ورود
مقالات فارسیISIکنفرانسهاژورنالها

شناسایی مدل و تخمین پارامترهای باتری لیتیم یون با هدف تخمین وضعیت شارژ (SOC)

محل انتشار: چهارمین همایش ملی کاربرد فناوری های نوین در علوم مهندسی
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,456

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/614117

شناسه ملی سند علمی:

ITCC04_023

تاریخ نمایه سازی: 18 تیر 1396

چکیده مقاله:

در این مقاله یک مدل مناسب برای باتری لیتیم یون تعیین شده و از طریق انجام آزمایش های عملی مختلف، داده های کافی ازولتاژ ترمینال، دما و جریان نمونه برداری شده است. سپس، با استفاده از روش ماشین های بردار پشتیبان و رگرسیون پارامترهایبهینه شناسایی شده است و مدلسازی انجام می شود. در ادامه برای کاهش خطای تخمین و بهینه سازی بهتر از الگوریتم ژنتیکاستفاده شده است تا در هر لحظه وضعیت شارژ باتری را بتوان محاسبه نمود و بر اساس میزان توان مصرفی مصرف کننده هامدت زمان استفاده از باتری را پیش بینی کرد. در این مقاله تاثیر پارامتر دما بر عملکرد باتری به خوبی بررسی شده است. مدلانتخابی در سیمولینک متلب شبیه سازی و با نتایج حاصل از آزمایش های عملی مقایسه شده است.

کلیدواژه ها:

باتری لیتیم یون ، الگوریتم ماشین های بردار پشتیبان ، رگرسیون ، الگوریتم ژنتیک ، پیش بینی وضعیت شارژ باتری

نویسندگان

موسی آیتی

استادیار، دانشکده مهندسی مکانیک، پردیس دانشکدههای فنی، دانشگاه تهران، تهران، ایران

رضا باجلان

دانشجوی کارشناسی ارشد مهندسی برق کنترل، موسسه آموزش عالی غیرانتفاعی پیام، گلپایگان، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Zhang, C., Li, K., and Mcloone, S., ،Battery modeling methods ...
  • Rahimian, S., and Sean, R., :"Extension of physics-based single particle ...
  • Einhorn, M., Conte, V., and Kral, C., "Comparison of Electrical ...
  • Nikdel, M., and Mousavi, G., _ battery models for various ...
  • Technology, Vol. 1, pp. 1075-1081, 201) ...
  • Linden, D., and Reddy, T. B., Handbook of Batteries, McGraw ...
  • Vapnik, V., The nature of statistical learning theory, Springer science ...
  • Lorena, A. C., and De Carvalho, A. C., "Evolutionary tuning ...
  • W at anac haturaporn, P., Arora, M. K., and Varshney, ...
  • Wu, C. H., et al., "A real-valued genetic algorithm to ...
  • tutorial On support vector regression, Statistics A:ه [12] Smola, A. ...
  • Basak, D., and Pal, S., "Support vector regression", Neural Information ...
  • Pourbasheer, E. and Riahi, S., "Application of genetic algorithm- support ...
  • Haupt, R. _ and Haupt, S. E., , Practical genetic ...
  • Huerta, E. and Duval, B., "A hybrid GA/SVM approach for ...
  • Bhatia, S. and Prakash, P. and Pillai, G.N., "SVM Based ...
  • Huang, C. L, and Wang, C. J., _ GA-based feature ...
  • Zhang, T. et al., _ GA-SVM feature selection model based ...
  • Cuma, M. U., and Koroglu, T., _ comprehensive review on ...
  • Waag , W., and Fleischer, C., :Critical review of the ...
  • Leng, F., and Tan, C. M., "A practical frame work ...
  • Truchot, C., and Dubarry, M., _ _ State-of-charge estimation and ...
  • Rui-hao, L, and Yu-kun, S., and Xiao-Fu, J., "Battery state ...
  • Anton, J. C. A., et al., "Support vector machines used ...
  • Bao. H., and Yu. Y, :State of charge estimation for ...
    • نمایش کامل مراجع