El proyecto se centra en el desarrollo de un sistema de monitoreo y control integrado a una placa de pruebas de convertidores de potencia. Su función principal es registrar y analizar en tiempo real el comportamiento eléctrico de estos convertidores, especialmente las variaciones de corriente y voltaje que se presentan durante su operación. A través de la adquisición precisa de estos parámetros, se busca generar una base de datos confiable que permita comprender mejor las dinámicas internas del proceso de conversión de energía.
Con esta información, el sistema está diseñado para implementar algoritmos de predicción orientados a optimizar la eficiencia energética. El objetivo es anticipar patrones de comportamiento en los convertidores y ajustar su funcionamiento de forma inteligente, logrando así una conversión más estable y eficiente.
La aplicación principal de este proyecto se encuentra en el ámbito de la carga de baterías de litio, donde la eficiencia y la gestión adecuada de la energía son factores críticos. Un sistema de predicción eficaz no solo prolonga la vida útil de las baterías, sino que también contribuye a un uso más sostenible de la energía. En conjunto, este proyecto propone una solución innovadora para mejorar el rendimiento de los sistemas de conversión aplicados en tecnologías de almacenamiento energético.
The project focuses on developing a monitoring and control system integrated into a test board for power converters. Its main function is to record and analyze in real time the electrical behavior of these converters, especially the variations in current and voltage that occur during operation. By accurately acquiring these parameters, the goal is to build a reliable database that enables a deeper understanding of the internal dynamics of the energy conversion process.
With this information, the system is designed to implement predictive algorithms aimed at optimizing energy efficiency. The objective is to anticipate behavior patterns in the converters and intelligently adjust their operation, achieving more stable and efficient conversion.
The main application of this project lies in lithium battery charging, where efficiency and proper energy management are critical factors. An effective prediction system not only extends battery life but also contributes to more sustainable energy use. Overall, this project proposes an innovative solution to improve the performance of conversion systems applied in energy storage technologies.
Inin cē proyecto quichīhua cē sistema para tlakauhti in convertidores eléctricos. Tiquixpatla in corriente huan voltaje para ma achtoqui in tlen moyolcuitia. Inin tlanonotzalli tiktoka para ma cualli ticpatla in carga de baterías de litio, keman tipehpenas energía huan para moneki cualli tlapohpolihuiz.
Traducción al español:
“Este proyecto hace un sistema para controlar los convertidores eléctricos. Observamos la corriente y el voltaje para predecir lo que harán. Esta información la usamos para manejar bien la carga de baterías de litio, cuando se guarda energía y se necesita que duren más tiempo.”
Los convertidores DC-DC son componentes esenciales en sistemas electrónicos y energéticos, cuya función principal es adaptar niveles de voltaje para alimentar cargas específicas. Sin embargo, su rendimiento se ve afectado por variaciones operativas, fluctuaciones de carga y factores ambientales, lo que reduce su eficiencia y estabilidad. Actualmente, los sistemas de monitoreo existentes se limitan a mediciones básicas, sin capacidad de análisis predictivo o ajustes en tiempo real. Este proyecto desarrolla un sistema integral de monitoreo y control que, mediante análisis de datos en tiempo real, busca optimizar el desempeño de los convertidores DC-DC. El sistema integra adquisición de variables eléctricas, almacenamiento eficiente y algoritmos predictivos para mejorar la eficiencia energética y contribuir a aplicaciones sostenibles en movilidad eléctrica e industrias.
El desarrollo de un sistema de monitoreo y control con análisis de datos para convertidores DC-DC se justifica en la necesidad de mejorar su eficiencia, estabilidad y confiabilidad en aplicaciones críticas como energías renovables, vehículos eléctricos y telecomunicaciones. Los métodos actuales de supervisión resultan limitados, ya que se enfocan únicamente en variables básicas y no permiten anticipar fallos ni realizar ajustes adaptativos en tiempo real, lo que genera pérdidas energéticas y mayores costos de mantenimiento. La incorporación de herramientas de análisis avanzado de datos y algoritmos de control inteligentes permitirá optimizar el desempeño de los convertidores.
Los convertidores DC-DC son esenciales en aplicaciones como energías renovables y vehículos eléctricos, pero su rendimiento se ve afectado por variaciones operativas y factores ambientales. Los sistemas actuales de monitoreo se limitan a mediciones básicas, sin capacidad de análisis predictivo o ajustes automáticos, lo que genera ineficiencias energéticas y mantenimiento reactivo. Se requiere un sistema integral que permita monitoreo continuo y control adaptativo para optimizar su funcionamiento.
Si se implementa un sistema de monitoreo y control de convertidores DC-DC basado en técnicas de análisis de datos en tiempo real, entonces será posible optimizar su desempeño, anticipar fallas y mejorar la eficiencia operativa, contribuyendo además a la sostenibilidad energética y a la reducción de costos en entornos industriales, de movilidad eléctrica y energías renovables.
Desarrollar un software de monitoreo y control que permita analizar, procesar y predecir el comportamiento de un convertidor DC-DC, con el propósito de mejorar su censado y desempeño para apoyar en el control del sistema por medio de una señal PWM. El sistema funcionará a través de la adquisición y procesamiento de datos en tiempo real, incorporando algoritmos de análisis y modelos de predicción implementados con herramientas de programación, y contará con una interfaz de usuario que facilite la visualización y el uso. Desarrollar un software de monitoreo y control con predicción de comportamiento para un convertidor de potencia DC-DC, incorporando algoritmos de análisis y modelos de predicción que facilite la toma de decisiones en tiempo real.
Al optimizar el desempeño de convertidores DC-DC, se mejora la eficiencia energética y se reduce el desperdicio eléctrico.
Acciones Clave:
Impulsa la innovación en sistemas de monitoreo y control aplicables en sectores industriales y de energías renovables.
Acciones Clave:
Promueve la investigación y desarrollo tecnológico en el área de la electrónica de potencia y análisis de datos.
Acciones Clave:
Los convertidores DC-DC tipo buck (reductor) y boost (elevador) son las topologías más estudiadas y aplicadas en la electrónica de potencia actual, debido a su simplicidad, eficiencia y versatilidad. El convertidor buck se emplea principalmente en reguladores de tensión para dispositivos electrónicos, sistemas fotovoltaicos y almacenamiento en baterías, mientras que el convertidor boost es ampliamente utilizado en etapas de acondicionamiento de energía en sistemas solares, vehículos eléctricos y aplicaciones de iluminación LED (Zhang et al., 2023). A pesar de su madurez tecnológica, la necesidad de mejorar su confiabilidad, respuesta dinámica y capacidad de integración en sistemas inteligentes mantiene vigente la investigación en estas topologías.
La creciente adopción de semiconductores de banda ancha como SiC y GaN ha permitido que los convertidores buck y boost alcancen mayores densidades de potencia y menores pérdidas de conmutación. Sin embargo, estas mejoras también generan desafíos, como el aumento de interferencias electromagnéticas, estrés térmico localizado y modos de falla no considerados en modelos tradicionales. Lei et al. (2023) destacan que, para enfrentar estos retos, es indispensable implementar esquemas avanzados de monitoreo y control que integren sensores de alta precisión y algoritmos de detección temprana de fallos.
En cuanto al control, los esquemas clásicos basados en modulación por ancho de pulso (PWM) y control proporcional-integral (PI) resultan insuficientes ante perturbaciones rápidas o condiciones variables de carga. Por ello, investigaciones recientes han explorado el Model Predictive Control (MPC) como alternativa, tanto en convertidores buck como boost, al ofrecer un control multivariable con respuesta rápida y optimización dinámica (Yu & Long, 2024). Marahatta et al. (2022) implementaron MPC en un convertidor boost, mostrando mejoras significativas en la estabilidad y eficiencia, incluso al combinarlo con aprendizaje por refuerzo para la detección de fallos.
El concepto de digital twin (gemelo digital) ha ganado relevancia en el monitoreo de convertidores buck y boost. Lei et al. (2023) desarrollaron un gemelo digital para un convertidor buck capaz de detectar fallas en tiempo real y asumir el control en caso de anomalías. De forma similar, Di Nezio et al. (2023) implementaron un gemelo digital en un convertidor boost utilizando FPGA, logrando estimaciones en tiempo real de la degradación de componentes. Estos enfoques permiten predecir fallos, extender la vida útil de los dispositivos y reducir costos de mantenimiento.
La integración de técnicas de aprendizaje automático en convertidores buck y boost ha demostrado ser útil para el diagnóstico y la predicción de fallos. Balaji et al. (2024) aplicaron el algoritmo XGBoost para predecir fallas en convertidores DC-DC, logrando una precisión cercana al 99 %. Por otro lado, Zhang et al. (2023) señalan que el aprendizaje en línea aplicado a estas topologías permite mejorar la adaptabilidad frente a condiciones cambiantes, aunque aún existen limitaciones en la disponibilidad de conjuntos de datos reales.
A pesar de los avances, persisten vacíos de investigación en la integración de algoritmos de control avanzado con hardware embebido de bajo costo, así como en la creación de datasets experimentales específicos para convertidores buck y boost bajo condiciones reales de operación. También resulta prometedora la combinación de técnicas híbridas, como MPC simplificado con redes neuronales, para optimizar el rendimiento sin comprometer la viabilidad en tiempo real. Estas oportunidades hacen evidente la necesidad de sistemas de monitoreo y control inteligentes capaces de adaptarse a los nuevos desafíos en estas topologías clave de conversión.
Aunque el proyecto aún no se encuentra concluido en su totalidad, se han alcanzado avances significativos en las etapas de sensado de datos, transmisión de información y visualización en tiempo real. Estas fases han permitido establecer una base sólida para la integración completa del sistema de monitoreo y control de convertidores de potencia, asegurando la correcta adquisición y representación de los parámetros eléctricos más relevantes.
En la fase actual, se implementó un sistema funcional donde un microcontrolador ESP32 actúa como elemento central de comunicación y procesamiento inicial. Este dispositivo se conecta a un backend desarrollado con FastAPI, el cual fue desplegado en un entorno virtual administrado mediante venv, lo que facilita la gestión de dependencias y asegura la estabilidad del entorno de ejecución. El backend tiene la función de recibir, almacenar y procesar las mediciones enviadas desde el sistema de adquisición, permitiendo una administración eficiente de los datos y sirviendo como enlace directo con la interfaz de visualización.
La visualización de información se implementó a través de gráficas dinámicas construidas con la biblioteca Chart.js, las cuales permiten observar en tiempo real el comportamiento de las señales de corriente y voltaje. Estas gráficas ofrecen una interfaz intuitiva que facilita la interpretación de los datos y el análisis de tendencias o variaciones eléctricas a lo largo del tiempo. Gracias a ello, se pueden detectar posibles irregularidades o comportamientos atípicos durante las pruebas, lo que contribuye al diagnóstico y la optimización del desempeño del sistema
.
En la etapa de sensado, se estableció una comunicación bajo una configuración maestro–esclavo utilizando el protocolo I²C. En este esquema, el ESP32 funge como maestro, encargado de coordinar la comunicación y solicitar los datos, mientras que un Arduino Mega desempeña el rol de esclavo, gestionando la lectura de los sensores de corriente y voltaje. Una vez obtenidas las mediciones, el Arduino transmite la información al ESP32, el cual la envía posteriormente al backend mediante solicitudes HTTP POST. Esta arquitectura ha permitido validar la correcta transmisión y recepción de datos, demostrando una comunicación estable y confiable entre los dispositivos.
A pesar de los buenos resultados obtenidos, se contempla una mejora en la arquitectura de comunicación mediante la sustitución del protocolo HTTP por MQTT. Este cambio permitirá optimizar el intercambio de información, reduciendo significativamente la latencia en la transmisión y mejorando la eficiencia del sistema. Además, el uso de MQTT favorecerá un mejor aprovechamiento del ancho de banda y una mayor escalabilidad, posibilitando la conexión de múltiples nodos o sensores en futuras versiones del proyecto.
En conjunto, los avances alcanzados hasta el momento representan un progreso sustancial hacia la consolidación de un sistema robusto, adaptable y eficiente para el monitoreo y control de convertidores DC-DC en tiempo real. Las etapas futuras se enfocarán en la integración de algoritmos de análisis de datos, el perfeccionamiento de la interfaz de usuario y la implementación de modelos predictivos que contribuyan a la optimización del desempeño eléctrico y a la mejora continua del sistema.
Censado de datos
Transmisión al backend
Visualización de la información
Pruebas realizadas
El sistema de monitoreo desarrollado demuestra la viabilidad de integrar adquisición de datos, procesamiento en tiempo real y visualización para convertidores DC-DC. Los resultados muestran lecturas estables y transmisión confiable de datos. El proyecto establece bases sólidas para implementar algoritmos predictivos que mejoren la eficiencia energética, con potencial de escalamiento hacia arquitecturas IoT y aplicaciones en energías renovables.
Balaji, A., Subramanian, S., & Puli, N. P. K. (2024). An effective online failure prediction in DC-to-DC converter using XGBoost algorithm and LabVIEW. International Conference on Soft Computing and Signal Processing.
Di Nezio, G., Di Benedetto, M., Lidozzi, A., & Solero, L. (2023). Digital Twin based real-time analysis of DC-DC boost converters. IEEE.
Lei, Z., Zhou, H., Dai, X., Hu, W., & Liu, G.-P. (2023). Digital twin based monitoring and control for DC-DC converters. Nature Communications, 14, 5604. https://doi.org/10.1038/s41467-023-5604
Marahatta, A., et al. (2022). Model predictive control of DC/DC boost converter with reinforcement learning. ScienceDirect.
Yu, Z., & Long, J. (2024). Review on advanced Model Predictive Control technologies for high-power converters and industrial drives. Electronics, 13(24), 4969. https://doi.org/10.3390/electronics13244969
Zhang, M., et al. (2023). Review of online learning for control and diagnostics in power electronics. ScienceDirect.
