Predicción de la vida útil remanente de la batería de un vehículo de movilidad sostenible

RESUMEN : Este estudio se enfoca en la predicción de la vida útil remanente (RUL, por sus siglas en inglés) de baterías de ion litio en cierto tipo de bicicletas eléctricas utilizando modelos de machine learning. Se emplearon tres modelos distintos: Gradient Boost Regressor, Adaboost Regressor y Support Vector Regressor, para predecir la variable RUL a partir de datos experimentales recopilados durante un año en vías de Medellín, Colombia. Se incluyeron variables ambientales y descriptivas del sistema elétrico. Inicialmente, se realizó una exploración gráfica de los hiperparámetros utilizando un conjunto de prueba del 70%. El 30% restante se dividió en un 20% para un segundo conjunto de prueba (Test 1) y un 10% para un tercer conjunto (Test 2). Se utilizó el conjunto de entrenamiento y Test 1 para realizar un Grid Search CV para cada modelo y seleccionar los mejores hiperparámetros basados en la raíz del error cuadrático medio (RMSE) y el coeficiente de determinación (R2). Los modelos con el mejor desempeño se sometieron a una comparación adicional utilizando cross validation, resultando en la elección del Gradient Boost Regressor con tasa de aprendizaje de 0.2, profundidad máxima de 7 y número de estimadores de 220 como el modelo óptimo. Este modelo final fue evaluado utilizando el conjunto de datos Test 2, y se obtuvo las métricas de evaluación, como RMSE (6,14), MSE (37,81), MAE (23,57), MAPE (0,09) y R2 (0,99).

• Autores: Acosta González, Daniel Fernando
• Tipo de recurso: Tesis
• Fecha de publicación: 2023
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/37623
• Acceso en línea: https://hdl.handle.net/10495/37623
• Palabra clave: Aprendizaje automático (inteligencia artificial); Machine learning; Vida útil (productividad); Life span, productive; Vehículos eléctricos; Electric vehicles; Vida útil remanente; Baterías de ion litio
• Rights: openAccess
• License: https://creativecommons.org/licenses/by-nc-sa/4.0/