Predicción de la salud de la batería basada en aprendizaje profundo para mejorar el rendimiento del vehículo...

Área de la Ciencia:

• Ingeniería Eléctrica
• Ciencias de la Computación
• Ciencias de los Materiales

Sus antecedentes:

• El diagnóstico fiable de baterías es crucial para el avance de los vehículos eléctricos (VE) y el Objetivo de Desarrollo Sostenible 7 (ODS 7).
• Los métodos de diagnóstico actuales enfrentan desafíos en precisión y eficiencia para patrones complejos de degradación de baterías.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje profundo híbrido para el diagnóstico inteligente de la salud de las baterías de vehículos eléctricos.
• Mejorar la precisión y eficiencia de la predicción del Estado de Salud (SOH) para los Sistemas de Gestión de Baterías (BMS).

Principales métodos:

• Se propuso un modelo híbrido de aprendizaje profundo que integra 1D-CNN, TCN y LSTM con un mecanismo de atención.
• Se extrajeron y eliminaron el ruido de las características de Voltaje Diferencial (dV/dQ), Corriente Diferencial (dI/dV) y Análisis de Capacidad Incremental (ICA, dQ/dV).
• El modelo se entrenó y validó en extensos conjuntos de datos de degradación de baterías (NASA PCoE, Oxford, CALCE).

Principales resultados:

• El modelo híbrido logró una alta precisión en la predicción de SOH (Fórmula: ver texto) y un bajo RMSE (0.021).
• Superó a los modelos de referencia (CNN, LSTM, XGBoost) hasta en un 25% en precisión.
• El modelo demostró un bajo recuento de parámetros (0.35 millones), inferencia rápida (6.1 ms) y menor consumo de energía (0.63 mJ/muestra), superando a las arquitecturas Transformer.

Conclusiones:

• El marco propuesto ofrece una solución robusta, escalable y factible en tiempo real para BMS integrados.
• Mejora la precisión del diagnóstico y extiende la vida útil de la batería, contribuyendo a la movilidad sostenible.
• El método apoya la eficiencia energética y los objetivos de economía circular bajo el ODS 7 al reducir las demandas computacionales.