Inteligencia artificial explicable (XAI) en sistemas de gestión de baterías: una revisión exhaustiva

Los sistemas de gestión de baterías (BMS) son cruciales para el funcionamiento seguro y eficiente de las baterías de iones de litio en aplicaciones que van desde vehículos eléctricos hasta el almacenamiento en red. Si bien la inteligencia artificial (AI) y el aprendizaje automático (ML) han avanzado significativamente las capacidades de los BMS, particularmente en la estimación del estado y el diagnóstico de fallas, la naturaleza inherente de «caja negra» de muchos modelos complejos plantea inquietudes sobre la fiabilidad, la confianza y la seguridad. La inteligencia artificial explicable (XAI) ofrece métodos para hacer que estos modelos de AI/ML sean transparentes e interpretables. Este artículo proporciona una revisión exhaustiva de la aplicación de técnicas de XAI en diversas tareas de BMS. Revisamos la literatura sobre XAI aplicada a la estimación del estado de carga (SOC), el estado de salud (SOH) y la vida útil restante (RUL), así como a la detección y el diagnóstico de fallas y a la gestión de la carga. Se analizan las metodologías clave de XAI empleadas en la investigación de BMS, tales como SHAP, LIME, mecanismos de atención y modelos inherentemente interpretables. Analizamos las tendencias actuales, identificamos desafíos significativos —incluyendo la implementación en tiempo real, la evaluación de explicaciones y las limitaciones de datos— y sugerimos direcciones prometedoras para investigaciones futuras. Esta revisión tiene como objetivo servir como un recurso valioso para investigadores y profesionales que buscan desarrollar soluciones de BMS inteligentes más transparentes, fiables y confiables.