Battery self-management with artificial intelligence in an IoT architecture

En la era de las tecnologías avanzadas del Internet de las Cosas (IoT), la gestión eficiente de la energía en aplicaciones en tiempo real se ha vuelto fundamental. Esta tesis presenta un enfoque novedoso para la autogestión de baterías utilizando Inteligencia Artificial (IA) dentro de una arquitectura IoT en tiempo real. Centrándose en baterías de Fosfato de Hierro y Litio (LiFePO4), el estudio aprovecha el poder de la IA y las tecnologías avanzadas de procesamiento de datos, incluidos los protocolos Apache Kafka y WebSocket, para optimizar el uso de energía y promover modelos de energía circular. El sistema propuesto tiene como objetivo mejorar la longevidad y la eficiencia de los sistemas de baterías mediante la monitorización inteligente y el mantenimiento predictivo.
Los componentes clave de la arquitectura incluyen un backend robusto implementado con Kafka para manejar flujos de datos de alto volumen y actualizaciones en tiempo real, y un frontend construido con Angular para una interacción de usuario f luida. La integración de principios de programación reactiva, módulos federados y micro frontends asegura la escalabilidad y mantenibilidad del sistema. Las estrategias de prueba que emplean el marco Jest validan el rendimiento y la fiabilidad de los componentes del sistema.
Esta investigación contribuye al campo de la energía sostenible demostrando cómo la autogestión de baterías impulsada por IA puede conducir a mejoras significativas en la optimización energética y la sostenibilidad en aplicaciones IoT.
ABSTRACT
In the era of advancing Internet of Things (IoT) technologies, efficient energy management in real-time applications has become paramount. This thesis presents a novel approach to battery self-management using Artificial Intelligence (AI) within a realtime IoT architecture. Focusing on Lithium Iron Phosphate (LiFePO4) batteries, the study leverages the power of AI and advanced data processing technologies, including Apache Kafka and WebSocket protocols, to optimize energy usage and promote circular energy models. The proposed system aims to enhance the longevity and efficiency of battery systems through intelligent monitoring and predictive maintenance.
Key components of the architecture include a robust backend implemented with Kafka for handling high-volume data streams and real-time updates, and a frontend built using Angular for seamless user interaction. The integration of reactive programming principles, federated modules, and micro frontends ensures scalability and maintainability of the system. Testing strategies employing Jest framework validate the performance and reliability of the system components.
This research contributes to the field of sustainable energy by demonstrating how AIdriven self-management of batteries can lead to significant improvements in energy optimization and sustainability in IoT applications.

​En la era de las tecnologías avanzadas del Internet de las Cosas (IoT), la gestión eficiente de la energía en aplicaciones en tiempo real se ha vuelto fundamental. Esta tesis presenta un enfoque novedoso para la autogestión de baterías utilizando Inteligencia Artificial (IA) dentro de una arquitectura IoT en tiempo real. Centrándose en baterías de Fosfato de Hierro y Litio (LiFePO4), el estudio aprovecha el poder de la IA y las tecnologías avanzadas de procesamiento de datos, incluidos los protocolos Apache Kafka y WebSocket, para optimizar el uso de energía y promover modelos de energía circular. El sistema propuesto tiene como objetivo mejorar la longevidad y la eficiencia de los sistemas de baterías mediante la monitorización inteligente y el mantenimiento predictivo.
Los componentes clave de la arquitectura incluyen un backend robusto implementado con Kafka para manejar flujos de datos de alto volumen y actualizaciones en tiempo real, y un frontend construido con Angular para una interacción de usuario f luida. La integración de principios de programación reactiva, módulos federados y micro frontends asegura la escalabilidad y mantenibilidad del sistema. Las estrategias de prueba que emplean el marco Jest validan el rendimiento y la fiabilidad de los componentes del sistema.
Esta investigación contribuye al campo de la energía sostenible demostrando cómo la autogestión de baterías impulsada por IA puede conducir a mejoras significativas en la optimización energética y la sostenibilidad en aplicaciones IoT.
ABSTRACT
In the era of advancing Internet of Things (IoT) technologies, efficient energy management in real-time applications has become paramount. This thesis presents a novel approach to battery self-management using Artificial Intelligence (AI) within a realtime IoT architecture. Focusing on Lithium Iron Phosphate (LiFePO4) batteries, the study leverages the power of AI and advanced data processing technologies, including Apache Kafka and WebSocket protocols, to optimize energy usage and promote circular energy models. The proposed system aims to enhance the longevity and efficiency of battery systems through intelligent monitoring and predictive maintenance.
Key components of the architecture include a robust backend implemented with Kafka for handling high-volume data streams and real-time updates, and a frontend built using Angular for seamless user interaction. The integration of reactive programming principles, federated modules, and micro frontends ensures scalability and maintainability of the system. Testing strategies employing Jest framework validate the performance and reliability of the system components.
This research contributes to the field of sustainable energy by demonstrating how AIdriven self-management of batteries can lead to significant improvements in energy optimization and sustainability in IoT applications. Read More