La investigación de la tecnología de diagnóstico de fallas de baterías de vehículos eléctricos se está orientando hacia métodos de aprendizaje automático. Sin embargo, durante la operación, el tiempo de ocurrencia de fallas es mucho más pequeño que el tiempo de conducción normal, lo que resulta en una proporción de datos de fallas demasiado pequeña, así como una única característica de falla en los datos recopilados. Esto ha dificultado el progreso de la investigación en este campo. Para abordar este problema, este documento propone un método de mejora de datos utilizando Redes Generativas Adversarias de Mínimos Cuadrados (LSGAN). El método consiste en entrenar el conjunto de datos original de fallas de baterías de potencia utilizando modelos LSGAN para generar datos de muestra diversos que representen varios estados de falla. El conjunto de datos aumentado se utiliza luego para desarrollar un marco de diagnóstico de fallas llamado LSGAN-RF-GWO, que combina un modelo de bosque aleatorio (RF) con un modelo de Optimización de Lobo Gris (GWO) para un diagnóstico de fallas efectivo. El rendimiento del marco se evalúa en los conjuntos de datos originales y mejorados y se compara con otros modelos comúnmente utilizados como Máquina de Vectores de Soporte (SVM), Máquina de Refuerzo de Gradiente (GBM) y Bayes Ingenuo (NB). Los resultados muestran que el esquema propuesto de diagnóstico de fallas mejora las métricas de evaluación y el nivel de precisión, demostrando que el marco LSGAN-RF-GWO puede utilizar recursos limitados de datos para diagnosticar efectivamente fallas en baterías de potencia.