Mejorando la Precisión en la Estimación de la Capacidad de la Batería a Través del Algoritmo de Red Neuronal

La estimación precisa de métricas de batería, como el estado de salud (SOH), es crucial para sistemas de gestión de baterías (BMS) efectivos debido a la degradación de la capacidad con el tiempo. Este artículo propone una metodología para mejorar la precisión de la estimación de la capacidad de la batería abordando las incertidumbres relacionadas con la estimación y medición del estado de carga (SOC). La metodología emplea el Algoritmo de Red Neuronal (NNA), un algoritmo de optimización inspirado en redes neuronales artificiales (ANNs). El NNA genera una población inicial de soluciones de patrón y las actualiza de manera iterativa utilizando una matriz de pesos, un operador de sesgo y un operador de función de transferencia. Al combinar las ventajas de las ANNs y las técnicas de optimización, el NNA tiene como objetivo encontrar una solución óptima considerando variables interdependientes e incorporando retroalimentaciones globales y locales. Aprovechando las capacidades del NNA, nuestro objetivo es identificar el candidato que minimice una función de costo especificada, asegurando la capacidad de la celda actualizada a través de un factor de olvido de memoria. La precisión del algoritmo fue validada utilizando los Datos Prognósticos de NASA, demostrando un rendimiento sobresaliente al superar a dos algoritmos agresivos en términos de precisión. En el escenario de caso más severo, el algoritmo logró un error máximo de menos del 0.4%. Además, el algoritmo demostró consistentemente medidas de rendimiento predictivo que fueron superiores a las de los algoritmos comparados.