Sistema de Gerenciamento de Baterias de Lítio

Abstract

Esse relatório documenta a pesquisa realizada no tema do gerenciamento de baterias de lítio. Com uma breve introdução às baterias e seus diversos tipos, o principal objetivo do trabalho é produzir um modelo capaz de estimar o estado de carga da bateria de lítio, isto é, estimar o quanto ela está ou não carregada. Para atingirmos esse objetivo, utilizaremos como base o livro “Battery management systems: battery modeling” de Gregory Plett (PLETT, 2015). Nesse, o autor descreve o processo de modelagem utilizado, junto com várias características fundamentais da bateria que possibilitaram os avanços feitos e descritos durante a modelagem. Com o levantamento dos principais parâmetros que envolvem, sobretudo, o processo de descarga da bateria de lítio, foram realizados alguns testes com o uso de um osciloscópio, a fim de haver uma primeira aproximação de seus valores e grandezas. Após o processo de modelagem, montou-se um circuito que representasse o processo modelado. Ao fim, utiliza-se um estimador de Estados (Filtro de Kalman) para que os erros entre as medições sejam considerados e influenciem nas futuras predições do modelo criado.

This report documents the research conducted on lithium battery management. With a brief introduction to batteries and their various types, the main objective of this work is to develop a model capable of estimating the state of charge of the lithium battery, that is, estimating how much it is charged. To achieve this objective, we will base our work on the book "Battery Management Systems: Battery Modeling" by Gregory Plett (PLETT, 2015). In this book, the author describes the modeling process used, along with various fundamental characteristics of the battery that enabled the advances made and described during the modeling. By identifying the key parameters involved, especially in the lithium battery discharge process, some tests were conducted using an oscilloscope to obtain an initial approximation of their values and magnitudes. After the modeling process, a circuit representing the modeled process is assembled. Finally, a state estimator (Kalman Filter) is used so that the errors between the measurements are considered and influence future predictions of the created model.