دسته بندی:

شبکه های عصبی - Neural Networks

---

سال انتشار:

2018

---

ترجمه فارسی عنوان مقاله:

برآورد وضعیت شارژ و برآورد وضعیت سلامت باتری‌های VRLA با استفاده از فیلتر کالمن و شبکه‌های عصبی

---

عنوان انگلیسی مقاله:

Battery State of Charge and State of Health Estimation for VRLA Batteries Using Kalman Filter and Neural Networks

---

منبع:

IEEE 2018 5th International Conference on Electrical and Electronics Engineering

---

نویسنده:

Amin Sedighfar, M: R: Moniri

---

چکیده انگلیسی:

Determination of state of charge (SOC) and state of health (SOH) in today’s world becomes an increasingly important issue in all the applications that include a battery. In fact, estimation of the SOC and SOH is a fundamental need for the battery, which is the most important energy storage in Hybrid Electric Vehicles (HEVs), smart grid systems, drones, UPS and so on. Regarding those applications, the estimation algorithms are expected to be precise and easy to implement. This paper presents an online method for the estimation of the SOC and SOH of Valve-Regulated Lead Acid (VRLA) batteries. The proposed method uses the well-known Kalman Filter (KF), and Neural Networks (NNs) and for SOH estimation uses Augmented Kalman Filter (AKF). All of the simulations have been done with MATLAB software. The NN is trained offline using the data collected from the battery discharging process. A generic cell model is used, and the underlying dynamic behavior of the model has used two capacitors (bulk and surface) and three resistors (terminal, surface, and end), where the SOC determined from the voltage represents the bulk capacitor. The aim of this work is to compare the performance of conventional integration-based SOC estimation methods with a mixed algorithm. Moreover, by containing the effect of temperature, the final result becomes more accurate.
Keywords: Kalman filter | neural networks | state-of-charge | state-of-health | VRLA battery

---

چکیده فارسی:

تعیین وضعیت شارژ (SOC) و وضعیت سلامت (SOH) در جهان امروز به موضوعی با اهمت فزاینده در تمامی کاربردهای مرتبط با باتری تبدیل شده است. در حقیقت، برآورد SOH و SOC یک نیاز اساسی برای باتری است، زیرا باتری مهم‌ترین منبع انرژی در خودروهای الکتریکی هیبریدی (HEV ها)، سیستم‌های شبکه هوشمند، پهبادها، UPS و مواردی از این دست است. با توجه به این کاربردها، انتظار می‌ر.د الگوریتم‌های برآورد، دقیق بوده و پیاده‌سازی آنها آسان باشد. این مقاله یک روش آنلاین برای برآورد SOC و SOH باتری‌های سربی اسیدی با شیر تنظیم (VRLA) ارائه می‌دهد. روش پیشنهادی از فیلتر شناخته‌شده‌ی کالمن (KF) و شبکه‌های عصبی (NN ها) و برای برآورد SOH از فیلتر کالمن افزوده (AKF) استفاده می‌کند. تمامی شبیه‌سازی‌ها با نرم‌افزار متلب انجام شد. NN به صورت آفلاین با استفاده از داده‌های گردآوری‌شده از فرایند دشارژ باتری آموزش داده شد. یک مدل سلول عمومی استفاده شد، و رفتار دینامیک پایه‌ی مدل از دو خازن (حجیم و سطحی) و 3 مقاومت (ترمینال، سطحی و پایانی) استفاده کرد، SOC از ولتاژ مرتبط با خازن حجیم تعیین می‌شود. هدف این مقاله، مقایسه‌ی عملکرد روش‌های برآورد SOC مبتنی بر یکپارچه‌سازی مرسوم با یک الگوریتم ترکیبی است. به علاوه، با گنجاندن اثر درجه حرارت، نتیجه‌ی نهایی، دقیق‌تر خواهد شد.
کلیدواژه ها: فیلتر کالمن | شبکه‌های عصبی | وضعیت شارژ | وضعیت سلامت | باتری VRLA

---

---

---

---

حجم فایل: 370 کیلوبایت

---

قیمت: 45240 تومان   

---

توضیحات اضافی:

---

---

---