Título: Estimativa de SOC em baterias íon-lítio de veículos elétricos: uma abordagem com dados de ciclo de operação e métodos híbridos de machine learning
Autores: Guilherme Matiolli, Priscila Maia da Silva, Ricardo Santos, Patrícia Teixeira Leite Asano, Ricardo Suyama & Romulo Gonçalves Lins
Resumo: Este trabalho propõe um método para estimativa do estado de carga (SOC) de baterias deíons de lítio utilizando redes neurais LSTM combinadas com pós-processamento por Filtro de Kalman Unscented (UKF). O modelo foi treinado com dados de perfis dinâmicos (DST) e validado em ciclos FUDS e US06 sob diferentes temperaturas. Os resultados demonstraram alta acurácia, com RMSE inferior a 2,2% e R² superior a 99%, mesmo em condições não vistas durante o treinamento. A aplicação do UKF aprimorou a estabilidade das predições, reduzindo erros máximos e suavizando flutuações. O tempo de execução obtido confirma a viabilidade do método para aplicações em tempo real, como sistemas embarcados, gêmeos digitais e plataformas cyber-físicas.
Palavras-chave: SOC; batteries; LSTM; UKF; electric vehicles.
Páginas: 8
Código DOI: 10.21528/CBIC2025-1174152
Artigo em PDF: CBIC_2025_paper1174152.pdf
Arquivo BibTeX:
CBIC_2025_1174152.bib