Estimativa do estado de carga de baterias de íons de lítio utilizando modelos de rede neural convolucional unidimensional especializados para segmentos de curvas de carga

Página do item simplificado
dc.contributor.authorPérez Vargas, Jhoan Rodrigo
dc.date.accessioned2025-07-03T12:57:59Z
dc.date.available2025-07-03T12:57:59Z
dc.date.issued2025-07-03
dc.descriptionDissertação de Mestrado apresentada ao Instituto Latino-Americano de Ciências da Vida e da Natureza da Universidade Federal da Integração Latino-Americana como parte dos requisitos para a obtenção do título de Mestre em Física Aplicada.
dc.description.abstractA crescente demanda por técnicas avançadas de gerenciamento de baterias impulsiona a busca por métodos precisos de estimativa do SoC. Neste estudo, investiga-se o emprego de redes 1D CNN para estimar o SoC de baterias de íons de lítio. Para tanto, foi elaborada uma estratégia que utiliza redes 1D CNN especializadas em segmentos específicos das curvas de carga. Foram desenvolvidos modelos especializados para três segmentos distintos das curvas de carga, além de um modelo geral para fins comparativos. Cada modelo foi treinado com conjuntos de dados provenientes de ciclos de carga, considerando variações nos tamanhos de entrada e configurações de hiperparâmetros das redes 1D CNN. Os resultados indicaram que a abordagem segmentada gera estimativas do SoC mais precisas em comparação com as metodologias descritas na literatura. A estratégia aplicada reduziu o RMSE de 3,10 % para 2,75 %, evidenciando a eficácia da especialização. Além disso, foi desenvolvida a aplicação SoC_Tool, uma ferramenta distribuível que integra processamento de dados, visualização, treinamento de modelos e estimativa do SoC por meio de uma interface gráfica. Tal ferramenta facilita a replicação dos resultados e o Desenvolvimento de novos modelos a partir de dados adicionais. Conclui-se que a utilização de modelos 1D CNN especializados em segmentos das curvas de carga melhora significativamente a precisão na estimativa do SoC em baterias de íons de lítio.
dc.identifier.urihttps://dspace.unila.edu.br/handle/123456789/9136
dc.language.isopt
dc.rightsopenAcess
dc.subjectbaterias elétricas
dc.subjectlítio
dc.subjectredes neurais (computação)
dc.titleEstimativa do estado de carga de baterias de íons de lítio utilizando modelos de rede neural convolucional unidimensional especializados para segmentos de curvas de carga
dcterms.abstractThe growing demand for advanced battery management techniques drives the search for precise methods to estimate the SoC. In this study, the use of 1D CNN is investigated to estimate the SoC of lithium-ion batteries. To this end, a strategy was developed that employs 1D CNN networks specialized in specific segments of the charge curves. Specialized models were developed for three distinct segments of the charge curves, in addition to a general model for comparative purposes. Each model was trained using datasets obtained from charge cycles, considering variations in input sizes and hyperparameter configurations of the 1D CNN networks. The results indicated that the segmented approach yields more accurate SoC estimates compared to the methodologies described in the literature. The applied strategy reduced the RMSE from 3.10% to 2.75%, demonstrating the effectiveness of the specialization. Furthermore, the application SoC Tool was developed, a distributable tool that integrates data processing, visualization, model training, and SoC estimation through a graphical user interface. This tool facilitates the replication of the results and the development of new models using additional data. It is concluded that the use of 1D CNN models specialized in segments of the charge curves significantly improves the accuracy of SoC estimation in lithium-ion batteries.

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
Estimativa do estado de carga de baterias de íons de lítio utilizando modelos de rede neural convolucional unidimensional especializados para segmentos de curvas de carga.pdf
Tamanho:
3.92 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.82 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

FISA - Dissertação