Resumo: As baterias de íons de lítio (LIBs) desempenham um papel central na transição energética global, viabilizando a integração de fontes renováveis e a eletrificação do transporte. Este estudo propõe uma metodologia inovadora para estimar com alta precisão o estado de carga (SOC) de LIBs, utilizando dados operacionais reais coletados de um ônibus elétrico da UNICAMP. Foram aplicados e comparados diversos algoritmos de aprendizado de máquina, incluindo Regressão Linear, XGBoost, LSTM, Random Forest e três variantes do Filtro de Kalman (convencional, otimizado e Unscented). A análise demonstrou que o melhor desempenho foi alcançado com o Filtro de Kalman Otimizado, que obteve MAE de 0,17 e MAPE de apenas 0,29%, superando amplamente os demais modelos. A metodologia desenvolvida, baseada na seleção de características relevantes e na otimização de hiperparâmetros, mostrou-se eficaz na adaptação a condições operacionais reais. Os resultados evidenciam a superioridade dos filtros de Kalman para aplicações práticas em veículos elétricos, contribuindo para maior precisão, segurança e eficiência energética, além de estabelecer fundamentos sólidos para sua integração futura em redes inteligentes e sistemas de transporte sustentável Ver menos

Abstract: Lithium-ion batteries (LIBs) play a key role in the global energy transition, enabling the integration of renewable sources and the electrification of transport. This study proposes an innovative methodology to accurately estimate the state of charge (SOC) of LIBs using real operational data collected from an electric bus at UNICAMP. Several machine learning algorithms were applied and compared, including Linear Regression, XGBoost, LSTM, Random Forest, and three variants of the Kalman Filter (classic, optimized, and Unscented). The best performance was achieved with the Optimized Kalman Filter, reaching a MAE of 0.17 and a MAPE of only 0.29%, significantly outperforming other models. The proposed approach, based on feature selection and hyperparameter optimization, proved effective under real-world operating conditions. The results highlight the superiority of Kalman Filters for practical applications in electric vehicles, contributing to improved accuracy, safety, and energy efficiency, while laying a solid foundation for future integration into smart grids and sustainable transport systems Ver menos