Artículo de método

Un flujo de trabajo de aprendizaje profundo reproducible para predecir el rendimiento de baterías de iones de litio utilizando datos de ciclado multicanal

DOI:

10.3791/71903

⸱

14 de agosto de 2026

 , 
1Faculty of Science, Department of Physics, Southern University of Science and Technology, 2Homerton College, University of Cambridge

En este artículo

Resumen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este protocolo presenta un flujo de trabajo reproducible de aprendizaje profundo que utiliza datos cíclicos multicanal y características diseñadas para predecir el estado de salud, la vida útil restante y el rendimiento en el almacenamiento de energía de baterías de iones de litio.

Resumen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este protocolo presenta un flujo de trabajo reproducible basado en aprendizaje profundo para predecir el rendimiento de baterías de iones de litio utilizando datos de ciclado multicanal. Para abordar las limitaciones de los modelos basados en datos existentes relacionadas con la integración de información multisensorial y la representación de características, el método utiliza cinco conjuntos de datos de baterías disponibles públicamente. Las entradas incluyen señales operativas crudas, como voltaje, corriente, capacidad, temperatura, resistencia interna y eficiencia coulómbica y energética, junto con características derivadas, tales como capacidad incremental, voltaje diferencial y energía acumulada. El protocolo detalla procedimientos estandarizados de preprocesamiento para construir tensores temporales a nivel de batería en múltiples ventanas de observación. Para mejorar la reproducibilidad, el flujo de trabajo evalúa arquitecturas candidatas de redes neuronales, incluyendo redes neuronales profundas, redes neuronales convolucionales (CNN), redes de memoria a corto y largo plazo (LSTM), CNN–LSTM y modelos basados en transformadores, utilizando semillas aleatorias fijas, ejecuciones repetidas de evaluación y seguimiento del entorno. Los resultados representativos demostraron que la arquitectura CNN–LSTM con datos multicanal integrados y características derivadas alcanzó un desempeño predictivo favorable entre los modelos evaluados. La configuración seleccionada alcanzó un error absoluto medio de 0,024 y un valor de R2 de 0,955 para la estimación del estado de salud, manteniendo al mismo tiempo un alto desempeño predictivo en la estimación de la vida útil restante y de la energía descargable. Análisis de ablación y robustez demostraron adicionalmente la contribución de la integración de características multicanal y la estabilidad del flujo de trabajo centrado en la reproducibilidad a lo largo de evaluaciones repetidas. Esta metodología estandarizada proporciona un marco reproducible para la gestión del ciclo de vida de baterías y modelado predictivo bajo diversas condiciones operativas.

Introducción

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Las baterías de iones de litio son fundamentales para la transición global hacia energías renovables debido a su alta densidad de energía, larga vida útil en ciclos y bajas tasas de autodescarga en aplicaciones que van desde electrónica portátil hasta sistemas de almacenamiento de energía a escala de red. Sin embargo, el funcionamiento prolongado conduce inevitablemente a una degradación gradual de la capacidad y a un aumento de la resistencia interna1. Esta disminución del rendimiento no solo reduce la viabilidad económica, sino que también introduce graves riesgos de seguridad, incluyendo el descontrol térmico. A medida que la implementación de sistemas de almacenamiento de energía a gran escala continúa acelerándose, la gestión del ciclo de vida de las baterías se ha vuelto cada vez más compleja2. Los protocolos tradicionales de monitoreo basados en umbrales y las inspecciones manuales resultan insuficientes para entornos operativos dinámicos3. Además, la dependencia de un solo parámetro es inadecuada para predecir con precisión el estado de salud (SOH) o la vida útil restante (RUL) de la batería bajo tasas variables de carga-descarga, temperaturas ambientales cambiantes y variaciones del voltaje de descarga4. Aunque el flujo de trabajo actual fue validado principalmente utilizando conjuntos de datos de ciclado controlados en laboratorio, la arquitectura multicanal y el marco de modelado temporal podrían permitir en el futuro su adaptación a condiciones operativas dinámicas encontradas en aplicaciones de vehículos eléctricos y entornos ambientales variables.

La degradación de las baterías es un proceso electroquímico altamente complejo y no lineal, impulsado por el crecimiento de la interfase sólida-electrolito, la pérdida de litio activo y la deterioración estructural de los materiales del electrodo. Históricamente, la estimación del estado se ha basado en modelos de circuito equivalente o en ecuaciones diferenciales parciales electroquímicas y físicas (EDP)5. Aunque estos modelos físicos proporcionan información mecanicista valiosa, presentan una carga computacional considerable y dificultades para la identificación de parámetros al procesar señales acopladas multicanal. En consecuencia, su implementación en tiempo real en sistemas embebidos de gestión de baterías (BMS) está severamente limitada por la cinética compleja de difusión y la variabilidad ambiental bajo condiciones de descarga de alta tasa6. En contraste, el flujo de trabajo basado en aprendizaje profundo (DL) concentra la mayor parte de la demanda computacional en la fase de entrenamiento fuera de línea, mientras que el modelo entrenado realiza inferencias comparativamente rápidas durante la implementación. Por lo tanto, este marco podría facilitar futuras implementaciones en BMS con recursos limitados y en entornos de computación de borde.

Recientemente, los enfoques basados en datos y en aprendizaje profundo (DL) han surgido como herramientas poderosas debido a sus excepcionales capacidades de ajuste no lineal. Sin embargo, las metodologías actuales de DL presentan dos limitaciones importantes. Primero, muchos enfoques dependen principalmente de curvas individuales de degradación de capacidad o de umbrales específicos de voltaje de descarga, pasando por alto las correlaciones espacio-temporales inherentes entre las respuestas de ciclado multicanal, como el voltaje, la corriente y la temperatura. Esta limitación reduce la robustez del modelo en escenarios operativos con múltiples condiciones7. Estudios previos han demostrado que ignorar los estados térmicos durante operaciones complejas puede acelerar la acumulación de errores predictivos8,9. Segundo, existe un desafío persistente de reproducibilidad en el aprendizaje automático (ML) aplicado. Las variaciones en las condiciones experimentales, los procesos de preprocesamiento descritos insuficientemente y los hiperparámetros arbitrariamente seleccionados de las redes neuronales provocan frecuentemente que modelos de otro modo robustos fallen durante la validación cruzada entre conjuntos de datos10. Para reducir el riesgo de fuga de información durante el preprocesamiento y la predicción de ciclos iniciales, el flujo de trabajo propuesto obtiene factores de escalado para normalización y líneas base de características derivadas exclusivamente a partir de los conjuntos de datos de entrenamiento, antes de la validación externa y la evaluación cruzada entre conjuntos de datos.

Para abordar estas brechas críticas, el objetivo general de este protocolo es presentar un flujo de trabajo automatizado y altamente reproducible basado en aprendizaje profundo (DL) para predecir el rendimiento del almacenamiento de energía en baterías de iones de litio mediante datos multicanal de ciclado. La justificación de este método radica en capturar explícitamente las complejas dependencias a largo plazo asociadas con la degradación de las baterías, integrando datos de series temporales multimodales dentro de una arquitectura de red neuronal de alta dimensionalidad. Una ventaja clave de este protocolo frente a los enfoques existentes basados en física y en aprendizaje profundo es su estandarización integral, que establece una canalización completa que abarca el preprocesamiento de señales crudas, la ingeniería de características, el entrenamiento del modelo y la evaluación de incertidumbres. Aunque las arquitecturas híbridas de redes neuronales ya han sido investigadas previamente, el presente flujo de trabajo enfatiza la integración multicanal estandarizada mediante la alineación de variables electroquímicas de ciclado con características de degradación diseñadas dentro de un marco de entrenamiento centrado en la reproducibilidad. A diferencia de muchos flujos de trabajo previamente reportados, este protocolo incorpora configuraciones estandarizadas de parámetros, semillas aleatorias fijas, ejecuciones repetidas de evaluación y un seguimiento exhaustivo del entorno para mejorar la reproducibilidad en diferentes conjuntos de datos de baterías y entornos de laboratorio. Además, el flujo de trabajo compara sistemáticamente múltiples arquitecturas de redes neuronales para evaluar la estabilidad predictiva y el rendimiento en distintas configuraciones de entrada. Dentro de los conjuntos de datos evaluados y los entornos experimentales, la arquitectura de red neuronal convolucional–memoria a corto y largo plazo (CNN–LSTM) mostró un rendimiento predictivo favorable en comparación con los modelos CNN independientes y basados en transformadores evaluados, al combinar la extracción de características locales con la modelización de secuencias temporales de largo alcance, manteniendo al mismo tiempo una complejidad computacional moderada. Este protocolo es especialmente adecuado para investigadores e ingenieros que buscan desarrollar modelos predictivos reproducibles y adaptables al entorno para la gestión del ciclo de vida de baterías.

Protocolo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

No se requirió la aprobación ética institucional para este estudio porque la investigación utilizó exclusivamente conjuntos de datos públicos sobre ciclos de baterías de iones de litio y no involucró a participantes humanos, sujetos animales ni muestras biológicas.

1. Adquisición y organización de datos

  1.  Adquirir conjuntos de datos de ciclado multicanal
    1. Descargue conjuntos de datos de ciclado de baterías de iones de litio desde repositorios públicos disponibles que contengan registros de ciclos de carga-descarga. Obtenga directamente los conjuntos de datos CALCE, SANYO, PANASONIC, KOKAM y GOTION de los repositorios de acceso abierto institucionales respectivos o de sus enlaces de identificador de objeto digital para mantener la consistencia de la versión del conjunto de datos.
    2. Seleccione muestras de baterías que contengan números completos de ciclos, mediciones de capacidad y al menos una curva continua de carga-descarga. Verifique la continuidad confirmando que no ocurra ninguna interrupción superior a dos horas dentro de un ciclo individual y que ambas fases, corriente constante y voltaje constante, estén completamente registradas.
  2. Filtrar registros brutos de ciclado
    1. Filtre los registros brutos de ciclado para conservar muestras que contengan mediciones de temperatura, resistencia interna, eficiencia coulómbica y eficiencia energética. Excluya celdas de batería que carezcan de estos canales de estado obligatorios del flujo de trabajo de análisis, ya que la fusión posterior de características multicanal requiere un conjunto completo de variables físicas de entrada.
    2. Elimine ciclos que contengan registros incompletos, marcas de tiempo inconsistentes, procedimientos de prueba indefinidos o condiciones de finalización de carga-descarga poco claras. Defina los ciclos anómalos como aquellos que presentan caídas repentinas de capacidad superiores al 5 % entre ciclos adyacentes, mediciones de voltaje fuera del rango operativo específico de la química o intervalos de marcas de tiempo no monótonos.
  3. Construir una base de datos temporal de baterías
    1. Organice cronológicamente los registros de ciclado conservados para construir una base de datos de series temporales a nivel de batería.
    2. Guarde los conjuntos de datos procesados utilizando el formato de datos jerárquico versión 5 (HDF5). Mantenga una estructura de directorio estandarizada organizada por fuente del conjunto de datos, sistema químico e identificador individual de la celda de batería.
    3. Asigne identificadores únicos a cada celda de batería antes de la partición del conjunto de datos. Implemente la agrupación basada en el identificador de la celda de batería durante la división entrenamiento-prueba para asegurar que todos los ciclos secuenciales de una batería física única permanezcan exclusivamente dentro de un subconjunto del conjunto de datos.
      ​NOTA: Conserve los conjuntos de datos brutos originales por separado antes del preprocesamiento, normalización, remuestreo o ingeniería de características.
  4. Definir ventanas de observación
    1. Construya ventanas de observación multicanal utilizando los primeros 50 ciclos, los primeros 100 ciclos y el primer 20 % del ciclo de vida total de la batería. Calcule el umbral del 20 % del ciclo de vida multiplicando el ciclo de vida total antes del deterioro de capacidad de fin de vida por 0,2.
    2. Alinee las mediciones de voltaje, corriente, capacidad, temperatura, resistencia interna y eficiencia dentro de cada ventana de observación antes de la construcción del tensor.
    3. Formatee la estructura final de entrada como un tensor tridimensional compuesto por la longitud de la ventana de observación, 128 puntos de muestreo estandarizados intra-ciclo y el conjunto ordenado de características multicanal.

2. Preprocesamiento de datos e ingeniería de características

  1. Preprocesar datos brutos de ciclado
    1. Realice un preprocesamiento uniforme en los conjuntos de datos brutos de ciclado para estandarizar la calidad de los datos en todas las fuentes de baterías. Ejecute todos los procedimientos de preprocesamiento, sincronización y estandarización utilizando Python 3.10 con la biblioteca Pandas para la manipulación de series temporales y SciPy para interpolación numérica.
    2. Elimine valores atípicos, detecte valores faltantes, calibre las marcas de tiempo, identifique fases de carga y descarga, y normalice las frecuencias de muestreo antes del análisis posterior. Aplique un método de umbral basado en una puntuación Z modificada con un criterio de rechazo mayor a 3,0 para la detección de anomalías.
    3. Detecte automáticamente valores faltantes mediante la identificación de indicadores NaN en todos los arreglos numéricos. Diferencie las fases de carga y descarga según la polaridad de la corriente, asignando valores de corriente positivos a los ciclos de carga y valores negativos a los ciclos de descarga.
    4. Reconstruya segmentos de señal faltantes utilizando polinomios interpolantes cúbicos por partes de Hermite para preservar la dinámica temporal electroquímica durante la alineación de transiciones de fase.
  2. Remuestrear curvas de ciclado
    1. Remuestree las curvas de ciclado cuando se detecten variaciones en la densidad de muestreo o deriva de señal entre conjuntos de datos. Active el remuestreo automatizado cuando el intervalo entre mediciones consecutivas se desvíe más del 10 % respecto a la frecuencia mediana de muestreo de la fase de ciclado correspondiente.
    2. Estandarice el número de puntos de muestreo dentro de cada ciclo para reducir la variación en la grabación específica de cada plataforma. Proyecte todas las secuencias temporales sobre una cuadrícula espacial fija mediante interpolación lineal unidimensional.
    3. Comprima o expanda cada perfil de carga-descarga a exactamente 128 puntos de muestreo equidistantes antes de la construcción del tensor.
  3. Normalizar variables continuas
    1. Normalice todas las variables continuas antes del entrenamiento del modelo para estabilizar la convergencia de la red y reducir el sesgo relacionado con la escala. Aplique escalado Min-Max para transformar todas las variables continuas a un rango numérico entre 0 y 1.
    2. Calcule todos los parámetros de normalización exclusivamente a partir del conjunto de datos de entrenamiento. Aplique los parámetros de escalado congelados a los conjuntos de validación y prueba para reducir el riesgo de fuga temporal de datos hacia adelante durante la predicción de ciclos iniciales.
  4. Construir tensores de entrada multicanal
    1. Divida los registros continuos de ciclado de cada batería en segmentos temporales de longitud fija. Estructure los segmentos temporales según las ventanas de observación predefinidas correspondientes a los primeros 50 ciclos, los primeros 100 ciclos o el primer 20 % del ciclo de vida de la batería.
    2. Alinee las mediciones de voltaje, corriente, capacidad, temperatura, resistencia interna y eficiencia dentro de cada segmento temporal antes de la construcción del tensor.
    3. Concatene las matrices de características alineadas en un tensor tridimensional con formato (N × 128 × C), donde N representa la longitud de la ventana de observación, 128 indica los puntos de muestreo intra-ciclo estandarizados y C representa el número total de canales de características físicas e ingenierizadas.
  5. Extraer características ingenierizadas
    1. Extraiga características electroquímicas ingenierizadas a partir de las señales brutas de ciclado para mejorar la identificación de patrones de degradación. Calcule las características de capacidad incremental y voltaje diferencial mediante el cálculo de dQ/dV y dV/dQ sobre la cuadrícula de muestreo estandarizada.
    2. Aplique el filtro de Savitzky–Golay para generar curvas suavizadas de capacidad incremental y voltaje diferencial.
    3. Extraiga indicadores de degradación, incluyendo desplazamientos del voltaje pico, diferencias de voltaje en transiciones de fase y variaciones en el rendimiento energético ciclo a ciclo, a partir de las características electroquímicas filtradas.

3. Construcción y entrenamiento del modelo de aprendizaje profundo

  1. Construir modelos de predicción candidatos
    1. Construir un marco estandarizado de entrenamiento y evaluación para todos los modelos de predicción mostrados en la Figura 1A. Implementar el flujo de trabajo de DL utilizando PyTorch versión 2.0 o superior.
    2. Ejecutar el flujo de trabajo de entrenamiento mediante scripts modulares de Python para la carga de datos, inicialización del modelo, optimización y evaluación.
    3. Preparar modelos tradicionales de referencia de ML, incluyendo regresión lineal, bosque aleatorio y modelos de árboles de decisión con incremento de gradiente. Configurar el modelo de bosque aleatorio con 100 árboles y una profundidad máxima de 10.
    4. Configurar el marco de árboles de decisión con incremento de gradiente utilizando una tasa de aprendizaje de 0,1 y una profundidad máxima de árbol de 5 a través de la biblioteca Scikit-learn.
    5. Preparar arquitecturas candidatas de DL, incluyendo perceptrón multicapa, CNN unidimensional, red LSTM, CNN–LSTM y modelos basados en transformadores.
    6. Estandarizar los hiperparámetros principales en todas las arquitecturas de DL aplicando el optimizador AdamW, funciones de activación de unidad lineal de error gaussiano, una dimensión oculta de 128 y una tasa de abandono (dropout) de 0,2.
  2. Configurar la arquitectura CNN–LSTM
    1. Configurar la arquitectura CNN–LSTM para fusionar información multicanal de ciclos proveniente de los tensores de entrada (Figura 1B). Construir la arquitectura híbrida conectando en cascada el extractor de características convolucional a dos capas recurrentes apiladas, cada una con 128 unidades ocultas.
    2. Finalizar la arquitectura mediante tres cabezales de regresión completamente conectados y paralelos para la predicción simultánea de SOH, RUL y energía descargable.
    3. Procesar los tensores de entrada multicanal mediante tres capas convolucionales unidimensionales consecutivas con tamaños de núcleo de 3, 5 y 7 para extraer características localizadas a múltiples escalas.
    4. Aplicar normalización por lotes tras cada capa convolucional para mejorar la estabilidad del gradiente durante la optimización.
    5. Reformar los mapas de características convolucionales en secuencias temporales continuas antes del modelado secuencial.
    6. Alimentar las secuencias temporales codificadas en capas recurrentes apiladas para capturar dependencias de degradación a largo alcance a través de las ventanas de observación predefinidas.
  3. Dividir los conjuntos de datos para el entrenamiento del modelo
    1. Dividir los conjuntos de datos procesados de celdas de batería en subconjuntos de entrenamiento, validación y prueba utilizando una proporción de 70:15:15. Ejecutar la división de datos utilizando un valor fijo de semilla aleatoria de 42.
    2. Aplicar muestreo estratificado basado en la química de la batería para mantener distribuciones equilibradas de degradación en todos los subconjuntos de datos.
    3. Realizar la partición de datos exclusivamente a nivel de celda de batería, en lugar de aleatorizar ciclos individuales, para preservar las trayectorias secuenciales de degradación.
    4. Mantener cada celda de batería como una unidad indivisible durante la partición para evitar fugas de información entre conjuntos de datos.
    5. Verificar mediante programación el aislamiento de los conjuntos de datos calculando la intersección de los identificadores de celdas de batería entre los subconjuntos de entrenamiento, validación y prueba, y confirmando que no exista superposición.
    6. Compilar un conjunto de datos externo de prueba utilizando el conjunto de datos completo de iones de litio de fosfato de hierro (LFP) de GOTION para la evaluación fuera de la distribución y la evaluación de generalización cruzada entre conjuntos de datos.
    7. Hacer públicamente disponibles el código fuente, los archivos de configuración del entorno y las particiones de datos procesadas mediante un repositorio de GitHub dedicado para apoyar la transparencia metodológica y la reproducibilidad.
  4. Inicializar el entrenamiento del modelo
    1. Establecer la función de pérdida de regresión como el error cuadrático medio antes del entrenamiento. Calcular el objetivo global de entrenamiento agregando los valores de pérdida de cada objetivo de predicción utilizando ponderación igual.
    2. Establecer la tasa de aprendizaje inicial en 1 × 10−3 y seleccionar un tamaño de lote de 32 o 64 según el tamaño del conjunto de datos.
    3. Utilizar un tamaño de lote de 64 para conjuntos de datos que contengan más de 5.000 ciclos para mejorar la utilización del hardware. Utilizar un tamaño de lote de 32 para conjuntos de datos más pequeños para mejorar la estabilidad de la optimización.
      NOTA: Seleccionar estos hiperparámetros mediante una evaluación preliminar de búsqueda en cuadrícula para equilibrar la velocidad de convergencia y la estabilidad del gradiente a través de diferentes ventanas de observación.
  5. Aplicar controles de entrenamiento
    1. Aplicar un programador dinámico de tasa de aprendizaje basado en los cambios de la pérdida de validación. Reducir la tasa de aprendizaje en un factor de 0,5 si la pérdida de validación no mejora durante 5 épocas consecutivas.
    2. Mantener un umbral mínimo de tasa de aprendizaje de 1 × 10−5 durante la optimización.
    3. Detener el entrenamiento del modelo tras un máximo de 100 épocas para reducir el sobreajuste.
    4. Aplicar detención anticipada si la pérdida de validación no disminuye durante 15 épocas consecutivas. Restaurar los pesos del modelo correspondientes a la iteración de validación con mejor desempeño.
  6. Mantener registros de reproducibilidad
    1. Establecer un valor fijo de semilla aleatoria de 42 antes de la inicialización y el entrenamiento del modelo.
    2. Aplicar la semilla aleatoria fija de forma consistente en el módulo aleatorio de Python, NumPy y el entorno de ejecución de PyTorch, desactivando las operaciones CUDA no deterministas.
    3. Registrar el entorno de software, versiones de dependencias, configuraciones de parámetros, particiones de datos y resultados de entrenamiento para cada ejecución experimental.
    4. Ejecutar todos los flujos de trabajo de DL utilizando Ubuntu 22.04 con aceleración CUDA 11.8 en una estación de trabajo equipada con una unidad de procesamiento gráfico NVIDIA RTX 3090 o hardware equivalente.

figure-protocol-1
Figura 1. Flujo de trabajo reproducible basado en aprendizaje profundo (DL) para la predicción del rendimiento de baterías de iones de litio con múltiples canales. (A) Flujo de trabajo reproducible de extremo a extremo que ilustra la adquisición de datos multicanal, el preprocesamiento estandarizado, la construcción de tensores, el entrenamiento del modelo y la predicción de indicadores de rendimiento de la batería. Los controles de reproducibilidad incluyen semillas aleatorias fijas, ejecuciones repetidas de entrenamiento, seguimiento de parámetros y registro del entorno. (B) Arquitectura híbrida CNN-LSTM utilizada para la extracción de características multicanal, modelado de secuencias temporales, fusión de características y predicción del estado de salud (SOH), vida útil restante (RUL) y energía descargable. (C) Canalización de evaluación e implementación que muestra la selección inicial de modelos candidatos, evaluación de robustez, optimización de hiperparámetros y selección final del modelo. Haga clic aquí para ver una versión más grande de esta figura.

4. Evaluación del modelo y predicción de objetivos

  1. Generar predicciones del modelo
    1. Procese los conjuntos de datos de la batería de pruebas objetivo mediante cada modelo entrenado. Cargue los conjuntos de datos de prueba preprocesados como tensores serializados de PyTorch antes de la inferencia.
    2. Ejecute el paso de inferencia directa utilizando un administrador de contexto que desactive los gradientes para evitar actualizaciones de parámetros no deseadas durante la evaluación.
    3. Genere predicciones simultáneas para cada indicador de rendimiento utilizando las cabezas de regresión entrenadas.
    4. Extraiga salidas simultáneas de las tres cabezas de regresión paralelas configuradas para la predicción de SOH, RUL y energía descargable.
  2. Calcular los valores reales de predicción
    1. Calcule el SOH comparando la capacidad disponible actual con la capacidad inicial de la batería.
    2. Defina la capacidad inicial de la batería como la capacidad máxima de descarga registrada durante los primeros tres ciclos de estabilización.
    3. Calcule el SOH como la relación entre la capacidad del ciclo actual y la referencia establecida de capacidad inicial.
    4. Estime el RUL identificando el umbral operativo en el que cesa la capacidad estable de la batería.
    5. Defina el fin de vida como el número de ciclo en el que la capacidad de la batería disminuye irreversible por debajo del 80 % de la capacidad nominal.
    6. Calcule el RUL como el número restante de ciclos desde el punto de observación actual hasta el umbral de fin de vida definido.
    7. Pronostique la energía descargable a partir de las condiciones de descarga registradas.
    8. Calcule la energía descargable real mediante la integración numérica del producto del voltaje de descarga y la corriente de descarga a lo largo del intervalo de descarga, utilizando el método de integración trapezoidal.
  3. Evaluar el rendimiento predictivo
    1. Calcule el error absoluto medio (MAE), el error cuadrático medio (RMSE), el error porcentual absoluto medio (MAPE) y el coeficiente de determinación (R2) para cada objetivo de predicción.
    2. Calcule todas las métricas de evaluación utilizando el módulo de métricas de Scikit-learn con formulaciones estadísticas estandarizadas.
    3. Aplique cálculos idénticos de métricas en todos los modelos, conjuntos de datos y configuraciones de entrada para mantener la consistencia en la evaluación.
    4. Agregue todas las métricas de rendimiento a través de las muestras de baterías agrupadas dentro del conjunto de datos de prueba independiente para evaluar la generalización general del modelo.
  4. Reportar el rendimiento estratificado
    1. Calcule la media y la desviación estándar de cada métrica de evaluación a lo largo de ejecuciones experimentales repetidas.
    2. Obtenga las medidas estadísticas reportadas a partir de cinco inicializaciones independientes del modelo.
    3. Reporte intervalos de confianza del 95 % junto con las métricas de rendimiento medias para cuantificar la incertidumbre predictiva.
    4. Compare el rendimiento del modelo entre diferentes longitudes de ventanas de observación y configuraciones de canales de entrada.
    5. Estratifique el análisis comparativo utilizando ventanas de observación correspondientes a 50 ciclos, 100 ciclos y 200 ciclos.
    6. Evalúe el rendimiento predictivo a través de múltiples configuraciones de entrada, que van desde entradas basadas únicamente en la capacidad hasta la integración completa del tensor multicanal. Consulte Figura 1C para el flujo de trabajo de evaluación, selección de robustez y despliegue.

5. Análisis de Reproducibilidad, Robustez y Sensibilidad

  1. Verificar la reproducibilidad y robustez
    1. Mantenga particiones de datos idénticas, flujos de trabajo de preprocesamiento y procedimientos experimentales en todas las evaluaciones de reproducibilidad mostradas en Figura 2A.
    2. Calcule el coeficiente de variación de las métricas principales de evaluación a través de ensayos repetidos para evaluar la consistencia de la reproducibilidad.
    3. Repita todos los procedimientos de evaluación utilizando el mismo flujo de trabajo estandarizado de entrenamiento y prueba.
    4. Inicialice cada evaluación repetida con pesos de red aleatorizados, conservando al mismo tiempo los procedimientos deterministas de carga y mezcla de datos.
  2. Realizar experimentos de entrenamiento repetidos
    1. Entrene los modelos de predicción repetidamente en condiciones experimentales idénticas utilizando valores predefinidos y fijos de semilla aleatoria para garantizar una inicialización reproducible de los pesos.
    2. Realice cinco ejecuciones independientes de entrenamiento utilizando particiones idénticas del conjunto de datos para reducir la variabilidad derivada de los datos.
    3. Calcule las métricas finales de rendimiento promediando las métricas de evaluación obtenidas de las cinco ejecuciones repetidas de entrenamiento.
    4. Agregue las métricas finales de robustez utilizando las puntuaciones promediadas de evaluación, en lugar de combinar los tensores de predicción crudos.
  3. Evaluar la sensibilidad a los hiperparámetros
    1. Modifique individualmente la tasa de aprendizaje, el tamaño del lote, la dimensión de la capa oculta y la proporción de abandono (dropout) durante el análisis de sensibilidad.
    2. Evalúe tasas de aprendizaje que varíen desde 1 × 10−4 hasta 1 × 10−2, tamaños de lote entre 32 y 128, dimensiones ocultas entre 32 y 256, y proporciones de abandono entre 0,1 y 0,5.
    3. Registre los cambios correspondientes en la precisión predictiva tras cada ajuste de hiperparámetro.
    4. Cuantifique la variación del rendimiento predictivo utilizando el RMSE y la R2.
  4. Realizar análisis de ablación de características
    1. Elimine canales de entrada seleccionados, incluyendo temperatura, resistencia interna y vectores de características diseñadas, del flujo de entrada multicanal.
    2. Realice ablación de características utilizando una estrategia de dejar uno fuera (leave-one-out), eliminando un grupo de características a la vez mientras se conserva la estructura restante de entrada multicanal.
    3. Compare el rendimiento predictivo resultante tras cada experimento de eliminación de características para evaluar la contribución de cada grupo de características individuales a la estabilidad y precisión del modelo.
    4. Cuantifique la contribución relativa de cada grupo de características calculando el porcentaje de aumento en el error absoluto medio en relación con el modelo de referencia multicanal completamente integrado. Consulte la Figura 2B para conocer el flujo de trabajo de evaluación de robustez y análisis de sensibilidad.

figure-protocol-2
Figura 2. Flujo de trabajo estandarizado de preprocesamiento, evaluación de robustez y análisis de sensibilidad. (A) Flujo de trabajo estandarizado de preprocesamiento multicanal que ilustra el procesamiento de señales cíclicas en bruto, calibración de marcas de tiempo, eliminación de valores atípicos, remuestreo, normalización, alineación de canales y construcción de tensores. Las estrategias de representación de entrada comparan entradas de un solo canal, entradas multicanal en bruto y entradas multicanal combinadas con características diseñadas. (B) Secuencia de análisis de robustez y sensibilidad que muestra la perturbación sistemática de hiperparámetros, evaluación mediante ejecuciones repetidas, análisis de ablación de características, validación cruzada y validación externa del flujo de trabajo CNN–LSTM. Haga clic aquí para ver una versión más grande de esta figura.

Resultados

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Señales de Ciclado Multicanal y Distribución de Datos

Se analizaron señales representativas de ciclado multicanal y distribuciones de rendimiento para caracterizar el comportamiento de respuesta al ciclado de baterías de iones de litio. El estudio utilizó cinco conjuntos de datos de baterías de iones de litio que representan múltiples sistemas químicos, incluidos óxido de litio y cobalto (LCO), óxido de níquel, cobalto y aluminio (NCA), óxido de níquel, manganeso y cobalto (NMC) y LFP (Tabla 1). Las variables fundamentales de ciclado, como voltaje, corriente, capacidad, temperatura, resistencia interna y eficiencia coulómbica o energética, se integraron con características diseñadas, tales como las características de capacidad incremental y voltaje diferencial, para establecer un marco de caracterización multicanal. Los perfiles capacidad-voltaje y las distribuciones de SOH para el conjunto de datos CALCE (Figura 3A), los perfiles promedio de voltaje y distribuciones de SOH para el conjunto de datos SANYO (Figura 3B), las trayectorias de envejecimiento para el conjunto de datos PANASONIC (Figura 3C), los mapas térmicos de evolución de voltaje para el conjunto de datos KOKAM (Figura 3D) y los perfiles de distribución de voltaje para el conjunto de datos GOTION (Figura 3E) mostraron comportamientos de degradación distintos entre las químicas de batería evaluadas. Por ejemplo, el conjunto de datos GOTION IFP20100140A presentó características de voltaje en forma de escalón, comúnmente asociadas con sistemas LFP, mientras que el conjunto de datos PANASONIC NCR18650BD mostró una degradación progresiva de la capacidad acompañada de desplazamientos en el perfil de voltaje durante el ciclado a largo plazo.

ID del conjunto de datosTipo/modelo de bateríaQuímicaFormatoNúmero de celdasCiclos totales analizadosVentanas de ciclos iniciales utilizadasPuntos de muestreo por cicloCanales principales de cicladoCanales adicionales de estadoCaracterísticas derivadasObjetivos de predicción
Conjunto de datos #1CALCE LCO batteryLCOPouch384,216Primeros 50, primeros 100, primer 20 % de vida128Voltage, current, time, capacityTemperature, internal resistancedQ/dV, dV/dQ, charge duration, discharge energySOH, RUL, dischargeable energy
Conjunto de datos #2SANYO UR18650ENCACylindrical 18650242,487Primeros 50, primeros 100, primer 20 % de vida128Voltage, current, time, capacityTemperature, coulombic efficiencydQ/dV, voltage plateau slope, energy efficiencySOH, RUL, dischargeable energy
Conjunto de datos #3PANASONIC NCR18650BDNCACylindrical 18650425,134Primeros 50, primeros 100, primer 20 % de vida128Voltage, current, time, capacityTemperature, internal resistance, coulombic efficiencydQ/dV, dV/dQ, charge duration, energy throughputSOH, RUL, dischargeable energy
Conjunto de datos #4KOKAM SLPB533459H4NMCPouch191,968Primeros 50, primeros 100, primer 20 % de vida128Voltage, current, time, capacityTemperature, internal resistancedQ/dV, discharge duration, voltage slopeSOH, RUL, dischargeable energy
Conjunto de datos #5GOTION IFP20100140ALFPPrismatic576,482Primeros 50, primeros 100, primer 20 % de vida128Voltage, current, time, capacityTemperature, internal resistance, energy efficiencydQ/dV, plateau duration, charge/discharge energySOH, RUL, dischargeable energy

Tabla 1: Características de los conjuntos de datos de baterías de iones de litio, variables de ciclado multicanal, características diseñadas y objetivos de predicción utilizados en el flujo de trabajo reproductible de aprendizaje profundo. La tabla resume los conjuntos de datos de baterías de iones de litio incluidos en este estudio, incluyendo la química de la batería, el formato de la celda, el número de celdas, los ciclos totales analizados, las ventanas de observación, la densidad de muestreo, las variables de ciclado multicanal, las características electroquímicas diseñadas y los objetivos de predicción utilizados para el desarrollo y evaluación del modelo. Abreviaturas: SOH = estado de salud; RUL = vida útil restante; LCO = óxido de cobalto y litio; NCA = óxido de níquel, cobalto y aluminio; NMC = óxido de níquel, manganeso y cobalto; LFP = fosfato de hierro y litio.

figure-results-1
Figura 3. Perfiles representativos de ciclado multicanal y distribuciones de salud de baterías en diferentes conjuntos de datos de baterías de iones de litio. (A) Perfiles de capacidad-voltaje y distribuciones de SOH para el conjunto de datos de óxido de cobalto de litio de CALCE. (B) Perfiles medios de voltaje y distribuciones de SOH para el conjunto de datos de óxido de níquel, cobalto y aluminio de SANYO. (C) Trayectorias de envejecimiento y distribuciones acumuladas de SOH para el conjunto de datos de óxido de níquel, cobalto y manganeso de PANASONIC. (D) Mapas térmicos de evolución de voltaje y distribuciones muestrales de SOH para el conjunto de datos de óxido de níquel, manganeso y cobalto de KOKAM. (E) Perfiles de distribución de voltaje y relaciones entre SOH y resistencia interna para el conjunto de datos de fosfato de hierro y litio de GOTION. Haga clic aquí para ver una versión más grande de esta figura.

Rendimiento Predictivo General para el Almacenamiento de Energía

El flujo de trabajo propuesto mostró errores de predicción bajos y un rendimiento predictivo consistente en todas las tareas de evaluación (Tabla 2). Para la estimación del SOH, el modelo alcanzó un MAE de 0,021 en el conjunto de datos de validación y de 0,024 en el conjunto de datos de prueba, con valores correspondientes de R2 de 0,962 y 0,955. Estos resultados indican un rendimiento predictivo estable para la estimación continua del estado de salud de la batería bajo las condiciones evaluadas. El flujo de trabajo también demostró una capacidad predictiva confiable para la estimación del RUL y de la energía descargable, alcanzando valores de R2 en el conjunto de datos de prueba de 0,927 y 0,941, respectivamente. Para evaluar más a fondo la estabilidad predictiva, todas las métricas de rendimiento se calcularon en cinco inicializaciones independientes del modelo utilizando particiones idénticas de los conjuntos de datos. Las desviaciones estándar resultantes y los valores del coeficiente de variación permanecieron bajos en las evaluaciones repetidas, lo que indica una sensibilidad limitada a la inicialización estocástica y un comportamiento predictivo estable bajo condiciones repetidas de entrenamiento. Además, los intervalos de confianza del 95 % mostraron una variabilidad estrecha a lo largo de las ejecuciones repetidas, lo que respalda la solidez y la reproducibilidad del flujo de trabajo multicanal propuesto.

Tarea de predicciónDivisión del conjunto de datosMAERMSEMAPE (%)R²
Estimación del SOHValidación0.0210.0292.470.962
Estimación del SOHPrueba0.0240.0332.830.955
Predicción del RULValidación18.625.98.740.938
Predicción del RULPrueba21.429.79.630.927
Predicción de energía descargableValidación0.0870.1213.180.948
Predicción de energía descargablePrueba0.0940.1293.560.941

Tabla 2: Rendimiento predictivo del flujo de trabajo reproductible de aprendizaje profundo para la estimación del rendimiento de baterías de iones de litio en conjuntos de datos de validación y prueba. La tabla resume el rendimiento predictivo del flujo de trabajo propuesto para la estimación del estado de salud (SOH), la predicción de la vida útil restante (RUL) y la predicción de la energía descargable, utilizando conjuntos de datos de validación y prueba. Las métricas de rendimiento incluyen el error absoluto medio (MAE), el error cuadrático medio (RMSE), el error porcentual absoluto medio (MAPE) y el coeficiente de determinación (R2). Abreviaturas: SOH = estado de salud; RUL = vida útil restante; MAE = error absoluto medio; RMSE = error cuadrático medio; MAPE = error porcentual absoluto medio.

Comparación de rendimiento entre arquitecturas de aprendizaje profundo

La evaluación en diferentes arquitecturas de red y configuraciones de entrada mostró una variación sustancial en el rendimiento predictivo (Tabla 3). Las distribuciones de RMSE antes y después de la selección de arquitectura basada en reproducibilidad se muestran en la Figura 4A. La arquitectura de red neuronal profunda produjo valores comparativamente más altos de MAE y RMSE en relación con las arquitecturas basadas en secuencias y arquitecturas híbridas. Las comparaciones entre diferentes configuraciones de entrada multicanal se resumen en la Figura 4B. Los modelos que incorporaron extracción local de características y modelado temporal cruzado de ciclos mostraron una mayor precisión predictiva bajo las condiciones evaluadas. Los modelos con menor variabilidad en la predicción generalmente se agruparon en puntuaciones de rendimiento medio más altas con desviaciones estándar reducidas (Figura 4C). Las relaciones entre el rendimiento medio y la desviación estándar en las configuraciones de entrada evaluadas se ilustran en la Figura 4D. Entre las configuraciones probadas, la arquitectura CNN-LSTM logró el menor MAE (0.024) y el valor de R2 más alto (0.955) dentro de los conjuntos de datos evaluados y las condiciones experimentales. Además, la integración de características diseñadas con entradas multicanal completas redujo el MAE a 0.022 con un valor de R2 de 0.961, mientras que las entradas basadas únicamente en capacidad mostraron un rendimiento predictivo reducido.

CategoríaModelo / Configuración de entradaEMERECMEPAM (%)R²
Arquitectura de aprendizaje profundoDNN0.0310.0423.580.928
CNN0.0270.0373.140.941
LSTM0.0260.0363.050.944
CNN–LSTM0.0240.0332.810.955
Transformer0.0250.0342.890.951
Configuración de entradaSolo capacidad0.0340.0463.920.916
Voltaje + corriente0.0290.0393.290.936
Entrada multicanal completa0.0240.0332.830.955
Multicanal + características diseñadas0.0220.0312.610.961

Tabla 3: Comparación del rendimiento de predicción entre arquitecturas de aprendizaje profundo y configuraciones de entrada. La tabla compara el rendimiento predictivo de diferentes arquitecturas de aprendizaje profundo (DL) y configuraciones de entrada utilizadas en el flujo de trabajo multicanal reproducible. Las métricas de rendimiento incluyen el error absoluto medio (MAE), el error cuadrático medio (RMSE), el error porcentual absoluto medio (MAPE) y el coeficiente de determinación (R2). Abreviaturas: DNN = red neuronal profunda; CNN = red neuronal convolucional; LSTM = memoria a corto y largo plazo; MAE = error absoluto medio; RMSE = error cuadrático medio; MAPE = error porcentual absoluto medio.

figure-results-2
Figura 4. Comparación guiada por la reproducibilidad de arquitecturas de modelos y configuraciones de entrada. (A) Distribuciones del error cuadrático medio antes y después de la selección de arquitectura basada en reproducibilidad. (B) Distribuciones del error cuadrático medio en diferentes configuraciones de entrada antes y después de la selección de modelos estables. (C) Comparación entre rendimiento medio y desviación estándar de arquitecturas candidatas de modelos, con colores que indican el error cuadrático medio y círculos abiertos que indican los modelos estables seleccionados. (D) Comparación entre rendimiento medio y desviación estándar de configuraciones de entrada, con colores que indican el error cuadrático medio y círculos abiertos que indican las configuraciones óptimas seleccionadas. Haga clic aquí para ver una versión más grande de esta figura.

Evaluación de la distribución del error y la consistencia

Se analizaron las distribuciones de errores absolutos para evaluar la estabilidad de las predicciones en modelos básicos convencionales de aprendizaje automático (ML) y arquitecturas de aprendizaje profundo (DL). Los modelos básicos tradicionales de ML mostraron distribuciones de errores más amplias y colas prolongadas de errores elevados, lo que indica una estabilidad reducida en tareas de predicción de patrones complejos de degradación. Entre los modelos DL evaluados, la arquitectura CNN–LSTM demostró distribuciones de errores relativamente más estrechas y colas más cortas de errores altos, lo que sugiere una mejor integración de la extracción de características locales y la modelización de secuencias temporales (Figura 5). La inclusión de variables relacionadas con la temperatura, la resistencia interna y la eficiencia se asoció con reducciones progresivas en la dispersión del error de predicción a través de los conjuntos de datos evaluados.

figure-results-3
Figura 5. Distribuciones de error absoluto para las líneas base convencionales de aprendizaje automático (ML) y modelos de aprendizaje profundo (DL) multicanal. Gráficos de violín que comparan la distribución de los errores absolutos de predicción entre las líneas base convencionales de ML, las arquitecturas de DL y las configuraciones de entrada multicanal. Las líneas negras indican el error absoluto medio, y las líneas de color indican la media ± desviación estándar. Haga clic aquí para ver una versión más grande de esta figura.

Reproducibilidad y solidez en diversos escenarios de validación

El flujo de trabajo mantuvo un rendimiento predictivo consistente en múltiples ejecuciones de entrenamiento y diversas estrategias de validación (Tabla 4). Las ejecuciones repetidas realizadas con particiones fijas de los datos e inicialización fija de la semilla aleatoria produjeron métricas de rendimiento estables, con valores de R2 que se mantuvieron consistentemente por encima de 0,95 y bajas desviaciones estándar en el MAE. Una evaluación adicional mediante validación cruzada de cinco particiones y conjuntos de datos de validación externa mostró una variación limitada del rendimiento en diferentes condiciones experimentales. La fase de validación externa utilizó exclusivamente el conjunto de datos GOTION, que se mantuvo completamente excluido de los procedimientos de entrenamiento del modelo y de optimización de hiperparámetros. Dado que este conjunto de datos representa una química distinta de cátodos de fosfato de hierro y litio (LFP) y una configuración de celda prismática diferente, la evaluación externa proporcionó una evaluación rigurosa de la capacidad de generalización entre conjuntos de datos bajo condiciones electroquímicas y estructurales heterogéneas. Además, los análisis del coeficiente de variación y las evaluaciones en ejecuciones repetidas demostraron una baja dispersión predictiva en experimentos independientes, lo que respalda la robustez y la reproducibilidad del flujo de trabajo multicanal propuesto.

Configuración de validaciónMétrica de rendimientoMediaDEMínimoMáximoCoeficiente de variación (%)
Ejecuciones repetidas con división fija de datos (n = 5)EMAP0.0230.00210.0210.0269.13
RCME0.0320.00280.0290.0368.75
EPAM (%)2.760.242.483.118.7
R²0.9570.0060.9490.9640.63
Ejecuciones repetidas con diferentes semillas aleatorias (n = 5)EMAP0.0240.00240.0210.02710
RCME0.0330.00310.0290.0379.39
EPAM (%)2.840.272.523.199.51
R²0.9540.0070.9460.9620.73
Validación cruzada de cinco particionesEMAP0.0250.0030.0220.02912
RCME0.0340.00340.030.03910
EPAM (%)2.950.312.573.4110.51
R²0.9510.0090.940.9610.95
Validación externaEMAP0.0270.00320.0230.03111.85
RCME0.0370.00380.0320.04210.27
EPAM (%)3.180.352.763.6711.01
R²0.9440.0110.9310.9561.17

Tabla 4: Análisis de reproducibilidad y robustez del flujo de trabajo multicanal basado en aprendizaje profundo propuesto en múltiples ejecuciones de entrenamiento y estrategias de validación. La tabla resume el desempeño en reproducibilidad y robustez del flujo de trabajo propuesto en ejecuciones repetidas con particiones fijas de datos, ejecuciones repetidas con diferentes semillas aleatorias, validación cruzada de cinco pliegues y validación externa. Las métricas de desempeño incluyen el error absoluto medio (MAE), el error cuadrático medio (RMSE), el error porcentual absoluto medio (MAPE), el coeficiente de determinación (R2), la desviación estándar (SD) y el coeficiente de variación. Abreviaturas: MAE = error absoluto medio; RMSE = error cuadrático medio; MAPE = error porcentual absoluto medio; SD = desviación estándar.

Sensibilidad a los hiperparámetros y ablation de características

El análisis de sensibilidad de hiperparámetros demostró que el rendimiento de la predicción varió según el tamaño de la ventana de observación, las funciones de activación, el tamaño de las dimensiones ocultas y la profundidad del modelo de secuencias. El efecto del tamaño de la ventana de observación en las distribuciones del error de predicción se ilustra en la Figura 6A. Bajo las condiciones evaluadas, las ventanas de observación entre 100 y 200 ciclos se asociaron con errores de predicción más bajos, mientras que ventanas de observación más largas mostraron mejoras decrecientes en la precisión predictiva. La variabilidad de la predicción dependiente de la función de activación se resume en la Figura 6B. Las funciones de activación rectificadora lineal (ReLU) y unidad lineal de error gaussiana (GELU) mostraron errores de predicción más bajos en comparación con otras funciones de activación bajo las condiciones evaluadas. La sensibilidad del rendimiento de predicción al tamaño de la dimensión oculta y a la profundidad del modelo de secuencias se ilustra en la Figura 6C. Dimensiones ocultas de 128 y dos a tres capas de modelado de secuencias se asociaron con un mejor rendimiento predictivo, mientras que arquitecturas poco profundas y dimensiones ocultas reducidas se asociaron con un mayor error de predicción. El análisis de ablación de características demostró además que la eliminación de características diseñadas o de variables relacionadas con la eficiencia incrementó el error absoluto medio (MAE) en comparación con la configuración multicanal completa (Tabla 5), lo que sugiere que las entradas multicanal combinadas y las características electroquímicas diseñadas contribuyeron a un mejor rendimiento predictivo.

figure-results-4
Figura 6. Sensibilidad del rendimiento de la predicción a la variación de hiperparámetros. (A) Efecto del tamaño de la ventana de entrada en la distribución del error de predicción. (B) Efecto de la selección de la función de activación en la distribución del error de predicción. (C) Mapa de calor que muestra la sensibilidad de la predicción al tamaño de la dimensión oculta y al número de capas del modelo de secuencia. Las líneas negras indican el error absoluto medio, y las líneas de color indican la media ± desviación estándar cuando corresponde. Haga clic aquí para ver una versión más grande de esta figura.

CategoríaConfiguraciónMAERMSEMAPE (%)R²
Tamaño de la ventana de entrada20 ciclos0.0310.0433.740.927
50 ciclos0.0260.0363.080.944
100 ciclos0.0230.0322.710.957
150 ciclos0.0220.0312.630.96
200 ciclos0.0220.0312.590.961
250 ciclos0.0230.0322.670.958
300 ciclos0.0240.0332.790.955
Función de activaciónReLU0.0230.0322.740.957
GELU0.0220.0312.610.961
Tanh0.0260.0363.050.946
Sigmoid0.0340.0473.960.918
Dimensión oculta / Canales por capa320.0280.0393.220.939
640.0240.0332.810.954
1280.0220.0312.580.961
2560.0230.0322.690.958
Número de capas de modelado de secuencias10.0270.0383.140.942
20.0230.0322.730.956
30.0220.0312.60.961
40.0240.0342.860.952
Ablación de característicasCaracterísticas completas multicanal + características diseñadas0.0220.0312.610.961
Sin características diseñadas0.0240.0332.840.955
Sin temperatura0.0250.0342.930.951
Sin resistencia interna0.0260.0353.010.949
Sin variables relacionadas con la eficiencia0.0250.0342.950.95
Solo voltaje e intensidad de corriente0.0290.0393.290.936
Solo capacidad0.0340.0463.920.916

Tabla 5: Análisis de sensibilidad del rendimiento del modelo bajo diferentes configuraciones de hiperparámetros y estrategias de ablación de características. La tabla resume los efectos del tamaño de la ventana de entrada, la función de activación, el tamaño de la dimensión oculta, la profundidad del modelo secuencial y las estrategias de ablación de características sobre el rendimiento de la predicción dentro del flujo de trabajo de aprendizaje profundo multicanal propuesto. Las métricas de rendimiento incluyen el error absoluto medio (MAE), el error cuadrático medio (RMSE), el error porcentual absoluto medio (MAPE) y el coeficiente de determinación (R2). Abreviaturas: MAE = error absoluto medio; RMSE = error cuadrático medio; MAPE = error porcentual absoluto medio; ReLU = unidad lineal rectificada; GELU = unidad lineal de error gaussiana.

Discusión

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

El flujo de trabajo de DL reproducible descrito en este protocolo demostró una predicción precisa del rendimiento de baterías de iones de litio mediante datos de ciclado multicanal. El flujo de trabajo alcanzó un MAE de prueba de 0.024 y un valor de R2 de 0.955 para la estimación del SOH bajo las condiciones experimentales evaluadas, lo que respalda su utilidad potencial para aplicaciones de gestión del ciclo de vida de baterías y monitoreo de almacenamiento de energía11,12,13.

Una ventaja importante de este protocolo es la reducción de la complejidad computacional en comparación con los modelos tradicionales de EDP electroquímicos-físicos5. Aunque los enfoques basados en principios físicos proporcionan una comprensión mecanicista de la degradación de baterías, a menudo enfrentan dificultades en la identificación de parámetros bajo condiciones de descarga de alta tasa y en entornos operativos multicanal. En contraste, el presente flujo de trabajo basado en datos modela directamente el comportamiento no lineal de degradación a partir de datos de ciclado, sin requerir una parametrización explícita basada en principios físicos de la química de la celda14. Dentro de los conjuntos de datos evaluados y las condiciones experimentales, la arquitectura CNN–LSTM demostró un mejor desempeño predictivo en comparación con los modelos CNN, LSTM y basados en transformadores evaluados por separado. Estudios recientes han demostrado la eficacia de las arquitecturas basadas en transformadores para la predicción de degradación con estimación de incertidumbre15, así como la capacidad de las CNN para predecir fallas en baterías preservando la privacidad, utilizando datos heterogéneos de carga16. Sin embargo, en el presente flujo de trabajo se priorizó la arquitectura CNN–LSTM porque ofrece una combinación equilibrada de precisión predictiva, eficiencia computacional y estabilidad durante el entrenamiento bajo las condiciones de laboratorio evaluadas. Las capas convolucionales extrajeron características morfológicas localizadas de las curvas de ciclado, mientras que las capas LSTM modelaron dependencias temporales a largo plazo a través de patrones de ciclado repetidos17,18. Aunque la arquitectura híbrida incrementa la complejidad del modelo en comparación con estructuras de red única, los requisitos computacionales se mantuvieron compatibles con escenarios prácticos de implementación en sistemas de gestión de baterías bajo las condiciones experimentales evaluadas. Dado que la mayor parte del costo computacional ocurre durante el entrenamiento offline del modelo, la fase de inferencia permanece relativamente ligera, lo que respalda la viabilidad de predicciones a bordo en tiempo real y del monitoreo del estado de la batería a nivel de borde, sin depender continuamente del cómputo basado en la nube.

El rendimiento de este protocolo depende fuertemente de varios pasos críticos de preprocesamiento y configuración de entrada. Primero, los procedimientos rigurosos de alineación de secuencias y remuestreo (Paso 2.2) son esenciales para preservar las relaciones temporales entre las señales cíclicas multicanal. En evaluaciones preliminares, se observó que las secuencias multicanal mal alineadas estaban asociadas con una estabilidad predictiva reducida y un mayor error del modelo. Segundo, la integración de características electroquímicas diseñadas, como las características de voltaje diferencial, con las señales cíclicas en bruto contribuyó a mejorar el rendimiento predictivo. El análisis de ablación de características mostró valores más bajos de error absoluto medio cuando se conservaron las características diseñadas junto con las variables de temperatura y resistencia interna19. Además, combinar descriptores electroquímicos diseñados con características temporales multicanal mejoró la capacidad del modelo para capturar patrones complejos de degradación bajo diversas condiciones operativas20,21,22. Una medida metodológica crítica implementada en este estudio fue el aislamiento estricto de los factores de escalado de normalización y las bases para la ingeniería de características. Todos los parámetros estadísticos de normalización y los cálculos de características diseñadas se derivaron exclusivamente a partir del conjunto de datos de entrenamiento antes de aplicarse a los conjuntos de datos de validación y prueba. Este procedimiento redujo el riesgo de fuga de información durante la predicción de ciclos iniciales y la evaluación entre conjuntos de datos, mejorando así la fiabilidad y la reproducibilidad del flujo de trabajo predictivo.

Al ejecutar o modificar este protocolo, pueden surgir inestabilidad durante el entrenamiento o problemas relacionados con los gradientes durante la optimización de CNN–LSTM. Las funciones de pérdida que no logran converger o que generan valores NaN podrían indicar una explosión de gradientes dentro de las capas de modelado recurrente de secuencias. En tales situaciones, el recorte de gradientes, la reducción de la tasa de aprendizaje inicial de 1 × 10−3 a 1 × 10−4, o aumentos moderados en el tamaño del lote podrían mejorar la estabilidad del entrenamiento al suavizar las actualizaciones de los gradientes. Además, se observó que las funciones de activación ReLU y GELU favorecen una mejor propagación de gradientes en comparación con las funciones de activación sigmoide o tangente hiperbólica durante el modelado profundo de secuencias temporales. Por lo tanto, los análisis de sensibilidad a hiperparámetros presentados en este estudio podrían ayudar a los investigadores a optimizar la estabilidad del flujo de trabajo y el rendimiento predictivo bajo distintas condiciones de entrenamiento23.

A pesar del rendimiento predictivo alcanzado bajo las condiciones evaluadas, este protocolo tiene varias limitaciones. El flujo de trabajo actual se validó principalmente utilizando conjuntos de datos generados en laboratorio con ciclos de corriente constante/voltaje constante. En aplicaciones prácticas de vehículos eléctricos, las baterías están expuestas a comportamientos estocásticos de carga y descarga, patrones operativos variables de los usuarios y condiciones ambientales fluctuantes que pueden alterar las características de degradación. Bajo tales condiciones operativas dinámicas, los modelos de baterías basados en datos podrían enfrentar escenarios fuera de la distribución en los que trayectorias de degradación previamente no observadas o condiciones ambientales reducen la fiabilidad predictiva. Para mejorar la robustez en entornos prácticos de implementación, futuras versiones de este flujo de trabajo podrían incorporar estrategias de cuantificación de incertidumbre, como aprendizaje profundo evidencial o marcos de regresión por cuantiles, para proporcionar límites de confianza calibrados junto con las predicciones del estado de la batería. Además, enfoques de adaptación de dominio y aprendizaje por transferencia podrían ayudar a reducir la brecha de distribución entre las trayectorias de degradación generadas en laboratorio y el comportamiento realista de ciclado24. Estrategias de aprendizaje federado o de transferencia con ponderación dinámica podrían apoyar aún más el preentrenamiento del modelo utilizando grandes conjuntos de datos de laboratorio seguido de ajustes finos con datos operativos limitados del mundo real, preservando al mismo tiempo la privacidad de los datos del usuario25. Aunque el marco actual demostró un rendimiento predictivo estable bajo condiciones controladas de laboratorio, los sistemas prácticos de gestión de baterías (BMS) en vehículos eléctricos deben operar bajo perfiles de carga altamente dinámicos y temperaturas ambientales fluctuantes. Por lo tanto, futuras adaptaciones de este flujo de trabajo podrían beneficiarse de la incorporación de datos realistas de ciclos de conducción y estrategias de actualización en línea del modelo para mejorar la fiabilidad predictiva durante la implementación en el mundo real.

Al estandarizar los procedimientos de partición de datos, preprocesamiento, extracción de características e inicialización de semillas aleatorias, este protocolo mejora la reproducibilidad dentro de los flujos de trabajo prácticos de aprendizaje automático aplicados a baterías26. La estrategia de integración de características multicanal y el marco de entrenamiento centrado en la reproducibilidad aquí presentados podrían apoyar el desarrollo futuro de sistemas de gestión de baterías predictivos para el almacenamiento de energía renovable, el monitoreo de vehículos eléctricos y la evaluación del ciclo de vida prolongado de baterías.

Divulgaciones

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Los autores declaran que no tienen intereses financieros competitivos ni conflictos de intereses.

Agradecimientos

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Los autores agradecen el apoyo institucional brindado por el Departamento de Física de la Universidad de Ciencia y Tecnología del Sur y del Homerton College de la Universidad de Cambridge, que proporcionaron el entorno académico y los recursos computacionales necesarios para esta investigación. Los autores también agradecen a las instituciones de investigación y colaboradores que hicieron públicamente disponibles los conjuntos de datos de baterías de iones de litio de acceso abierto, incluidos CALCE, SANYO, PANASONIC, KOKAM y GOTION, posibilitando así este análisis multicanal integral.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Conjunto de datos de batería CALCECentro de Ingeniería Avanzada del Ciclo de Vida (CALCE), Universidad de Marylandhttps://calce.umd.edu/battery-dataOrigen de datos multicanal de ciclado de baterías de iones de litio para entrenamiento y validación del modelo
CUDA ToolkitNVIDIAVersión 11.8Aceleración mediante GPU para el entrenamiento del modelo de aprendizaje profundo
Conjunto de datos GOTION IFP20100140AMendeley Datahttps://doi.org/10.17632/vpw4t7ytbx.2Validación externa y análisis multicanal de degradación de baterías
Conjunto de datos KOKAM SLPB533459H4Mendeley Datahttps://doi.org/10.17632/7w4y4fzzbb.1Modelado y validación multicanal de degradación de baterías
MatplotlibEquipo de Desarrollo de MatplotlibVersión 3.7.1Visualización del rendimiento del modelo, análisis de sensibilidad y resultados de reproducibilidad
NumPyDesarrolladores de NumPyVersión 1.24.3Cálculo numérico y construcción de tensores
Conjunto de datos PANASONIC NCR18650BDMendeley Datahttps://doi.org/10.17632/wykht8y7tg.1Origen de datos de ciclado multicanal y extracción de características diseñadas
PandasDesarrolladores de PandasVersión 2.0.3Organización de datos, preprocesamiento y gestión de datos tabulares
PyTorchFundación PyTorchVersión 2.0.1Construcción y entrenamiento de arquitecturas de aprendizaje profundo, incluyendo el modelo CNN–LSTM
PythonFundación del Software PythonVersión 3.10.12Preprocesamiento de datos, ingeniería de características, entrenamiento y evaluación del modelo
Conjunto de datos SANYO UR18650ERepositorio de Datos de Pronóstico de la NASAhttps://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/Origen de datos de ciclado multicanal para evaluación de reproducibilidad y validación del modelo
Scikit-learnDesarrolladores de Scikit-learnVersión 1.2.2Implementación de modelos de referencia, particionamiento de conjuntos de datos y cálculo de métricas de rendimiento

Referencias

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Lu J, Xiong R, Tian J. Deep learning to estimate lithium-ion battery state of health without additional degradation experiments. Nat Commun. 2023;14:2760.
  2. Zhang H, Li Y, Zheng S. Battery lifetime prediction across diverse ageing conditions with inter-cell deep learning. Nat Mach Intell. 2025;7:270–7.
  3. Zhang Y, et al. State-of-health estimation for lithium-ion batteries via incremental energy analysis and hybrid deep learning model. Batteries. 2025;11(6):217.
  4. Liu C, et al. Deep learning for state of health estimation of lithium-ion batteries in electric vehicles: A systematic review. Energies. 2025;18(6):1463.
  5. Chen C, Wei J, Li Z. Remaining useful life prediction for lithium-ion batteries based on a hybrid deep learning model. Processes. 2023;11(8):2333.
  6. Chen B, et al. Lithium-ion battery state of health estimation based on feature reconstruction and Transformer-GRU parallel architecture. Energies. 2025;18(5):1236.
  7. Zhao W, Ding W, Zhang S, Zhang Z. Enhancing lithium-ion battery lifespan early prediction using a multi-branch vision transformer model. Energy. 2024;302:131816.
  8. Hu J, et al. Early prediction of lithium-ion battery degradation with a generative pre-trained transformer. Nat Commun. 2026;17:126.
  9. Li Y, et al. Accurate and adaptive state of health estimation for lithium-ion battery based on patch learning framework. Measurement. 2025;250:117083.
  10. Geng M, et al. Interpretable deep learning with uncertainty quantification for lithium-ion battery SOH estimation. Energy. 2025;335:138027.
  11. Li Y, et al. State-of-health prediction of lithium-ion batteries using feature fusion and a hybrid neural network model. Energy. 2025;319:135163.
  12. Zhou J, et al. Deep learning estimation of state of health for lithium-ion batteries using multi-level fusion features of discharge curves. J Power Sources. 2025;653:237781.
  13. Wang Y, et al. A comprehensive review of machine learning-based state of health estimation for lithium-ion batteries: Data, features, algorithms, and future challenges. Renew Sustain Energy Rev. 2025;224:116125.
  14. Severson KA, et al. Data-driven prediction of battery cycle life before capacity degradation. Nat Energy. 2019;4(5):383–91.
  15. Wu R, et al. Confidence-aware quantile Transformer for reliable degradation prediction of battery energy storage systems. Reliab Eng Syst Saf. 2025;260:111019.
  16. Yang H, et al. Privacy-preserving collaborative battery fault warning for massive electric vehicles by heterogeneous data from charging stations. Nat Commun. 2026;17:974.
  17. Liu Y, et al. A hybrid deep learning approach for remaining useful life prediction of lithium-ion batteries based on discharging fragments. Appl Energy. 2024;358:122555.
  18. Bockrath S, Lorentz V, Pruckner M. State of health estimation of lithium-ion batteries with a temporal convolutional neural network using partial load profiles. Appl Energy. 2023;329:120307.
  19. Zhang Z, et al. Multi-cycle charging information guided state of health estimation for lithium-ion batteries based on pre-trained large language model. Energy. 2024;313:133993.
  20. Li Z, Zhang X, Gao W. State of health estimation of lithium-ion battery during fast charging process based on BiLSTM-Transformer. Energy. 2024;311:133418.
  21. Bao X, et al. Hybrid deep neural network with dimension attention for state-of-health estimation of lithium-ion batteries. Energy. 2023;278:127734.
  22. He N, et al. Early prediction of battery lifetime based on graphical features and convolutional neural networks. Appl Energy. 2024;353:122048.
  23. Rieger LH, et al. Uncertainty-aware and explainable machine learning for early prediction of battery degradation trajectory. Digit Discov. 2023;2(1):112–22.
  24. Li H, et al. A cross-material lithium-ion battery state of health estimation method based on three-stage domain adaptation. Energy. 2025;139376.
  25. Han T, et al. Source-free dynamic weighted federated transfer learning for state-of-health estimation of lithium-ion batteries with data privacy. IEEE Trans Power Electron. 2024;39(11):15085–100.
  26. Rhyu J, et al. Systematic feature design for cycle life prediction of lithium-ion batteries during formation. Joule. 2025;9(5):101884.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Predicci n del rendimiento de la bater amodelos de redes neuronalesingenier a de caracter sticasestado de saludvida til remanentegesti n del ciclo de vida de la bater amodelado predictivo

Artículos relacionados