefe del Departamento,de _.( Electrónica

C.C.P. Subdirecci6n Académica presidente de la Academia de Electrónica Departamento de Servicios Escolares Expediente

!

I DEDICATORIAS

A mi esposa

Adnana Villanueva Ávila

Y

A mis hijos

Ángel y Nelly Cnstín Villanueva

Juntos forman lo más importante en mi vida

AGRADECIMIENTOS

A mi esposa Adriana por su enorme paciencia y por haberme apoyado cuando más lo necesite.

A mis hijos Ángel y Nelly, por enmarcar con sus nacimientos este reto, no pude haber tenido mejor motivación y recompensa.

A mis asesores Dr. Cesar A. Ortega Sánchez y Dr. Enrique Quintero Mármol, por haberme corregido el rumbo cuando perdía el camino.

A mis compañeros y amigos Salvador De Lara Jayme, Guadalupe Madrigal Espinosa y Jaime Orozco Valera, por su ayuda desinteresada.

A todos los M.C. del grupo IIE (entiéndase : Agustín, Amulfo, Javier, Luis, Miguel Martínez, Miguel Vázquez, Neftalí y Victor) por disfrutar este hobby conmigo.

Al cenidet por los conocimientos brindados.

AI IIE por el apoyo brindado.

RESUMEN

La conversión de energía solar en electricidad a través de módulos o paneles fotovoltaicos es una alícrnativa atractiva para electrificar localidades remotas o respaldar sistemas de alta disponibilidad. Para mantener el suministro .eléctrico durante las noches o en días de poca insolación, la energía que no se utiliza durante el día se almacena en bancos de baterías recargable's. Por su gran capacidad para almacenar carga, las baterías plomo-ácido (BPA) son las que comúnmente se emplean para almacenar estos excedentes energéticos.

Para que las BPA funcionen de manera óptima es preciso mantener su nivel de carga dentro de un rango de trabajo. Es decir, no se pueden sobrecargar ni descargar fuera del rango establecido sin correr el riesgo de dañarlas permanentemente. Para garantizar que las BPA se encuentren trabajando en la región segura, se utilizan circuitos electrónicos denominados controladores de carga. Un factor crítico para realizar un adecuado control de carga de las baterías es determinar el estado de carga de las mismas.

En esta tesis se presenta el disefio, la simulación, la implementación y las pruebas realizadas a una red neuronal que calcula el estado de carga de batenas plomo-ácido. La red fue implementada en un controlador de carga basado en microcontrolador y tiene como entradas: el voltaje de la batería, la temperatura y el estado de carga anterior.

En el capítulo 1 se presenta la problemática del control de carga de baterías en sistemas fotovoltaicos así como los antecedentes directos de este trabajo de tesis y la hipótesis que se desea probar.

En el capítulo 2 se describen breveniente algunos métodos para la determinación del estado de carga de baterías así como algunos trabajos previos desarrollados en otras partes del mundo relacionados con el cálculo de estado de carga utilizando redes neuronales

En el capítulo 3 se presenta una breve introducción a la tecnología de las redes neuronales y se describen algunos ejemplos clásicos de este tipo de redes.

En el capítulo 4 se presentan las dos topologías de red neuronal que se desarrollaron en este trabajo. Igualmente se presentan los entrenamientos y pruebas que se realizaron a cada topología con el fin de seleccionar la mejor para su implementación en un controlador de carga basado en microcontrolador.

En el capítulo 5 se presentan las consideraciones que se tomaron en cuenta para la implementación en un microcontrolador de la red seleccionada. Igualmente se presenta un conjunto de pruebas que se realizaron para demostrar que calcular el estado de carga utilizando una red neuronal mejora el desempeño de un controlador de carga de baterías que utilizaba originalmente la técnica de conteo de amperes para el cálculo de estado de carga.

En el apartado de conclusiones se presentan las ventajas, limitaciones y aportaciones de la red neuronal desarrollada en este trabajo.

SUMMARY

Conversion of solar power into electricity using photovoltaic panels is an attractive alternative to electrify remote communities or to backup high-availability systems. The energy that is not. used during the day is stored in banks of rechargeable batteries to supply electricity during the nights. For her great aptitude to store charge, lead-acid batteries (LAB) are commonly used to store these energetic surpluses.

To keep LABS operating at optimum conditions, it is necessary to maintain their level of charge within a working-range. That is to say, they can neither he overcharged nor over- discharged, without running the risk of damaging them permanently. Electronic charge- controllers are used to guarantee that the LABs are used within the safe region.

A critical factor to perform a correct charge-control is to accurately determine the state of charge of the LABs.

This thesis presents the design, simulation, implementation and tests of a neuronal network that estimates the state of charge of lead-acid batteries. The neural network was implemented in a charge controller based on microcontroller. It receives as inputs the LAB’S voltage, the temperature and the previous state-of-charge.

Chapter 1 presents the problems associated to the charge-control of batteries in photovoltaic systems as well as the direct precedents of this work and the hypothesis to be proved.

in chapter 2 some methods to determine the state of charge of batteries are described as well as some previous works developed in other parts of the world related to the estimation of state-of- charge using neural networks.

Chapter 3 presents a brief introduction to neural network technology and some examples are described.

Chapter 4 presents the two neural network topologies that were developed in this thesis. Also, the training and tests that were applied to each topology in order to select the best for its implementation in a microcontroller-based charge-controller are presented.

Chapter 5 presents the considerations that were born in mind for the implementation in a microcontroller of the selected neural network. Equally it presents a set of tests that were camed out to demonstrate that estimating the state-of-charge using a neural network improves the performance of a charge-controller that originally used Ampere-counting to estimate state-of-charge.

The conclusions present the advantages, limitations and contributions of the neural network developed in this work.

CONTENIDO ... Lista de Tablas y Figuras ................................................................................ 111

Lista de Abreviaturas ......................................................................................V

Introducción .......................................................................................................... 1 1 .......... .................. 1.1 Interacción entre módulos fotovoltaicos y baterías

.................. 1.2 Baterías de plomo-ácido..... ....................

1.3 1.4 Antecedentes ........................

1.5 Hipótesis ................ ..................................

Control de Carga de Baterías en Sistemas Fotovoltaicos ..........

......................

2 Determinación del Estado de Carga de Baterías ................................ 7 Determinación del Estado de Carga de Baterías Utilizando Redes Neuronales ... 9

Introducción a las Redes Neuronales ................................................ 12

2.1

3 3. I Modelo de Red Perceptrón ...............

3.1.1 Reglas de Aprendiz

3.2 El Perceptrón Multinivel

3.3.1 Redes ADALINE ( 3.3 Redes ADALINE y MADALINE. ........................ ........................ 17

3.3.2 Redes MADALWE (Multiple ADALINE) ......... ................... 19

3.4 Red de Retropropagación ........................... ....................................................... 19 3.4.1 La Regla Delta Generalizada ............. ....................................................... 20 3.4.2 Funcionamiento del algoritmo ............................ ..................................... 21 3.4.3 Adición de un momento en la regla delta gener da ................................ 22 3.4.4 Estructura y aprendizaje de la red de retropropagación ............................... 22 3.4.5 Pasos para aplicar el algoritmo de entrenamiento ........................................ 23 3.4.6 Importancia de la retropropagación ... .................................................. 25 3.4.7 Dimensionamiento de la red .............. ......... 26

Adaptive Neuro-Fuzzy Inference Systems (ANFIS) .............................................. 26 3.5.1 Arquitectura ANFIS _.. .................................................................. 26

3.5

4 Diseño de la Red Neuronal para Determinar el Estado de Carga de Baterías Plomo Acido .................................................................................... 31

Generación de los datos para el entrenamiento de la red ................................... 32 4.1.1 Generación de datos secuenciales ................... .......................... 33 4.1.2 Generación de datos a diferentes regímenes de cargddescarga ................... 36

,.

4.1

1

. .............. 4.2 Topologias propuestas.. .........

............. 4.3 Determinación de la mejor topología ......... 4.3.1 4.3.2 4.3.3

Entrenamientos de las diferentestopologías .... Selección de 1aTopología .......... ............. Simulación de la topología seleccionada.

5 Implementación y Pruebas ................................................................. 62 5.1 5.2 Configuraciónjisica para las pruebas 5.3 Pruebas de validación. ............................

Implementación de la red en el controlador de carga ..................

5.3.1 Prueba 1 .__. ......................................... 5.3.2 Prueba 2.... 5.3.3 Prueba 3 ...................................... 5.3.4 Prueba4 .................................... :. 5.3.5 Prueba 5 ...................................... 5.3.6 Prueba 6 ........................................................................................................ 81

5.4 Resumen de Resultados .................................... ......................... 83

6 Conclusiones 85

6.2 Limitaciones de la Red Neuronal Implementada . .......................... 86

......................................................................................... 6. I Ventajas de la red Neuronal ..................................................

6.3 Aportaciones ........................................................................................ 87

6.4 Trabajos Futuros ...................................................... .................. 87

7 Referencias ........................................................................................... 89

ANEXO A ............................................................................................................................ 91

LISTA DE TABLAS Y FIGURAS

Figura 1 . 1 . - Distribución de la energía a la carga en un sistema fotovoitaico. ............................ Figura 1,2,-Algorimo de cargarecomendado por HawkerEnergy Products .......................................... Figura 1.3.. Controlador de carga desarrollado en el IIE ...................

Tabla 2.1.- Métodos de determinación del estado de carga de baterías y sus aplicaciones. ............... Figna2.1,- Esmcmrade laredneuronal utilizadaen [I61 ................................................................ 10

............................... 15

.... : ......................................... 5 ., Figura 1.4.- Esquema de la estacionremota ....................................................................................... 6

Figura 2.2.- Esmctura de la red neuronal utilizada en [ 171 ....... : ..................................................

Figura 3.2.- Representación del modelo del perceptrón multinivel .......... Figura 3.3.- Representación de las regiones de decisión que permite el modelo del perceptrón multinivel ... 16 Figura 3.4.- El ADALINE completo

.................................................................................................... 20 Figura 3.6.- Modelo difuso tipo Sugeno de primer orden con dos entradas y dos regias ........................... 27

Figura 3.1 . - Representación del modelo del perceptrón ........................ ................................... 16

.................................................................................. Figura 3.8.- Representación de una s ficie de error; w representa los valores posibles de la matriz de pesos

de la red. ...............

Figura 3.7.- Arquitectura ANFIS equivalente al modelo difuso tipo Sugeno de primer orden con dos entradas

Figura 3.8.- Función de pertenencia tipo trapecio. .................................................... Figura 3.9.- Arquitectura ANFIS para el modelo difuso tipo Sugeno, donde la normalización de los pesos se

Figura 4.1.- Arreglo para la generación de datos secuenciales ............................................................. 33 Figura 4.2.- Datos secuenciales utilizados para el entrenamiento de la red ............................................. 34 Figura 4.3.- Datos recolectados en la torre de auxilio vial utilizados para la validación de la red neuronal en la

etapa de simulación. ............ ................................ ....................................................... 35 Figura 4.4.- Datos recolectados en el ciclo de descarga /carga a corriente constante de 1 Amper ............... 36 Figura 4.8.- Datos recolectados en el ciclo de descarga/carga a corriente constante de 3 Amperes .............. 37 Figura4.6.- Datos recolectados en el ciclo de descarga a corriente constante de 5 Amperes ...................... 37 Figura 4.7.- Datos recolectados en el ciclo de descarga a corriente constante de 7 Amperes, carga a corriente

constante de 5 amperes y descarga a comente constante de 9 Amperes ......................................... 38 Figura 4.8.- Datos no secuenciales para el entrenamiento de la red conformados con los datos recolectados

durante los ciclos de cargaidescarga a diferentes regímenes ........................................................ 39 Figura 4.9.- Topologias propuestas con dos funciones de pertenencia trapezoidales a la entrada ................ 41 Figura 4.10.- Comportamiento del error cuadrático medio conforme se incrementa el número de épocas ..... 43 Figura 4.1 1.- Comparación entre la salida esperada y la calculada por la red neuronal al evaluar los datos de

entrenamiento con una red entrenada 50 épocas Figura 4.12.- Comparación entre la salida esperada y

Figura 4.13.- Funciones de pertenencia yparámetros de la red entrenada 50 épocas. ............................... 46 Figura 4.14.- Comportamiento del error cuadrático medio conforme se incrementa el número de épocas ..... 41 Figura 4.15.- Comparación entre la salida esperada y la calculada por la red neuronal al evaluar los datos de

entrenamiento con una red entrenada 160 épocas ..................................................................... 48 Figura 4.16.- Comportamiento del error cuadrático medio de la red que calcula el estado de carga cuando la

bateria se esta cargando ........................................... Figura 4.17.- Comparación entre la salida esperada y la calcul

datos de validación con una red entrenada 200 épocas ..........................

y dos reglas. .......................................... ....................................................................... 28 .................... 29

implementa en la última capa. . ........................... .......................................................... 30

...................................................... lculada por la red neuronal al evaluar los

validación con una red entrenada 80 épocas .................... ~ ............ ...............

......................... or la red neuronal (

... 111

Figura 4.18.- Comportamiento del error cuadrático medio de la red que calcula el estado de carga cuando la

Figura 4.19.- Comparación entre la salida esperada y la calculada por la red neuronal (de descarga) al evaluar

Figura 4.20.- Funciones de pertenencia y parámetros de la red de carga entrenada 200 épocas .................. 53

Figura 4.22.- Comparación entre el valor del estado de carga registrado por el controlador y el calculado por

Figura 4.23.- Comparación entre el valor del estado de carga registrado por el controlador y el calculado por la red neuronal simulada al evaluar un rango de los datos de campo del mes de diciembre de 2003 .... 58

Figura 4.24.- Comparación entre el valor del estado de carga registrado por el controlador y el calculado por la red neuronal simulada al evaluar los datos de campo del mes de enero de 2004 completos

Figura 4.25.- Comparación entre el valor del estado de carga registrado por el controlador y el cal la red neuronal simulada al evaluar un rango de los datos de campo del mes de enero de 2004 .......... 60

Figura 5.1 .- Controlador de carga desarrollado en el IIE .. ................................................... 62 Figura 5.2.- Funciones de pertenencia y parámetros de la red programada en el controlador de carga ......... 64 Tabla 5.1 .- Simulación de la ejecución de la red neuronal cada segundo ............................................... 65 Figura 5.3.- Algoritmo de la red neuro-difusa implementada en el controlador de carga ........................... 68 Figura 5.4.- Arreglo del equipo utilizado para realizar las pmebas de validación de la red neuronal ........... 69 Figura 5.5.- Demanda constante de 4 amperes ................................................................................. 72 Figura 5.6.- Demanda constante de 6 amperes ................................................................................. 74 Figura 5.7.- Demanda de corriente variable y aleatoria ...................................................................... 76 Figura 5.8.- Descargas intermitentes .............................................................................................. 78 Figura 5.9.- Descargas con corrientes pequeñas ...... : ........................................................................ 80 Figura 5.10.- Descargas con corrientes alta .............................................................................. 82 Tabla 5.2.- Resumen de resultados de las

batería se esta descargando ..........................................

los datos de validación con una red entrenada 500 épocas .............

............................ 51

.................................. 52

Figura 4.21.- Funciones de pertenencia y parámetros de la red de descarga entrenada 500 épocas .............. 54

la red neuronal simulada al evaluar los datos de campo del mes de diciembre de 2003 completos ...... 57

....................................

iv

BPA GCI IIE RNA ADALINE MADALINE MRII CAL ANFIS TSK EC

Temp Vbat 'hat ECCA ECRNA CA

ECmt

LISTA DE ABREVIATURAS

BATERÍA PLOMO ÁCIDO

INSTITUTO ESTIGACIONES ELÉCTRICAS GERENCIA DE CONTROL E INSTRUMENTACIÓN

SYSTEM

I TEMPERATURA VOLTAJE DE BATElÚA CORRIENTE DE BATERÍA ESTADO DE CARGA POR CONTEO DE AMPERES ESTADO DE CARGA POR RED NEURONAL CONTEO DE AMPERES

I

V

1

1 Introducción

La conversión de energía solar en electricidad a través de módulos o paneles fotovoltaicos es una alternativa atractiva para electrificar localidades remotas o sistemas de alta disponibilidad tales como centrales telefónicas o sistemas de vigilancia y seguridad. Para mantener el suministro eléctrico durante las noches o en días de poca insolación, la energía que no se utiliza durante el día se almacena en bancos de baterías recargables. Por su gran capacidad para almacenar carga, las baterías plomo-ácido (BPA) son las que comúnmente se emplean para almacenar estos excedentes energéticos.

Otra importante función de las batenas es la de proveer comente adicional a la que el dispositivo fotovoltaico puede entregar. Tal es el caso de un motor, que en el momento del manque puede demandar una comente de 4 a 6 veces su comente nominal durante unos pocos segundos.

1.1 Interacción entre módulos fotovoltaicos y baterías

En un sistema fotovoltaico, normalmente el banco de baterías y los módulos fotovoltaicos trabajan conjuntamente para alimentar las cargas.

La figura 1.1 muestra cómo se distribuye la entrega de energía a la carga a lo largo del día. Durante la noche toda la energía demandada por la carga la provee el banco de baterías.

En horas tempranas de la mañana los módulos comienzan a generar, pero si la corriente que entregan es menor que la exigida por la carga, la batería deberá contribuir en el aporte. A partir de una determinada hora de la mañana la energía generada por los módulos fotovoltaicos supera la energía promedio demandada. Los módulos no solo atenderán la

1

demanda sino que además, todo exceso se almacenará en la batería que empezará a cargarse y a recuperarse de su descarga de la noche anterior.

Finalmente durante la tarde, la comente generada decrece y cualquier diferencia con la demanda la entrega a la batería, En la noche, la generación es nula y todo el consumo lo afronta la batería.

Figura I . 1 _- Distribución de la energía a la carga en un sistema fotovoltaico

1.2 Baterías de plomo-ácido

Las baterías de plomo-ácido se aplican ampliamente en ' los sistemas de generación fotovoltaicos. Dentro de la categoría plomo-ácido, las de plomo-antimonio, plomo-selenio y plomo-calcio son las más comunes.

La unidad de construcción básica de una batería es la celda de 2 volts. Dentro de la celda, la tensión real de la batería depende de su estado de carga, de si está cargando, descargando o en circuito abierto.

Se puede hacer una clasificación de las baterías con base en su capacidad de almacenamiento de energía (medido en Amperes-Hora a la tensión nominal) y a su ciclo de vida (número de veces en que la batería puede ser descargada y cargada a fondo antes de que se agote su vida útil). La capacidad de acumulación de energía de una batería depende de la velocidad de descarga. La capacidad nominal que la caracteriza corresponde a un tiempo de descarga de 10 horas. Cuanto mayor es el tiempo de descarga, mayor es la cantidad de energía que la batería entrega. Un tiempo de descarga típico en sistemas fotovoltaicos es 100 hs. Dentro de las baterías de plomo-ácido, las denominadas estacionarias de bajo contenido de antimonio son una buena opción en sistemas fotovoltaicos. Ellas poseen unos 2500 ciclos de vida cuando la profundidad de descarga es de un 20 % (es decir que la batería estará con un 80 YO de su carga) y unos 1200 ciclos cuando la profundidad de descarga es del 50 % (batería con 50 YO de su carga).

2

1.3

Las BPA son dispositivos que por medio de reacciones electroquímicas reversibles pueden proveer o almacenar carga eléctrica. Sin embargo, para que las BPA funcionen de manera óptima es preciso mantener su nivel de carga dentro de un rango de trabajo. Es decir, no se pueden sobrecargar ni descargar fuera del rango establecido sin correr el riesgo de dañarlas permanentemente ya que son dispositivos spmamente delicados cuya vida Útil depende fuertemente de factores tales como: temperatura de operación, régimen de descarga, régimen de carga y conexión con otros elementos.

El proceso de carga de baterías plomo-ácido, así como de cualquier otro tipo de baterías, consiste en reponer la energía consumida durante la descarga. Pero como ningún proceso fisico es 100% eficiente, para cargar al 100% una bateria es necesario suministrarle mas del 100% de la energía demandada durante su descarga.

Para garantizar que las BPA se encuentren trabajando en la región segura, se utilizan circuitos electrónicos denominados controladores de carga. Su función principal es la de desconectar la fuente de energía cuando las baterías han alcanzado su nivel máximo de carga, y desconectar los elementos alimentados cuando la batería ha alcanzado un nivel de carga demasiado bajo. La figura 1.2 muestra la manera en que debe ser cargada una BPA, según recomendaciones de un fabricante [I].

Control de Carga de Baterías en Sistemas Fotovoltaicos

IVoltaje de carga por celda a 25OC

2.60

2.45 2.21

V* Y,

Tiempo de carga en horas

Figura 1.2.- Algoribno de carga recomendado por Hawker Energy Products

La figura 1.2 muestra las 5 regiones en las que se divide un ciclo de carga típico:

REGIÓN A- Modo de comente constante: Se aplica una comente constante cuya magnitud dependerá de la velocidad de carga que se desee. A mayor comente, menor tiempo de cargado, pero el tiempo de descargado será igualmente corto. Esta comente se aplica hasta que el voltaje por celda alcanza un valor entre 2.45 y 2.5 volts. TI se anota como referencia para el disparo de los eventos subsecuentes en el algoritmo de cargado.

3

REGIÓN B- Modo de voltaje constante: Esta región

4

comienza en T1. Se aplica un voltaje

T1 2 1 hora).

que carga máxima puede soportar antes de descardarse por completo. Este es un tema complicado que se investiga en diferentes centros alrddedor del mundo [SI, [9], [lo], [ll], [121.

muestra el controlador de carga diseñado.

1.4 Antecedentes

Figura 1.3.- Controlador de carga desarrollado en el 1IE

El controlador se comunica con una estación central por medio de un enlace serial. La estación central es una computadora personal que djecuta un programa para administración de baterías. El programa se desarrolló en lenguaje Visual Basic y en su versión actual se desarrolla en LabView y ofrece las funciones de Japtura, análisis y despliegue gráfico de datos.

I Las funciones principales de la estación central sonc

> Comunicación con los controladores de ca > Concentración de la información proveniei 9 Análisis de la información colectada. 9 Despliegue de la información colectada.

La o estaciones remotas ? te de los controladores

5

> Monitoreo de la comente recibida y entregada 9 Monitoreo de la comente entregada a la carga 9 Monitoreo del voltaje de la batería y del panel. 3 Monitoreo de temperatura ambiente. > Determinación del estado de carga de cada 9 Control de carga de las baterías.

Panel Medic& y Control Carga Fotovoltaico d i I, V

I

por la batería.

batería.

En esta tesis se probará la siguiente hipótesis:

1.5 Hipótesis

6

2 Determinación del 1

Conteo de amperes-hora

de Baterías

Para realizar el control de carga de baterías de man medio que permita determinar con precisión el est: tema complicado que se.investiga en diferentes cer A continuación se describen brevemente las princi, de carga de baterías plomo-ácido [12]. I Prueba de descarga

:stado de Carga

.a eficiente, es necesario contar con un o de carga de las batenas. Este es un -os alrededor del mundo [SI, [9], [lo]. iles técnicas para determinar el estado

7

. . . . . . .. . .

Medicibn de las propiedades fisicas del electrolito’ .

En las baterías plomo-ácido el electrolito es un ácido diluido en agua, B traves del cual se llevan a cabo las reacciones químicas durante la carga y la descarga. Existe una relación lineal entre la concentración de ácido en el electrolito y el estado de carga de una BPA, por lo tanto midiendo la densidad del electrolito.se.puede determinar el estado de carga. Sin embargo, este método Únicamente se puede aplicar. en BPA estacionarias con electrolito líquido. A la fecha no existe un método para determinar la densidad del electrolito en BPA selladas.

. .

Voltaie de circuito abierto

Ai igual que la densidad del electrolito, el voltaje de circuito abierto de una BPA vm’a linealmente con el estado de carga. Este método es particularmente Útil en aplicaciones que implican largos períodos de descanso para la batería. En aplicaciones más dinámicas, el voltaje de circuito abierto se usa para complementar alguna otra técnica que determine el estado de carga.

Interpretación heurística de mediciones

Las siguientes técnicas infieren el estado de carga de una batería a partir de la interpretación de sus curvas de carga y descarga. Estas técn’icas parten del supuesto de que analizando las partes de las curvas que se consideran significativas, se puede estimar el estado de carga de una batería. I

Coup de fouet. La expresión francesa coup de fouet significa literalmente latigato. En el contexto de las baterías plomo-ácido se refiere a la pequedi caída de voltaje que ocurre al

particular dos parámetros del coup defouet presentan una ;elación lineal con el estado de carga: el voltaje mínimo que se alcanza durante el coup dekouet y el voltaje estable que se alcanza al final del mismo. Este método se puede aplicar ciiando se alcanza con frecuencia la carga completa de la batería.

inicio de la primera descarga después de una carga completa. It Se ha encontrado que en

Modelo lineal. Con este método se trata de encontrar una ecuación lineal que represente la relación entre el estado de carga de una bateria, las mediciones eléctricas que se realizan sobre la misma y el estado de carga anterior. Por análisis estadísticos se calculan los coeficientes de la ecuación lineal propuesta.

Redes neuronales urtificiales. La función principal de una red neuronal es establecer una relación entre datos de entrada / salida de cualquier clase. Por lo tanto, se puede estimar el

NI estado de carga de una batería en la salida de una.red neuronal artificial que reciba como entradas las mediciones eléctricas de la batería, Ja temperatura y el estado de carga anterior. Para entrenar a una red neuronal se requieren de 'datos de gntrada / salida del fenómeno a modelar. La calidad de los resultados entregados por la red 'está en relación directa con la calidad de los datos de entrenamiento

Resumiendo los diferentes métodos de detehinaci.ón del estado de carga de baterías y sus aplicaciones obtenemos la tabla 2.1[12]. . . .

para la determinación de Fácil y exacto, independiente

ida)

Prueba De DeSCarga

Tabla 2.1.- Métodos de determinación del estado de carga de'baterias y sus aplicaciones.

Fue' de linea, mucho tiempo, modifica el estado de la bateria, pCrdida de energía.

I DESVENTAJAS 1 TÉCNICA I CAMPODEAPLICACIÓN 1 VENTAJAS

Balance De Amperes-Hora

En linea' fácil' si Nec?sita un modelo para IPS perdidas. Sensible a las reaiciones parásitas. Casto elevado para una

recalibración y si existe una medición de corriente exacta. Necesidad de puntos buena de la de n$dibración regulares comente

Todos los sistemas de bateriasexisfen (mayoda de las aplicaciones)

puntos

Propicdades Fisicai Del Electrolito

voltaje Circuito Abierta

Errdres si el ácido esta estratifieado. Baja dinámica. Prot/lemas de estabilidad en los sensores del

impurezas, no aplicable a batenas selladas

Baja dinámica y errores si el ácido esta estntiticado, y necesita largos periodos de descanso para los sistemas de ácido. Problemas de reacciones

En linea, proporciona

de salud Plomo, posiblemente ZniBr información del estada electrOlito, Sensible a y a

Plomo, litio, ZdBr En linea, económico

Modelo Lineal

pa&itaS.

Necesidad de datos de referencia para parametros de ajuste.

Plomo en aplicaciones fotavaltaicas, no se ha intentado En linea, fácil con otro sistema^ de b a r d a s

2.1 Determinación del Estado de Carga de Baterías Utilizando Redes Neuronales

Red Neuronal Artifiícid

Como las baterías son dispositivos no lineales, la propiedad de no linealidad de las redes neuronales es algo muy ventajoso, así como sn aprendizaje adaptable ya que las condiciones en las que se encuentran las baterías no son siempre predecibles. Es decir, una de las principales ventajas de las redes neuronales es su habilidad de aprender de su medio ambiente y que mediante un proceso de entrenamiento pueden "descubrir" la correlación que existe entre variables de entrada y salida sin recurrir, a los métodos tradicionales. Esta capacidad les permite proporcionar el valor de salida que corresponde a un conjunto de entradas que no se utilizaron durante el entrenamiento de la red. Otra característica importante de las redes neuronales es su fácil inserción dentro de casi cualquier tecnología.

t

NeCesidad de datos de entrenamiento de baterias similares. Todos los sistemas de batenas En linea

9

Se han reportado trabajos relacionados con el cálculo del estado de carga de baterías utilizando redes neuronales, uno de los cuales presenta un método para la estimación de la capacidad remanente de batenas selladas de tipo plomo-áfido, con un error máximo del 10% y error promedio de 3% [16].

Para este esquema se consideraron la importancia de la temperatura y de la impedancia lo que significa que se pueden prevenir tanto la sobre descarga como la falla térmica.

La estructura de la red reportada en el artículo mencionado consiste en una red de tres capas (ver figura 2.1), en la cual se tienen 4 nodos de entrada y 10 de salida para indicar el estado de carga entre el O y 100% en pasos de 10%. Para esta &iicación se usaron 50 unidades ocultas para alcanzar la exactitud necesaria y una velocidad: de cómputo aceptable.

Este estudio fue realizado como una simulación en complitadora, pero la posibilidad de su implementación crea el escenario donde los diferentes pitrones para diferentes tipos de bateria se guarden en una memoria, y el usuario puedaisimplemente seleccionar el tipo adecuado de batería y la red estará lista para realizar los cá.lculos adecuadamente.

:I

Tcrnperatura

Voltaje

Comente

Irnmdancia

100 - 90 %

90 - 80 %

80- 70%

70 - 60 %

60-50%

50- 40%

40 - 30 %

30- 20 'Yo

20- 10%

10-0%

Figura 2.1.- Estructura de la redneuronallutilizada en [I61

La exactitud de este esquema todavía no compite conilos otros métodos de estimación y encontrar la forma de lograrlo es objeto de estudio actualmente.

Otro trabajo reportado sobre este tema consiste en.'un modelo para el cálculo de la capacidad disponible de baterías de vehículos eléctricos a través de redes neuronales artificiales [17]. En esta configuración, la red neuronalltiene tres capas: la capa de entrada, la oculta y la de salida (ver figura 2.2). La capa de enkada tiene un nodo para la comente de descarga Id, la capa oculta tiene cuatro nodos y la ,capa de salida tiene un nodo para la capacidad disponible Ca.

10

Figura 2.2.- Estructura de la fed ne-onal utilizada en [ 171

Para este esquema no se consideró la influencia de la temperatura ni la historia de la batería y si no existe una corriente de descarga no se puede conocer el estado de carga de la batería. El objetivo principal es comparar los resultados obtenidos con la red neuronal y los obtenidos por medio de la ecuación de Peukert:

11

donde las constantes n y K dependen de la temperatura, la concentración del electrolito y la estructura de las baterías. Ai realizar las comparaciones antes mencionadas, la red neuronal arrojó una exactitud mayor que la del otro método;. El método utilizado para el entrenamiento de la red fue el de retropropagación y se utilizó la herramienta de redes neuronales de Matlab.

Una diferencia importante entre los dos trabajos meiicionados anteriormente son los parámetros de entrada en una red.y en la otra.

Uno de los factores que influye en la determinación de los parámetros de entrada a la red es precisamente en donde va a ser implementada dicha red:' es decir, si se requiere que la red se implemente en un controlador de carga en línea es probable que no se cuente con los mismos parámetros que una red que se utilizará solo en $omputadora y en la que se puede contar con muchos mas datos que con los que se podría contar en una medición en línea.

Los trabajos mencionados anteriormente no reportan una implementación práctica de las redes en algún controlador y todas las pruebas realizadas :heron en computadora.

Debido a lo antenor, en este trabajo se planteó la hipótesis de que si se utiliza una red neuronal artificial para determinar el estado de carga de las baterías se puede mejorar el desempeño de un controlador de carga de baterías plomd-ácido basado en microcontrolador y que actualmente calcula el estado de carga utilizando el algoritmo de conteo de Amperes. Esto es, mientras más confiable sea el cálculo del estado de carga de la batería, mejor será el desempeño del controlador.

11

3 Introducción a las Redes Neuronales

Inspiradas en el sistema nervioso biológico, la tecndogía de las Redes Neuronales Artificiales (RNA) está siendo utilizada para solucionar'' una gran variedad de problemas científicos, económico/comerciales y de ingeniena. Las iedes neuronales pueden aprender, y luego ser entrenadas para encontrar soluciones, recoi!ocer patrones, clasificar datos y hacer previsión de eventos futuros. Su función puede vei;se como la de una caja negra que recibe un conjunto de entradas y produce una única salida para ese conjunto particular de entradas.

t

En contraste a las aproximaciones clásicas en campos como la estadística y la teoría de control, las redes neuronales no requieren de un modelo explícito. Las redes neuronales son una herramienta muy poderosa en aplicaciones eii donde el análisis formal es extremadamente dificil, como reconocimiento de patrones e identificación de sistemas no lineales, y control.

Existen varias definiciones de Red Neuronal, por mencionar algunas:

P Darpa (1988), define una red neuronal como un sistema compuesto de muchos elementos simples de procesamiento los cuales oberan en paralelo y cuya función es determinada por la estructura de la red y el peso de las conexiones; realizándose el procesamiento en cada uno de los nodos o elementos de cómputo.

P Según Haykin (1994), una red neuronal es un procesador paralelo masivamente distribuido que tiene una facilidad natural para el almacenamiento de conocimiento obtenido de la experiencia para luego hacerlo utilizable. Se parece al cerebro en dos aspectos:

12

!I

La red obtiene el conocimiento a.través . . de un,lproceso de aprendizaje. Para almacenar dicho conocimiento se utilizan las conexiones interneuronales, conocidas como pesos sináphcos.

9 Kohoen (1998) las define como una red de elementos simples (usualmente adaptables) masivamente interconectados en paralelo y con organización jerárquica, las cuales intentan interactuar con los objetos del mundo real del mismo modo que lo hace el sistema nervioso biológico.:

En síntesis se puede considerar que una 'Red Neuronal Artificial es un sistema de procesamiento de información que tiene ciertas caractensticas de comportamiento en común con las redes neuronales biológicas.

Las redes neuronales artificiales han sido desarrolladas como generalizaciones de modelos matemáticos del conocimiento humano o de la biología neuronal, con base en las siguientes consideraciones:

i t

9 El procesamiento de información se realiza en muchos elementos simples llamados neuronas.

9 Las señales entre neuronas se pasan a través de enlaces de conexión 9 Cada enlace de conexión tiene un peso asociado, el cual, en una red neuronal típica,

multiplica la señal transmitida. 9 Cada neurona aplica una función de activación (usualmente no lineal) a las entradas

de la red (suma de las señales de entrada pesahas) para determinar su señal de salida.

I

Las redes neuronales artificiales presentan un gran número de características semejantes a las del cerebro. Por ejemplo, son capaces de aprender 'de la experiencia, de generalizar basándose en casos anteriores, de abstraer características esenciales, etc. Esto hace que ofrezcan numerosas ventajas:

'I

9 Aprendizaje adaptable: Capacidad de aprender a realizar tareas basada en un entrenamiento o experiencia inicial. Utilizan algoritmos de aprendizaje adaptable y auto organización, por lo que ofrecen posibilidades de procesamiento robusto y adaptable.

9 Autoorganización: Crea su propia organización de la información que recibe mediante una etapa de aprendizaje

9 Procesamiento no lineal: aumenta la capacidad de la red de aproximar y clasificar así como su inmunidad frente al ruido.

k Procesamiento paralelo: normalmente se usa un gran número de células de procesamiento con un alto nivel de interconectividad

9 Tolerancia a fallos: La destrucción parcial de una red conduce a una degradación de su estructura, sin embargo, algunas capacidades ,se pueden retener, incluso después de sufrir un gran daño.

9 Fácil inserción dentro de la tecnología existente: Se pueden obtener chips especializados para redes neuronales que mejoran su capacidad en ciertas tareas.

13

Existen dos fases en toda aplicación de las redes neuronales: la fase de aprendizaje O

entrenamiento y lafase deprueba. En la fase de entrenamieiito, se usa un conjunto de datos o patrones de entrenamiento para determinar los pesos (pajametros de diseño) que definen el modelo neuronal. Una vez entrenado este modelo, se pasa a la llamada fase de pmeba O

funcionamiento directo, en la que se procesan los patron& de pmeba que constituyen la entrada habitual de la red, analizándose de esta manera las prestaciones definitivas de la red.

La ventaja más importante de las RNA es la de resolver problemas que son muy complejos para tecnologías convencionales, problemas que no tienen una solución determinística o para los cuales una solución deterministica es muy complicada. En general, por ser una abstracción del cerebro biológico, las RNA son buenas para resolver aquellos probiemas que las personas resuelven adecuadamente, pero que las computadoras no. Estos problemas, entre otros, incluyen reconocimiento de patrones y problemas de pronóstico (los cuales requieren el reconocimiento de una tendencia en unos datos).

A continuación se presenta una pequeña porción de lo qui es el gran universo de las redes neuronales artificiales. Las redes feedforward más conocidas son: Perceptrón, ADALINE, MADALINE y de Retropropagación (E3ackpropagation);i aunque actualmente se observa una tendencia al uso de redes neuro-difusas, las cuales combinan los sistemas de inferencia difusos y las redes neuronales, aprovechando las características sobresalientes de cada modelo.

I Feedforward I

3.1 Modelo de Red Perceptrón

\Error IS:Binaria 1958

El modelo de red perceptrón, desarrollado por Rosenblatt en 1958, tiene la capacidad para aprender a reconocer patrones sencillos: está formado ¡por vanas neuronas lineales para recibir las entradas a la red y una neurona de salida, es capaz de decidir cuándo una entrada que se presenta a la red pertenece a una de las dos clases lque es capaz de reconocer.

Su Única neurona de salida realiza la suma ponderada de las entradas, resta el umbral y pasa el resultado a una función de transferencia de tipo escalón. Responde +1 si el patrón presentado pertenece a una clase X, o -1 si pertenece arla clase Z. La salida depende de la entrada neta y del valor de umbral 8.

Sin embargo, como solamente cuenta con una capa de entrada y otra de salida con una única neurona, tiene una capacidad de representación bastante limitada. Únicamente es

14

capaz de discriminar patrones muy sencillos, linealmente separables y una prueba de ello es su imposibilidad de representar la función OR-EXCLUSIVA.

. . clasificaci¿n deun vedar anais8ao

de enbads en! do5 dam A y B. hecha porun PerCeptrCm.

X

N

4.1 y = f [ .cyx,+ ]

-w1 e -w2 w X f -x,+-

Figura 3.1.- Representación del modelo del perceptrón

3.1.1 Reglas de Aprendizaje del Perceptrón

Las reglas de aprendizaje del perceptrón, son del tipo supervisado, por lo que requiere que sus resultados sean evaluados y se realicen las modificaciones al sistema, en caso de ser necesario.

Solo se pueden aprender clasificaciones simples, debido a que un perceptrón usa un separador lineal como célula de decisión, con io que, solo se puede realizar una sola separación lineal (por medio de un hiperplano).

Los pasos de la regla de aprendizaje del perceptrón son los siguientes:

a) Inicialización de los pesos y del umbral. Se asignh valores aleatorios a los pesos de las conexiones y al umbral.

b) Presentación de un nuevo par (Enirada, Salida esperada). Se presenta un par con las entradas. Se pasa la entrada y la salida deseada.

c) Cálculo de la salida actual. d) Adaptación de los pesos. e) Volver al paso b).

3.2 El Perceptrón Multinivel

El perceptrón multinivel es una red de tipo feedforward compuesta por varias capas de neuronas entre la entrada y la salida de la misma. Permite establecer regiones de decisión mucho más complejas que las de dos semiplanos, como el Perceptrón de un solo nivel, que

sólo puede establecer dos regiones separadas por una frontera lineal en el espacio de patrones de entrada.

............... x2 - -Y2

x3 - -Y3

................

XN-

Capa de Capas capa de entmda minas 1 salida

Figura 3.2.- Representación del modelo del p e r q t r ó n multinivel

Un Perceptrón con tres niveles de neuronas puede formar cualquier región convexa (O cerrada) en ese espacio. Las regiones convexas se forman mediante la intersección entre las regiones formadas por cada neurona de la segunda capa. Cada elemento se comporta como un Perceptrón simple.

Un Perceptrón de cuatro capas puede formar regiones de decisión arbitrariamente complejas. El proceso de separación en clases que se llev: a cabo consiste en la partición de la región deseada en pequeños hipercubos (cuadrados para dos entradas de la red).

I

Ir

Figura 3.3.- Representación de las regiones de decisión que p e h t e el modelo del perceptrón multinivel

Por lo general no se requieren más de cuatro capas en una red de tipo Perceptrón, pues, como ya se ha visto anteriormente, puede generar regiones de decisión arbitrariamente complejas.

Tanto en los Perceptrones de tres como en los de cuatro capas se tiene un inconveniente, que es la selección correcta del número de neuronas'de las capas ocultas. En el de tres

capas, este número debería ser lo suficientemente grande como para formar una región con suficiente complejidad para la solución del problema, pero por otro lado, no es conveniente que dicho número de nodos sea tan grande que la estimacióh de los pesos no sea fiable para el conjunto de patrones de entrada disponibles.

3.3 Redes ADALINE y MADALINE

Las redes ADALINE y MADALINE fueron desamoliadas por Bernie Widrow. Sus arquitecturas son esencialmente las mismas que las del P,erceptrón. Ambas usan neuronas con funciones de transferencia escalón. La ADALiNE está limitada a una sola neurona de salida, mientras que MADALiNE puede tener varias. La diferencia fundamental respecto al Perceptrón se refiere al mecanismo de aprendizaje. Utilizan la regla de aprendizaje denominada regla Delta de Hidrow-Hoff, o regla del mínimo error cuadrado medio.

Pueden procesar información analógica, tanto de entrada como de salida, utilizando una función de activación lineal o sigmoidal.

3.3.1 Redes ADALINE (ADAptive Linear Element)

La estructura de las redes ADALINE es casi idéntica a la del Perceptrón. Está formada por un elemento denominado Combinador Adaptable Line$ (CAL), que obtiene una salida lineal que puede ser aplicada a otro elemento de conmutación bipolar. Si la salida del CAL es positiva, la salida de la red es +l; si es negativa, entomes la salida de la red es -1. Esta red puede utilizarse para generar una salida analógica, u(ilizando un combinador sigmoidal, en lugar de binario.

3.3.1.1 Aprendizaje de la red ADALINE

Utilizan aprendizaje OFF LINE con supervisión denominado LMS (Least Mean Squared) o regla del mínimo error cuadrado medio. Conocida tamdién como Regla Delta por tratar de minimizar una delta (o diferencia) entre el valor observado y el deseado en la salida de la red.

17

‘I

Esta regla es un método para hallar el vector de pesos W deseado, el cual deberá ser Único y asociar con éxito cada vector del conjunto de vectores ;o patrones de entrada con SU correspondiente valor de salida correcto (o deseado).

..............................

: x, I xD

I

..............................

Figura 3.4.- El ADALINE completo está formado por el combinador adaptable lineal, que se encuentrajdentro del recuadro mayor, y por una

función bipolar de salida (recuadro menor), El combinador adaptable lineal es muy semejante ai Perceptron general.

El entrenamiento consiste en adaptar los pesos a medida que se vayan presentando los patrones de entrenamiento y salidas deseadas para; cada uno de ellos. Para cada combinación entrada-salida se realizan pequeños ajustes en los valores de los pesos hasta que se obtienen salidas correctas.

La función de error es una función matemática definida en el espacio multidimensional para un conjunto de patrones dados. Esta superficie h d r á muchos mínimos (locales y globales), y la regla de aprendizaje busca dónde se encu4ntra el mínimo global.

3.3.1.2 Aplicaciones De la Red ADALINE

La principal aplicación de las redes ADALINE está en el campo del procesamiento de señales, en forma concreta, para el diseño y realización de filtros que eliminan el ruido en señales portadoras de información.

Como filtros adaptables, las redes ADALWE se han utilizado para varias aplicaciones, como:

k Filtros de ecualización adaptables en modems de alta velocidad. k Canceladores adaptables del eco para el filtcado de señales en comunicaciones

telefónicas de larga distancia y comunicacioneslvía satélite.

I

Para la eliminación de ruido y predicción de la señal: 3 Cancelación del ruido materno de las grabaciones electrocardiográficas del latido

del corazón del feto humano.

18

3.3.2 Redes MADALINE (Multiple ADALINE)

La red MADALINE tiene una idea semejante a la expuesta del Perceptrón Multinivel, respecto del elemental compuesto por una sola neurona.

La red MADALINE es una combinación de módulos ADALINE básicos en una estructura de capas que supera algunas de las limitaciones de la ADAIrINE original.

Existe otro método, conocido como la regla II de MADAL1,NE (MRII).

El MRII se parece a un procedimiento de acierto y error, con una inteligencia adicional en la forma de un principio de mínima perturbación. Dado que la salida de la red es una serie de unidades bipolares, el entrenamiento equivale a redu{ir el número de nodos de salida incorrectos para cada trama de entrenamiento dada como entrada.

El principio de mínima perturbación establece que ¡os nodos que puedan afectar ai error de salida y que sufran los cambios más pequeños en sus pesos deberían tener prioridad en el proceso de aprendizaje.

3.4 Red de Retropropagación

I

El método de retropropagación está basado en la generalización de la regla delta y, a pesar de sus propias limitaciones, ha ampliado en forma considerable el rango de aplicaciones de las redes neuronales.

El algoritmo de retropropagación se caracteriza principalmente por la representación interna del conocimiento que es capaz de organizar en la capa intermedia de las células para conseguir cualquier correspondencia entre la entrada y la salida de la red.

El funcionamiento de una red de retropopagación consiste en el aprendizaje de un conjunto predefinido de pares de entradas-salidas dados como ejemplo, empleando un ciclo propagación-adaptación de dos fases:

19

P Primero se aplica un patrón de entrada como estímulo para la primera capa de neuronas de la red. Este patrón se va propagando a t:avés de todas las capas internas hasta generar una salida, se compara el resultado obtenido en las neuronas de salida con la salida que se desea obtener y se calcula un valor del error para cada neurona de salida.

'%- Luego, se transmiten estos errores hacia atrás, partiendo de la capa de salida, hacia todas las neuronas de la capa intermedia que contribuyan directamente a la salida, recibiendo el porcentaje de error aproximado a Ja participación de la neurona intermedia en la salida original. Repitiéndose este proceso capa por capa, hasta que todas las neuronas de la red hayan recibido un error que describa su aportación relativa al error total. Basándose en el valor del error recibido, se reajustan los pesos de conexión de cada neurona, de manera que en la siguiente vez que se presente el mismo patrón, la salida se encuentre más cercana a la deseada; es decir, el error disminuye.

I

11

3.4.1 La Regla Delta Generalizada

La regla delta, propuesta por Widrow en 1960 se ha extendido a redes con capas intermedias (regla delta generalizada) con conexiones haiia delante (feed forward) y cuyas células tienen funciones de activación continuas (lineales o sigmoidales), dando lugar al algoritmo de retropropagación (backpropagation). Una función de este tipo es la sigmoidal, a diferencia de la función escalón utilizada en el Peikeptrón, ya que la última no es derivable en el punto donde se encuentra la discontinuidad.

11

Este algoritmo utiliza también una función o superficie de error asociada a la red, en la que se va buscando el estado estable de energía mínima o de mínimo error a través del camino descendente de la superficie del error. Por esa razón, el! error del sistema es realimentado para realizar la modificación de los pesos en un valor proporcional al gradiente decreciente de dicha función de error.

Figura 3.5.- Representación de una superficie de error; w representa los valores posibles de la matriz de pesos de la red.

20

3.4.2 Funcionamiento del algoritmo

El método que sigue la regla delta generalizada para ajustar los pesos es exactamente el mismo que el de la regla utilizada en ADALINE; los ,pesos se actualizan de forma proporcional a la delta, o diferencia entre la salida deseada y la obtenida ( 6 = salida deseada - salida obtenida). . ,

Dada una neurona (unidad U¡) y la salida que produce, y,,'el cambio que se produce en el peso de la conexión que una salida de dicha neurona con latmidad Uj(wji) para un patrón de aprendizajep determinado es:

I

Awji(í + 1) = a6,yp,

En donde el subíndice p se refiere al patrón de aprendizaje concreto, y a es la constante o tasa de aprendizaje.

En redes multinivel en principio no se puede conocer I+ salida deseada de las neuronm ocultas para poder determinar los pesos en la función."de error cometido. inicialmente podemos conocer la salida deseada de las neuronas de saiida. Según esto, si consideramos la unidad Uj de salida, entonces definimos:

donde dpj es la salida deseada de la neurona j para el patrón p y neb es la entrada neta que recibe la neuronaj.

Esta fórmula es como la de la regla delta, excepto a los se refiere a la derivada de la función de transferencia. Este término representa la modificación que hay que realizar en la entrada que recibe la neurona j . En caso de que dicha neurona no sea de salida, el error que se produce estará en función del error que se cometa en las neuronas que reciban como entrada la salida de dicha neurona. Esto es lo que se 'denomina como procedimiento de propagación de error hacia atrás.

Según esto, en el caso de que Uj no sea una neurona ddsalida, el emor que se produce está en función del error que se comete en las neuronas que reciben como entrada la salida de U,: I

en donde el rango de k cubre a todas las neuronas a las que está conectada la salida de U,. De esta forma el error que se produce en una neurona oculta es la suma de los errores que

CENTRO DE INFORMACION SEP CENIDET

21 I

se producen en las neuronas a las que está conectada la salida de ésta, multiplicado cada uno de ellos por el peso de la conexión.

3.4.3 Adición de un momento en la regla delta generalizadami

El método de retropopagación del error requiere un importante número de cálculos para lograr el ajuste de los pesos de la red. En la implementación del algoritmo, se toma una amplitud de paso que viene dada por la tasa de aprendizaje. A mayor tasa de aprendizaje, mayor es la modificación de los pesos en cada iteración, con lo que el aprendizaje será más rápido, pero por otro lado, puede dar lugar a oscilaciones; Rumelhart, Hinton y Williams sugirieron que para filtrar estas oscilaciones se añada en la expresión de incremento de los pesos un término (momento), p, de manera que dicha expresión quede:

donde p es una constante que determina el efecto t+l del cambio de los pesos en el instante t.

Con este momento se consigue la convergencia de la red ,en menor número de iteraciones, ya que si en t el incremento de un peso era positivo y en t+l también, entonces el descenso por la superficie de error en t+l es mayor. Sin embargo, si en t era positivo y en t+l es negativo, el paso que se da en t+l es más pequeño, lo cual es adecuado, ya que significa que se ha pasado por un mínimo y que los pesos deben ser menores para poder alcanzarlo.

Resumiendo, el algoritmo de retropropagación queda finalmente:

I1

I

I

donde:

si Uj es una neurona de saiida. I

6, = (4 - Y , ) f%t j 1 6, = (C,6pkwkj)f)f(netj) si U, no es una neurona de salida.

3.4.4 Estructura y aprendizaje de la red de retropropagación

I En una red de retropropagación existe una capa de entriada con n neuronas y una capa de salida con in neuronas y al menos una capa oculta de neuronas internas. Cada neurona de una capa (excepto las de entrada) recibe entradas de todas las neuronas de la capa anterior y

22

envía su salida a todas las neuronas de la capa.posterior (excepto las de salida). NO hay conexiones hacia atrás feedback ni laterales entre las neuronas de la misma capa.

La aplicación del algoritmo tiene dos fases, una hacia delante y otra hacia atrás. Durante la primera fase el patrón de entrada es presentado a la red y ijropagado a través de las capas hasta llegar a la capa de salida.

Obtenidos los valores de salida de la red, se inicia la segunda fase, comparándose éstos valores con la salida esperada para obtener el error. Se ajustan los pesos de la última capa proporcionalmente al error. Se pasa a la capa anterior con una retropopagación del error, ajustando los pesos y continuando con este prqceso hasta Ilggar a la primer capa.

De esta manera se han modificado los pesos de las conexiones de la red para cada patrón de aprendizaje del problema, del que conocíamos su valor de' entrada y la salida deseada que debena generar la red ante dicho patrón.

La técnica de retropropagación requiere el uso de neuron& cuya función de activación sea continua, y por lo tanto, diferenciable. Generalmente, la función utilizada será del tipo sigmoidal.

I

3.4.5 Pasos para aplicar el algoritmo de entrenamiento

P&

inicializar los pesos de la red con valores pequeños aleatorios

P&

Presentar un patrón de entrada y especificar la salida deseada que debe generar la red.

P&

Calcular la salida actual de la red. Para ello presentanios las entradas a la red y vamos calculando la salida que presenta cada capa hasta llegar a la capa de salida, ésta será la salida de la red. Los pasos son los siguientes:

Se calculan las entradas netas para las neuronas ocultas procedentes de las neuronas de entrada. Para una neuronaj oculta:

I

It

23

en donde el índice h se refiere a magnitudes de 1a:capa ocylta; el subíndice p , al p-esimo vector de entrenamiento, y j a la j-ésima neurona oculta. El término B puede ser opcional, pues actúa como una entrada más.

Se calculan las salidas de las neuronas ocultas: y , = f;(netP,).

Se realizan los mismos cálculos para obtener las salidas de las neuronas de salida: L

net;, = C w;yP, + e: ,=I

Y p k = f i ( n e t ; k )

Calcular los términos de error para todas las neuronas.

Si la neurona k es una neurona de la capa de salida, el valor de la delta es:

La funciónfdebe ser derivable. En general disponemos de'dos formas de función de salida:

La función lineal : (netjk ) = netjk

La función sigmoidal : fk (net jk)= 1 .,,e,,* I + e

La selección de la función depende de la forma que se decida representar la salida: si se desea que las neuronas de salida sean binarias, se utiliza la función sigmoidal, en otros casos, la lineal.

Para una función lineal, tenemos: fit= 1 , mientras pue la derivada de una función sigmoidal es: f,"'= f L ( l - X ) = ypk( l - y p k ) por lo que los términos de error para las neuronas de salida quedan:

6ik = (d, - y p k ) para la salida lineal

6ik = (dpk - yPk)ypk(1 - y p k ) para la salida sigmoidal.

Si la neurona j no es de salida, entonces la derivada parcial del error no puede ser evaluada directamente, por tanto se obtiene el desarrollo a partir de valores que son conocidos y otros que pueden ser evaluados.

24

La expresión obtenida en este caso es: 6ij = $'(net i j )x6ikwii donde observamos que el

error en las capas ocultas depende de todos los términos de error de la capa de salida. De aquí surge .el término propagación hacia atrás.

k

Actualización de los pesos: para ello utilizamos un algoritmo recursivo, comenzando por las neuronas de salida y trabajando hacia atrás hasta llega! a la capa de entrada, ajustando los pesos de la siguiente forma:

Para los pesos de las neuronas de la capa de salida:

Aw.. = y, * y . 'I J

Awij(f + 1) = a6ihyPj

Para los pesos de las neuronas de la capa oculta:

w;¡(t + 1) = w;,(t) + AW;¡(t + 1) AW;¡(~ +I) = a6jjx,,

En ambos casos, para acelerar el proceso de aprendizaje se puede añadir un término momento.

l M El proceso se repite hasta que el término de error E, = -c6ik resulta aceptablemente , 2 k i l

pequeño para cada uno de los patrones aprendidos

3.4.6 Importancia de la retropropagación

La importancia del algoritmo de retropropagación radica en su capacidad de auto adaptar los pesos de las neuronas de las capas intermedias paraiiaprender la relación que existe entre un conjunto de patrones dados como ejemplo y sus salidas correspondientes, la cual es llamada capacidad de generalización, que se entiende como la facilidad de dar salidas satisfactorias a entradas nunca antes vistas por el sistema en su fase de entrenamiento.

Las redes de retropropagación son unas de las más utilizadas en los últimos tiempos. Pueden ser aplicadas a una amplia variedad de prodlemas debido a la naturaleza de su proceso de aprendizaje, que solamente necesita de dos; ecuaciones para propagar las señales de error hacia atrás. Se elige una de las dos ecuacione: dependiendo si la unidad de proceso es o no de salida.

25

3.4.7 Dimensionamiento de la red

No se pueden dar regias concretas para determinar el núrbero de neuronas o número de capas de una red para resolver un problema concreto.

Respecto al número de capas de la red, en general tres capas son suficientes (entrada - oculta-salida). Sin embargo, hay veces que un problema es,,más fácil de resolver con mas de una capa oculta. El tamaño de las capas, tanto de entrada como de salida, suelen venir determinado por la naturaleza de la aplicación. En cambio, decidir cuántas neuronas debe tener una capa oculta no suele ser tan evidente.

El número de neuronas ocultas interviene en la eficiencia de aprendizaje y de generalización de la red. No hay ninguna regla que indique el número óptimo.

,

3.5 Adaptive Neuro-Fuzzy Inference Systems (ANFIS)

Las redes adaptables neuro-difusas combinan los sistemas de inferencia difusos y las redes neuronales, aprovechando las características sobresalientes de cada modelo. Por un lado, los sistemas de inferencia difusos proveen un mecanidho intuitivo y de alto nivel para representar el conocimiento mediante la utilización de kglas IFITHEN. Por otro lado, las redes neuronales poseen un alto grado de adaptabilidad y capacidad de aprendizaje y generalización. La construcción de herramientas que8,se nutren de estas dos áreas ha demostrado ser un mecanismo eficiente para modelar sistemas reales.

ANFIS significa Adaptive Neuro-Fuzzy Inference System y denomina al tipo de red desarrollada por Jyh-Shing Roger Jang [18][19][20] qde combina conceptos y algoritmos de redes neuronales tipo Retropropagación junto con klementos de lógica difusa o fuzzy logic.

Las capacidades adaptables de las redes ANFIS las hacen directamente aplicables a una gran cantidad de áreas como control adaptable, procesamiento y filtrado de señales, clasificación de datos y extracción de características a p/ir de ejemplos.

3.5.1 Arquitectura ANFIS

El modelo ANFIS es funcionalmente equivalente a los sistemas de inferencia difusos e implementa el razonamiento que implica un proceso de defusificación algebraic0 en la cual la salida de cada regla es una combinación lineal de las variables de entrada y la salida final del sistema se obtiene como una suma ponderada, mientras que la ponderación de cada regla es obtenida con base a la premisa de la regla.

26

L~ premisa consta de una serie de funciones de pertenencia asociadas a variables lingüisticas (una por cada variable de entrada) que son evaltjadas Y combinadas mediante la aplicación de una n0rma-T. En esta implementaciÓn se utiliza como norma-?: al Producto, siendo otra norma-T usual la función mino.

Los diferentes modelos de inferencia difusos, dan lugar a diferentes arquitecturas M I S . El modelo que se desarrollará a continuación corresponde con el modelo de inferencia difuso Takagi-Sugeno-Kang (TSK) debido su transparencia y eficiencia. Para arquitecturas ANFIS correspondientes o otros modelos (Mamdani o Tsukamoto), se pueden consultar [191 WI.

Por simplicidad asumamos que el sistema de inferencia difuso a considerar tiene dos entradas x y y y una salida z. Para un modelo difusb tipo Sugeno de primer orden [21][22][23], un conjunto de reglas común con dos reglas bel tipo IF-THEN son:

Regla uno : si x es AI y y es B1 entonce; fl=plx+qly+rl Regla dos : si x es A2 y y es B2 entoncei f2=p2x+q~+r2

La figura 3.6 ilustra el mecanismo de razonamiento para un modelo tipo Sugeno, la arquitectura ANFIS equivalente es mostrada en la figura'l3.7, donde los nodos de la misma capa tienen funciones similares. Un cuadro representa $n nodo adaptable y un círculo un nodo fijo.

X Y Figura 3.6.- Modelo difuso tipo Sugeno de primer orden con dos entradas y dos regias

27

X Y

X

Y

Capa I Capa 2 Capa3 ’ Capa4 Capa 5

Figura 3.7.- Arquitectura ANFIS equivalente al modelo difuso tipo Sugeno de primer orden con dos entradas y dos reglas.

A continuación se describe cada una de las capas representadas en al figura 3.7:

Capa 1.- Cada nodo i en esta capa es un nodo adaptable con una función ,

qi = PAi ( x ) , 01,; = Pus,., ( Y ) ,

para i = 1,2, o para i = 3 , 4

donde x (o y) es la entrada al nodo i y A,{o Bi.2) ‘es una etiqueta lingüística (como pequeño” o “grande”) asociado con este nodo. En .{tras palabras, O],;, es el grado de

pertenencia del conjunto A ( =AI, Az, BI o B2) y especifica el grado en que la entrada x o y satisface al cuantificador A. Aquí la función de pertehencia para A puede ser cualquier función de pertenencia parametnzada apropiada [3.31 sección 2.4. I], como la función trapecio.

“

donde {a, 6, c, d } es el conjunto de parámetros que definen a la función y que se muestran en la figura 3.8. I

28

f I

Figura 3.8.- Función de pertenencia tipo trapecio

Conforme los valores de dichos parámetros vanen, la fonna de la función trapecio variará, obteniéndose varias formas de funciones de membresía paka un conjunto difuso A. Es decir, para especificar una función de membresía tipo trafjecio basta con especificar los parámetros {a, b, c, d} correspondientes. Los parámetros‘en esta capa son conocidos como parámetros de la premisa. I

, En los siguientes capítulos de este trabajo utilizaremos la nomenclatura trup(u, b, c, d) para ‘ t especificar una función tipo trapecio con sus correspondientes parámetros.

Capa 2.- Cada nodo en esta capa es un nodo fijo nombrado como n cuya salida es el producto de todas las señales de entrada:

o,, = wi = PA( ( 4 P , (Y ) , f =I, 2

Cada salida de nodo representa el grado de “disparo” de’una regla (el peso de una regia). En general, cualquier operador norma-T que represente u’n AND difuso puede ser utilizado como la función de los nodos en este capa.

Capa 3.- Cada nodo en esta capa es un nodo fijo nombrado N. El i-ésimo nodo calcula la relación de la “fuerza de disparo” de la i-ésima regia con la suma de todas las “fuerzas de disparo” de todas las regias: I

Por conveniencia, las salidas de esta capa son llamadas (“fuerzas de disparo normalizadas”.

Capa 4.- Cada nodo i en esta capa es un nodo adaptable con una función de nodo

o,,, =a =Y(i?x+q,.Y+r,), i = L 2

29

donde es una “fuerza de disparo normalizada” de la capa13 y {pt, qt, r,} es el conjunto de parámetros de este nodo. Los parámetros de esta capa son p d o s como los parámetros del consecuente.

Capa 5.- El nodo en esta capa es un nodo fijo nombrad? como C , que calcula la salida general como la suma de todas las señales de entrada

De esta manera se construye una red adaptable que es tfuncionalmente equivalente a un modelo difuso tipo Sugeno. Nótese que la estructura de esta red adaptable no es única, se pueden combinar las capas 3 y 4 para obtener una red equivalente con solo cuatro capas. De la misma manera podemos calcular la normalización de ,esos en la capa final, la figura 3.9 ilustra una ANFIS de este tipo.

Figura 3.9.- Arquitectura A W E para el modelo difuso tipo Sugeno, donde la normalización de los pesos se impiementa in ia úitimi’capa. .

li 30

4 Diseño de la Red Neuronal para Determinar el Estado de Carga de Baterías Plomo Ácido

El objetivo principal de la red neuronal diseñada es que mejore el desempeño del controlador de carga que se desarrolló en la GCI durante'2003 y 2004.

Debido a lo anterior, se consideró como punto de referencia para el entrenamiento y la validación de la red neuronal los cálculos proporcioíiados por el controlador de carga actual. Es decir, se utilizó el controlador de carga e2istente para recopilar los datos de voltajes, comentes, temperatura y estado de carga.

El controlador de carga actual utiliza el conteo de Amperes para el cálculo de estado de carga y cuenta con el siguiente algoritmo:

P Cada 4.68 segundos toma las lecturas de las Lomentes que entran y salen de la batería

P Determina si la comente sale (+) o entra (-) a la batería. 9 Suma o resta esta comente con la suma de las comentes de las muestras anteriores. 9 Cuando la suma de las muestras equivale a un 1.%0 de la capacidad total de la batería,

incrementa o decrementa el estado de carga en'un grado porcentual dependiendo si la suma es positiva o negativa.

Además del algoritmo anterior, el controlador de carga actual cuenta con un ajuste que posiciona el valor del estado de carga a 100% cuando se detecta un voltaje de batería de

31

14.7 volts (cuando la bateria es de 12 volts nominales), y se considera éste como el voltale que indica un estado de carga del 100%.

Ahora bien, uno de los principales problemas con que se enfrenta el diseñador de controladores de carga es el de medir en forma correcta l* comentes que circulan por el sistema, ya que éstas pueden ser muy bajas durante un p@odo y muy altas en otro, y 10s sensores de comente generalmente no tienen un comportamiento lineal en todo el rango que se maneja y no son capaces de medir comentes bajas y altas con la misma exactitud.

Debido a lo anterior, y a que el cálculo de estado de carga que realiza el controlador está basado principalmente en la comente de la batería, se llegó a la conclusión que dos de los principales requisitos que se debían cumplir durante el diskño de la red eran:

a) Que la red se pudiera programar de manera sencilla 'en el microcontrolador y que no fuera muy demandante computacionalmente.

b) Que la red sea capaz de realizar el cálculo -del estado de carga sin necesidad de involucrar la medición precisa de la comente de la baten;.

I

4.1 Generación de los datos para el entrenamiento de la red

Existen dos métodos de recopilar los datos para el entrenamiento de la red neuronal utilizando el controlador de carga existente:

a) En el primer método, el controlador almacena cada cinco minutos la información de la temperatura, los voltajes de batería y del pant$ y las comentes de batería y carga. Los datos almacenados en este caso son el result:ado de un promedio de 64 muestras tomadas a lo largo de 5 minutos. El valor ddestado de carga es calculado cada período de muestre0 (4.68 segundos) y únicamente se almacena el valor instantáneo

permite la recuperación de los datos y almacenaila información recuperada. de cada hora. En este caso existe un programa t auxiliar en la estación central que

b) El segundo método consiste en la recopilación de datos cada segundo por medio de un programa auxiliar que interroga al controlador y almacena en un archivo los valores correspondientes de voltajes de batería' y del panel, comentes de batería y carga, temperatura y estado de carga instantáneos. Los datos recopilados por este método son valores instantáneos obtenidos cada segundo.

Para la generación de los datos de entrenamiento se realizaron varios ciclos controlados de carga y descarga de la batería, con el fin de recolectarydatos completos y confiables para el entrenamiento de la red.

LOS ciclos de carga y descarga realizados fueron diseñados con el fin de generar dos tipos de series de datos: I

32

a) El primer tipo consiste en datos "secuenciales" de ,voltaje, corriente, temperatura Y estado de carga, esto con el fin de contar con los estados anteriores de dichas mediciones, principalmente con el del estado de carga anterior.

b) El segundo tipo consiste en datos que contuvieran la información de la batería a diferentes regímenes de cargddescarga y en difefentes condiciones de operación, esto con el fin de caracterizar el comportamiento, de la batería y así no tener que utilizar el estado anterior de las variables de entrada.

La batería utilizada para la generación de los datos de entrenamiento es una batería plomo- ácido sellada marca Power Sonic modelo PS-12330 NB d i 12 volts y 33 Amperes-hora,

4.1.1 Generación de datos secuenciales

El primer ciclo de carga y descarga de la batena consistió en conectar el controlador de carga con su respectiva batería a un panel fotovoltaico 'I. a una carga electrónica como se muestra en la figura 4.1. La carga conectada fue progr*da para demandar 4 amperes por un periodo de 2 horas y media y activarse por la noche cuando el panel no aportara corriente. Al final del período de descarga la carga s i desactiva y permite que el panel fotovoltaico cargue la batería con la corriente que pueda generar conforme trascurre el día. Este proceso se realizó por 9 días y los datos recopilados de voltaje, corriente y temperatura fueron almacenados cada cinco minutos en la memoria'.no volátil del controlador mientras que el valor de estado de carga fue almacenado cada hora. 4

Figura 4.1 .- Aneglo para la generación de datos secuenc iles

Otra característica de estos datos es que el estado de carga se almacena únicamente cada hora y esto nos proporciona muy poca información en'icuanto al comportamiento del estado de carga durante este período. Ya que si existe una comente de carga o descarga muy

33 il

grande en el período de una hora existirá un incremento o decremento muy grande en el estado de carga que se observa hasta después de una hora.

Debido a lo anterior se utilizaron los valores de la comente almacenada para calcular el estado de carga de la, batería cada cinco minutos utilizando el mismo algoritmo que utiliza el controlador (conteo de amperes), lo anterior con el fin de tener un juego de datos mas completo y confiable. Además, se consideraron únicamehe muestras que no presentaran ningún ajuste al 100% de estado de carga debido allvoltaje li de batería. En total se recolectaron 2437 muestras secuenciales confiables y los datos son los que se muestran en la figura 4.2.

120 115 110 105

'95 90 F

2 85 80 L

al 75

-

. 55 50

40

30 25 20 15

h

E 45

w 35

I I I I I I I l l I I I I I I / / I 1 1 , ) I I I I l l I I I

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

- ~ n g m w t - m r n o = ' g ~ ~ ~ ~ ~ ~ o N O ~ V > 7 N N N N N N

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ~ 0 0 0 0

Muestra --- Estado de Carga Voltaje Bateria -X- Temperatura -*-- Corriente Batería Figura 4.2.- Datos secuenciales utilizados para el entrenamiento de la red

En la figura 4.2 se observan claramente los nueve ciclos de cargddescarga realizados a la batería. Se observa que después de las descargas de 4 amperes sigue existiendo una pequeña descarga de la batería debida al consumo del mismo controlador. Igualmente se observa que para el noveno ciclo de carga, la batería 'La no alcanza el 100% de estado de carga io que nos indica que el periodo de insolación no fue el suficiente como para que la bateria recuperara toda la energía que necesitaba.

Para verificar y validar la red en simulación se utilizaron los datos recolectados por un controlador de carga que se encuentra en una torre de" auxilio vial de la autopista México- Cuemavaca. Dicho controlador se encuentra en campo;por Io que los datos recolectados son en condiciones reales no controladas. Los datos coni los que se realizaron las pruebas y validaciones en la simulación de la red son los recolectados por el controlador durante los meses de diciembre de 2003 y enero de 2004 y se muestran en la figura 4.3.

I

34

SE

oz- 01- O

01 - OE 5 O 1 3

oz 1 OE C

únicamente I s muestras correspondientes a cada hora esto con el fin de comparar exactamente con los cálculos realizados por el controlador.,

4.1.2 Generación de datos a diferentes regímenes de carga/descarga

Para entrenar una red que utilice como entradas el voltaje de la batería, la corriente de la bateria y la temperatura, se generaron datos de entrenamiento que permitieran conocer el comportamiento de la batería a diferentes regímenes de carga y descarga. Para lograrlo se realizaron cargas y descargas controladas a una batería y: se registró el comportamiento de ésta cada segundo almacenando los datos en un archivo.

Las descargas controladas se realizaron con corrientes constantes, las cuales fueron: 1,3, 5, 7, y 9 amperes, y las cargas se realizaron utilizando una fuente de alimentación en lugar de un panel fotovoltaico con el fin de poder limitar la corriente de carga que entra a la batería por el tiempo que ésta demanda grandes cantidades de ‘borriente. Las cargas se realizaron limitando la comente a 1, 3 y 5 amperes y se consideró que la batería estaba cargada cuando demandaba menos de 300 mA en forma sostenida.

Las gráficas correspondientes a cada ciclo cargddescarga se muestran en las figura 4.4,4.5, 4.6 y 4.7, en donde se pueden observar las lecturas de 4oltaje de la batería, corriente de la batena, temperatura y estado de carga. Para estos casos se realizaron ciclos de carga y descarga de la batería hasta valores de estado de caiga del 60 % con la finalidad de caracterizar el rango completo de la batería. Para lograrlo se modificó el programa del controlador de carga original para que el corte de la carga primaria se realizara hasta el 60% de estado de carga en vez de al 75%.

’

I

16 15 14 13 12 11

3 2 1 O -1 -2

Estado d e Carga -= 3 - Voltaje Bateria 7%- Corriente Batería

- - ._, __ Y 7 Temperatura

Figura 4.4.. Datos recolectados en el ciclo de descarga /carga a comente constante de 1 Amper

36 ¡I

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ' 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 N ~ W W ~ N ~ W ~ O N ~ W ~ O ' N ~ W ~ O N ~ W . - - ? . - . - N N N N N m m m m m b b b t

14 12

-2 -4 -6

Muestra __o- Voltaje Bateria -Gj- Estado de Carga

Temperatura -*- Corriente Baieria

Figura 4.5.- Datos recolectados en el ciclo de descargdcarga'a corriente constante de 3 Amperes

14 13 12 11 10

3 2 1 O -1

,., Estado de Carga -+ Voitaje Bateria ?y__ Temperatura --;-- Corriente Batería

Figura4.6.- Datos recolectados en el ciclo de descarga a corriente constante de 5 Amperes

37

Muestra

Estado de Carga 4.- Voltaje Bateria I \ /i

-Y- Temperatura Corriente üatena

Figura 4.7.- Datos recolectados en el ciclo de descarga a comente constante de 7 Amperes, carga a corriente constante de 5 amperes y descarga a corriente constante de 9 Amperes.

Como puede observarse en las figuras anteriores, existi6 ruido en la medición del voltaje y la comente de la batería el cual se generó durante el proceso de muestreo. Analizando el sistema se encontró que el ruido se presentó de forrim aleatoria al momento de conmutar entre los diferentes canales de lectura y se generó pof; software. Debido a lo anterior fue necesario realizar un filtrado a los datos el cual consistió en eliminar las muestras que presentaran lecturas de comente o voltaje fuera del Contexto de la prueba. Este filtrado resultó ser muy sencillo ya que las lecturas erróneas son fácilmente identificables.

Finalmente, de todos los datos obtenidos durante los &los de carga y descarga se generó un conjunto de datos único para el entrenamiento de la red.

Este conjunto de datos se formó tomando en cuenta que para cada valor de comente constante de carga o de descarga se tienen registrados los parámetros de voltaje y temperatura correspondientes a cada valor de estado de carga (del 60% al 100%). Es decir, con los datos obtenidos con los ciclos de cargddescarga se formó una tabla ordenada primero por el valor de “Estado de carga” y después pdr el valor de “Comente de batería”.

Con la tabla resultante se observó que para cada combinación de “Estado de cargdComente de batería” existían varios valores de voltaje de batería. Lo anterior se debe a que el algoritmo de conteo de amperes solo incremknta o decrementa el valor del estado de carga de 1% en 1%, lo que provoca que el voltaje de la batería sufra una pequeña variación antes de que el valor del estado de carga se* afectado. Para formar el conjunto de datos para el entrenamiento de la red se tomaron los voltajes máximo y mínimo de cada combinación “Estado de cargdcomente de bateria” con el fin de definir un rango de

38

valores de voltaje válido para esa combinación y que fuera tomado en cuenta por la red neuronal.

El conjunto de datos no secuenciales utilizado para el entrenamiento de la red se muestra en la figura 4.8.

100 95 90

1 85 e) 80 e 75 a 70 $ 65 a 60 6 55 A 50 s. 45

40 35 30 25 20

30 27 24 21 18

12,

6 r t

0 , -

l5 5 9 ;

3 s

-3 -6 -9 -12 -15

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -t m 2 $ o -t m N ID o 3 , s 2 g g g 2 a a ~ m m - t

Miestra p. Estado de Carga --.@- Voltae Batería .<’ -->+-- Temperatura -u- Coiriente Batena

Figura 4.8.- Datos no secuenciales para el entrenamiento de la red conformados con los datos recolectados durante los ciclos de cargaidescarga aidiferentes regímenes.

1

Como se puede observar en la figura 4.8 el conjunto de datos fue ordenado primero por tipo de ciclo (descargdcarga) después por el valor de istado de carga, valor de comente de batería y por último por los voltajes máximo y mínimo.

4.2 Topologías propuestas

Como se mencionó en el capítulo anterior, la literatura reporta el uso de redes neuronales para el cálculo del estado de carga de baterías, donde las redes utilizadas cuentan con su capa de entrada, capas ocultas y capa de salida con pesos configurables. Cabe aclarar que únicamente se han reportado trabajos en simulación, y no se han implementado prácticamente.

En nuestro caso se propuso utilizar como base el, Sistema de Inferencia Neuro-Difuso Adaptable (ANFIS) propuesto por Jyh-Shing Roger gang [20], ya que las redes adaptables neuro-difusas combinan los sistemas de inferencia difusos y las redes neuronales, aprovechando las características sobresalientes de cada modelo. Por un lado, los sistemas

de inferencia difusos proveen un mecanismo intuitivo y de alto nivel para representar el conocjmiento mediante la utilización de regias IF/THkN. Por Otro lado, las redes neuronales poseen un alto grado de adaptabilidad capacidad de aprendizaje Y generalización. La constmccicjn de herramientas que se nutren de estas dos áreas ha demostrado ser un mecanismo eficiente para modelar Sistekas reales.

L~~ diferentes modelos de inferencia difusos, dan lugar diferentes arquitecturas ANFIS. ~1 utilizado en esta tesis corresponde a el modelo de inferencia difuso Tdagi-Sugeno-Kang (TSK) debido a su eficiencia.

Además, utilizar este tipo de redes neuro-difusas para el.cálculo del estado de carga, tiene como una de las grandes ventajas contar ya con una herramienta Para el entrenamiento de la red [24].

Otra ventaja es que se tiene acotada de alguna manera ia topología de la red, es decir, se conocen perfectamente el número de capas internas y ¡as operaciones que se realizan en ellas, lo que simplifica en gran medida el trabajo de dimensionamiento de la red. Lo único que queda por determinar es el número y propiedades de las señales de entrada, así como el tipo de funciones a programar en los nodos de entrada

Como la implementación final de la red se hizo en un microprocesador, esto marcó las principales restricciones para el diseño de la red, las cuales fueron:

> Debía ser de fácil programación para no consumir recursos excesivos del micro > Que no fuera muy demandante computacionalmente 9 Tener como entradas variables que sean medibiles en línea o fácilmente calculadas

por el mismo controlador.

La primera restricción acotó principalmente el tipo de funciones de membresía a programar en los nodos de entrada, ya que en el microprocesadór la programación de funciones con operaciones exponenciales, que son las que normalmente se utilizan en este tipo de redes neuro-difusas [20], pueden ser muy complejas o demandantes, por lo que se acotaron estas funciones a aquellas que invoiucraran operaciones ma; sencillas como io son las funciones trapezoidales y triangulares. Entre ambos tipos de ':funciones se eligió trabajar con la función trapezoidal ya que es la que permite mayor número de parámetroc de ajuste [20] y las operaciones involucradas son las mismas que en ekaso de las funciones triangulares.

Igualmente se observó que para que la red no fue& demasiado demandante en cuanto procesamiento, se debería considerar el menor número de reglas o combinaciones posibles. Por ejemplo, si se consideran 4 entradas a la red con 40s funciones de pertenencia cada una se deberían programar 24 = 16 reglas mientras que si se consideraban 3 entradas con las mismas dos funciones de pertenencia se deberían programar 23 = 8 reglas. Igualmente, si se consideran tres funciones de pertenencia para cada entrada tendríamos 34 = 81 reglas y 33 = 27 reglas para 4 y 3 entradas respectivamente.

Por todos los puntos anteriores se propuso ocupar tres entradas a la red con dos funciones trapezoidales cada una en los nodos de entrada y se propusieron dos topologías posibles:

11

40 'I II

a) Una que considera como entradas el estado de carga anterior, el voltaje de bateria y la temperatura. Esto debido a que se ve como buena aportación que no se considere la comente de la bateria para realizar el calculo de istado de carga

b) Y otra que considera como entradas la comente y el voltaje de la bateria y la temperatura. Esto debido a que se cuenta con sufi'cientes datos como para entrenar correctamente una red que calcule el estado de carga sin involucrar condiciones anteriores de las variables.

En la figura 4.9 se muestran las dos topologias propuestas representadas de acuerdo a la arquitectura ANFIS descrita en la sección 3.5.1.

t a) Entradas: Estado de Carga Anterior, Voltaje.de Batena y Temperatura

b) Entradas: Comente de Batería, Voltaje, de Batería y Temperatura

Figura 4.9.- Topologias propuestas con dos funciones de pertenencia trapezoidales a la entrada

41

En la figura 4.9 se observa que en ambas topologías las entradas a la red son variables que se pueden medir o calcular en el controlador. Las funciones de pertenencia programadas en la primera capa son funciones trapezoidales con parámetros configurables. Las reglas en la segunda capa son todas las combinaciones posibles entre las entradas. Las salidas de la tercera capa son el resultado de las combinaciones lineales de las entradas y finalmente se tienen los nodos de suma y ponderación de los pesos correspondientes a cada entrada.

4.3 Determinación de la mejor topología

Con el fin de determinar la mejor topología entre las dos propuestas para su implementación en el micro, se realizó el entrenamiento de las dos redes y se analizaron los siguientes puntos:

9 Valor del error cuadrático medio y de los errores absolutos alcanzados después del entrenamiento

9 Complejidad para la programación en el microcontrolador.

4.3.1 Entrenamientos de las diferentes topologías

Se realizó un programa en Matlab para realizar el entrenamiento de la red utilizando la herramienta ANFIS.

4.3.1.1 Primera Topología (EC-. Temp, Vhd

Primero se entrenó la red que utiliza como entradas el voltaje de la batería, la temperatura y el estado de carga anterior, y se utilizaron como datos de entrenamiento y validación de esta red los datos secuenciales recolectados para este fin (Figura 4.2). Se utilizaron como datos de entrenamiento los datos impares y como datos de validación los datos pares.

En la gráfica de la figura 4.10 se muestra el error cuadrático medio calculado en cada época de entrenamiento hasta la época 100. Para determinar el número de épocas necesarias para el entrenamiento, se usó el criterio de detener el entrenamiento cuando se detecte el primer periodo estable de los errores. Para este caso se observa que alrededor de la época 50 se presenta un comportamiento muy estable de los errores, por lo que se decidió que el entrenamiento se detendría en la época 50, en donde el error cuadrático medio calculado para los datos de entrenamiento alcanza un valor de 0.104844 y para los datos de validación un valor de 0.108328.

42

Figura 4.10.- Comportamiento del error cuadrático medio conforme se incrementa el número de épocas.

La gráfica de la figura 4.1 l a presenta los valores de salida esperados y los calculados por la red al evaluar los datos de entrenamiento. En la grafica 4.11b se presenta el error en cada uno de los puntos evaluados (Valor Esperado-Valor Calculado) y se observa que no se tiene un error mayor al 1 %.

a) Salidas esperada y calculada por la red neuronal al evaluar los datos de entrenamiento con una red entrenada 50 épocas.

43

b) Error = Valor Esperado - Valor Calculado, el I error absoluto no rebasa el 1%

Figura 4.11 .- Comparación entre la salida esperada y la calculada I por la red neuronal al evaluar los datos de entrenamiento con una red eutrknada 50 épocas.

La gráfica de la figura 4.12a presenta los valores de red al evaluar los datos de validación. . En la de los puntos evaluados y se observa que no

esperados y los calculados por la se presenta el error en cada uno mayor al 1.6%.

a) Salidas esperada y calculada por la red neuronal al evaluar los datos de validación con una red entrenada 50 épocas.

44

b) Error = Valor Esperado - Valor error absoluto no rebasa el I .6%

Figura 4.12.- Comparación entre la salida al evaluar los datos de

Como puede observarse al evaluar esta primera topología, tanto el error cuadrático medio, que se observa en la figura 4.10, así como los errores absolutos que se observan en las figuras 4.11 y 4.12 son valores relativament k pequeños lo que nos indica un buen entrenamiento y desempeño de la red. En apartados posteriores se efectúa una simulación de la red en Matlab donde se prueba el desempeñb de la misma con datos reales de campo.

En la figura 4.13 se presentan las funciones de p C rtenencia de la red entrenada 50 épocas y se especifican los parámetros (u, b, c, d) de las funciones de pertenencia trapezoidales de los nodos de entrada barámetros de la premisa) así como los parámetros [o, p , y, rj de las combinaciones lineales conocidos como parámetros del consecuente. En la figura in,mh. representa la función de pertenencia y de la entraha x.

I

45

Parámetros de las funciones de pertenencia in,mf; = trap(oy.x, 4.;. c~ . .~ , dJ..J en los nodos de entrada o parámetros de la premisa:

in,mf,=trap(-lO. 155/.-4.1302,4.9072,/0.932/); inlmh=trap(4.9072, I0.9321,19.9695,25.9944);

in2mf,=!rap(-25. I2~O,-l0.3750,l2.0952,3l. 41 79); in~m~=trap(ll.2920,27.1942,48.625O,63.3750):

in~mf,=!rap(3S.5l72,~2.1045.79.3910,93.9664); in~m~=irap(73.6685.94.0938,118.4538.135.04ll);

donde in..mf; representa la función de pertenencia y de la entrada x.

}Funciones de pertenencia para el Voltaje

} Funciones de pertenencia para Temperatura

} Funciones de pertenencia para EC Anterior

Parámetros [oi. pa qi, rJ para las combinaciones linealesf; o parámetros del consecuente

[o,, pi, 41, r,] = [0.0020 0.0014 0.9997 0.0167]; [ o ~ p ~ , q2. rJ =[O O O O]; b4 , PJ. 43. ~ J J = í 0 O O 01; [o41 PC 44, r.1 =íO O O O]; [OS, ps. qr. rsJ = [-0.50/4 0.0118 1.0036 5.36661;

[ O A P Z q,, rJ = [ 1.4603 -0.0834 0.9915 -18.71561; [oopg, qa, raJ =[0.7818 0.0257 0.9954 -10.9908];

f;= O, VB,, +pi Temp + qi EC,,, + ri I [Os.Pe 46, rs/ = [ 0.9501 -0.0841 1.2384 -33,55361;

Figura 4.13.- Funciones de pertenencia y parámetros de la red entrenada 50 épocas.

46

4.3.1.2 Segunda Topología (I~,~t.~emp,d -

En la segunda topología propuesta se utilizaron como entradas la temperatura, el voltaje y la corriente de la batería, Para el entrenamiento de esta red se utilizó el conjunto de datos no secuencia1 resultante de la combinación de los datos obtenidos durante los ciclos de carga y descarga controlados detallados en la sección 4.1.2 (ver figura 4.8).

El primer entrenamiento realizado para esta topología consistió en utilizar los datos de carga y descarga juntos con la finalidad de generar una sola red que nos permitiera el cálculo del estado de carga.

En la figura 4.14 se presenta el comportamiento del error cuadrático medio calculado en cada época hasta la época 160. Como se puede observar, en este caso el error mínimo alcanzado es de 2.0833 que es bastante grande en comparación con el obtenido con la topología anterior.

Figura 4.14.- Comportamiento del error cuadrático medio conforme se incrementa el número de épocas

La gráfica de la figura 4.1 5a presenta los valores de salida esperados y los calculados por la red al evaluar los datos de entrenamiento. En la grafica 4.15b se presenta el error en cada uno de los puntos evaluados y se observa que se alcanzan errores mayores al 6%.

47

a) Salidas esperada y calculada por la red neuronal al evaluar los datos de entrenamiento con una red entrenada 160 épocas.

b) Error = Valor Esperado -Valor Calculado, el error absoluto alcanza el 6%

Figura 4.15.- Comparación entre la salida esperada y la calculada por la red neuronal al evaluar los datos de entrenamiento con una red entrenada 160 épocas .

48

Para disminuir el error obtenido al tratar de entrenar una sola red para el calculo del estado de carga se propuso manejar dos redes, una que calcule el estado de carga cuando la batería se encuentra cargando y la segunda que lo calcule cuando se esta descargando. Con esto se pretende reducir el error final después del entrenamiento, ya que se puede considerar que en este caso la red cuenta en realidad con cuatro funciones de pertenencia a la entrada, dos para cuando la comente es negativa y dos para cuando la comente es positiva.

En la figura 4.16 se presenta el comportamiento del error cuadrático medio para la red que calculará el estado de carga cuando la batería se esté cargando, en donde se observa un error final de 0.78495 después de 200 épocas de entrenamiento.

Figura 4.16.- Comportamiento del error cuadrático medio de la red que calcula el estado de carga cuando la batería se esta cargando.

La gráfica de la figura 4.17a presenta los valores de salida esperados y los calculados por la red al evaluar los datos de entrenamiento de la red para la carga. En la grafica 4.17b se presenta el error en cada uno de los puntos evaluados y se observa que se alcanzan errores mayores al 2.5%.

49

a) Salidas esperada y calculada por la red neuronal (de carga) al evaluar los datos de entrenamiento con una red entrenada 200 épocas.

b) Error = Valor Esperado ~ Valor Calculado, el emor absoluto alcanza el 2.5%

Figura 4.17.- Comparación enire la salida esperada y la calculada por la red neuronal (de carga) al evaluar los datos de validación con una red entrenada 200 épocas.

En la figura 4.18 se presenta el comportamiento del error cuadrático medio para la red que calculará el estado de carga cuando la batería se esté descargando, en donde se observa un error final de 2.06155 después de 500 épocas de entrenamiento.

50

Figura 4.18.- Comportamiento del error cuadrático medio de la red que calcula el estado de carga cuando la batería se esta descargando.

La gráfica de la figura 4.19a presenta los valores de salida esperados y los calculados por la red al evaluar los datos de entrenamiento de la red para la descarga. En la grafica 4.19b se presenta el error en cada uno de los puntos evaluados y se observa que se alcanzan errores mayores al 5%.

I 1

a) Salidas esperada y calculada por la red neuronal (de descarga) al evaluar los datos de entrenamiento con una red entrenada 500 épocas.

51

I

b) Error = Valor Esperado - Valor Calculado, el error absoluto alcanza el 6%

Figura 4.19.- Comparación entre la salida esperada y la calculada por la red neuronal (de descarga) al evaluar los datos de validación con una red entrenada 500 épocas.

En resumen, de los resultados obtenidos y mostrados en las figuras de la 4.14 a la 4.19 concluimos que los mejores resultados se obtendrían si se consideran dos redes separadas, una para la carga y otra para la descarga de la batería. Como se observa en la figura 4.17, la mejoría es principalmente para el caso de la carga en donde sí se observa una disminución del error cuadrático medio y del error absoluto. Para el caso de la descarga (figura 4.19) se observa que la disminución en el error no es tan significativa como en el caso de la carga.

En la figura 4.20 se presentan las funciones de pertenencia de la red entrenada para calcular el estado de carga de la batena cuando ésta se encuentra recibiendo comente, es decir, se está cargando. En este caso se emplearon 200 épocas de entrenamiento, que es el punto en donde se considera que el error cuadrático medio ya alcanzó un valor estable.

En la figura 4.21 se presentan las funciones de pertenencia de la red entrenada para calcular el estado de carga de la batena cuando ésta se encuentra entregando comente, o lo que es IO mismo, se está descargando. En este caso se emplearon 500 épocas de entrenamiento con el fin de demostrar que aun aumentando el número de épocas de entrenamiento no se observa mejoría en los resultados.

52

Parámetros de las funciones de pertenencia in,ml; = irap(a,, bxy, c>., dJ en los nodos de entrada o parámetros de la premisa:

in,mf,=trap(ll.4907, 12.3105, 13.6136. 13.9803); in,mf=trap(l3.3~5~, 13.7744, 15.5899, 16.4097);

inImf,=trap(-8.3297, -6.5069, -3.9453. -2.4164); in&=irap(-3.2294, -2.1646. O. 7843, 2.6071);

} Funciones de pertenencia para el Voltaje

} Funciones de pertenencia para Temperatura

} Funciones de pertenencia para EC Anterior injmf,=trap(18. 6062, 21.831 3, 26.8551, 29.9560); injm~=irap(25.9084. 30.0444. 34.7313, 37.9562);

donde in.rmfl representa la función de pertenencia y de la entrada x

Parámetros [o. pa q;, rJ para las combinaciones linealesf; o parámetros del consecuente

[o,,pl. 9,. ri] =[6.9900 9.6496 7.5532 -180.8/14]; [02,p2,q>, rJ = 112.7352 -8.8688 3.1684 -250.4409]; [od, pj, qj, rj] = p6.6809 16.6845 0.5102 -408.68211; [04 .p , qa rJ = [45.5115 -3.7479 2.1098 -591.1141];

[o~r,p~r. q7, r~r] = [-0.6737 10.9324 -9.0210 357.19451; > [OS.PS. 9s. r ~ l = [-9.0962 7.9442 7.1958 34.66441;

[OS. pa, qs, rd = 11.8605 2.9147 -3.4615 183.1739];

f;= oi VBot + p i Temp + qi ECO,, + ri [O6. p6, q6, r6] = [9.8073 1.6618 -0.7629 -20.91931;

Figura 4.20.- Funciones de pertenencia y parámetros de la red de carga entrenada 200 épocas

53

Parámetros de los funciones de pertenencia in,mf;. = trap(a,, by.r, c,,, dv,J en los nodos de entrada o parámetros de la premisa:

inimf,=trap ( I 0.4694, I I . 1441, 12.1633, 12.7960); inimh=trap (12.2151, 12.8435, 13.8428, 14.5175); }Funciones de pertenencia para el Voltaje

in2nfi=trap(-4.8835. -1.5453. 3.3901, 6.7072); iqmh=trap(3.4074, 6.7284, 11.8077, 15.1459); }Funciones de pertenencia para Comente

in~mfi=trap(l8.2813, 22.4063, 28.4941, 32.7313); injmfi=trap(29.3721, 32.5992, 38.9063, 43.0313); } Funciones de pertenencia de Temperatura

donde in,ml; representa la función de pertenencia y de la entrada x

Parámetros [oi, pj , qi, rJ para las combinaciones linealesf; o parámetros del consecuente

[o i ,p1 ,q~ ,rJ=[-99 .1 5.6 4.2 1141.81;

[o3, pj, q3, r3] = [29.5592 -10.4853 -4.6851 -54.89911; [o4, pd. qa rJ = [S6.6711 2.3263 0.3881 -635.22071; [os,p5, qb rx] = [-37.3481 13.3574 -5.4316 713.97701;

[07,pi, q7, r d = [9.235/

[02,p2, q2, rJ =[133.1 4.4 23 -2317.71;

[o6. p6, y6. rJ = [-210 -10. 14.4 2344.91;

[OS, pa, qs, rd = [-33.2 48.6 -29.6 1073.61;

f;= oi V B ~ , +pi 4, + qi Temp + ri

10.6425

Figura 4.21 .- Funciones de pertenencia y parámetros de la red de descarga entrenada 500 épocas.

54

4.3.2 Selección de la Topología

corno se microcontrolador se utilizaron 10s siguientes Criterios

anteriormente para la selección de la topología a implementar en el

> valor del error cuadratic0 medio y de los errores absolutos alcanzados después del

> Baja complejidad para la programaciÓn.en el microcontrolador. entrenamiento

En cuanto al valor de los errores, es claro que ¡a primera topologia resulta mas conveniente, pues su error cuadrático medio esta en el orden de 10.' mientras que en el segundo caso no se pudo reducir de 0.78495 y Únicamente para el caso de la carga ya que para la descarga es mucho mayor (2.06155), además de que en la segunda topología existen errores absolutos muy grandes que afectarían considerablemente la confiabilidad del controlador.

Igualmente, al considerar la complejidad de programación en el microprocesador, la primera topología resulta menos compleja'que la segunda, ya que para poder reducir el error en la segunda topología es necesario configurar dos redes en el microcontrolador. Aparte de lo anterior, también es importante considerar que el manejo de datos negativos en un microprocesador siempre complica la programación, por lo que la segunda topología incrementa su complejidad al manejar la comente tanto positiva como negativa.

Como ventaja adicional, en el caso de la primera topología no se utiliza la medición de la comente de la batena como entrada a la red, lo cual implica una gran ventaja ya que la medición de corriente siempre implica un problema, ya sea de disipación, precisión o complejidad del hardware. Una aportación importante de esta tesis es lograr estimar confiablemente estados de carga sin medir la comente.

Tomando en cuenta todas las observaciones anteriores, se concluyó que la mejor topología de las dos propuestas es la que considera como entradas a la red: el voltaje de la batena, el estado de carga anterior y la temperatura. Con base a lo anterior se decidió que la red a implementar en el controlador es la mostrada en la figura 4.9a con los parámetros indicados en la figura 4.13.

4.3.3 Simulación de la topología seleccionada

Para la simulación de la red seleccionada se programó la estructura de la red por medio de líneas de código en Matlab, utilizando funciones de pertenencia trapezoidales y dos funciones de pertenencia por entrada.

Como se mencionó anteriormente, para verificar y validar la red en simulación se utilizaron los datos recolectados por un controlador de carga que se encuentra en una torre de auxilio vial de la autopista México-Cuemavaca. Dicho controlador se encuentra en campo por lo que los datos recolectados son en condiciones reales no controladas. Los datos con los que se realizaron las pruebas y validaciones en la simulación de la red son los recolectados por

55

. .

el controlador durante los meses de diciembre de 2003 y enero de 2004 y se muestran en la figura 4.3.

La figura 4.22a muestra la comparación entre los valores de estado de carga registrados por el controlador y los calculados por la red neuronal programada en Matlab utilizando los datos del mes de diciembre de 2003 sin ningún tipo de filtrado.

En la gráfica 4.22b se presenta el error en cada una de las combinaciones evaluadas y se observa que existen puntos en donde se alcanzan errores mayores al 20%.

Realizando el cálculo del error cuadrático medio (RMSE) para este caso se obtiene un valor de 1.7803.

Si se analiza detenidamente la figura 4.22 se observa que los errores mal altos en el cálculo del estado carga se registran cuando el algoritmo del controlador realiza un ajuste del estado de carga al 100% debido a la lectura del voltaje en la batena de 14.7 volts.

Debido a lo anterior, y a que para el entrenamiento de la red no se consideraron estos ajustes, una forma mas justa de evaluar el desempeño de la red simulada es considerando un rango de datos que no involucre ningún ajuste al 100% de estado de carga debido al voltaje de 14.7 volts. La figura 4.23a muestra la comparación entre los valores de estado de carga registrados por el controlador y los calculados por la red neuronal programada en Matlab utilizando un rango de datos del mes de diciembre de 2003 que no involucran ningún ajuste al 100%. De igual manera, en la grafica 4.23b se presenta el error en cada una de las combinaciones evaluadas y se observa que los errores no rebasan el 3%.

Realizando el cálculo del error cuadrático medio (RMSE) para este caso se obtiene un valor de 1.0451.

a) Estado de carga registrado en el controlador y calculado por la red neuronal simulada al evaluar los datos de campo del mes de diciembre de 2003 completos.

56

b) Error = Valor Esperado - Valor Calculado, en algunos puntos el error absoluto alcanza el 20% I

Figura 4.22.- Comparación entre el valor del estado de carga registrado por el controlador y el calculado por la red neuronal simulada al evaluar los datos de campo del mes de diciembre de 2003 completos.

a) Estado de carga registrado en el controlador y calculado por la red neuronal simulada al evaluar un rango sin ajustes al 100% de los datos de campo del mes de diciembre de 2003 .

I

57

I I

b) Error = Valor Esperado - Valor Calculado, en algunos puntos el error absoluto alcanza el 3%

Figura 4.23.- Comparación entre el valor del estado de carga registrado por el controlador y el calculado por la red neuronal simulada al evaluar un rango de los datos de campo del mes de diciembre de 2003.

La figura 4.24a muestra la comparación entre los valores de estado de carga registrados por el controlador y los calculados por la red neuronal programada en Matlab utilizando los datos del mes de enero de 2004 sin ningún tipo de filtrado.

En la grafica 4.241, se presenta el error en cada una de las combinaciones evaluadas y se observa que existen puntos en donde se alcanzan errores mayores al 20%. Realizando el cálculo del error cuadrático medio (RMSE) para este caso se obtiene un valor de 1.6487.

Si se analiza la figura 4.24 se observa el mismo fenómeno que el observado cuando se realizó la simulación utilizando los datos dell mes de diciembre de 2004, es decir, los errores mal altos en el cálculo del estado carga se registran cuando el algoritmo del controlador realiza un ajuste del estado de carga al 100% debido a la lectura del voltaje en la batena de 14.7 volts.

58

l a) Estado de carga registrado en el controlador y ca1cul;do por la red neuronal simulada al evaluar los datos

de campo del mes de enero de 2004 completos.

~

b) Error = Valor’Esperado - Valor Calculado, en algunos puntos el error absoluto alcanza el 20%

Figura 4.24.- Comparación entre el valor del estado de carga registrado por el controlador y el calculado por la red neuronal simulada al evaluar los dads de campo del mes de enero de 2004 completos.

Debido a lo anterior, se procedió de la misma manera que en la simulación anterior y la figura 4.25a muestra la comparación entre los valores de estado de carga registrados por el controlador y los calculados por la red neuronal programada en Matlab utilizando un rango de datos que no involucran ningún ajuste fordado de los datos del mes de enero de 2004. De igual manera, en la gráfica 4.25b se presenta el error en cada una de las combinaciones evaluadas y se observa que los errores existentes no rebasan el 3.5%.

Realizando el cálculo del error cuadrático medio (RMSE) para este caso se obtiene un valor

I

de 0.9569. I

59

de validación durante el entrenamiento de recordando un factor que debe tomarse

60

la red. Lo antenor se explica fácilmente muy en cuenta para la evaluación del

I.

De lo observado en las simulaciones podemos loncluir que a pesar de que los valores de los errores absolutos alcanzan a ser mayores al 3% el comportamiento de la red se puede considerar muy adecuado, ya que estos errores no son continuos y el error cuadrático medio en ambas simulaciones es alrededor de 1% d pesar de que los datos de las simulaciones fueron tomados cada hora.

Otro factor a tomar en cuenta para la evaluación de la red, es que no se utiliza la medición de la comente de la batería como entrada a id red, lo cual implica una gran ventaja ya que la medición de comente siempre implica un problema, ya sea de disipación, precisión o complejidad del hardware.

61

5 Implementación y Pruebas

Una vez comprobado a través de la simulación que la red seleccionada tiene un buen comportamiento se procedió a su implementación en el controlador de carga mostrado en la figura 5.1 y que fue desarrollado en la Gerencia de Control e Instrumentación del IIE. Dicho controlador está basado en un microcontrolador MSP430F147 de Texas instruments y para la programación de la red en el microcontrolador se utilizó el paquete “Embedded Workbench” de IAR Systems.

Figura 5.1 .- Controlador de carga desarrollado en el IIE

Para la implementación d e l a red se desarrolló una función en ensamblador que efectúa el cálculo de la red neuronal y que se ejecuta a la par del algoritmo de conteo de amperes. Sin

62

embargo, durante las primeras pruebas, el controlador siguió basando sus decisiones en los cálculos efectuados por el conteo de amperes.

Para las pruebas finales se modificó el programa original con el propósito de que el controlador basara sus decisiones ahora en los cálculos de estado de carga realizados por la red neuronal.

Con los resultados de las pruebas desarrolladas se realizó una comparación entre los dos algoritmos de cálculo de estado de carga y se comprobó que el cálculo realizado por el algoritmo de la red neuronal propuesta es más confiable que el algoritmo de conteo de amperes original.

5.1 Implementación de la red en el controlador de carga

Para poder implementar la red neuronal en el microcontrolador fue necesario tomar en cuenta varias consideraciones.

La primera situación a resolver fue que el microcontrolador no maneja por sí mismo números de punto flotante. Para no perder precisión en el cálculo de estado de carga, los términos independientes de las combinaciones lineales de salida y los parámetros de las funciones de pertenencia trapezoidales del valor de estado carga anterior se multiplicaron por un factor de lo2 y se redondearon en su Último dígito. Debido a que su valor numérico era más pequeño, los parámetros de las funciones de pertenencia trapezoidales del voltaje y de la temperatura así como los demás parámetros de las combinaciones lineales se multiplicaron por un factor de lo3.

Los factores anteriores fueron determinados tomando en cuenta que se decidió utilizar únicamente variables tipo word las cuales tienen un valor máximo de 65535, siempre y cuando no se maneje el bit de signo. La restricción de utilizar variables tipo byte se debe a la finalidad de no complicar la programación además de cuidar la capacidad de memoria del microcontrolador, ya que no hay que olvidar que la red es Únicamente una parte de la programación total que existe en el controlador de carga.

Claro está que al manejar los parámetros de la red multiplicados por factores de lo3 y lo2 las variables de entrada a la red también tienen que estar afectadas por su correspondiente factor, por lo que las variables de voltaje de batería y temperatura se utilizan multiplicadas por lo3 y la variable estado de carga anterior por un factor de lo2, el resultado final de la red se obtiene con una precisión de 2 decimales, es decir multiplicado por un factor de lo2.

Una última consideración realizada con la finalidad de simplificar la programación para este trabajo es que en la práctica tanto el voltaje de la batería como la temperatura son siempre positivos, por lo que los parámetros de las funciones de pertenencia del voltaje de batería y de temperatura que son negativos se acotaron a valores muy cercanos a cero pero positivos. La consideración de no tomar temperaturas negativas se justifica si observamos que en los datos de entrenamiento de la red no existe en ningún caso un valor negativo de

63

temperatura por lo que se considera como un trabajo futuro el realizar un nuevo entrenamiento de la red con datos que consideren un rango más amplio de temperatura.

Los parámetros de la red configurados en el microcontrolador son los mostrados en la figura 5.2.

Parámetros de las funciones de pertenencia in.pf; = irap(as.r, b>.o c>- dJ en los nodos de entrada o parámetros de la premisa:

in,mf, = trap(0, I , 4907, 10932); inimh = irap(4907, 10932. 19970, 25994); }Funciones de pertenencia para el Voltaje

in& = trap(0, I , 12095, 31418); in2ml, = irap(11292, 27194.48625. 63375): } Funciones de pertenencia para Temperatura

inimf, = trap(3552, 5210, 7939, 9397); in3mh = trap(7367, 9409, 11845, 13504), } Funciones de pertenencia para EC Anterior

donde in.rmA. representa la función de pertenencia y de la entrada x .

Parámetros [o. pi, q;, rJ para las combinaciones linealesf; o parámehos del consecuente

í01, PI . 41. rJ =[2 I 999 21; [o2.p2, 41, rJ =[O O O O]; [oj,p~l, 43. rJ =[O O O O]; ioe PI. q4, r41 =[O O O O]; [OS, ps. qs. rs] =[-Sol 12 1004 5371;

[o?. p?. q?, r?] 2 [ 1460 -83 992 -15721; [aa,pa. 48, rsl = [ 782 26 995 -10991;

f;= oi VB", + p , Temp + qi EC,,, + ri [OS, Pa. q6. rd = [ 950 -84 1238 -33551;

Figura 5.2.- Funciones de pertenencia y parámetros de la red programada en el controlador de carga

Si bien es cierto que la red no utiliza como una de sus entradas la corriente de la batería, si es necesario considerar esta variable, no como parámetro para el cálculo del estado de carga, sino como una referencia para determinar la frecuencia con que se debe ejecutar la red neuronal. Esto es, un problema a resolver durante la implementación de la red en el controlador de carga fue determinar cada cuánto tiempo se debe ejecutar la función que calcula la red neuronal.

El siguiente ejemplo ilustra el problema. Supongamos que la red se ejecuta cada segundo y tomemos como entrada un juego de datos: Voltaje de bateria (Vbat = 12.2798), temperatura (Temp = 29.6875), estado de carga anterior (ECant = 85.3947). AI ejecutarse la red tendríamos un nuevo estado de carga resultante EC = 84.3056 el cual será el estado de carga anterior en la siguiente ejecución de la red. Si suponemos que la red se ejecuta cada segundo, en una aplicación real tanto el voltaje de la batería como la temperatura se

64

mantienen prácticamente constantes, por lo que las nuevas entradas a la red serán 10s mismos valores de voltaje y temperatura y el nuevo valor de estado de carga anterior: Vbat = 12.2798, Temp = 29.6875, ECant = 84.3056, lo que representa un conjunto de datos distinto al inicial. Al ejecutar la red con este nuevo conjunto de datos de entrada nos da como resultado EC = 83.2327. En la tabla 5.1 se muestran 10 ejecuciones de la red neuronal considerando que el voltaje de la batería y la temperatura no cambian.

1 Segundo/ I Vbat Temp . I Ecant EC

Como puede observarse en la tabla 5.1, si bajo las condiciones anteriores ejecutamos la red neuronal cada segundo tendríamos que después de 10 segundos el controlador desconectaría la carga principal al detectar que la batería se encuentra a menos del 75% de estado de carga lo que no sena correcto, ya que no hay nada que nos indique que la batería sufió una descarga de tal magnitud (8% en diez segundos) ya que el voltaje no tuvo variación en este período.

En la práctica, los cambios en el valor de estado de carga implican siempre un cambio en el valor del voltaje de la batería. En el ejemplo anterior se demuestra que la red no debe ejecutarse en penodos tan cortos que no impliquen variaciones en el valor del voltaje de batería. Como los datos utilizados para el entrenamiento de la red fueron registrados cada cinco minutos esto nos hace pensar en una frecuencia de ejecución de la red de cada cinco minutos.

Ahora, si consideramos una frecuencia de ejecución de la red de cada cinco minutos y consideramos que durante ese período no existe corriente de la batería ni de carga ni de descarga, es lógico pensar que el voltaje de la batería tampoco sufrirá variación alguna por lo que se presentará el mismo problema mostrado en el ejemplo.

Por otro lado, si consideramos una frecuencia de ejecución de la red de cada cinco minutos y consideramos que durante ese período existe una demanda muy grande de comente a la batería, el estado de carga real de la batería puede.Ilegar a valores peligrosos de descarga

65

antes de que se ejecute la red neuronal y el controlador corte la demanda de corriente a la batería.

Para resolver los problemas anteriores se decidió utilizar la lectura de la corriente para determinar cada cuanto tiempo se debe ejecutar la red neuronal fijando rangos de comente y tiempos de ejecución. Para determinar dichos rangos de corriente y los tiempos de ejecución se utilizaron los siguientes criterios:

k Cuando se detecta que no existe corriente de batería, no se ejecuta la red neuronal y se mantiene el estado de carga anterior. Ahora bien, en pruebas realizadas al controlador actual, se ha concluido que el sensor de comente no mide confiablemente comentes inferiores a 200 mili amperes y nunca presenta una lectura de cero amperes, por lo que se tomó la decisión de que cuando se tenga una lectura de comente inferior o igual a 200 mA se considere que no existe comente de batería.

> Considerando que los datos utilizados para el entrenamiento fueron obtenidos de un registro de cada cinco minutos, y que la comente para la carga de la batería nunca fue superior a 3 amperes, se decidió que cuando la batería se esté cargando con una comente menor a 3 amperes, la red neuronal se ejecute cada 5 minutos. En caso de que la corriente de carga de la batería sea superior a los 3 amperes, la red neuronal se ejecutará cada 4 minutos con el fin de detectar con mayor rapidez las variaciones de voltaje de batería.

> Para el caso de la descarga se tomó el criterio básico de que mientras mayor sea la comente que descarga a la batería, más rápido se descarga ésta y mas rápido se ve afectado el voltaje de la misma. Por lo que se estableció que, como en el caso de la carga, para corrientes de descarga inferiores a 3 amperes se ejecutará la red cada 5 minutos, para comentes de descarga entre 3 y 5 amperes la red se ejecutara cada 4 minutos ypara corrientes superiores a 5 amperes la red se ejecutara cada 3 minutos. Como puede observarse, en este caso fue necesario utilizar tres tiempos de ejecución distintos ya que en pmebas realizadas se comprobó que para comentes superiores a cinco amperes la variación de voltaje de batería es muy rápida y no alcanzaba a ser detectada adecuadamente con un tiempo de ejecución de cuatro minutos.

Finalmente, la figura 5.3 representa el algoritmo programado en el microcontrolador el cual es el equivalente ai mostrado en la figura 3.9 pero con tres entradas y dos funciones de pertenencia para cada entrada. En la programación se utilizó la siguiente secuencia en la ejecución del algoritmo:

a) Se definen los parámetros (ax,, bq, cv, dq) correspondientes a las funciones de pertenencia tipo trapecios de las estradas, donde x es la entrada y y es una función de pertenencia de esa entrada.

b) Se definen los parámetros [ol, p,, q,, r,] de las combinaciones lineales de salida de la ’ capa 3, pero con los nombres:

66

outlmfil = o , outlmfi2 =pi outlm43 = qi out lmfi4 = ri

donde i representa el número de nodo de salida de la capa 3.

c) Se lee la corriente de batería Ibnr y si es menor a 250 ma no se ejecuta la red y se mantiene el mismo valor de estado de carga.

d) Si la corriente es mayor a 250 ma, se analiza su valor y se establece la frecuencia de ejecución de la red.

e) Se leen los valores de las variables: voltaje de batería VI,,^), temperatura (Temp) y estado de carga anterior (ECant).

t) Se calculan los grados de pertenencia (inxmfy) de cada entrada x correspondiente a cada función trapecio y realizando las operaciones algebraicas y de desigualdad (“mayor que” y “menor que”) necesarias para impiementar la función trapecio:

in,mf,,(z) = max

Donde z es el valor que toma la variable de entrada. Para este programa x = 1 corresponde al voltaje de la batería, x = 2 corresponde a la temperatura y x = 3 Corresponde al estado de carga anterior,

Esta operación corresponde a la capa 1 de la figura 5.3.

g) Se calculan los productos correspondientes a cada regla

wlhi = injrnf/*in2mf/*in3mf/ w2hi = in/mf/*in2mf/*in3mf2 w3hi = in/mf/*in2mf2*in3mf, w4hi = in,mf,*inzmfz*in3mf2 w5hi = in/mf2*inzmf,*in3mf, wóhi = in/mf2*in2mf/*in3mfi w7hi = in/mf2*in2mf2*in3mfi w8hi = in,mf2*in2mf2*injmfi

Este paso corresponde al cálculo de la capa 2 de la figura 5.3.

h) Se calcula el factor de normalización que corresponde a la suma de todos los productos anteriores

nor factor = wlhi + w2hi + w3hi + w4hi + w5hi + wóhi + w7hi + w8hi

67

Este paso corresponde al nodo inferior de la capa 4 de la figura 5.3.

Se calculan las combinaciones lineales fi de la capa 3 de la figura 5.3.

fi = outlmGl * Vbat + outlmfi2 * Temp + outlmfi3 * EC,,, + outlmfi4

y se multiplican por las salidas wihi del inciso g). Estas operaciones corresponden a la capa 3 de la figura 5.3. Los resultados se vuelven a almacenar en las variables wihi con el fin de no definir más variables y ahorrar memoria.

Se suman todos los resultados del inciso anterior. Este paso corresponde al nodo superior de la capa 4 de la figura 5.3.

i)

j)

k) Se divide el resultado del inciso anterior entre el factor de normalización nor factor calculado en el inciso h). Este paso corresponde a la salida de la capa 5 de la figura 5.3, lo que nos da como resultado el valor de estado de carga actual.

Los detalles del programa se pueden consultar en el anexo A.

I

Capa T 1 Capa t t 2 Capa 3

Figura 5.3.- Algonbno de la red neuro-difusa implementada en el controlador de carga

68

~

5.2 Configuración física para las pruebas

Una vez implementada la red neuronal en el controlador de carga, se preparó el escenario para realizar las pruebas de validación de la misma. Éste consiste en el esquema mostrado en la figura 5.4.

Figura 5.4.- Arreglo del equipo utilizado para realizar las pruebas de validación de la red neuronal

En dicho esquema el controlador de carga contiene a la red neuronal y es el que tiene el control de la conexión o desconexión de la carga electrónica así como el control de la comente de carga de la batería.

Para las primeras 4 pruebas el controlador de carga siguió basando sus decisiones en el cálculo realizado por el conteo de amperes y a su vez realizó el cálculo de estado de carga utilizando la red neuronal. Ambos cálculos de estado de carga los envía por comunicación serial hacia la estación central junto con los datos de: voltaje de batena, comente de bateria y temperatura.

Como fuentes de energía externas se utilizaron un panel fotovoltaico de 75 watts y una fuente de alimentación la cual se utilizó para reemplazar al panel en días nublados, en la noche o cuando se requiere una corriente de carga de batena constante, es decir, la fuente de alimentación y el panel fotovoltaico nunca operan juntos. La fuente de alimentación fue configurada para proporcionar 15 volts con una comente máxima de 3 amperes.

69

5.3 Pruebas de validación

~1 único método 100% confiable para conocer el estado de carga de una batería sellada es descargar totalmente dicha batería y cargarla nuevamente llevando un conte0 Preciso de Amperes. Este método, además de dañar la batería (lo que resulta Costoso), implica mucho tiempo de pruebas. Por lo tanto, se determinó que todas las pruebas que se realizaran para validar la red neuronal deberían empezar en el estado de carga que se puede conocer con mayor certeza, esto es, el 100%.

Es decir, el Único estado de carga del cual se puede estar razonablemente seguro en una batena en buen estado es el loo%, ya que cuando una batería se encuentra totalmente cargada ésta ya no demanda comente cuando es conectada a una fuente de alimentación.

Debido a lo anterior todas las pruebas de validación de la red neuronal se realizaron empezando de un estado de carga del loo%, es decir, la batena no demandaba mas comente a la fuente, y finalizando cuando la batería, después de un ciclo de descarga y carga, regresaba al estado de no demanda de comente (EC=100%).

Las pruebas de validación se dividieron en dos partes, las primeras (pruebas 1 a la 4) consistieion en validar la correcta operación de la red neuronal realizando descargas y cargas controladas utilizando el conteo de amperes para realizar el control de la conexión y desconexión de la carga y regisírando cada segundo los estados de carga calculados por el algoritmo actual (conteo de amperes) y por el de la red neuronal para su comparación posterior. El segundo grupo de pruebas (pruebas 5 y 6 ) consistieron en validar que el controlador realiza un correcto control sobre la conexión y desconexión de la carga electrónica al utilizar el estado de carga calculado por la red neuronal y evita que la bateria alcance rangos de descarga peligrosos.

Durante el tiempo que duró cada una de las pruebas, se realizó cada segundo el registro de las siguientes variables: voltaje de batería, comente de batería, temperatura, estado de carga por conteo de amperes y estado de carga por red neuronal. El comportamiento de cada una de estas variables se presenta en las gráficas de resultados que se ilustran en cada prueba.

Para comparar fácilmente los resultados que arrojan los algoritmos de cálculo de estado de carga, en las gráficas de cada prueba se presenta también la diferencia entre el estado de carga calculado por el conteo de amperes (ECc*)y el calculado por la red neuronal (ECRNA).

70

5.3.1 Prueba 1

t

t

Esta primera prueba consistió en demandar, por medio de la carga electrónica, una comente constante de 4 amperes al arreglo mostrado en la figura 5.4 el cual tenía conectado el panel fotovoltaico. Como la comente que puede suministrar el panel fotovoltaico a la carga electrónica no es constante, ya que depende de las condiciones climatológicas, la comente que se le demanda a la batería tampoco es constante. Lo anterior hace que la prueba sea dinámica y permite evaluar el comportamiento de la red en un rango de valores de comente de descarga y no en un valor único. Cuando el controlador detecta que el estado de carga de la batería calculado por conteo de amperes llega a 75% desconecta la carga electrónica dejando que la batería se cargue libremente utilizando el panel fotovoltaico como fuente externa.

Debido a la hora del día en que se realizó la prueba durante el período de cargado de la batería, fue necesario remplazar al panel fotovoltaico por la fuente de poder a las 18:38:49, ya que el panel fotovoltaico ya no fue capaz de proporcionar energía a la batería.

La figura 5.5 muestra el comportamiento del voltaje de batería, comente de batería, temperatura, estado de carga por conteo de amperes y estado de carga por red neuronal durante el desarrollo de esta prueba. Igualmente se presenta la diferencia entre el estado de carga calculado por el conteo de amperes y el calculado por la red neuronal. Es importante recordar que la red neuronal no utiliza el valor de la comente de batería para realizar su cálculo de estado de carga.

En la figura 5.5 observamos que durante el periodo de descarga de la batería (de 10:11:09 hrs. a 15:13:32 hrs) la diferencia máxima calculada entre los dos estados de carga es de 3.48%, mientras que en la etapa de carga la diferencia entre los dos estados de carga se incrementa conforme la batería se va cargando llegando a alcanzar en su punto máximo un valor de 22%.

Analizando la etapa de carga de la batería observamos que cuando el estado de carga calculado por el conteo de amperes alcanza el 100% la batería sigue demandando una comente de 2.2784 amperes, lo que indica que en realidad la batería no se encuentra totalmente cargada y esto se confirma ya que al final de la prueba según el conteo de amperes la batería se encontraba a un 113% de estado de carga. Por otro lado, si analizamos el cálculo del estado de carga realizado por la red neuronal concluimos que éste es mas confiable que el del conteo de amperes, lo anterior debido a que cuando la red calcula un estado de carga de 99.89% la batería se encuentra demandando una comente máxima de 535 miliamperes, lo que indica que la batería se encuentra cerca de su 100% de estado de carga.

Otro factor a considerar es que durante la descarga el cálculo de estado de carga realizado por la red neuronal llega al 75% cuando el conteo de amperes calcula 77%, lo que nos indica que en el peor de los casos en la descarga la red neuronal “sobreproteje” a la batería indicando un corte de carga un 2% de estado de carga antes de lo indicado por el conteo de

71

amperes. Finalmente, cuando el conteo de amp res detecta el 75% de estado de carga la red neuronal tiene ya un cálculo de 73.01%. e

*r

I "Y

i~ a- - c i I- .. .- ... ...

16 15 14 13 12 11 10

: 5 ; 3 5 g 4 2 3 % 2 < " 1 O -1 -2 -3 -4 -5

Hora -+ voltaje Bateria - ~ E C- Re3 Neuronal -*- corriente Bateria 4- EC - Cmteo de mperes -y.'--- Ternperaura -+- Diferencia ECch - E%,

Figura 5.5.- Demanda constante de 4 amperes

A partir de los resultados arrojados por esta pmeba se concluye que un controlador utilizando la red neuronal para calcular el estado de carga de la batería tendría un mejor desempeño que el controlador que estima el estado de carga por conteo de amperes ya que cumpliría mejor su función de protección de la batena ai calcular mas confiablemente el 100% de estado de carga io que resulta indispensable para mantener a la batería dentro de los rangos de operación seguros.

72

5.3.2 Prueba 2

La segunda prueba consistió en demandar, con ayuda de la carga electrónica, una comente constante de 6 amperes al arreglo mostrado en la figura 5.4, el cual tiene conectado el panel fotovoltaico, lo que le da a la prueba la misma dinámica que en la prueba 1. Al igual que en la primera prueba, cuando el controlador I detecta que el estado de carga de la batería calculado por conteo de amperes llega a 75% desconecta la carga electrónica dejando que la batería se cargue libremente utilizando el panel fotovoltaico como fuente externa.

Debido a la hora del día en que se realizó la prueba y a las buenas condiciones climatológicas no fue necesario remplazar al panel fotovoltaico por la fuente de poder durante el período de cargado.

En la figura 5.6 se presentan las gráficas correspondientes a esta prueba y observamos que durante el periodo de descarga de la batería (de 9:30:56 hrs. a 11:48:38 hrs.) la diferencia máxima calculada entre los dos estados de carga es de 3.71%, mientras que en la etapa de carga la diferencia entre los dos estados de carga se incrementa conforme la bateria se va cargando llegando a alcanzar en su punto máximo un valor de 14.52%.

Analizando la etapa de carga de la batería observamos que cuando el estado de carga calculado por el conteo de amperes alcanza el 100% la batería está demandando una comente de 3.957 amperes, lo que nos indica que en realidad la batería no se encuentra totalmente cargada. Al final de la prueba la batería se encontraba, de acuerdo al conteo de amperes, en un 106% de estado de carga. Por otro lado, el cálculo del estado de carga realizado por la red neuronal resulta mas confiable debido a que cuando la red calcula un estado de carga de 100% la batería se encuentra demandando una comente máxima de 333.6 miliamperes, lo que nos indica que la batería se encuentra en realidad muy cerca del 100% de estado de carga.

En cuanto a la etapa de descarga, en esta prueba se observó un fenómeno similar al de la primera prueba, es decir, el cálculo de estado de carga realizado por la red neuronal llega al 75% cuando el conteo de amperes calcula 78%, lo que nos indica que en la descarga la red neuronal podría estar “sobreprotegiendo” a la batería indicando un corte de energía un 3% de estado de carga antes de lo indicado por el conteo de amperes. Finalmente, cuando el conteo de amperes detecta el 75% de estado de carga la red neuronal tiene ya un cálculo de 73%.

73

.soinBas ugxiado ap soBuei sns ap oiluap eualeq eqxp e iaualwtu eied eBie:, ap iopeloiIuo3 un emd aIqesuadsFpui eqnsai iouape oq .eua]eq e[ ap eBm3 ap opelsa ap %o01 [a aiuatueigalro:, setu euiurialap anb vi( saiadm ap oaluo:, ap ouquo31e la anb aIqeguo3 sew sa leuoinau pai el ap oipam iod eBm3 ap opepa ap o p 1 p Ia anb aluaurmanu añnpuo3 as eqanrd elsa ap sopelInsar so1 opwzqeuv

91 8 81 : oz 2 m 2 PZ - 9z o" 8Z OE ZE PE SZ O& SE OP SP os SE w s9

SL - O8 s se - 06 S6 O01 SOL O11 SI1 OZ 1 SZ 1 O& 1

OL 0

. . : ,

5.3.3 Prueba 3 . . - ..

La tercera prueba consistió en demandar al arreglo mostrado en la figura 5.4 una comente variable y aleatoria, con el fin de probar' el comportamiento de la red neuronal bajo condiciones no regulares y con demandas altas y bajas por periodos cortos.

Igual que en las pruebas anteriores, en esta~prueba se tiene conectado el panel fotovoltaico durante la descarga y cuando el controlador detecta que el estado de carga de la batería calculado por conteo de amperes llega a 75% desconecta la carga dejando que la batería se cargue libremente utilizando el panel fotovoltaico.como fuente externa.

En esta prueba sí fue necesario remplazar al panel fotovoltaico por la fuente de poder durante el período de carga de la batería (aproximadamente a las18:17), ya que el panel fotovoltaico ya no fue capaz de proporcionar energía a la batería.

En la figura 5.7 observamos que durante el periodo de descarga de la batería (de 14:57:05 hrs. a 16:21:52 hrs.) la diferencia máxima calculada entre los dos estados de carga es de 3.27%, mientras que en la etapa de carga se vuelve a presentar el mismo fenómeno que en las pruebas anteriores, es decir, la diferencia entre los dos estados de carga se incrementa conforme la batería se va cargando llegando en esta ocasión a alcanzar en su punto máximo un valor de 14.02%.

En esta prueba se vuelve a detectar que cuando el estado de carga calculado por el conteo de amperes alcanza el 100% la batería aún está demandando una corriente considerable (2.8675 amperes), lo que nos indica que en realidad la bateria no se encuentra totalmente cargada. Al final de la prueba el conteo de amperes calculó que la batería se encontraba a un 106% de estado de carga. Por otro lado, si analizamos el cálculo del estado de carga realizado por la red neuronal concluimos nuevamente que éste es mas confiable que el del conteo de amperes, debido a que cuando la red calcula un estado de carga de 100% la batería se encuentra demandando una comente máxima de 317.4 miliamperes, lo que nos indica que se encuentra muy cerca del 100% de estado de carga.

Al igual que en las dos pruebas anteriores, en esta prueba se observa que durante la etapa de descarga la red neuronal llega a calcular un valor de estado de carga de 75% antes que el algoritmo de conteo de amperes el cual calcula en ese instante un valor de 77%. Finalmente, cuando el conteo de amperes detecta el 75% de estado de carga la red neuronal tiene ya un cálculo de 74.19%.

75

i- 1 y o - -1 & -2 - -3 - -4

:-

.- r

Figura 5.7.- Demanda de comente variable y aleatoria.

Los resultados de esta prueba refuerzan las conclusiones de las dos pruebas anteriores al comprobar nuevamente que el cálculo de estado de carga por medio de la red neuronal tuvo un mejor desempeño que el cálculo por conteo de amperes, principalmente durante la etapa de carga de la batena al calcular más correctamente el 100% de estado de carga.

76

5.3.4 Prueba 4

La cuarta prueba consiste en realizar demandas intermitentes de comentes altas (amba de 7 amperes) al arreglo mostrado en la figura 5.4, con el fin de probar el comportamiento de la red neuronal bajo condiciones de demandas similares a las existentes en las torres de auxilio vial donde las demandas de corriente son debidas a los radios que consumen 9 amperes. Después de cada demanda se permite que la batería se cargue por un período muy pequeño, y después se vuelve a demandar. Después de varias demandas se permite que la batería se cargue nuevamente al 100% según el algoritmo de conteo de amperes y posteriormente se realiza una demanda continua (de 9 y 10 amperes) hasta que el controlador de carga detecta un estado de carga del 75% según el conteo de amperes y desconecta la carga. Finalmente se deja cargar nuevamente a la bateria hasta el loo%, es decir hasta que no demanda mas comente a la fuente externa.

Esta prueba fue dividida en dos días naturales, el primer día se realizó la descarga de la batería y se utilizó como fuente externa el panel fotovoltaico, el segundo día se realizó la carga de la batería y se utilizó el panel fotovoltaico por un período aproximado de una hora pero debido a las condiciones climatológicas fue necesario remplazarlo por la fuente de poder.

Para analizar los resultados mostrados en la figura 5.8 podemos dividir esta prueba en varias etapas. La primera etapa inicia con la demanda de 8 amperes de comente (16:03:24 hrs.), en la que observamos que ambos algoritmos detectan una disminución del estado de carga: de 1% el conteo de amperes y de 1.28% la red neuronal. A continuación se corta la demanda de comente y se permite que la batería se cargue libremente utilizando el panel fotovoltaico. Como se puede observar, el algoritmo de conteo de amperes calcula un estado de carga del 100% cuando todavía existe un consumo de comente de 2.5959 amperes por parte de la batería, mientras que la red neuronal realiza un cálculo mas paulatino y llega a un estado de carga del 100% cuando el consumo de comente de la batería es de 624.1 miliamperes (16:24:02 hrs).

La segunda etapa inicia con la segunda demanda de comente, la cual fue de 10 amperes (16:32:56 hrs) y termina antes del primer período “largo” de carga de la bateria (17:42:29 hrs). Durante esta etapa de demandas intermitentes de comentes altas se observa que la diferencia entre los dos estados de carga no rebasa el 2%.

La tercera etapa involucra los períodos ‘‘largos’’ de carga de la batería y es en donde se observa que la diferencia entre los estados de carga calculados se incrementa principalmente en los períodos de carga mientras que en el de descarga el comportamiento es muy similar. Por ejemplo, en el primer período largo de carga de la batería (de las 17:42:29 hrs. a las 18:03:11 hrs.) se detecta un incremento del 1% en el cálculo del estado de carga por conteo de amperes mientras que por la red neuronal no se detecta incremento alguno.

77

110 1 O0 90 80 70 60 - 50 s 5 40 3 0 7 - 20 10

O

.

24 22 20 18

Hora

-+ Vokaje Bateria EC -Red Neumnal -*- Corriente Bateria -0- EC - Conteo de Amperes -X- Temperatura e Diferencia EC,,E&,,

Figura 5.8.- Descargas intermitentes

Ahora bien, realizando un análisis completo de la prueba se puede observar que cuando el controlador detecta un estado de carga de 75% calculado por conteo de amperes y corta el suministro de comente a la carga, el cálculo de estado de carga realizado por la red neuronal indica que la bateria se encuentra en un 61.56% de estado de carga, lo cual ya pone en riesgo a la batería ya que esta no debe descargarse mas allá del 60%.

Revisando el cálculo del 100% de estado de carga en la carga final, el conteo de amperes determina que se encuentra al 100% cuando la batería esta demandando una comente de 2.5313 amperes mientras que la red neuronal determina el 100% de estado de carga cuando la batería demanda 301.3 miliamperes.

78

Haciendo un balance de esta prueba se concluye que el algoritmo de cálculo de estado de carga usando la red neuronal tuvo un mejor desempeño que el algoritmo por conteo de amperes ya que calcula más confiablemente el 100% de estado de carga durante el proceso de carga de la batería.

El tener un cálculo confiable durante el proceso de carga resulta indispensable para mantener a la batería dentro de los rangos de operación seguros, ya que el tener un error en el cálculo del estado de carga durante la carga, repercute inevitablemente en el proceso de descarga ya que se parte de un valor erróneo y esto puede llegar a dañar irremediablemente las baterías al exponerlas a descargas muy profundas.

5.3.5 Prueba 5

El objetivo de esta prueba es validar el desempeño de la red neuronal al descargar la batería con corrientes menores a un Amper. Además, se modificó el programa con la finalidad de que el controlador tome sus decisiones basado en los cálculos realizados por la red neuronal. Para probar lo anterior se realiza una descarga de la batería hasta que la red neuronal determina un estado de carga inferior al 76%. En este punto el controlador debe desconectar la carga electrónica y permitir la libre carga de la batería.

Para la fase de descarga de esta prueba se decidió desconectar el panel fotovoltaico con el fin de asegurar que toda la corriente demandada fuera suministrada por la batería. Durante los primeros instantes de esta prueba se realizaron 3 descargas con comentes de 3 y 10 amperes por periodos muy cortos, esto con el fin de validar la correcta medición de comente por parte del controlador de carga.

Posteriormente, utilizando la carga electrónica, se fijo una demanda de comente a la batería de 940 miliamperes la cual no se modificó durante todo el periodo de descarga.

Posteriormente, en cuanto se detecto que el controlador desconectó la carga, se procedió a conectar el panel fotovoltaico para permitir que la batería se cargara. Debido a la hora del día en que se realizó la pnieba durante el período de cargado fue necesario remplazar al panel fotovoltaico por la fuente de poder, ya que el panel fotovoltaico no fue capaz de proporcionar energía a la batería.

79

08

Analizando la etapa de carga de la batería observamos que cuando el estado de carga calculado por el conteo de amperes alcanza el 100% la batería está demandando una corriente de 2.5985 amperes, lo que nos indica que en realidad la batería no se encuentra totalmente cargada. Al final de la prueba el conteo de amperes indicaba que la batería se encontraba a un 107% de estado de carga. Por otro lado, si analizamos el cálculo del estado de carga realizado por la red neuronal concluimos que éste es mas confiable que el del conteo de amperes, debido a que cuando la red calcula un estado de carga de 100% la batería se encuentra demandando una corriente máxima de 365.8 miliamperes, lo que nos indica que la batería se encuentra cerca del 100% de estado de carga.

Haciendo un balance de esta prueba, se concluye que la red neuronal tuvo un mucho mejor desempeño que el cálculo por conteo de amperes ya que no se ve afectada por los errores en la medición de comentes pequeñas lo que le permite cumplir mejor su función de protección de la batería al calcular mas confiablemente el 75% de estado de carga durante el proceso de descarga lo que resulta indispensable para mantener a la batería dentro de los rangos de operación seguros.

En lo referente a la prueba de desconexión de la carga electrónica, el algoritmo de cálculo de estado de carga utilizando la red neuronal tiene una resolución de 2 decimales y al calcular un 75.82% de estado de carga el controlador desconecta la carga electrónica lo cual es correcto ya que es un valor inferior al 76%.

5.3.6 Prueba 6

El objetivo de esta prueba es validar el desempeño de la red neuronal al descargar la batería con comentes mayores a 4 amperes. En esta prueba, al igual que la anterior, se dejó que el controlador tomara sus decisiones basado en los cálculos realizados por la red neuronal, por lo que se realiza una demanda a la batería hasta que la red determine un estado de carga inferior al 76%. El controlador debe desconectar la carga electrónica y permitir la libre carga de la batería.

Para la fase de descarga de esta prueba se desconectó el panel fotovoltaico y se conectó la fuente de alimentación como fuente externa, esto con el fin de tener un control completo sobre la comente demandada a la batería y no tener un transitorio de “no comente” cuando el controlador corte la carga. Posteriormente, durante el período de carga, se reemplazó la fuente por el panel fotovoltaico con la finalidad de observar el comportamiento del fin de carga de la batería con el panel fotovoltaico.

En la figura 5.10 se muestra que durante el período de descarga de la batería (de 13:05:12 hrs. a 14:30:26 hrs.) la diferencia máxima calculada entre los dos estados de carga es inferior a 4.5%, mientras que en la etapa de carga la diferencia entre los dos estados de carga se incrementa conforme la batería se va cargando llegando a alcanzar en su punto máximo un valor de 12.72%.

81

, “ voltaje &*la EC -Red Neulclnal -*- colnente eaterfa & EC - Conleo de Amperes ----.<- Tenperalum n DKerencia EC&- E&,,

Figura 5.10.- Descargas con corrientes altas

Analizando la etapa de carga de la batería observamos que cuando el estado de carga calculado por el conteo de amperes alcanza el 100% la bateria está demandando una comente de 1.9556 amperes. AI final de la prueba la batería se encontraba a un 104% de estado de carga de acuerdo al conteo de amperes. Por otro lado, si analizamos el cálculo del estado de carga realizado por la red neuronal concluimos que éste es mas confiable que el del conteo de amperes, debido a que cuando la red calcula un estado de carga de 100% la batería se encuentra demandando una comente máxima de 199.1 miliamperes, lo que nos indica que la batería se encuentra muy cerca del 100% de estado de carga.

Otro factor a considerar es que durante la descarga el cálculo de estado de carga realizado por la red neuronal llega al 75.12% cuando el conteo de amperes calcula 79%, lo que nos indica que en el peor de los casos en la descarga la red neuronal “sobreproteje” a la batería indicando un corte de carga un 3.88% de estado de carga antes de io indicado por el conteo de amperes.

Haciendo un balance de esta prueba, se concluye que la red neuronal tuvo un mejor desempeño que el cálculo por conteo de amperes ya que cumple mejor su función de

82

protección de la batería al calcular más confiablemente el 100% de estado de carga lo que resulta indispensable para mantener a la batería dentro de los rangos de operación seguros. Además de que el controlador sí realizó el corte de la carga al detectar un estado de carga menor al 16%.

'

3

5.4 Resumen de Resultados

Demanda continua a la bateria no mayor de 4 Amperes. El control se hace por CA. Demanda continua a la batería no mayor de 6 Amperes. El control se hace por CA. Demandas continuas con corrientes aleatonas no mayores a IO Amperes. El control se hace por CA. Demandas intermitentes con corrientes superiores a 7 Amperes. El control se hace por CA.

En la tabla 5.2 se muestra un resumen de las pruebas realizadas y reportadas en este capítulo así como las observaciones y conclusiones obtenidas en cada una de ellas

199'1 ma

Tabla 5.2.- Resumen de resultados de las pruebas

La RNA calcula Mas confiabilidad en EC< 76% cuando el el cálculo del 100%

CA calcula un de estado de carga EC = 79%. utilizando la RNA.

I Prueba Condiciones

Demanda a la bateria COI

corriente constante de 940 ma. El control se hace por RNA.

I Demanda continua a la batería mayor de 4 amperes. El control se hace por RNA.

6

I ~~

Corriente ai alcanzar I Observaciones Conclusiones

.ed Neuro- Conteo de Amperes

2.27 amp

3.957 amp

2.8675 amp

2.5959 amp 2.5313 amp

2.5985 amp

1.9556 amp

Difusa I Cuando el CA calcula Mas confiabilidad en

EC = 75% el calculo del 100% la RNA calcula un de estado de carga 535 ma

EC = 75% el cálculo del 100%

EC = 73 % utilizando la RNA

Cuando el CA calcula Mas confiabilidad en

317.4 ma I EC = 74.19 % utilizando la RNA

EC = 15% el cálculo del 100% la RNA calcula un de estado de carga

624.1 ma EC = 75% el cálculo del 100%

365.8 ma

Mejor protección contra sobre descargas al utilizar

el cálculo del 100% de estado de carga utilizando la RNA.

83

Las pruebas fueron diseñadas para que se cubriera todo el rango de corriente que soporta el controlador de carga en el cual se implementó la red neuronal.

En todas las pruebas se observa que el método de conteo de amperes calcula un estado de carga del 100% cuando la batería aún esta demandando corrientes del orden de amperes, mientras que la red calcula un estado de carga del 100% cuando la corriente demandada por la batería es del orden de miliamperes. De los resultados anteriores se concluye que la red neuronal nos proporciona un método más confiable para calcular el estado de carga del 100%.

En la prueba 5 se demostró que la red no es sensible a los errores de medición de comente, por lo que nos proporciona un cálculo de estado de carga más confiable cuando las corrientes de descarga son pequeñas y así evita sobre-descargas a la batería.

Con los resultados de las pruebas anteriores se demuestra que el controlador de carga mejora su desempeño al utilizar la red neuronal .para calcular el estado de carga.

84

6 Conclusiones

Como resultado de esta tesis se obtuvo una red neuronal que permite calcular el estado de carga de una batería plomo-ácido sellada y se implementó en un controlador de carga diseñado en la GCI del IE. Se encontró que el controlador que utiliza la red neuronal para calcular el estado de carga de las baterías presenta un mejor desempeño que el que utiliza conteo de amperes.

La mejoría en el desempeño del controlador de carga se logra al tener un mejor método para el cálculo del estado de carga, lo que redunda directamente en un mejor control del corte y conexión de la energía a la carga, siempre con el fin de cuidar y alargar la vida útil de la batería.

Al no utilizar la comente de la batería como una entrada a la red neuronal se mejoró de forma importante el desempeño del controlador de carga. La razón principal es porque de esta manera el cálculo de la red neuronal no se ve afectado por los errores de medición en comentes pequeñas. Aunque bien no se pudo eliminar totalmente la medición de la comente de batería, esta medición no requiere ser exacta ya que solo se ocupa para definir rangos y tiempos de ejecución de la red neuronal.

A pesar de que la red neuronal fue entrenada utilizando datos proporcionados por el controlador de carga original, la red neuronal resultante es capaz de detectar de manera más confiable el 100% de estado de carga de la batería. Esto debido principalmente a que ningún proceso fisico o químico es 100% eficiente y la comente que se necesita suministrar a la batería para cargarla es mayor que la comente que se le demandó durante la descarga. Como la red neuronal utiliza como entrada el voltaje de la batería, es capaz de detectar el estado de carga sin importar la cantidad de corriente que se la haya suministrado o demandado a la batería.

85

La topología ANFIS seleccionada para el desarrollo de la red neuronal resultó ser muy conveniente ya que simplificó en buena medida el diseño de la misma así como su entrenamiento, simulación e implementación. El haber elegido este esquema de red neuro- difusa permitió desarrollar un programa modular fácilmente configurable.

6.1 Ventajas de la red Neuronal

A continuación se resumen la principales ventajas observadas al utilizar la red neuronal para el cálculo del estado de carga:

9 No requiere de mucha precisión en la medición de la corriente ya que solo ocupa rangos de operación.

9 No se ve afectada por el error en la medición de comentes pequeñas el cual puede causar un daño de la bateria al utilizar la técnica de conteo de amperes.

P Realiza un cálculo de estado de carga con una precisión de 2 decimales lo que permite detectar con mayor precisión los puntos de conexión y desconexión definidos por el algoritmo de control de carga.

P No requiere tener el proceso corriendo constantemente ya que solo se ejecuta cada determinado tiempo, lo que libera tiempo de procesamiento para otras tareas.

9 El software generado para el microprocesador es fácilmente configurable y permite modificar los parhetros de la red de una manera sencilla, lo que ahorrara mucho tiempo en los trabajos futuros.

6.2 Limitaciones de la Red Neuronal Implementada

Las principales limitaciones de la red neuronal implementada podrían resumirse de la siguiente manera:

9 Sigue necesitando de la medición de la comente aunque solo utiliza rangos de operación ya que la frecuencia a la cual se ejecuta la red depende de cuanta comente se le demanda a la batería.

9 La red esta entrenada y probada para baterías plomo-ácido de 12 volts.

9 La red está entrenada y probada para comentes de descarga no mayores a 10 amperes y para comentes de carga no mayores a 4 amperes.

9 La red no reconoce temperaturas bajo cero en grados centígrados

86

6.3 Aportaciones

EI resultado Y aportación final de este trabajo de investigación Y desarrollo constituye una solución muy satisfactoria al problema tecnológico planteado y puede resumirse en 10s siguientes puntos:

> Se implementó una red neuro-difusa que calcula el estado de carga de batenas plomo-ácido selladas de una manera más confiable que el método de conteo de amperes utilizado originalmente.

9 La red muro difusa implementada tiene una característica propia, original e inédita y es el que no utiliza la corriente de batería como una entrada, lo que le permite no verse afectada por los errores en la medición de la comente.

> Se demuestra que la estructura de la red neuro-difusa tipo ANFIS sí tiene la capacidad de mejorar el cálculo de estado de carga de las baterías. En la literatura estudiada, se emplean redes neuronales “normales” y sus resultados se obtienen a través de simulación mientras que con la red tipo ANFIS fue posible la implementación práctica en el controlador de carga del IIE.

9 Se generó un software para la ejecución de la red neuronal en un microprocesador. Dicho software se configura fácilmente y permite modificar los parámetros de la red de una manera sencilla. Lo anterior da la posibilidad de que en un futuro se pueda experimentar con algoritmos de cálculo de estado de carga mucho mas complejos para calcular los datos de entrenamiento y así poder entrenar y configurar la red en el controlador sin necesidad de modificar el programa.

9 Los resultados de esta tesis tienen su aplicación inmediata en la mejora del producto obtenido en un proyecto de la GCI del I E lo cual incrementa su posibilidad de comercialización.

6.4 Trabajos Futuros

Gracias a que el resultado de este trabajo constituye una solución muy satisfactoria al problema tecnológico planteado, surgen como paso natural sugerencias de trabajos de complemento y mejora entre los cuales destacan los siguientes:

a) Como complemento a las pruebas realizadas en este trabajo se puede realizar un experimento en el que se cargue y descargue una batena nueva de manera controlada y en repetidas ocasiones utilizando el controlador de carga con la red neuronal. Esto con la finalidad de probar si la red neuronal es capaz de detectar el envejecimiento natural de la batena al detectar variaciones de voltaje más bruscas con la misma demanda de comente. Si esta prueba resulta positiva, la aportación de la red desarrollada sena aún mayor ya que

87

el método de conte0 de amperes no puede detectar el envejecimiento de la batería. Esta pmeba no se realizó en el presente trabajo debido al tiempo requerido Para el desarrollo de la misma.

b) Para generalizar la aplicación de la red a todo tipo de baterías plomo-ácido (no únicamente de 12 volts) se podría normalizar la entrada “voltaje de batería” y así hacer independiente a la red de la capacidad de la bateria.

c) Para que la red sea capaz de considerar temperaturas inferiores a cero grados centígrados se deberán considerar datos de entrenamiento que incluyan bajas temperaturas, para lo cual se propone realizar cargas y descargas controladas de la betería dentro de una cámara térmica. También es posible entrenar a la red con temperaturas en grados Kelvin con el fin de no utilizar el bit de signo en la variables tipo word del microcontrolador.

d) Como el programa generado en este trabajo es modular, se pueden proponer otras señales de entrada a la red con el fin de probar nuevas topologías y así experimentar con algoritmos de cálculo de estado de carga mas completos para generar los datos de entrenami ento,

e) Durante el desarrollo de este trabajo, en la GCI del IIE se generó una nueva versión de hardware del controlador de estado de carga con sus correspondientes modificaciones en el software, por lo cual el trabajo inmediato consiste en adecuar el programa de la red a la nueva versión. En las nuevas versiones se pretende que el controlador maneje comente más altas por 10 que es necesario generar datos de entrenamiento con este tipo de comentes y así poder entrenar a la red adecuadamente.

88

7 Referencias [I] Jana K., “Charging pure lead-tin batteries: A guide for Cyclon and Genesis batteries”, Hawker Energy, 1999

[2] Alzieu J. Smimite H. and Glaize C., “Improvement of intelligent battery controller: state-of-charge indicator and associated functions”, J. of Power Sources, V01.67, 1997, pp.157-161

[3] Catherino H., Burgel J., Rusek A. and Feres F., “Modelling and simulation of lead-acid battery charging”, J. of Power Sources, Vo1.80, 1999, pp.17-20

[4] Copetti J. and Chenlo F., “Leadiacid batteries for photovoltaic applications. Test results and modeling”, J. ofpower Sources, Vo1.47, 1994, pp.109-118

[5] Fleming F., Shumard P. and Dickinson B., “Rapid recharge capability of valve- regulated lead-acid batteries for electric vehicle and hybrid electric vehicle applications”, J. of Power Sources, Vo1.78, 1999, pp.237-243

[6] Huacuz J. and Urrutia M. (Eds.), Controladores de carga para sistemas fotovoltaicos de elctrificación rural, Taller RER-IIE, Instituto de Investigaciones Eléctricas, Cuemavaca, México, Julio 1998

[7] Urbina A., Paez T., O’Gorman C., Barney P., Jungst R and Ingersoll D., “Reliability of rechargeable batteries in a photovoltaic power supply system”, J. of Power Sources, Vo1.80, 1999, pp.30-38

[8] Ehret C., Piller S., Schroer W. and Jossen A,, “State-of-Charge determination for lead- acid batteries in PV-applications”, in Procs. 16th European Photovoltaic Solar Energy Conference, Glasgow, May 2000, pp.2486-2489

[9] Salkind A., Fennie C., Singh P., Atwater T. and Reisner D., “Determination of state-of- charge and state-of-health of batteries by fuzzy logic methodology”, J. of Power Sources, V01.80, 1999, pp.293-300

[IO] Wagner R., Sauer D., “Charge strategies for valve-regulated leadacid batteries in solar power applications”, J. of Power Sources, Voi.95,2001, pp.141-152

[11] Huet F., “A review of impedance measurements for determination of the state-of- charge or state-of-health of secondary batteries”, J. of Power Sources, Vo1.70, 1998, pp.59- 69

[12] Piller S., Pemn M., Jossen A., “Methods for state-of-charge determination and their applications”, J. ofpower Sources, Vo1.96,2001, pp.113-120

89

[13] Ortega C., González A,, Cristin M.A., “Sistema para monitoreo remoto y control de carga de baterías en aplicaciones fotovoltaicas”, 26 Semana Nacional de Energía Solar

[14] Ortega C., Orozco J, Pacheco J., Cristín M.A. y Rivera A. “Monitoreo De Celdas Independientes En Arreglos Para Respaldo De Energía”, Gerencia de Control e Instrumentación, Instituto de Investigaciones Eléctricas

[15] Rivera A,, Ortega C., Orozco J, Pacheco J. “Sistema Para Almacenar Y Analizar LOS Datos Provenientes De Un Sistema De Monitoreo De Celdas Individuales En Bancos De Baterías”. Gerencia de Control e Instrumentación, Instituto de Investigaciones Eléctricas

[16] Yamazaki T., Sakurai K., Muramoto K., “Estimation of the residual capacity of sealed lead-acid batteries by neural network”, 1998 IEEE, pp. 210-214

[I71 Chan C.C, Weixiang S. “The available capacity computational model based on artificial neural network for lead-acid batteries in electric vehicles”, J. Of Power Sources, Vo1.87, 2000, pp. 201-204

[18] Jyh-Shing Roger Jang. Neuro-Fuzzy Modeling: Architectures, Analyses and Applications. PhD thesis, University of California, 1992.

[I 91 J.S. J a g . ANFIS: Adaptive-network-based fuzzy inference systems. iEEE Trans. on Systems, Man, and Cybernetics, 23(03) pp.665-685, 1993.

[20] J.S. Jang, C.T. Sun, E. Mizutani. Neuro-fuzzy and SoA Computing. Math-Lab Curriculum Series. Prentice Hall. 1997.

[21] M. Sugeno and G.T. Kang. Structure identification of fuzzy model. Fuzzy Sets and Systems, 28:15, 33, 1988

[22] T. Takagi and M. Sugeno. Derivation of fuzzy control rules from human operator’s control actions. Proccedings of the IFAC Symposium on Fuzzy Information, Knowledge Representation and Decision Analysis, pages 55-60, July 1983

[23] T. Takagi and M. Sugeno. Fuzzy identification of systems and its applications to modeling and control. IEEE Transactions on Systems, Man, and Cybernetics, 15:116-132, 1985.

[24] MATLAB The Lenguage of Technical Compuiting. The Math Works Inc. Versión 6.0 Septiembre 22 de 2000

90

ANEXO A

La función para el cálculo del estado de carga utilizando redes neuronales implementada en el microcontrolador es la mostrada a continuación.

...................................................................

; Subnitinas para el calculo del Estado de Carga utilizando Redes Neuronales

; Denirrollo : Miguel Angel Cristin Valdez

; Entradas : &inst-lBat &Fact-lbat &Fact-lbatneg &insI-VBaI &Fact-Vbat &inst-Temp

; Salida : rmhi

..* t.l....~t......t.*....t........,....~.....~~~.~...~~.~..'..~~....

redneuro

#wdt~~rst_250,&wdtctl #O,si&cor &inst-lBat,&mpy &Fact-lbat,&ap2 reshiJROP2M reslo,lROP2L #100,IROPI #DIVIDE

# OFOOOh,&inst-IBat IBAT-POS

&inst-lBat,x #OFFFh,x X , & V Y &Fact-lbatneg,&opZ rcshiJROP2M reslo,lROPiL #100,1ROP1 #DIVIDE IRACLJbat-inst #I ,sig_car

IRACL,lbat~inst

#200,lbat~inrl FINAL1

#700,Ibat_insl

#300,l-ejec #3000,lbat-insl

#240,t-ejec #5000,lbat-inst

#I8O,t_ejec CALCULO

MTEJEC

CALCULO

CALCULO

; reinicio de watchdog.

;par default se considera positiva l a lbal

; Comente positiva de Bat Instantanea por 10-3

; a lbatpos ;si es negativa se continua si no se salta

; se limpian los bits de signo de l a comente

; Comente negativa dc Bat Instantanea por I O"3

;Para un tiempo de cjecuciQn cada 5 minutos

;Para U n tiempo de ejecvcion de 4 minutos

;Para un tiempo de ejecuci6n de 3 minutos

MTEJEC mov #330,t-ejec jmp CALCULO

91

IBAT-POS cmp #250,lbatinst . jio FINAL1

y n p #500,lbat-inst )lo MTEJEC2 mov #480,l_ejec cmp #1000,Ibat~inst j io CALCULO mov #300,t_ejec cmp #3000,lhai~inst jlo CALCULO mov #240,t-cjec cmp #5000,lbat-insl i l0 CALCULO mov #I80,fe~ee jmp CALCULO

MTEJEC2 mov #600,l_ejec

;Pam un tiempo de ejecución cada 5 minutos

;Para un tiempo de ejecucion de 4 minutas

;Para un tiempo de ejecución de 3 minutos

CALCULO mov &inst-VBat,&mpy mov &FaCI-Vbat,&op2 InO" reshiJROP2M mov reslo.lROP2L mov # I 00,IROPI call #DIVIDE mov IRACL,voltinst

mov &inst-Temp,&mpy mov #1000,&0p2 mov reshi,lROPZM mov resloJROP2L mov #16,IROPI call #DIVIDE mov IRACL,temp

cmp #256,socant J eq FMALl

; Voltaje de Bat Inslanfaneo par 1 O"3

; Temperatura Instantanea por 1W3

; No realiza calculo alguno hasta ;que se tenga el valor del SOC inicial

92

gpp,m2mfl

temp. x %Y #a22, a #d22, d #ba22,b #dc22,cc

#gp-trap gp.inZmf2

SC€-P"l, x %Y #a31.a #d31,d #ba3l,b #dc3 I ,cc #gP-tmP gp,in3mfl

see-ant, x %Y #a32, a #d32, d #ba32,b #dc32,cc

gpjn3mii #m-tmP

93

mov in3mí2,cc call #REGLAS mOV x,wúhi

.**.**.**********REGLA #7 *** w7 = inImR*in2mfl*in3mfl **********' mov inlmf2,a mov in2ml2.b mov in3mfl ,cc call #REGLAS mo" n,w7hi

.L***.**.****'.*'REGLA #8 tt. w8 = inlmn*in2mn*in3mí2 *********** mov inlml2,a mo" in2mf2,b ma" in3ml2,cc call #REGLAS mov x,w8hi

.....................................................................

CIT nor-ractar add WI hi,nar-iactor add w2hi,nar-facior add w3hi,nor-factor add w4hi ,norfactor add rvShi,nor-faclor add w6hi,nar~facfor add w7hi,,nor-factar add wXhi ,nor-factar jmp COMBLIN

FINAL1 imp FINAL

COMB-LIN

*I* t******.*.***l*.*.t.tttlt.t.tt....-*.***************~**********

Combinaciones Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

#wdfant-250,&wdtctl #outlmfl l ,a #outlmfl2,b #o"tlmfl3,cc #outlmfl4.d #sign1 ,y wlhigp

x,wlhi #COMBINACION

#0utlmRl,a #oullm122,b #outlmf23,cc #autlmR4,d

w2hi,gp

x,w2hi

#O"tI mI-31 .a #outlm02,b

#autlmf34.d

#sign2,y

#COMBINACION

# o u t i m m , ~ ~

#sign3,y w3hi,gp

#COMBMACION x,w3hi

#autlmf4l,a

# 0 ~ t 1 ~ r 4 3 , ~ ~

#rign4,y

#auflmi42,b

#out I mf44.d

w4hi .g~

; reinicio de watchdog.

94

KOMBINACION x,w4hi

#outlmf5 I ,a #ouilmf52,b #out1 mf53,cc #o"llmf54,d #sign5,y w5hi,gp

#COMBINACION

#oiitlmf6l ,a #outlmf62,b #ouI I mf63,cc #outlmf64,d #sign6,y w6hi,gp

x,w6hi

#out1 mff i ,a #aut1 mff2,b #outlmí73,cc #outlmffd,d #sign7,y w7hi,gp

x,w7hi

#aut1 mfSl ,a #outlmf82,b #o"tlmf83,cc #outlmf84,d #signU,y w8hi,gp

#COMBINACION

#COMBMACION

KOMBINACION mov x,wShi

el7 x add wl h i p add w2hi,x add w3hi,x add w4hi,x add wShi,x add iv6hi,x add w7hi.x add wUhi,x

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

.....................................................................

mo" x,&mpy mo" # 10000,&0p2 mo" reshi,IROPZM mov rcslo,lROPZL mov nor-factor,lROPI call #DIVIDE mov IRACLrmhi ; Resultado del c s l e ~ l o del SOC por Red Neuronal por 10A2

cmp #6000,mhi

'ha mov #6000,mhi CON I

CON I cmp #10000,mhi ji0 FINAL2 mov #10000,rmhi

F M A U cmp #l,sigcor FINAL3

95

FMAL3 mov rmhi,socanl mov voitinst,voitinst~ant mov temp,temp_ant

FINAL

ret ; fin de red-neuro

..*.,..t....,.t.*t,.....~.............*......,......~.~~..,",..~~~.~~....

..........,,*.*....,...~~,,~. ............................................ ; Funcion 'gp-trap' para el calculo de pador de penenencia trapezoidales ; el resultado es por 10 "4

cmp.w jhs cmp.w jhs

sub.w sub.\"

rnO" mov m w

mov call jc CmP jio

mo"

MENOR-16-1

LlMl mav

mov

mov mov mov call IC

c"p

mov

110

MENOR-16-2

x,a ;

d,r ; NEGATIVO ;a>x'?

NEGATIVO ;x>d?

B,X ; X-a en x y,d ; d-x cn d

x,&mpy #1oooo,&op2

reshiJROP2M reslo,lROP2L b,lROPI

#DIVIDE MENOR-I 6-1

#10000,IRACL ; LlMl

mw #1OOOO,IRACL

IRACL,x ;x representa a liml

d.&mnv

cc,lROPI #DIVIDE

~~

MENOR-16-2

LIM2 #1oooo,IRAcL ,

mov #10000,IRACL

;gp representa a gp

;x>gp?

;pone cero en gp

LlM2 mov IRACL,gp

cmp.w gp,x jhs GP-MENOR mav WP jmp GP-MENOR

NEGATIVO mov #O.gp

GP-MENOR

ret ; fin dc gp-trap

***.****** .......................................................

; Calculo de producto dc tres fcrminos con factor 10-4, ; el resultado cs tambien 1W4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

96

REGLAS m w a,&mpy muv b,&opZ mov reshi.lROP2M mov reslo:IROP2L mov #10000,IROP1 ;DIVISOR call #DIVIDE mov 1RACL.x

mov x,&mpy mov CC,&OP2 mov reshi,lROPZM mov reslo.lROP2L mov #10000,1ROP1 ;DIVISOR call #DIVIDE mov IRACL,x

ref ; fin de reglas

...............................................................

; Funcion de cambinacion lineal ; Pmducfo de dos factores por iOA3 ; el SOCant esta cn IO"2 ; el resultado final es IO"2 .... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . COMBNACION

mov mov mov mov niov call mov

mov mov mov mov mov call mov

mov mov mov mov mov call mov

CmP Jne jmp

jne I""

add jmp

CASOl cmp

CASO2 cmp

I""

add jm,

CASO3 cmp

a,&mpy "oltinsl,&op2

reohi ,IROPZM reslo,lROP2L #10000,IROPI ;DIVISOR 10A4

IRACL,a #DIVIDE

b,&mpy temp,&op2

reshi.lROP2M reslo.lROP2L #IOÓOO,iROP1 ;DIVISOR IO"4

IRACLb #DIVIDE

SOC-ant,&ap2 reshiJROP2M resloJROP2L #IOOO,IROPI :DIVISOR 10A3

#DIVIDE IRACL,CC

#OOh,y CASOl SUMA

#Olh,y CASO2 a #I4 SUMA

#OZh.y CASO3 h #I,b SUMA

#03h,y

97

jne CASO4 i"" a add #I,a i"" b add #I,b jmp SUMA

CASO4 cmp #04h,y jne CASO5 I"" cc add #I.CC jmp SUMA

CASOS cmp #OSh,y jne CASO6 ¡"Y a add # I ,a in" cc add #I,CC jmp SUMA

CASO6 cmp #06h,y jne CAS07 in" b add #I,b in" cc add #I,CC Imp SUMA

CASO7 cmp #07h,y 1.e CASO8 I"" a add #I,,? in" b add #I,b in" cc add #I,CC Imp SUMA

CASOS cmp #08h,y ;ne CASO9 i"" d add #I,d jmp SUMA

CASO9 cmp #09h,y I,, CASOA I"" a add #I,a in" d add #I,d Imp SUMA

CASOA cmp #OAh,y CASOB

I n e b in" add #I,b i"" d add #I.d jmp SUMA

CASOB cmp #OBh,y i,, CASOC I"" a add # I 4 i"" b add #I.b i"" d add #I,d jmp SUMA

98

CASOC cmp #OCh,y jne CASOD i"" d add #I,d in" cc add #I ,cc jmp SUMA

CASOD cmp #ODh,y jnc CASOE in" a add #I,a ¡"Y cc add #l,CC in" d add #I,d jmp SUMA

CASOE cmp #OEh,y jnc CASOF in" b add #I,b i"" cc add #I,CC inv d add #I,d jmp SUMA

CASOF cmp #OB." jnc in" add in" add in" add inv add

SUMA C I i add add add add

mov mov mav mov mov call mov

SUMA a #I ,a b #I,b

#I,CC

d #I,d

cc

x a,x b,x

d,x CCJ

X,&mPY g P , & O P i

rcshiJROP2M reslo,lROP2L #1OOOO,IROP1 ;DIVISOR

IRACL,x #DIVIDE

ret ; fin de Combinacion

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ; Division de 32 bits entre 16 y el resultado es en I6 bits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

DIVIDE CLR Il<,\CL , CI.EhR RCSUl I h10\ 's l7 , lKüT, IUlTlALIZC I ü U P C O L K l l ~ l I

l)l\'l CMP IRlil ' I . IKüP2M , JLO DIV2 SUB IROPl JROP2M

DIV2 RLClRACL JC DIV4 ; Error: result > 16 bits DEC IRBT ; Decrement loop counter

99

JZ DIV3 ; Is O: terminate wlo emor RLA lROP2L RLC lROP2M JNC DlVl SUB IROPI,IROPiM SETC J M P DIV2

DIV3 DIV4

CLRC ;No error, C = O RET ; Enor indication in C fin de DIVIDE

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ; Fin de subrutinas para redes neuronales

1 O0