بکارگیری الگوریتم های یادگیری ماشین جهت تخمین وضعیت سلامت باتری

کارکرد صحیح بسیاری از سامانه های الکتریکی منوط به عملکرد صحیح باتری میباشد. با مرور زمان و در طول چرخه های مکرر شارژ ودشارژ، باتری ها دچار افت ظرفیت غیرقابل برگشت خواهند شد که منتج به کاهش ظرفیت خواهد شد. با وجود اهمیت بسیار زیاد وضعیتسلامت باتری، پارامترهای تعیین کننده آن از جمله ظرفیت باقیمانده به طور مستقیم از پایانه های باتری قابل اندازه گیری نیستند و بایدبصورت غیر مستقیم و از طریق داده های قابل اندازه گیری، آنها را تخمین زد. از این رو در این مقاله یادگیری ماشین و بطور خاص شبکهعصبی جهت تخمین وضعیت سلامت باتری (طول عمر) با توجه به داده های مختلف اندازه گیری شده، بکار گرفته شده است. برای ارزیابی ومقایسه جامع، تعدادی از الگوریتم های پرکاربرد هوش مصنوعی جهت تعیین ظرفیت واقعی باتری بکار گرفته شدهاند و به طبقه بندی نتایجو مقایسه آن ها با پرداخته شده است. در این راستا با توجه مجموعه داده های اندازه گیری شده از سل های باتری لیتیومی، شبکه عصبیعمیق، شبکه عصبی پرسپترون چندلایه، درخت تصمیم، ماشین بردار پشتیبان و K -نزدیکترین همسایه جهت تخمین ظرفیت واقعی باتریاستفاده شده اند و نتایج بدست آمده مورد بررسی و مقایسه قرار گرفته اند. نتایج نشان داد که استفاده از رویکردهای شبکه عصبی، می توانندبا دقت بالایی داده های هدف که همان ارزیابی وضعیت سلامت باتری می باشد را تشخیص و طبقه بندی کنند.

کلیدواژه ها:

روشهای شبکه عصبی ، ظرفیت باتری ، وضعیت سلامت باتری ، یادگیری ماشین