El almacenamiento de energía ha sido reconocido principalmente como una tecnología de futuro que mejora la sostenibilidad energética desde su capacidad para ser utilizada en aplicaciones de energía renovable como vehículos eléctricos, sistemas solares, etc. Sin embargo, para obtener un rendimiento energético óptimo de la batería, es de vital importancia monitorear los estados de salud y carga de la batería, predecir y diagnosticar la degradación de la batería y la aplicación objetivo debe ser informada de la energía que la batería puede proporcionar en cualquier momento y la cantidad de la capacidad de la batería. La supervisión y la estimación precisa de SoH y SoC son tareas importantes y desafiantes, ya que los LIB son dispositivos electroquímicos complicados que tienen un funcionamiento no lineal único que depende de diferentes condiciones internas y externas.
Por lo tanto, en este proyecto, se desarrollará un novedoso controlador adaptativo no lineal basado en algoritmos de aprendizaje automático para estimar el estado de salud y el estado de carga de la batería de iones de litio para el diagnóstico, el rendimiento óptimo y el funcionamiento seguro. El estudiante de doctorado lo hará; 1) Llevar a cabo una investigación exhaustiva en el modelado de baterías para desarrollar un modelo de orden de reducción multifísica; 2) Configurar experimentos y recopilar datos experimentales para desarrollar los modelos en (1); y 3) Aplicar ese conocimiento y desarrollar un controlador adaptativo no lineal para monitorear y estimar los estados de salud y carga de la batería. La estudiante se ocupará de software CAD como MATLAB, COMSOL para el modelado de baterías; desarrollar algoritmos adaptativos para estimar el SoC y el SoH. El análisis de datos basado en la prueba experimental de diferentes tipos de baterías comerciales se utilizará para extraer la característica de la batería. El candidato utilizará los nuevos equipos en el laboratorio como el probador de baterías BTS-3000 Neware, el dispositivo de espectroscopia SPI-150, la adquisición de datos, la fuente de alimentación programable y la carga electrónica programable: para comprender la característica de la batería; recopilar los datos experimentales; y verificarlo.
Fecha cierre convocatoria beca 15 febrero 2021