Detección de Cortocircuitos en Baterías de Iones de Litio Usando Aprendizaje Automático: Análisis y Comparación con Métodos Basados en Física

Resumen La detección temprana de cortocircuitos en sistemas alimentados por baterías es crítica para prevenir posibles fallas catastróficas. Sin embargo, las firmas de cortocircuito nacientes son extremadamente débiles y desafiantes de detectar utilizando algoritmos existentes sin comprometer la precisión de la predicción. Los enfoques tradicionales basados en física dependen de modelos elaborados a mano para establecer relaciones entre los parámetros operativos de la batería y la resistencia al cortocircuito, lo que limita su capacidad para capturar todos los detalles relevantes, resultando en precisiones subóptimas. En este estudio, presentamos un enfoque basado en aprendizaje automático que aprovecha los datos de voltaje en periodo de descanso para detectar cortocircuitos. Nuestro método emplea un clasificador/estimador de red neuronal convolucional 1D (CNN) que extrae características dinámicas temporales relevantes para el problema de predicción de cortocircuitos tanto de las partes largas como cortas del perfil de voltaje en periodo de descanso. El enfoque se valida usando datos de baterías comerciales, generados en diferentes condiciones incluyendo temperaturas y cortocircuitos de diversas severidades; con precisiones de predicción superiores al 90% incluso para cortos suaves de 500Ω. Los parámetros de rendimiento clave del modelo CNN 1D se comparan con un enfoque de detección de cortocircuitos basado en física, demostrando su rendimiento superior y rentabilidad. En general, nuestro trabajo representa un avance significativo en el campo de la detección de cortocircuitos en sistemas alimentados por baterías, ofreciendo una mejor precisión, eficiencia y costo-efectividad.