State of charge estimation using Artificial Intelligence for electrochemical batteries

As a consequence of growing demand on the renewable energy sources in the last decade, there has been a great development of micro-grid based renewable energy sources and storage devices for storing the excess energy. The state of charge of the battery storage system has to be accurately estimated to prevent batteries from unnecessary overcharging or over-discharging, that as a result can lead to potentially dangerous explosions. Moreover, safety, reliability, performance and lifespan of the battery also strongly depend on correct estimation of SOC. However, it is not easy to measure SOC levels precisely and directly because of the battery internal chemical reactions. For this reason, this thesis presents the modelling of the neural network for state of charge (SOC) estimation for lead-acid battery storage system. In the proposed algorithm the measurements of current and voltage are used in the process of SOC estimation that is carried out in MATLAB. The results obtained by estimation were compared with the reference Coulomb counting method. This thesis was done in cooperation with Kitenergy S.r.l., company operating in the research and development of the high-altitude wind sector, based in Turin.

Come conseguenza della crescente domanda sulle fonti di energia rinnovabile nell'ultimo decennio, c'è stato un grande sviluppo di fonti di energia rinnovabile basate su micro-reti e dispositivi di stoccaggio per immagazzinare l'energia in eccesso. Lo stato di carica del sistema di accumulo della batteria deve essere stimato con precisione per evitare che le batterie si sovraccarichino o si scarichino in modo eccessivo, portando di conseguenza a possibili esplosioni potenzialmente pericolose. Inoltre, anche la sicurezza, l'affidabilità, le prestazioni e la durata della batteria dipendono fortemente dalla corretta stima del SOC. Tuttavia, non è facile misurare i livelli di SOC in modo preciso e diretto a causa delle reazioni chimiche interne della batteria. Per questo motivo, questa tesi presenta la modellazione della rete neurale per la stima dello stato di carica (SOC) per il sistema di accumulo di batterie al piombo-acido. Nell'algoritmo proposto le misurazioni di corrente e tensione vengono utilizzate nel processo di stima SOC che viene effettuato in MATLAB. I risultati ottenuti dalla stima sono stati confrontati con il metodo di conteggio di Coulomb di riferimento. Questa tesi è stata fatta in collaborazione con Kitenergy S.r.l., società operante nella ricerca e sviluppo del settore eolico d'alta quota, con sede a Torino.