Composición de funciones de covarianza en procesos gaussianos para mejorar la eficiencia en la predicción del estado de cargas en baterías de ion de litio

Abstract

La presente investigación soluciona la falta de eficiencia en la predicción del estado de carga en baterías de ion de litio mediante algoritmos de procesos gaussianos. Se probó la hipótesis de que estos algoritmos mejoran dicha eficiencia, alcanzando el objetivo de elaborar una composición de funciones de covarianza para incorporarlas en el modelo. La metodología es de tipo aplicada, nivel explicativo-correlacional, enfoque cuantitativo y diseño experimental. El procedimiento consistió en obtener datos de corriente, voltaje, capacidad de carga y temperatura de repositorios de la NASA y Oxford. Los datos se procesaron en Python para analizar la correlación entre ciclo, voltaje y temperatura. Posteriormente, el conjunto de datos se dividió en entrenamiento, prueba y validación; los dos primeros sirvieron para construir los modelos de regresión y el último para validar el modelo más eficiente. La selección se realizó mediante indicadores como el negativo de la probabilidad marginal y la raíz del error cuadrático medio (RMSE). Los resultados muestran valores mínimos de RMSE de 0.027 (NASA) y 0.00001 (Oxford). Se concluye que la composición de funciones de covarianza en procesos gaussianos mejoró la eficiencia en la predicción del estado de carga en un 14.8% para los datos de la NASA y un 72.8% para los de Oxford.