RT - Journal Article T1 - Comparison of Li-Ion Battery State of Charge Prediction by Artificial Neural Network and Adaptive Neuro Fuzzy Inference System JF - mdrsjrns YR - 2019 JO - mdrsjrns VO - 19 IS - 1 UR - http://mme.modares.ac.ir/article-15-18157-fa.html SP - 43 EP - 52 K1 - Lithium-ion Battery K1 - State of Charge K1 - Battery Management System K1 - ANFI K1 - ANN AB - 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. LA eng UL http://mme.modares.ac.ir/article-15-18157-fa.html M3 ER -