Las baterías de iones de litio juegan un papel crucial en el almacenamiento de energía para electrónica móvil, vehículos eléctricos y sistemas de energía renovable, donde la estimación precisa del estado de salud (SOH) es esencial para garantizar la fiabilidad del sistema y la seguridad operativa. Sin embargo, alcanzar una estimación de SOH impulsada por datos de alta precisión implica superar desafíos significativos en la extracción de características, el procesamiento y el entrenamiento del modelo. Para enfrentar estos desafíos, este artículo propone un nuevo método de estimación de SOH integrando el filtro Savitzky–Golay (SG) con la Máquina de Soporte Vectorial (SVM) mejorada por el Optimizador de Puercoespín Crested (CPO). Primero, se extraen sistemáticamente características de salud representativas correlacionadas con la degradación de capacidad a partir de voltajes de carga, corriente y curvas de capacidad incremental utilizando análisis de correlación de Kendall. Posteriormente, se emplea el filtro SG para la reducción de ruido y el suavizado de datos, mejorando significativamente la estabilidad y fiabilidad de los parámetros de entrada mientras se preserva información crítica. Además, para lograr una estimación de SOH de alta precisión, se propone un marco CPO-SVM. Ajustando dinámicamente el coeficiente de penalización y los hiperparámetros de la función del núcleo, este enfoque aborda eficazmente el problema del óptimo local comúnmente encontrado en los métodos SVM tradicionales. Finalmente, el método propuesto se valida utilizando conjuntos de datos de NASA, CALCE y Oxford, demostrando un rendimiento superior con un error cuadrático medio del 98.5%. Estos resultados destacan mejoras sustanciales tanto en la precisión como en la fiabilidad de la estimación de SOH.
Zheng et al. (Sun,) estudiaron esta cuestión.