Desarrollo de un algoritmo de estimación del estado de salud (SoH) de baterías de ion de litio mediante un modelo de red neuronal artificial

Abstract

Este proyecto presenta un algoritmo basado en redes neuronales artificiales (ANN) para estimar el Estado de Salud (SoH) de baterías de iones de litio (LIBs), con el objetivo de predecir su vida útil restante (RUL) y optimizar su gestión en sistemas de almacenamiento de energía en baterías (BESS), particularmente en microrredes. El modelo implementado, diseñado en MATLAB®, combina técnicas de aprendizaje automático supervisado con filtrado de señales, utilizando datos experimentales del Centro de Excelencia de Pronósticos de la NASA (PCoE), que incluyen variables clave como voltaje, corriente, temperatura e impedancia. El algoritmo propuesto mostró un desempeño superior frente a otros métodos evaluados como LSTM, GRU, ML, NN, DL y CNN, siendo el único modelo que logró un coeficiente de determinación (R²) ideal de 1.0 junto con los errores más bajos registrados, (MAE: 0.1004 %, MAPE:0.5231 %, MSE:0.294 % y RMSE: 0.1714 %), con un tiempo de operación de 9 segundos. Validando la precisión, exactitud en contextos comparativos, sensibilidad a errores grandes y calidad del ajuste del modelo propuesto superando los estándares comúnmente reportados en la literatura (MAE < 5 %, RMSE < 2 %, R² > 0.98). Además, el modelo mostró adaptabilidad ante distintos ciclos completos de vida útil en la degradación de la batería y logró un equilibrio entre rendimiento y eficiencia durante el proceso de optimización de hiperparámetros. Los resultados obtenidos evidencian la viabilidad del modelo, gracias a su alta precisión, eficiencia y adaptabilidad frente a diversos perfiles de carga y descarga.

This project presents an artificial neural network (ANN)-based algorithm for estimating the State of Health (SoH) of lithium-ion batteries (LIBs), with the goal of predicting their remaining useful life (RUL) and optimizing their management in battery energy storage systems (BESS), particularly in microgrids. The implemented model, designed in MATLAB®, combines supervised machine learning techniques with signal filtering, using experimental data from the NASA Prognostics Center of Excellence (PCoE), which includes key variables such as voltage, current, temperature, and impedance. The proposed algorithm showed superior performance compared to other evaluated methods such as LSTM, GRU, ML, NN, DL, and CNN. It was the only model to achieve an ideal coefficient of determination (R²) of 1.0 along with the lowest errors recorded (MAE: 0.1004%, MAPE: 0.5231 %, MSE: 0.294 %, and RMSE: 0.1714 %), with a runtime of 9 seconds. This validated the precision, accuracy in comparative contexts, sensitivity to large errors, and quality of fit of the proposed model, surpassing common standards reported in the literature (MAE < 5 %, RMSE < 2 %, R² > 0.98). Furthermore, the model demonstrated adaptability to various full lifecycles of battery degradation and achieved a balance between performance and efficiency during the hyperparameter optimization process. The results obtained demonstrate the viability of the model, thanks to its high accuracy, efficiency, and adaptability to diverse charge and discharge profiles.