Adaptive prognostics and health management (PHM) of electrochemical converter-based power sources by data-driven particle filters

Due to the increasing penetration of renewable sources technologies on the energy market, there is a growing interest in energy storage systems, since they allow to increase the amount of renewable energy consumed locally and help to decarbonise the electricity, heating and transport sectors. Energy storage is mainly attractive since it can improve the dispatchability of renewable energy, improving the reliability of the electric grid, which suffer the power surges due to the not foreseeability of this kind of technology, especially wind turbines. Two systems based on energy storage are Lithium-Ion batteries and Fuel Cells; both are electrochemical converters, but with different range of applicability. Lithium-Ion batteries are already widely used and are common in the daily lifetime, from small electronic devices to the firsts automotive applications. Fuel Cells on the other hand are a highly promising technology, especially in the stationary applications, but some problems, such as the low lifetime, reduce their usage nowadays. In both these cases, the unexpected failure or accelerated ageing of the system can bring to severe increase of operating costs. The prognostic and health management (PHM) is a technology to enhance the effective reliability and availability of a product in its life-cycle, by detecting current or approaching failure, providing a possible maintenance strategy. The MSc thesis propounds a new diagnostic and prognostic method aiming at detecting deviations from the expected degradation dynamics of the Li-Ion batteries or Fuel Cells due to changes in the operating conditions, or even possible anomalous behaviours, and predicting their remaining useful life (RUL) in terms of the state-of-life (SOL). The proposed method exploits the real time framework offered by particle filtering and resorts to neural networks in order to build a suitable parametric measurement equation, which provides the algorithm with the capability of automatically adjusting to different dynamic behaviours.

A causa dell’aumento della penetrazione nel mercato dell’energia delle tecnologie da fonti rinnovabili, si è sviluppato un interesse crescente nei confronti dei sistemi di stoccaggio dell’energia. Questi sistemi permettono di aumentare la quantità di energia rinnovabile utilizzata localmente, aiutando a decarbonizzare i settori elettrici, del riscaldamento e del trasporto. Lo stoccaggio dell’energia è particolarmente interessante poichè permette di rendere usufruibile l’energia rinnovabile anche quando la fonte primaria non è disponibile, come spesso accade con sole e vento. Questo rende inoltre più affidabile la rete elettrica, che soffre i cali di potenza dovuti alla non programmabilità di queste tecnologie. Due sistemi basati sullo stoccaggio dell’energia sono le batterie agli ioni di litio e le celle a combustibile; entrambi sono convertitori elettrochimici, ma con differenti campi di applicabilità. Le batterie al litio sono usate comunemente e sono molto diffuse, dalla piccola elettronica ai primi utilizzi nel trasporto. Le celle a combustibile invece sono una tecnologia molto promettente, specialmente nel settore stazionario, ma alcuni problemi, come la breve vita utile, ne hanno frenato la diffusione. In entrambi i casi, guasti inaspettati o l’invecchiamento prematuro dei sistemi possono portare ad un grave aumento dei costi operativi. Prognostic and Health management (PHM) è una tecnologia utile a migliorare l’effettiva affidabilità e disponibilità dei prodotti durante la loro vita utile, rilevando possibili difetti o guasti imminenti, e fornendo una strategia di manutenzione. Questa tesi propone un nuovo metodo diagnostico/prognostico, che mira a rilevare possibili deviazioni da una attesa dinamica di degrado delle batterie al litio e delle celle a combustibile. Il metodo vuole quindi determinare la vita utile rimanente dei sistemi e valutarne lo stato di salute. Per ottenere questo obbiettivo si è ricorsi all’uso di reti neurali per costruire un’appropriata equazione parametrica di misura, sfruttando un metodo Monte Carlo (Particle Filter) per stabilirne i parametri ottimali in tempo reale. In questo modo l’algoritmo è capace di regolarsi automaticamente alle differenti dinamiche di degrado.