این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی مکانیک مدرس، جلد ۱۹، شماره ۱، صفحات ۴۳-۵۲
عنوان فارسی مقایسه تخمین حالت شارژ باتری لیتیوم یون با استفاده از شبکه عصبی مصنوعی و استنتاج عصبی- فازی- تطبیقی
چکیده فارسی مقاله 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 0/6آمپر و در شبکه انفیس از نرخ تخلیه 0/8، 0/1 و 0/45 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 2% می‌رسد.
کلیدواژه‌های فارسی مقاله باتری لیتیوم یون،حالت شارژ باتری،سیستم مدیریت باتری،استنتاج عصبی- فازی- تطبیقی،شبکه عصبی مصنوعی،
عنوان انگلیسی Comparison of Li-Ion Battery State of Charge Prediction by Artificial Neural Network and Adaptive Neuro Fuzzy Inference System
چکیده انگلیسی مقاله An accurate estimation of the state of charge is necessary not only for optimal management of the energy in the electric vehicles (EV) and smart grids, but also to protect the battery from going to the deep discharge or overcharge conditions that degrades battery life and may create potentially dangerous situations like explosion. Despite the importance of this parameter, the state of charge cannot be measured directly from the battery terminals. In this research, an electric equivalent circuit model is simulated in the Simulink environment with two RC networks. This model has the advantage of providing a quick test for the extraction of parameters and dynamic characteristics of the battery model, but is not suitable for on-line applications in an EV. This is why algorithms need to be developed to estimate the SOC of the battery pack and the individual cells based on the measured data of each one. In this paper, for the validation of the neural network, a discharge rate of 0.6A and in the adaptive neuro fuzzy inference system (ANFIS) network, the discharge rate of 0.8, 0.1, and 0.45 was used. The comparison of ANFIS method with the neural method in this study showed that the ANFIS method is more accurate in estimating the state of charge and correlates the experimental points and the output of the network , so that ANFIS error in some states of charge is less than 2%.
کلیدواژه‌های انگلیسی مقاله باتری لیتیوم یون,حالت شارژ باتری,سیستم مدیریت باتری,استنتاج عصبی- فازی- تطبیقی,شبکه عصبی مصنوعی
نویسندگان مقاله مهرداد نوری‌خاجوی |
گروه مکانیک خودرو، دانشکده مهندسی مکانیک، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران

غلامرضا بیات |
گروه مکانیک خودرو، دانشکده مهندسی مکانیک، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران

نشانی اینترنتی https://mme.modares.ac.ir/article_10551_efdc5ab4cce876e781f9827a5c286c63.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات