UN NUOVO MODELLO PER LA PREVISIONE DELLA DURATA DELLE BATTERIE RICARICABILI CHE ALIMENTANO I SENSORI WIRELESS
Il team R&D di SCAI Lab ha condotto e pubblicato lo studio “LSTM-based Battery Life Prediction in IoT Systems: a proof of concept” [1], realizzando un innovativo modello di previsione della vita residua delle batterie ricaricabili.
f
L’idea alla base della ricerca è nata durante le attività di implementazione del DSS IBIS ECO, progetto di ricerca che mira a realizzare un sistema innovativo di monitoraggio e gestione intelligente delle prestazioni energetiche e del comfort degli edifici esistenti[2]. In particolare, lavorando su reti IoT di sensori wireless sono emerse una serie di criticità legate all’affidabilità dei dispositivi alimentati a batteria. Da qui si è partiti con la ricerca finalizzata ad implementare un tool per la manutenzione predittiva della sensoristica IoT Wireless in grado di stimare la durata residua delle batterie.
Il modello di machine learning realizzato e presentato durante il convegno, riduce il rischio di imbattersi in brusche interruzioni di funzionamento e/o perdita di dati da parte dei sensori IoT e contribuisce alla progettazione di dispositivi con consumi energetici sempre più efficienti. Utilizza una rete LSTM (Long Short Term Memory), per monitorare lo stato di salute delle batterie agli ioni di litio (SOH) e prevedere la loro vita utile residua (RUL) espressa in numero di cicli di ricarica rimanenti.
I risultati sperimentali di questa metodologia, testata utilizzando dataset pubblici sulle batterie resi disponibili dal repository Hawaii Natural Energy Institute[3], hanno dimostrato un’accuratezza del 97%. A partire da questo studio è stata realizzata una specifica PoC ed integrata nel DSS IBIS ECO – sistema di supporto decisionale progettato per il monitoraggio e la gestione intelligente delle prestazioni energetiche e del comfort negli edifici. La sperimentazione effettuata all’interno dei dimostratori del progetto (Università della Basilicata e Scuola elementare di Montemurro), consentirà di convalidare ulteriormente l’approccio in ambiente di reale utilizzo.
Il lavoro, presentato al 3° convegno internazionale di Statistica e Data Science che ha avuto luogo a Palermo lo scorso aprile, è stato pubblicato sul volume “Proceedings of the Statistics and Data Science 2024 Conference – New perspectives on Statistics and Data Science” che raccoglie gli atti del convegno.
[1] Vanessa Verrina; Andrea Vennera; Annarita Renda; LSTM-based Battery Life Prediction in IoT Systems: a proof of concept; “Proceedings of the Statistics and Data Science 2024 Conference – New perspectives on Statistics and Data Science”; anno 2024; pag. 322-327; https://unipapress.com/book/proceedings-of-the-statistics-and-data-science-2024-conference/
[2] Progetto finanziato nell’ambito del Programma Operativo FESR 2014-2020 – Azione 1B.1.2.2. Avviso Pubblico: “Progetti complessi di ricerca e sviluppo ’CORES’” – Aree tematiche: “Energia e Bioeconomia” – CUP G49J19001400004.
[3] https://www.batteryarchive.org/list.html
Competenze Applicate
Research & Innovation
Business Intelligence & Big Data Analysis
