Series de tiempo y machine learning aplicado al comportamiento de variables eléctricas en un banco de baterías

Abstract

En este trabajo de título se propone un enfoque para la predicción de fallas en un banco de baterías de plomo-ácido a partir de datos históricos de variables eléctricas comprendidas en el período de abril 2024 a abril 2025, las cuales son: voltaje total, voltaje promedio de celdas, equilibrio, corriente y temperatura promedio. El objetivo central es mostrar empíricamente los resultados de la comparación entre el desempeño de modelos clásicos de series de tiempo (Holt y Holt-Winters) frente a modelos de aprendizaje automático (redes de memoria a corto y largo plazo) para pronosticar el comportamiento de las señales y detectar, con antelación, eventos de fallo. Para esto, en primer lugar, se realiza un cuidadoso preprocesamiento: sincronización de señales a un muestreo común (mismo inicio y paso temporal), limpieza de ruidos y outliers, e imputación de datos faltantes. Como línea base, se presentan y ajustan modelos de Holt-Winters, midiendo errores de pronóstico, con particular énfasis en la raíz cuadrada del error cuadrático medio (RMSE). Se usa un paso temporal de 3 horas, estableciendo umbrales de falla, así como de funcionamiento normal/óptimo para la clasificación de los datos en cada una de las variables. Paralelamente, se desarrolla un modelo de machine learning, en específico de red neuronal artificial, llamado Long Short Term Memory (LSTM), entrenado de modo secuencial con validación temporal simple (entrenamiento: abril-diciembre 2024; validación: enero-abril 2025). La evaluación incluye la comparación de los modelos mediante métricas de testeo estadísticas. Con ello, el estudio aporta evidencia cuantitativa sobre la conveniencia del uso de algoritmos de aprendizaje automático en aplicaciones reales de ingeniería, y en particular, en nuestro contexto de la industria minera, eléctrica y de energía.