APLICAÇÃO DE TÉCNICAS DE CIÊNCIA DE DADOS PARA ANÁLISE DE DADOS DE BATERIAS DE SEGUNDA VIDA ÚTIL

INTRODUÇÃO: As baterias de íons de lítio (BIL) vem sendo frequentemente usadas dentro da indústria, principalmente para a alimentação de veículos elétricos devido sua alta eficiência, poder energético e densidade de energia. Apesar disso, esta tecnologia possui grande sensibilidade a falhas e modos de operação e, portanto, devem ser operadas de forma segura para evitar problemas. OBJETIVOS: Nesse contexto, esse trabalho tem como objetivo analisar dados sobre baterias de íons de lítio de segunda vida útil por meio de técnicas de Ciência de Dados, utilizando uma base de dados fornecida pelo orientador, realizando análise univariada e multivariada e aplicando modelos de aprendizagem de máquina para prever o Estado de Carga (SOC) dessas baterias. MATERIAIS E MÉTODO: Para começar, as principais variáveis da base de dados foi analisada. Primeiro, houve estudo da literatura para conhecimento tanto da parte de mobilidade elétrica como da parte de ciência e dados e aprendizagem de máquinas, em seguida, análises estatísticas foram realizadas e por fim após o tratamento dos dados, modelos de aprendizagem de máquinas foram aplicados e otimizados. RESULTADOS: A análise univariada determinou os valores de máxima, mínima, média, moda, desvio padrão e frequência de 4 variáveis principais da operação das baterias: tensão, corrente, temperatura e SOC. Ao adquirir esses dados, foi estabelecida uma comparação por meio da correlação de Pearson com essas variáveis, tendo com foco principal as interações do SOC com as demais. Com isso, aplicou-se modelos de Machine Learning para prever configurações eficientes, mas todas essas técnicas resultavam em um baixo desempenho, sendo preciso uma busca por melhores parâmetros. Para isso, foi utilizado a técnica de Grid Search para obter os melhores hiper parâmetros de todos os modelos utilizados. CONSIDERAÇÕES FINAIS: Ao adquirir os resultados com sucesso, esses valores foram colocados em uma tabela e discutidos, aplicando cálculos de métricas como Erro Quadrático Médio e Erro Médio Absoluto para fazer uma comparação mais justa dos modelos, trazendo assim um resultado satisfatório e que cumpre com os objetivos planejados.

PALAVRAS-CHAVE: Baterias de íons de lítio; Aprendizagem de máquina; Estado de carga (SOC); Ciência de Dados.