Predicción de la vida útil de las baterías de un Nissan Leaf usando datos reales de conducción mediante el uso de Machine Learning
La tesis aborda la predicción de la vida útil de las baterías de un Nissan Leaf utilizando datos reales de conducción mediante técnicas de aprendizaje automático. El objetivo principal es desarrollar un modelo capaz de estimar con precisión el Estado de Salud (SoH) de las baterías, un indicador que...
- Autores:
-
Pérez Monsalve, Luis Orlando
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2024
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/75130
- Acceso en línea:
- https://hdl.handle.net/1992/75130
- Palabra clave:
- Estado de salud (SOH)
Aprendizaje automático
Predicción de vida útil
Baterías de iones de litio
Nissan Leaf
Ingeniería
- Rights
- openAccess
- License
- Attribution 4.0 International
| Summary: | La tesis aborda la predicción de la vida útil de las baterías de un Nissan Leaf utilizando datos reales de conducción mediante técnicas de aprendizaje automático. El objetivo principal es desarrollar un modelo capaz de estimar con precisión el Estado de Salud (SoH) de las baterías, un indicador que mide la capacidad restante en comparación con la capacidad original, fundamental para el rendimiento de vehículos eléctricos. Para ello, se emplearon tres algoritmos de aprendizaje automático: k-Nearest Neighbors (kNN), Random Forest (RF) y XGBoost, Los datos utilizados fueron recolectados durante el uso diario del Nissan Leaf Luego, se aplicaron técnicas de filtrado y análisis de correlación de Pearson para identificar las variables más relevantes que influyen en la vida útil de la batería. Los resultados mostraron que, aunque los modelos predictivos lograron aproximarse al SoH calculado por el vehículo, las predicciones no fueron completamente precisas debido a variaciones abruptas en los datos proporcionados por el Nissan Leaf. Ante esto, se propuso una metodología alternativa para calcular el SoH basada en la degradación de la capacidad máxima de la batería, utilizando la variable 'GIDS' (unidad de medida que representa la energía almacenada). Este nuevo enfoque permitió obtener un modelo de predicción más preciso, proporcionando mejores estimaciones del SoH y sugiriendo nuevas oportunidades para optimizar la gestión y mantenimiento de las baterías en vehículos eléctricos. |
|---|