Modelado neuroborroso para estimación del estado de salud en baterías

Resumen

La estimación del estado de salud (SOH) es esencial para la operación de baterías de iones de litio. Aunque las redes LSTM pueden alcanzar una alta precisión, comúnmente utilizan indicadores temporales, por lo que proporcionan una interpretabilidad limitada. Este trabajo propone un sistema de inferencia neuroborroso adaptativo (ANFIS) entrenado con características electrotérmicas de cada ciclo, las cuales son extraídas de las señales de voltaje, corriente y temperatura. Usando el conjunto de datos de degradación de baterías de Oxford, así como una definición común del SOH, se llevó a cabo una comparación entre ANFIS y un modelo LSTM base que incluye el índice de ciclo. Los resultados muestran que ANFIS alcanza una precisión competitiva sin utilizar información explícita de indicadores temporales, además proporciona transparencia a través de las funciones de pertenencia, la activación de reglas y el análisis de sensibilidad, por lo que se presenta como una alternativa práctica y explicable para el monitoreo del SOH de baterías.