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...

Full description

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

id	UNIANDES2_99b552fc458f65da499190ca3acf25ba
oai_identifier_str	oai:repositorio.uniandes.edu.co:1992/75130
network_acronym_str	UNIANDES2
network_name_str	Séneca: repositorio Uniandes
repository_id_str
dc.title.spa.fl_str_mv	Predicción de la vida útil de las baterías de un Nissan Leaf usando datos reales de conducción mediante el uso de Machine Learning
title	Predicción de la vida útil de las baterías de un Nissan Leaf usando datos reales de conducción mediante el uso de Machine Learning
spellingShingle	Predicción de la vida útil de las baterías de un Nissan Leaf usando datos reales de conducción mediante el uso de Machine Learning Estado de salud (SOH) Aprendizaje automático Predicción de vida útil Baterías de iones de litio Nissan Leaf Ingeniería
title_short	Predicción de la vida útil de las baterías de un Nissan Leaf usando datos reales de conducción mediante el uso de Machine Learning
title_full	Predicción de la vida útil de las baterías de un Nissan Leaf usando datos reales de conducción mediante el uso de Machine Learning
title_fullStr	Predicción de la vida útil de las baterías de un Nissan Leaf usando datos reales de conducción mediante el uso de Machine Learning
title_full_unstemmed	Predicción de la vida útil de las baterías de un Nissan Leaf usando datos reales de conducción mediante el uso de Machine Learning
title_sort	Predicción de la vida útil de las baterías de un Nissan Leaf usando datos reales de conducción mediante el uso de Machine Learning
dc.creator.fl_str_mv	Pérez Monsalve, Luis Orlando
dc.contributor.advisor.none.fl_str_mv	Jimenez Estevez, Guillermo Andres
dc.contributor.author.none.fl_str_mv	Pérez Monsalve, Luis Orlando
dc.contributor.jury.none.fl_str_mv	López Jiménez, Jorge Alfredo
dc.subject.keyword.spa.fl_str_mv	Estado de salud (SOH) Aprendizaje automático Predicción de vida útil Baterías de iones de litio Nissan Leaf
topic	Estado de salud (SOH) Aprendizaje automático Predicción de vida útil Baterías de iones de litio Nissan Leaf Ingeniería
dc.subject.themes.spa.fl_str_mv	Ingeniería
description	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.
publishDate	2024
dc.date.accessioned.none.fl_str_mv	2024-08-30T13:40:11Z
dc.date.available.none.fl_str_mv	2024-08-30T13:40:11Z
dc.date.issued.none.fl_str_mv	2024-08-16
dc.type.none.fl_str_mv	Trabajo de grado - Pregrado
dc.type.driver.none.fl_str_mv	info:eu-repo/semantics/bachelorThesis
dc.type.version.none.fl_str_mv	info:eu-repo/semantics/acceptedVersion
dc.type.coar.none.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.content.none.fl_str_mv	Text
dc.type.redcol.none.fl_str_mv	http://purl.org/redcol/resource_type/TP
format	http://purl.org/coar/resource_type/c_7a1f
status_str	acceptedVersion
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/1992/75130
dc.identifier.instname.none.fl_str_mv	instname:Universidad de los Andes
dc.identifier.reponame.none.fl_str_mv	reponame:Repositorio Institucional Séneca
dc.identifier.repourl.none.fl_str_mv	repourl:https://repositorio.uniandes.edu.co/
url	https://hdl.handle.net/1992/75130
identifier_str_mv	instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/
dc.language.iso.none.fl_str_mv	spa
language	spa
dc.relation.references.none.fl_str_mv	Agencia Internacional de Energía (IEA). Global EV Outlook 2021. 2021. URL: https://www.iea.org/reports/global-ev-outlook-2021. IRENA. Perspectivas de la transición energética mundial: camino de 1.5 ℃. 2024. URL: https://www.irena.org/-/media/Files/IRENA/Agency/Publication/2021/Jun/IRENA_WETO_Summary_2021_ES.pdf. Ministerio de Ambiente de Colombia. Colombia reducirá en un 51 % sus emisiones de gases efecto invernadero para el año 2030. 2024. URL: https://www.minambiente.gov.co/asuntos-ambientales. BloombergNEF. Electric Vehicle Outlook 2020. 2020. URL: https://about.bnef.com/electric-vehicle-outlook/. Y. -C. B. a. S. K. S. Jafari. "A Novel Approach for Predicting Remaining Useful Life and Capacity Fade in Lithium-Ion Batteries Using Hybrid Machine Learning". En: IEEE Access 11 (2023), págs. 131950-131963. "A Review of Battery State of Health Estimation Methods: Hybrid Electric Vehicle Challenges". En: World Electric Vehicle Journal 11.661 (2020). J. Y. Pavón. "La evaluación de la calidad de datos: una aproximación criptográfica". En: Computación y Sistemas 23.2 (2021). X. H. et al. "A Comparative Study of Charging Voltage Curve Analysis and State of Health Estimation of Lithium-ion Batteries in Electric Vehicle". En: Automotive Innovation 2.4 (2019), págs. 263-275. A. N. et al. "An Incremental Voltage Difference Based Technique for Online State of Health Estimation of Li-ion Batteries". En: Scientific Reports 10.1 (2020), pág. 9526. D.-I. S. K. N. L. S. I. y A. C. E. Schaltz. "Incremental Capacity Analysis Applied on Electric Vehicles for Battery State-of-Health Estimation". En: IEEE Transactions on Industrial Applications 52.2 (2021), págs. 1810-1817. G. F. D. Z. F. G. y A. B. Z. Wang. "A review on online state of charge and state of health estimation for lithium-ion batteries in electric vehicles". En: Energy Reports 7 (2021), págs. 5141-5161. J. W. P. D. L. e Y. Z. Z. Xu. "Estimation and prediction of state of health of electric vehicle batteries using discrete incremental capacity analysis based on real driving data". En: Energy 225 (2021), págs. 120-160. Y. C. J. S. y H. C. Weng. "On-board state of health monitoring of lithium-ion batteries using incremental capacity analysis with support vector regression". En: Journal of Power Sources 235 (2013), págs. 36-44. J. W. P. D. L. e Y. Z. Z. Xu. "Estimation and prediction of state of health of electric vehicle batteries using discrete incremental capacity analysis based on real driving data". En: Energy (2023), págs. 120-160. J. M. D.-I. S. J. P. G. L. y R. T. L. Cai. "Multiobjective Optimization of Data-Driven Model for Lithium Ion Battery SOH Estimation With Short-Term Feature". En: IEEE Transactions on Power Electronics 35.11 (2020), págs. 11855-11864. C. Z. J. J. W. Z. e Y. J. X. Cong. "A Hybrid Method for the Prediction of the Remaining Useful Life of Lithium Ion Batteries With Accelerated Capacity Degradation". En: IEEE Transactions 69.11 (2020), págs. 12775-12785. K. P. y J. D. R. Jiao. "Remaining Useful Life Prediction of Lithium-Ion Batteries Based on Conditional Variational Autoencoders-Particle Filter". En: IEEE Transactions on Instrumentation and Measurement 69.11 (2020), págs. 8831-8843. J. R. García-González. "Diseño teórico de la investigación: instrucciones metodológicas para el desarrollo de propuestas y proyectos de investigación científica". En: Información tecnológica 31.6 (2020). M. A. Villasís-Keever. El protocolo de investigación IV: las variables de estudio. 2016. F. R. Paredes. METODOLOGÍA DE LA INVESTIGACIÓN: LAS RUTAS CUANTITATIVA, CUALITATIVA Y MIXTA. Ciudad de México: McGraw Hill Interamericana, 2018. A. Robles. "Baterías de ion litio". En: (2019). L. T. Bermúdez. "TENDENCIAS CIENTÍFICAS Y TECNOLÓGICAS DE LAS BATERÍAS PARA". En: ALTEC (2015). R. A. Chávez. "The diversity of agents and evolution of overlapping patents on electric vehicles". En: Contaduría y Administración (2016). A. Á. Lara. "From a mechanical system to a complex technological system. The car case". En: Contaduría y Administración (2014), págs. 11-39. S. S. S. U. I. M. y S. O. A. F. A. Shah. "Battery health monitoring for commercialized electric vehicle batteries: Lithium-ion". En: Proc. IEEE Int. Conf. Electro Inf. Technol. 2019, págs. 1-5. C. D. Burgos. "Estimación del estado de carga para un banco de baterías basada en modelación difusa y filtro extendido de Kalman". Universidad de Chile, 2013. I. O. Padilla. Inferencia Bayesiana. Departamento de Estadística e Investigación Operativa - Sevilla, 2018. M. H. Badii. "Análisis de correlación canónica (ACC) e investigación científica". En: Revista Innovaciones de Negocios (2017). M. Balzarini. Estadística y biometría. Argentina: Editorial Brujas, 2015. I. G. Huelva. Modelos PLS-PM. Sevilla, 2018. Ander Carreño. "Detección de sucesos raros con machine learning". En: Escuela Técnica Superior de Ingenieros Informáticos (2017). A. F. Alaminos-Fernández. "Árboles de decisión en R con Random Forest". En: Universidad de Alicante (2022). C. Z. M. B. E. N.-M. J. C.-W. C. Y. Li. "Random forest regression for online capacity estimation of lithium-ion batteries". En: Applied Energy 232 (2018), págs. 197-210. J. J. Espinosa-Zúñiga. "Application of Random Forest and XGBoost algorithms based on a credit card applications database". En: Ingeniería, investigación y tecnología 21.3 (2020). T. C. a. C. Guestrin. "XGBoost: A scalable tree boosting system". En: Proceedings of the International Conference on Knowledge Discovery and Data Mining. 2016, págs. 785-794. S. S. J. S. Y. Z. G. L. Z. y C. Y. L. Xing Shu. "State of health prediction of lithium-ion batteries based on machine learning: Advances and perspectives". En: iScience 24.11 (2021). NimbleFins. Nissan Leaf Battery Life & How Long EV Batteries Last. 2023. URL: https://www.nimblefins.co.uk/nissan-leaf-battery-life-how-long-ev-batteries-last. CleanTechnica. How Long Do Nissan Leaf Batteries Last? 2023. URL: https://cleantechnica.com/2023/07/31/how-long-do-nissan-leaf-batteries-last/. MyNissanLeaf Forum. My EV Battery Life and Leaf observations. 2024. URL: https://mynissanleaf.com/viewtopic.php?t=12345.
dc.rights.en.fl_str_mv	Attribution 4.0 International
dc.rights.uri.none.fl_str_mv	http://creativecommons.org/licenses/by/4.0/
dc.rights.accessrights.none.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.none.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	Attribution 4.0 International http://creativecommons.org/licenses/by/4.0/ http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.extent.none.fl_str_mv	36 páginas
dc.format.mimetype.none.fl_str_mv	application/pdf
dc.publisher.none.fl_str_mv	Universidad de los Andes
dc.publisher.program.none.fl_str_mv	Ingeniería Eléctrica
dc.publisher.faculty.none.fl_str_mv	Facultad de Ingeniería
dc.publisher.department.none.fl_str_mv	Departamento de Ingeniería Eléctrica y Electrónica
publisher.none.fl_str_mv	Universidad de los Andes
institution	Universidad de los Andes
bitstream.url.fl_str_mv	https://repositorio.uniandes.edu.co/bitstreams/c8a36f39-3d10-40fe-a1e6-38580e8dbdba/download https://repositorio.uniandes.edu.co/bitstreams/c08cf160-c007-41fd-83be-e5680dd09353/download https://repositorio.uniandes.edu.co/bitstreams/4f82b4c6-67ed-4e9c-8b3b-75301f951335/download https://repositorio.uniandes.edu.co/bitstreams/5240d42c-5f06-43a4-b630-63e582b9a629/download https://repositorio.uniandes.edu.co/bitstreams/905829a7-c000-4ced-9401-93b3d7db0424/download https://repositorio.uniandes.edu.co/bitstreams/d3a6be50-6733-4082-8cf2-cbd67ccd59bc/download https://repositorio.uniandes.edu.co/bitstreams/34d154ff-b731-48e1-b1ec-daed9cbf8780/download https://repositorio.uniandes.edu.co/bitstreams/2944a32f-a1e9-4014-9059-17a2006cc0d7/download
bitstream.checksum.fl_str_mv	9000b98a8f0da4edb8447646c0157e11 4e42dcd3851352bdb507b8aea228ddc6 ae9e573a68e7f92501b6913cc846c39f 0175ea4a2d4caec4bbcc37e300941108 707db955246b8113e1a55a5d673bb2f1 da1bb0dfb9d94142234ff86d51f2573f d7841988b7e20de6776b1d9fe61209f7 15ab5be354aaa336dd0c4b55420e8190
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio institucional Séneca
repository.mail.fl_str_mv	adminrepositorio@uniandes.edu.co
_version_	1812134020846190592
spelling	Jimenez Estevez, Guillermo Andresvirtual::19992-1Pérez Monsalve, Luis OrlandoLópez Jiménez, Jorge Alfredo2024-08-30T13:40:11Z2024-08-30T13:40:11Z2024-08-16https://hdl.handle.net/1992/75130instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/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.Pregrado36 páginasapplication/pdfspaUniversidad de los AndesIngeniería EléctricaFacultad de IngenieríaDepartamento de Ingeniería Eléctrica y ElectrónicaAttribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Predicción de la vida útil de las baterías de un Nissan Leaf usando datos reales de conducción mediante el uso de Machine LearningTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPEstado de salud (SOH)Aprendizaje automáticoPredicción de vida útilBaterías de iones de litioNissan LeafIngenieríaAgencia Internacional de Energía (IEA). Global EV Outlook 2021. 2021. URL: https://www.iea.org/reports/global-ev-outlook-2021.IRENA. Perspectivas de la transición energética mundial: camino de 1.5 ℃. 2024. URL: https://www.irena.org/-/media/Files/IRENA/Agency/Publication/2021/Jun/IRENA_WETO_Summary_2021_ES.pdf.Ministerio de Ambiente de Colombia. Colombia reducirá en un 51 % sus emisiones de gases efecto invernadero para el año 2030. 2024. URL: https://www.minambiente.gov.co/asuntos-ambientales.BloombergNEF. Electric Vehicle Outlook 2020. 2020. URL: https://about.bnef.com/electric-vehicle-outlook/.Y. -C. B. a. S. K. S. Jafari. "A Novel Approach for Predicting Remaining Useful Life and Capacity Fade in Lithium-Ion Batteries Using Hybrid Machine Learning". En: IEEE Access 11 (2023), págs. 131950-131963."A Review of Battery State of Health Estimation Methods: Hybrid Electric Vehicle Challenges". En: World Electric Vehicle Journal 11.661 (2020).J. Y. Pavón. "La evaluación de la calidad de datos: una aproximación criptográfica". En: Computación y Sistemas 23.2 (2021).X. H. et al. "A Comparative Study of Charging Voltage Curve Analysis and State of Health Estimation of Lithium-ion Batteries in Electric Vehicle". En: Automotive Innovation 2.4 (2019), págs. 263-275.A. N. et al. "An Incremental Voltage Difference Based Technique for Online State of Health Estimation of Li-ion Batteries". En: Scientific Reports 10.1 (2020), pág. 9526.D.-I. S. K. N. L. S. I. y A. C. E. Schaltz. "Incremental Capacity Analysis Applied on Electric Vehicles for Battery State-of-Health Estimation". En: IEEE Transactions on Industrial Applications 52.2 (2021), págs. 1810-1817.G. F. D. Z. F. G. y A. B. Z. Wang. "A review on online state of charge and state of health estimation for lithium-ion batteries in electric vehicles". En: Energy Reports 7 (2021), págs. 5141-5161.J. W. P. D. L. e Y. Z. Z. Xu. "Estimation and prediction of state of health of electric vehicle batteries using discrete incremental capacity analysis based on real driving data". En: Energy 225 (2021), págs. 120-160.Y. C. J. S. y H. C. Weng. "On-board state of health monitoring of lithium-ion batteries using incremental capacity analysis with support vector regression". En: Journal of Power Sources 235 (2013), págs. 36-44.J. W. P. D. L. e Y. Z. Z. Xu. "Estimation and prediction of state of health of electric vehicle batteries using discrete incremental capacity analysis based on real driving data". En: Energy (2023), págs. 120-160.J. M. D.-I. S. J. P. G. L. y R. T. L. Cai. "Multiobjective Optimization of Data-Driven Model for Lithium Ion Battery SOH Estimation With Short-Term Feature". En: IEEE Transactions on Power Electronics 35.11 (2020), págs. 11855-11864.C. Z. J. J. W. Z. e Y. J. X. Cong. "A Hybrid Method for the Prediction of the Remaining Useful Life of Lithium Ion Batteries With Accelerated Capacity Degradation". En: IEEE Transactions 69.11 (2020), págs. 12775-12785.K. P. y J. D. R. Jiao. "Remaining Useful Life Prediction of Lithium-Ion Batteries Based on Conditional Variational Autoencoders-Particle Filter". En: IEEE Transactions on Instrumentation and Measurement 69.11 (2020), págs. 8831-8843.J. R. García-González. "Diseño teórico de la investigación: instrucciones metodológicas para el desarrollo de propuestas y proyectos de investigación científica". En: Información tecnológica 31.6 (2020).M. A. Villasís-Keever. El protocolo de investigación IV: las variables de estudio. 2016.F. R. Paredes. METODOLOGÍA DE LA INVESTIGACIÓN: LAS RUTAS CUANTITATIVA, CUALITATIVA Y MIXTA. Ciudad de México: McGraw Hill Interamericana, 2018.A. Robles. "Baterías de ion litio". En: (2019).L. T. Bermúdez. "TENDENCIAS CIENTÍFICAS Y TECNOLÓGICAS DE LAS BATERÍAS PARA". En: ALTEC (2015).R. A. Chávez. "The diversity of agents and evolution of overlapping patents on electric vehicles". En: Contaduría y Administración (2016).A. Á. Lara. "From a mechanical system to a complex technological system. The car case". En: Contaduría y Administración (2014), págs. 11-39.S. S. S. U. I. M. y S. O. A. F. A. Shah. "Battery health monitoring for commercialized electric vehicle batteries: Lithium-ion". En: Proc. IEEE Int. Conf. Electro Inf. Technol. 2019, págs. 1-5.C. D. Burgos. "Estimación del estado de carga para un banco de baterías basada en modelación difusa y filtro extendido de Kalman". Universidad de Chile, 2013.I. O. Padilla. Inferencia Bayesiana. Departamento de Estadística e Investigación Operativa - Sevilla, 2018.M. H. Badii. "Análisis de correlación canónica (ACC) e investigación científica". En: Revista Innovaciones de Negocios (2017).M. Balzarini. Estadística y biometría. Argentina: Editorial Brujas, 2015.I. G. Huelva. Modelos PLS-PM. Sevilla, 2018.Ander Carreño. "Detección de sucesos raros con machine learning". En: Escuela Técnica Superior de Ingenieros Informáticos (2017).A. F. Alaminos-Fernández. "Árboles de decisión en R con Random Forest". En: Universidad de Alicante (2022).C. Z. M. B. E. N.-M. J. C.-W. C. Y. Li. "Random forest regression for online capacity estimation of lithium-ion batteries". En: Applied Energy 232 (2018), págs. 197-210.J. J. Espinosa-Zúñiga. "Application of Random Forest and XGBoost algorithms based on a credit card applications database". En: Ingeniería, investigación y tecnología 21.3 (2020).T. C. a. C. Guestrin. "XGBoost: A scalable tree boosting system". En: Proceedings of the International Conference on Knowledge Discovery and Data Mining. 2016, págs. 785-794.S. S. J. S. Y. Z. G. L. Z. y C. Y. L. Xing Shu. "State of health prediction of lithium-ion batteries based on machine learning: Advances and perspectives". En: iScience 24.11 (2021).NimbleFins. Nissan Leaf Battery Life & How Long EV Batteries Last. 2023. URL: https://www.nimblefins.co.uk/nissan-leaf-battery-life-how-long-ev-batteries-last.CleanTechnica. How Long Do Nissan Leaf Batteries Last? 2023. URL: https://cleantechnica.com/2023/07/31/how-long-do-nissan-leaf-batteries-last/.MyNissanLeaf Forum. My EV Battery Life and Leaf observations. 2024. URL: https://mynissanleaf.com/viewtopic.php?t=12345.202015274Publicationc326bb1a-425f-44a8-97c8-1bba6836dc28virtual::19992-1c326bb1a-425f-44a8-97c8-1bba6836dc28virtual::19992-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001057847virtual::19992-1ORIGINALAutorizacion_LOP_Electrica.pdfAutorizacion_LOP_Electrica.pdfHIDEapplication/pdf337421https://repositorio.uniandes.edu.co/bitstreams/c8a36f39-3d10-40fe-a1e6-38580e8dbdba/download9000b98a8f0da4edb8447646c0157e11MD51Predicción de la vida útil de las baterías de un Nissan Leaf usando datos reales de conducción mediante el uso de Machine Learning.pdfPredicción de la vida útil de las baterías de un Nissan Leaf usando datos reales de conducción mediante el uso de Machine Learning.pdfapplication/pdf1698757https://repositorio.uniandes.edu.co/bitstreams/c08cf160-c007-41fd-83be-e5680dd09353/download4e42dcd3851352bdb507b8aea228ddc6MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/4f82b4c6-67ed-4e9c-8b3b-75301f951335/downloadae9e573a68e7f92501b6913cc846c39fMD53CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8908https://repositorio.uniandes.edu.co/bitstreams/5240d42c-5f06-43a4-b630-63e582b9a629/download0175ea4a2d4caec4bbcc37e300941108MD54TEXTAutorizacion_LOP_Electrica.pdf.txtAutorizacion_LOP_Electrica.pdf.txtExtracted texttext/plain2055https://repositorio.uniandes.edu.co/bitstreams/905829a7-c000-4ced-9401-93b3d7db0424/download707db955246b8113e1a55a5d673bb2f1MD55Predicción de la vida útil de las baterías de un Nissan Leaf usando datos reales de conducción mediante el uso de Machine Learning.pdf.txtPredicción de la vida útil de las baterías de un Nissan Leaf usando datos reales de conducción mediante el uso de Machine Learning.pdf.txtExtracted texttext/plain79313https://repositorio.uniandes.edu.co/bitstreams/d3a6be50-6733-4082-8cf2-cbd67ccd59bc/downloadda1bb0dfb9d94142234ff86d51f2573fMD57THUMBNAILAutorizacion_LOP_Electrica.pdf.jpgAutorizacion_LOP_Electrica.pdf.jpgGenerated Thumbnailimage/jpeg10975https://repositorio.uniandes.edu.co/bitstreams/34d154ff-b731-48e1-b1ec-daed9cbf8780/downloadd7841988b7e20de6776b1d9fe61209f7MD56Predicción de la vida útil de las baterías de un Nissan Leaf usando datos reales de conducción mediante el uso de Machine Learning.pdf.jpgPredicción de la vida útil de las baterías de un Nissan Leaf usando datos reales de conducción mediante el uso de Machine Learning.pdf.jpgGenerated Thumbnailimage/jpeg8220https://repositorio.uniandes.edu.co/bitstreams/2944a32f-a1e9-4014-9059-17a2006cc0d7/download15ab5be354aaa336dd0c4b55420e8190MD581992/75130oai:repositorio.uniandes.edu.co:1992/751302024-09-12 16:21:38.781http://creativecommons.org/licenses/by/4.0/Attribution 4.0 Internationalopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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

Predicción de la vida útil de las baterías de un Nissan Leaf usando datos reales de conducción mediante el uso de Machine Learning

Publicaciones similares