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.
Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.
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
En este artículo
Resumen
Resumen
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
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.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Protocolo
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
- Adquirir conjuntos de datos de ciclado multicanal
- Descargue conjuntos de datos de ciclado de baterías de iones de litio desde repositorios públicos que contengan registros de carga y descarga. Obtenga directamente los conjuntos de datos CALCE, SANYO, PANASONIC, KOKAM y GOTION desde sus respectivos repositorios de acceso abierto institucionales o enlaces de identificador de objeto digital para mantener la coherencia de la versión del conjunto de datos.
- 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 ocurran interrupciones superiores a dos horas dentro de un solo ciclo y que las fases de corriente constante y voltaje constante estén completamente registradas.
- Filtrar registros brutos de ciclado
- 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 subsiguiente de características multicanal requiere un conjunto completo de variables físicas de entrada.
- Elimine ciclos que contengan registros incompletos, marcas de tiempo inconsistentes, procedimientos de prueba indefinidos o condiciones de finalización de carga-descarga poco claras. Defina como ciclos anómalos aquellos que presenten 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.
- Construir una base de datos temporal de baterías
- Organice cronológicamente los registros de ciclado conservados para construir una base de datos de series temporales a nivel de batería.
- Guarde los conjuntos de datos procesados utilizando el Formato de Datos Jerárquico versión 5 (HDF5). Mantenga una estructura de directorios estandarizada organizada por fuente del conjunto de datos, sistema químico e identificador individual de la celda de batería.
- 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 entre entrenamiento y prueba para asegurar que todos los ciclos secuenciales de una misma batería física permanezcan exclusivamente dentro de un único subconjunto del conjunto de datos.
NOTA: Guarde por separado los conjuntos de datos brutos originales antes del preprocesamiento, normalización, remuestreo o ingeniería de características.
- Definir ventanas de observación
- 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 la duración total del ciclo antes de la degradación de capacidad al final de vida útil por 0,2.
- Alinee las mediciones de voltaje, corriente, capacidad, temperatura, resistencia interna y eficiencia dentro de cada ventana de observación antes de la construcción del tensor.
- 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
- Preprocesar datos brutos de ciclado
- Realice un preprocesamiento uniforme en los conjuntos de datos brutos de ciclado para estandarizar la calidad de los datos procedentes de 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 la interpolación numérica.
- Elimine valores atípicos, detecte valores faltantes, calibre las marcas de tiempo, identifique las 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 superior a 3,0 para la detección de anomalías.
- Detecte automáticamente los 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 positivos de corriente a los ciclos de carga y valores negativos a los ciclos de descarga.
- Reconstruya los 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.
- Remuestrear curvas de ciclado
- Remuestree las curvas de ciclado cuando se detecten variaciones en la densidad de muestreo o desviaciones de la señal entre conjuntos de datos. Active automáticamente el remuestreo cuando el intervalo entre mediciones consecutivas se desvíe más del 10 % respecto a la frecuencia mediana de muestreo de la fase de ciclado correspondiente.
- Estandarice el número de puntos de muestreo dentro de cada ciclo para reducir la variación debida a diferencias específicas de plataforma. Transforme todas las secuencias temporales a una cuadrícula espacial fija mediante interpolación lineal unidimensional.
- Comprima o expanda cada perfil de carga-descarga a exactamente 128 puntos de muestreo equidistantes antes de la construcción del tensor.
- Normalizar variables continuas
- 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-Máx para transformar todas las variables continuas a un rango numérico entre 0 y 1.
- Calcule todos los parámetros de normalización exclusivamente a partir del conjunto de datos de entrenamiento. Aplique los parámetros de escalado fijos a los conjuntos de validación y prueba para reducir el riesgo de fuga temporal de datos hacia adelante durante la predicción de ciclos iniciales.
- Construir tensores de entrada multicanal
- 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.
- Alinee las mediciones de voltaje, corriente, capacidad, temperatura, resistencia interna y eficiencia dentro de cada segmento temporal antes de la construcción del tensor.
- 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.
- Extraer características ingenierizadas
- 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 a lo largo de la cuadrícula de muestreo estandarizada.
- Aplique un filtro de Savitzky–Golay para generar curvas suavizadas de capacidad incremental y voltaje diferencial.
- Extraiga indicadores de degradación, incluyendo desplazamientos del voltaje pico, diferencias de voltaje en transiciones de fase y variaciones del rendimiento energético ciclo a ciclo a partir de las características electroquímicas filtradas.
3. Construcción y entrenamiento del modelo de aprendizaje profundo
- Construir modelos de predicción candidatos
- Construya un marco estandarizado de entrenamiento y evaluación para todos los modelos de predicción mostrados en la Figura 1A. Implemente el flujo de trabajo de aprendizaje profundo (DL) utilizando PyTorch versión 2.0 o superior.
- Ejecute el flujo de trabajo de entrenamiento mediante scripts modulares de Python para la carga de datos, inicialización del modelo, optimización y evaluación.
- Prepare modelos tradicionales de aprendizaje automático (ML) como modelos de regresión lineal, bosque aleatorio y árboles de decisión con refuerzo por gradiente. Configure el modelo de bosque aleatorio con 100 árboles y una profundidad máxima de 10.
- Configure el marco de árboles de decisión con refuerzo por gradiente utilizando una tasa de aprendizaje de 0,1 y una profundidad máxima de árbol de 5 mediante la biblioteca Scikit-learn.
- Prepare arquitecturas candidatas de DL, incluyendo perceptrón multicapa, CNN unidimensional, red LSTM, CNN–LSTM y modelos basados en transformadores.
- Estandarice 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.
- Configurar la arquitectura CNN–LSTM
- Configure la arquitectura CNN–LSTM para fusionar información multicanal de ciclos a partir de los tensores de entrada (Figura 1B). Construya la arquitectura híbrida encadenando el extractor de características convolucional en dos capas recurrentes apiladas, cada una con 128 unidades ocultas.
- Finalice la arquitectura con tres cabezales de regresión completamente conectados en paralelo para la predicción simultánea del estado de salud (SOH), vida útil restante (RUL) y energía descargable.
- Procese los tensores de entrada multicanal mediante tres capas convolucionales unidimensionales consecutivas con tamaños de núcleo (kernel) de 3, 5 y 7 para extraer características localizadas a múltiples escalas.
- Aplique normalización por lotes tras cada capa convolucional para mejorar la estabilidad del gradiente durante la optimización.
- Reformatee los mapas de características convolucionales en secuencias temporales continuas antes del modelado secuencial.
- Introduzca las secuencias temporales codificadas en capas recurrentes apiladas para capturar dependencias de degradación a largo alcance a través de las ventanas de observación predefinidas.
- Dividir los conjuntos de datos para el entrenamiento del modelo
- Divida los conjuntos de datos procesados de celdas de batería en subconjuntos de entrenamiento, validación y prueba utilizando una proporción de 70:15:15. Ejecute la división del conjunto de datos utilizando una semilla aleatoria fija de valor 42.
- Aplique muestreo estratificado basado en la química de la batería para mantener distribuciones equilibradas de degradación en todos los subconjuntos de datos.
- Realice la partición del conjunto de datos estrictamente a nivel de celda de batería, en lugar de aleatorizar ciclos individuales, para preservar las trayectorias secuenciales de degradación.
- Mantenga cada celda de batería como una unidad indivisible durante la partición para evitar fugas de información entre conjuntos de datos.
- Verifique la aislación de los conjuntos de datos mediante programación calculando la intersección de los identificadores de celdas de batería entre los subconjuntos de entrenamiento, validación y prueba, y confirme que no exista solapamiento.
- Compile un conjunto de datos externo de prueba utilizando el conjunto de datos completo de fosfato de hierro y litio (LFP) de GOTION para evaluación fuera de la distribución y evaluación de la generalización cruzada entre conjuntos de datos.
- Ponga a disposición pública el código fuente, los archivos de configuración del entorno y las particiones del conjunto de datos procesado a través de un repositorio dedicado en GitHub para apoyar la transparencia metodológica y la reproducibilidad.
- Inicializar el entrenamiento del modelo
- Establezca la función de pérdida de regresión como el error cuadrático medio antes del entrenamiento. Calcule el objetivo global de entrenamiento agregando los valores de pérdida de cada objetivo de predicción utilizando ponderación igual.
- Establezca la tasa de aprendizaje inicial en 1 × 10−3 y seleccione un tamaño de lote de 32 o 64 según el tamaño del conjunto de datos.
- Utilice un tamaño de lote de 64 para conjuntos de datos que contengan más de 5.000 ciclos para mejorar la utilización del hardware. Utilice un tamaño de lote de 32 para conjuntos de datos más pequeños para mejorar la estabilidad de la optimización.
NOTA: Seleccione estos hiperparámetros mediante una evaluación preliminar de búsqueda en cuadrícula para equilibrar la velocidad de convergencia y la estabilidad del gradiente en diferentes ventanas de observación.
- Aplicar controles de entrenamiento
- Aplique un programador dinámico de tasa de aprendizaje basado en los cambios de la pérdida de validación. Reduzca la tasa de aprendizaje en un factor de 0,5 si la pérdida de validación no mejora durante 5 épocas consecutivas.
- Mantenga un umbral mínimo de tasa de aprendizaje de 1 × 10−5 durante la optimización.
- Detenga el entrenamiento del modelo tras un máximo de 100 épocas para reducir el sobreajuste.
- Aplique la detención anticipada si la pérdida de validación no disminuye durante 15 épocas consecutivas. Restaure los pesos del modelo correspondientes a la iteración de validación con mejor desempeño.
- Mantener registros de reproducibilidad
- Establezca un valor fijo de semilla aleatoria de 42 antes de la inicialización y el entrenamiento del modelo.
- Aplique la semilla aleatoria fija de forma consistente en el módulo aleatorio de Python, NumPy y el entorno de ejecución de PyTorch, deshabilitando al mismo tiempo las operaciones CUDA no deterministas.
- Registre el entorno de software, versiones de dependencias, configuraciones de parámetros, particiones de datos y resultados de entrenamiento para cada ejecución experimental.
- Ejecute 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.
Figura 1. Flujo de trabajo reproducible de aprendizaje profundo (DL) para la predicción del rendimiento de baterías de iones de litio multicanal. (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
- Generar predicciones del modelo
- Procesar los conjuntos de datos de la batería de pruebas a través de cada modelo entrenado. Cargar los conjuntos de datos de prueba preprocesados como tensores serializados de PyTorch antes de la inferencia.
- Realizar el paso de inferencia directa utilizando un administrador de contexto que desactive los gradientes para evitar actualizaciones no deseadas de los parámetros durante la evaluación.
- Generar predicciones simultáneas para cada indicador de rendimiento utilizando las cabezas de regresión entrenadas.
- Extraer salidas simultáneas de las tres cabezas de regresión paralelas configuradas para la predicción de SOH, RUL y energía descargable.
- Calcular los valores reales de predicción
- Calcular el SOH comparando la capacidad disponible actual con la capacidad inicial de la batería.
- Definir la capacidad inicial de la batería como la capacidad máxima de descarga registrada durante los primeros tres ciclos de estabilización.
- Calcular el SOH como la relación entre la capacidad del ciclo actual y la línea base establecida de capacidad inicial.
- Estimar el RUL identificando el umbral operativo en el que cesa la capacidad estable de la batería.
- Definir 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.
- Calcular el RUL como el número restante de ciclos desde el punto de observación actual hasta el umbral definido de fin de vida.
- Pronosticar la energía descargable a partir de las condiciones de descarga registradas.
- Calcular la energía descargable real integrando numéricamente el producto del voltaje de descarga y la corriente de descarga a lo largo del intervalo de descarga mediante el método de integración trapezoidal.
- Evaluar el rendimiento predictivo
- Calcular 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.
- Calcular todas las métricas de evaluación utilizando el módulo de métricas de Scikit-learn con formulaciones estadísticas estandarizadas.
- Aplicar cálculos idénticos de métricas en todos los modelos, conjuntos de datos y configuraciones de entrada para mantener la consistencia en la evaluación.
- Agregar 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.
- Presentar el rendimiento estratificado
- Calcular la media y la desviación estándar de cada métrica de evaluación a lo largo de ejecuciones experimentales repetidas.
- Obtener las medidas estadísticas reportadas a partir de cinco inicializaciones independientes del modelo.
- Reportar intervalos de confianza del 95 % junto con las métricas medias de rendimiento para cuantificar la incertidumbre predictiva.
- Comparar el rendimiento del modelo en diferentes longitudes de ventanas de observación y configuraciones de canales de entrada.
- Estratificar el análisis comparativo utilizando ventanas de observación correspondientes a 50 ciclos, 100 ciclos y 200 ciclos.
- Evaluar el rendimiento predictivo en múltiples configuraciones de entrada, que van desde entradas basadas únicamente en capacidad hasta la integración completa de tensores multicanal. Consulte Figura 1C para conocer el flujo de trabajo de evaluación, selección de cribado de robustez y selección para implementación.
5. Análisis de reproducibilidad, robustez y sensibilidad
- Verificar la reproducibilidad y robustez
- Mantenga particiones de datos idénticas, flujos de trabajo de preprocesamiento y procedimientos experimentales en todas las evaluaciones de reproducibilidad mostradas en Figura 2A.
- Calcule el coeficiente de variación de las métricas principales de evaluación a través de ensayos repetidos para evaluar la consistencia de la reproducibilidad.
- Repita todos los procedimientos de evaluación utilizando el mismo flujo de trabajo estandarizado de entrenamiento y prueba.
- Inicialice cada evaluación repetida con pesos de red aleatorizados, preservando al mismo tiempo los procedimientos deterministas de carga y mezcla de datos.
- Realizar experimentos de entrenamiento repetidos
- Entrene los modelos de predicción repetidamente bajo condiciones experimentales idénticas utilizando valores predefinidos y fijos de semilla aleatoria para garantizar una inicialización reproducible de los pesos.
- Realice cinco ejecuciones independientes de entrenamiento con particiones idénticas del conjunto de datos para reducir la variabilidad derivada de los datos.
- Calcule las métricas finales de rendimiento promediando las métricas de evaluación obtenidas de las cinco ejecuciones repetidas de entrenamiento.
- Agregue las métricas finales de robustez utilizando las puntuaciones promediadas de evaluación, en lugar de combinar tensores de predicción crudos.
- Evaluar la sensibilidad a los hiperparámetros
- 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.
- Evalúe tasas de aprendizaje que varían 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.
- Registre los cambios correspondientes en la precisión predictiva tras cada ajuste de hiperparámetro.
- Cuantifique la variación del rendimiento predictivo utilizando el RMSE y la R2.
- Realizar análisis de ablación de características
- Elimine canales de entrada seleccionados, incluyendo temperatura, resistencia interna y vectores de características diseñadas, del flujo de entrada multicanal.
- 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.
- 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.
- 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 el flujo de trabajo de evaluación de robustez y análisis de sensibilidad.
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.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Resultados
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 las baterías de iones de litio. El estudio utilizó cinco conjuntos de datos de baterías de iones de litio que representan múltiples sistemas químicos, incluyendo óxido de litio y cobalto (LCO), óxido de níquel, cobalto y aluminio (NCA), óxido de níquel, manganeso y cobalt...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Discusión
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,
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Divulgaciones
Los autores declaran que no tienen intereses financieros competitivos ni conflictos de intereses.
Agradecimientos
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.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Materiales
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| Conjunto de datos de batería CALCE | Centro de Ingeniería Avanzada del Ciclo de Vida (CALCE), Universidad de Maryland | https://calce.umd.edu/battery-data | Origen de datos multicanal de ciclado de baterías de iones de litio para entrenamiento y validación del modelo |
| CUDA Toolkit | NVIDIA | Versión 11.8 | Aceleración mediante GPU para el entrenamiento del modelo de aprendizaje profundo |
| Conjunto de datos GOTION IFP20100140A | Mendeley Data | https://doi.org/10.17632/vpw4t7ytbx.2 | Validación externa y análisis multicanal de degradación de baterías |
| Conjunto de datos KOKAM SLPB533459H4 | Mendeley Data | https://doi.org/10.17632/7w4y4fzzbb.1 | Modelado y validación multicanal de degradación de baterías |
| Matplotlib | Equipo de Desarrollo de Matplotlib | Versión 3.7.1 | Visualización del rendimiento del modelo, análisis de sensibilidad y resultados de reproducibilidad |
| NumPy | Desarrolladores de NumPy | Versión 1.24.3 | Cálculo numérico y construcción de tensores |
| Conjunto de datos PANASONIC NCR18650BD | Mendeley Data | https://doi.org/10.17632/wykht8y7tg.1 | Origen de datos de ciclado multicanal y extracción de características diseñadas |
| Pandas | Desarrolladores de Pandas | Versión 2.0.3 | Organización de datos, preprocesamiento y gestión de datos tabulares |
| PyTorch | Fundación PyTorch | Versión 2.0.1 | Construcción y entrenamiento de arquitecturas de aprendizaje profundo, incluyendo el modelo CNN–LSTM |
| Python | Fundación del Software Python | Versión 3.10.12 | Preprocesamiento de datos, ingeniería de características, entrenamiento y evaluación del modelo |
| Conjunto de datos SANYO UR18650E | Repositorio de Datos de Pronóstico de la NASA | https://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-learn | Desarrolladores de Scikit-learn | Versión 1.2.2 | Implementación de modelos de referencia, particionamiento de conjuntos de datos y cálculo de métricas de rendimiento |
Referencias
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
- Hu J, et al. Early prediction of lithium-ion battery degradation with a generative pre-trained transformer. Nat Commun. 2026;17:126.
- Li Y, et al. Accurate and adaptive state of health estimation for lithium-ion battery based on patch learning framework. Measurement. 2025;250:117083.
- Geng M, et al. Interpretable deep learning with uncertainty quantification for lithium-ion battery SOH estimation. Energy. 2025;335:138027.
- 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.
- 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.
- 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.
- Severson KA, et al. Data-driven prediction of battery cycle life before capacity degradation. Nat Energy. 2019;4(5):383–91.
- Wu R, et al. Confidence-aware quantile Transformer for reliable degradation prediction of battery energy storage systems. Reliab Eng Syst Saf. 2025;260:111019.
- 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.
- 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.
- 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.
- 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.
- 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.
- Bao X, et al. Hybrid deep neural network with dimension attention for state-of-health estimation of lithium-ion batteries. Energy. 2023;278:127734.
- He N, et al. Early prediction of battery lifetime based on graphical features and convolutional neural networks. Appl Energy. 2024;353:122048.
- Rieger LH, et al. Uncertainty-aware and explainable machine learning for early prediction of battery degradation trajectory. Digit Discov. 2023;2(1):112–22.
- Li H, et al. A cross-material lithium-ion battery state of health estimation method based on three-stage domain adaptation. Energy. 2025;139376.
- 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.
- Rhyu J, et al. Systematic feature design for cycle life prediction of lithium-ion batteries during formation. Joule. 2025;9(5):101884.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.