Resumen

Las baterías son uno de los principales componentes de los vehículos eléctricos y los dispositivos electrónicos móviles. Funcionan a base de reacciones electroquímicas, que son sometidas a pruebas exhaustivas para comprobar su comportamiento y determinar sus características en cada punto de trabajo. Un aspecto destacable de las baterías es su complejo comportamiento. El tipo de pila que se analiza en esta investigación es una LFP (Lithium Iron Phosphate LiFePO4). El objetivo de esta investigación es predecir el Estado de Carga (SOC) de la pila de potencia mediante la creación de un modelo híbrido inteligente. Todos los puntos de funcionamiento medidos en un sistema real durante una prueba de confirmación de capacidad constituyen el conjunto de datos utilizado para obtener el modelo. Este conjunto de datos se agrupa para obtener diferentes grupos de comportamiento, que se utilizan para desarrollar el modelo final. Para cada grupo se han implementado diferentes técnicas de regresión, como la regresión polinómica, la regresión de vectores de soporte (SVR) y las redes neuronales artificiales (ANN). Se realiza una combinación de estos métodos para conseguir un modelo inteligente. El SOC de la célula de potencia puede predecirse mediante este modelo inteligente híbrido, y se obtienen buenos resultados.

• Materias:Biotecnología Redes de sensores Sistema de sensores Diagnóstico de fallas Tecnología de sensores Diagnóstico de fallos
• Subjects:Biotechnology Sensor networks Sensor system Fault diagnosis Sensor technology
• Palabras claves:modelo inteligente híbrido, litio hierro fosfato lifepo4, diferentes técnicas de regresión, redes neuronales artificiales, prueba de confirmación de capacidad, diferentes grupos de comportamiento, dispositivos electrónicos móviles, estado de la célula de potencia, tipo de célula de potencia, regresión de vectores de apoyo
• Keywords:hybrid intelligent model, lithium iron phosphate lifepo4, different regression techniques, artificial neural networks, capacity confirmation test, different behavior groups, mobile electronic devices, power cell state, power cell type, support vector regression