Resumen

La estimación precisa del estado de salud (SOH, por sus siglas en inglés) de las baterías de ion de litio permite a los usuarios tomar decisiones de reemplazo acertadas y reducir pérdidas económicas. La precisión en la estimación del SOH está relacionada con muchos factores, como el tiempo de uso, la temperatura ambiente, la tasa de carga y descarga, etc. Por lo tanto, la extracción adecuada de características de los factores mencionados anteriormente se convierte en un gran desafío. Con el fin de extraer eficazmente las características de la batería y mejorar la precisión en la estimación del SOH, este artículo propone una red neuronal de memoria de convolución temporal (TCMNN, por sus siglas en inglés), que combina redes neuronales convolucionales (CNN) y memoria a corto plazo (LSTM) mediante una capa totalmente conectada basada en regularización por abandono. En el experimento, se recopilan el voltaje terminal y la corriente de carga de la batería durante el proceso de carga, y se organizan conjuntos de

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Salud; Baterías de ión-litio; Estimación SOH; Extracción de características; TCMNN; Ciclo de batería.
• Keywords:Health; Lithium-ion batteries; SOH estimation; Features extraction; TCMNN; Battery cycle.