DESENVOLVIMENTO DE MODELOS DE APRENDIZAGEM DE MÁQUINAS PARA SEREM EMBARCADOS EM DISPOSITIVOS DE BAIXO PODER COMPUTACIONAL PARA ESTIMAR A SAÚDE DE BATERIAS DE ÍONS DE LÍTIO DE SEGUNDA VIDA ÚTIL

INTRODUÇÃO: A transição energética vem modificando o cenário da mobilidade e das fontes de energia na última década, substituindo recursos fósseis por fontes alternativas, como a energia elétrica. Neste contexto, as baterias de íons de lítio se destacam como um dos meios de armazenamento eletroquímico mais utilizados. Porém, após atingirem seu limite de uso, precisam ser substituídas e seu descarte constitui um desafio para a sustentabilidade dos sistemas. Portanto, baterias de íons de lítio de segunda vida útil têm um potencial relevante para o cenário atual, permitindo o reuso de baterias aposentadas, apesar dos desafios ainda existentes nesse processo. Essas baterias são mais sujeitas a falhas e anomalias durante o funcionamento e requerem o monitoramento de seus sinais vitais para que possam operar com segurança. Tendo em vista que vivemos em uma era em que análises preditivas baseadas em dados se tornaram abordagens desenvolvidas e promissoras, a aprendizagem de máquina surge como solução. Ela pode atuar em conjunto com os sistemas de gerenciamento de baterias (BMS) para um controle avançado de sinais vitais. OBJETIVOS: O objetivo do presente trabalho é a implementação de modelos individuais de aprendizagem de máquina para serem aplicados em baterias de íons de lítio de segunda vida útil de forma embarcada e estimar o seu estado de carga (SOC)***. Além disso, os autores buscaram realizar uma pesquisa na literatura como maneira de identificar abordagens atuais e inovadoras para esse tipo de implementação. MATERIAIS E MÉTODO: Os modelos desenvolvidos consistem em redes neurais artificiais (ANNs). A implementação se baseou na estratégia da aprendizagem federada, visando a obtenção de um modelo global a partir dos diferentes contextos individuais. Esse aspecto é essencial para implementações do tipo, tendo em vista a alta heterogeneidade presente em dados. RESULTADOS: Ao final, uma abordagem inovadora de implementação se destacou. Ela consiste numa técnica híbrida onde, ao longo do processo de aprendizagem distribuída, 10% dos neurônios de cada modelo são atualizados com neurônios globais. Essa abordagem resultou no melhor desempenho, demonstrando coeficientes de determinação altos e valores de erro baixos e consistentes entre os diferentes contextos individuais (coeficiente de determinação médio de 0,99 e RMSE médio de 2,77%). CONSIDERAÇÕES FINAIS: Este trabalho sustenta a aprendizagem de máquina como uma ferramenta promissora para o desenvolvimento de sistemas inteligentes distribuídos. Concluiu-se que a aprendizagem federada é uma estratégia capaz de gerar um modelo global e único para todas as diferentes baterias envelhecidas.

PALAVRAS-CHAVE: Baterias de íons de lítio; Aprendizagem de Máquina; Estado de Carga; Aprendizagem Federada; Internet das Coisas.