دوره 19، شماره 1 - ( 1397 )                   جلد 19 شماره 1 صفحات 43-52 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Nouri Khajavi M, Bayat G. Comparison of Li-Ion Battery State of Charge Prediction by Artificial Neural Network and Adaptive Neuro Fuzzy Inference System. Modares Mechanical Engineering. 2019; 19 (1) :43-52
URL: http://journals.modares.ac.ir/article-15-18157-fa.html
نوری‌خاجوی مهرداد، بیات غلامرضا. مقایسه تخمین حالت شارژ باتری لیتیوم یون با استفاده از شبکه عصبی مصنوعی و استنتاج عصبی- فازی- تطبیقی. مهندسی مکانیک مدرس. 1397; 19 (1) :43-52

URL: http://journals.modares.ac.ir/article-15-18157-fa.html


1- گروه مکانیک خودرو، دانشکده مهندسی مکانیک، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران ، mnouri@sru.ac.ir
2- گروه مکانیک خودرو، دانشکده مهندسی مکانیک، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران
چکیده:   (1015 مشاهده)
تخمین دقیق حالت شارژ یک باتری نه‌تنها برای مدیریت بهینه انرژی در خودروهای الکتریکی و شبکه‌های هوشمند قدرت، بلکه برای حفاظت باتری از رفتن به شرایط تخلیه عمیق یا شارژ بیش ‌از اندازه و در نتیجه کاهش عمر باتری ضروری است. این شرایط حتی ممکن است شرایط بالقوه خطرناکی به لحاظ انفجار باتری ایجاد کند. با وجود اهمیت بسیار زیاد پارامتر حالت شارژ، این پارامتر به‌طور مستقیم از پایانه‌های باتری قابل اندازه‌گیری نیست. در این پژوهش ابتدا مدل مدار معادل الکتریکی در محیط سیمولینک متلب با دو شبکه RC شبیه‌سازی شده است. این مدل دارای این مزیت است که یک آزمون سریع برای استخراج پارامترها و مشخصات دینامیکی مدل باتری را ارایه می‌کند ولی برای کاربرد برخط در خودرو مناسب نیست. به همین دلیل است که الگوریتم‌های شبکه عصبی و استنتاج فازی عصبی سازگار برای تخمین حالت شارژ بسته باتری و سلول منفرد براساس داده‌های اندازه‌گیری‌شده برای هر سلول به‌طور مجزا مورد نیاز است. در این پژوهش به‌منظور اعتبارسنجی شبکه عصبی از نرخ جریان ۰/۶آمپر و در شبکه انفیس از نرخ تخلیه ۰/۸، ۰/۱ و ۰/۴۵ استفاده شده است. مقایسه روش انفیس با روش عصبی در این تحقیق نشان داد که روش انفیس در تخمین حالت شارژ از شبکه عصبی دقیق‌تر است و دارای همبستگی نقاط تجربی و خروجی شبکه است، به طوری که خطای شبکه انفیس در برخی حالت‌های شارژ به مقدار کمتر از ۲% می‌رسد.
متن کامل [PDF 1117 kb]   (468 دریافت)    

دریافت: ۱۳۹۷/۱/۵ | پذیرش: ۱۳۹۷/۶/۲۶ | انتشار: ۱۳۹۷/۱۰/۱۱

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA code

ارسال پیام به نویسنده مسئول