Desarrollo de un modelo de mantenimiento con base en la relación costo-beneficio para baterías de ion de litio y electrónica de potencia en sistemas de almacenamiento de energía

Abstract

El presente documento propone un marco metodológico integral para optimizar decisiones de mantenimiento en un Sistema de Almacenamiento de Energía con Baterías (SAEB) a gran escala. El trabajo articula tres pilares: (i) la simulación detallada de un SAEB multi-rack que captura la interacción electro-térmica, las lógicas de control (carga/descarga, límites de potencia, sistemas de ventilación y refrigeración) y perfiles operativos realistas; (ii) la estimación de vida remanente (VR) de conversores de potencia (DC/DC) y módulos de baterías mediante algoritmos de aprendizaje automático; y (iii) la formulación de una Cadena de Markov para definir acciones de mantenimiento que maximizan el beneficio neto bajo restricciones de confiabilidad, disponibilidad y costos del ciclo de vida. A partir de la simulación generada en un proyecto de código abierto “Simses” desarrollado en Python, se genera un conjunto de datos de las variables críticas de operación (estado de carga, profundidad de descarga, corriente, temperatura, pérdidas, entre otras), así como los indicadores de salud (capacidad, resistencia interna, eficiencia de conversión). Sobre esta base, se entrenan modelos de aprendizaje automático para realizar la estimación de la VR y cuantificar la incertidumbre mediante intervalos de predicción. Con base en las estimaciones de VR, se construye la matriz de transiciones entre estados de la Cadena de Markov, cuyos estados representan bandas discretas de condición del estado de salud con base en los resultados de simulación, y acciones que incluyen mantenimiento preventivo y reemplazo del activo. La función de recompensa integra costos directos del mantenimiento y penalizaciones por indisponibilidad, donde el modelo de optimización se resuelve con iteración de valores, mostrando los intervalos óptimos de intervención por activo y escenario. Los resultados muestran que la integración de pronósticos de VR con decisión estocástica permite reducir el costo total esperado, incrementar la disponibilidad y mitigar riesgos de fallas catastróficas. La contribución central radica en un puente operativo entre analítica predictiva con la planificación de mantenimiento escalable y reproducible para entornos industriales. (Texto tomado de la fuente)

This thesis proposes a comprehensive methodological framework for optimizing maintenance decisions in a large-scale Battery Energy Storage System (BESS). The work is structured around three pillars: (i) detailed simulation of a multi-rack BESS that captures the electro-thermal interaction, control logic (charge/discharge, power limits, ventilation and cooling systems), and realistic operating profiles; (ii) estimation of the Remaining Useful Life (RUL) of power converters (DC/DC) and battery modules using machine learning algorithms; and (iii) formulation of a Markov Chain to define maintenance actions that maximize net benefit under constraints of reliability, availability, and life-cycle costs. Based on the simulation generated in an open-source project, “Simses”, developed in Python, a dataset of critical operating variables (charge status, discharge depth, current, temperature, losses, among others), as well as health indicators (capacity, internal resistance, conversion efficiency), is generated. Machine learning models are trained to estimate RUL based on generated dataset and quantify uncertainty through prediction intervals. Based on the RUL estimation, the transition matrix between states of the Markov Chain is constructed. The states in this matrix represent discrete health condition bands based on the simulation results, and actions that include preventive maintenance and asset replacement are defined. The reward function integrates direct maintenance costs and downtime penalties. The optimization model is solved by iterating values, showing the optimal intervention intervals for each asset and scenario. The results show that integration of RUL forecasting with stochastic decision-making reduces total expected cost, increases availability, and mitigates the risk of catastrophic failures. The key contribution lies in establishing an operational bridge between predictive analytics and scalable, reproducible maintenance planning for industrial environments.