Desarrollo de un modelo de inteligencia artificial de uso específico para estimación del estado de salud (SoH) de baterías de ion de litio

Abstract

Las baterías de ion de litio (LIBs, por sus siglas en inglés) hacen referencia a la tecnología de almacenamiento utilizada en transporte electrificado, electrónica portátil y sistemas de almacenamiento de energía estacionarios. De acuerdo a este concepto, son de gran utilidad por su capacidad de suministrar energía a sistemas portátiles durante un tiempo limitado, sin necesidad de una fuente eléctrica externa. En este trabajo se desarrolla un modelo de IA entrenado con diferentes algoritmos basados tanto en redes neuronales como de toma de decisiones, especializado para la predicción de los ciclos restantes de vida útil en las baterías de ion de litio, con un error cuadrático medio (RMSE, por sus siglas en inglés) inferior a cuatro, confirmando su precisión al momento de su ejecución. El sistema emplea algoritmos de aprendizaje automático y profundo (Machine learning y Deep learning), que analizan datos operativos con los ciclos de carga y descarga, proporcionando estimaciones más rápidas y exactas en comparación a los métodos convencionales. Esta eficiencia es valiosa en entornos donde la disponibilidad de datos históricos es limitada, puesto que el sistema no depende de ciclos completos para generar resultados.

Lithium-ion batteries (LIBs) refer to the storage technology used in electrified transportation, portable electronics, and stationary energy storage systems. According to this concept, they are highly useful due to their ability to supply energy to portable systems for a limited time without the need for an external power source. In this work, an AI model is developed and trained using various algorithms based on both neural networks and decision-making methods, specialized in predicting the remaining life cycles of lithium-ion batteries. The model achieves a root mean square error (RMSE) of less than four, confirming its accuracy during execution. The system employs machine learning and deep learning algorithms, which analyze operational data along with charge and discharge cycles, providing faster and more accurate estimations compared to conventional methods. This efficiency is particularly valuable in environments where historical data is limited, as the system does not rely on complete cycles to generate results.