کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8070808 1521388 2018 22 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
State of charge estimation for electric vehicle power battery using advanced machine learning algorithm under diversified drive cycles
ترجمه فارسی عنوان
تخمین وضعیت شارژ باتری با استفاده از الگوریتم یادگیری اتوماتیک دستگاه تحت چرخه های مختلف درایو
کلمات کلیدی
سیستم مدیریت باتری، خودرو الکتریکی، ذخیره انرژی، برآورد وضعیت باتری، دولت شارژ، فراگیری ماشین،
ترجمه چکیده
برآورد شارژ دولتی یکی از مهمترین عوامل برای حل مسائل کلیدی نظارت و نگرانی های امنیتی یک باتری با قدرت الکتریکی است. در این مقاله، روش برآورد شارژ با استفاده از سیستم فازی ناسازگار مبتنی بر خوشه بندی مبتنی بر خوشه بندی ارائه شده و با استفاده از آزمایش های شبیه سازی با استفاده از شبیه ساز پیشرفته خودرو در مقایسه با شبکه عصبی عقب و شبکه های عصبی المن ارائه شده است. پارامترهای ورودی برای مدل سازی حالت برآورد شارژ با استفاده از سیستم فازی ناسازگاری مبتنی بر خوشه بندی، جریان، دما، قدرت واقعی از دست دادن، قدرت در دسترس و درخواست شده، درجه حرارت خنک کننده هوا و عامل حرارتی باتری است. داده های جمع آوری شده از 10 چرخه ی درایو مختلف برای مراحل آموزش و آزمایش مدل تخمین شارژ استفاده می شود. نتایج تجربی نشان داد که مدل پیشنهادی دقت کافی دارد و هر دو شبکه عصبی و المان شبکه مبتنی بر شبکه عصبی را بهتر عمل می کند. بنابراین، مدل پیشنهادی در چرخه های درایوهای مختلف، پیشرفت قابل توجهی در تخمین شارژ با پتانسیل بالا برای غلبه بر نقاط ضعف در روش های سنتی، نشان می دهد و در نتیجه، روش پیش بینی در حالت تخمین شارژ را ارائه می دهد. علاوه بر این، تحلیل حساسیت نیز برای تعیین اهمیت هر یک از پارامترهای ورودی در خروجی یعنی وضعیت شارژ انجام می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی (عمومی)
پیش نمایش مقاله
تخمین وضعیت شارژ باتری با استفاده از الگوریتم یادگیری اتوماتیک دستگاه تحت چرخه های مختلف درایو
چکیده انگلیسی
State of charge estimation is one of the most critical factors to solve the key issues of monitoring and safety concerns of an electric vehicle power battery. In this paper, a state of charge estimation approach using subtractive clustering based neuro-fuzzy system is presented and evaluated by the simulation experiments using advanced vehicle simulator in comparison with back propagation neural network and Elman neural networks. Input parameters to model the state of charge estimation approach using subtractive clustering based neuro-fuzzy system are current, temperature, actual power loss, available and requested power, cooling air temperature and battery thermal factor. Data collected from 10 different drive cycles are utilized for the training and testing stages of the state of charge estimation model. Experimental results illustrated that the proposed model exhibits sufficient accuracy and outperforms both neural network and Elman neural network based models. Thus, the proposed model under different drive cycles show remarkable advancement in state of charge estimation with high potential to overcome the drawbacks in traditional methods and therefore provides an alternative approach in state of charge estimation. In addition, a sensitivity analysis is also performed to determine the importance of each input parameter on output i.e. state of charge.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy - Volume 162, 1 November 2018, Pages 871-882
نویسندگان
, , , , ,