Estimación robusta del SOC de la batería mediante redes neuronales informadas por la física y parametrizadas basadas en hiperredes

La estimación precisa del estado de carga (SOC) es esencial para los sistemas de gestión de baterías (BMS). Sin embargo, los métodos convencionales enfrentan desafíos debido a la dependencia de parámetros o presentan dificultades de estabilidad bajo condiciones de operación no vistas. Este artículo propone un nuevo marco híbrido que integra el aprendizaje de secuencias temporales con redes neuronales parametrizadas informadas por la física (PPINN) regidas por restricciones electroquímicas. La arquitectura emplea una hiperred que genera pesos dinámicos caracterizados por valores iniciales de SOC, permitiendo un aprendizaje adaptativo a través de diversas condiciones operativas. Esto permite que el modelo aprenda un espacio de soluciones generalizado combinando conocimiento basado en la física con modelado basado en datos, evitando así entrenamientos repetitivos. La validación experimental en varias temperaturas y ciclos de conducción demuestra un rendimiento superior, logrando capacidad de generalización y robustez con alta precisión.