تخمين حالت شارژ باتري ليتيوم يون خودرهاي برقي با استفاده از شبكه عصبي مصنوعي واستنتاج عصبي-فازي- تطبيقي

Prediction of State Of Charge Li-Ion Battery Of Electrical Vehicle by artificial neural network & ANFIS

تخمين دقيق حالت شارژ يك باتري نه تنها براي مديريت بهينه انرژي در خودروهاي الكتريكي و شبكه هاي هوشمند قدرت، بلكه براي حفاظت باتري از رفتن به شرايط تخليه عميق يا شارژ بيش از اندازه و در نتيجه كاهش عمر باتري ضروري است. اين شرايط حتي ممكن است شرايط بالقوه خطرناكي به لحاظ انفجار باتري ايجاد كند. با وجود اهميت بسيار زياد پارامتر حالت شارژ، اين پارامتر قابل اندازه گيري به طور مستقيم از پايانه هاي باتري نمي باشد. به همين دليل است كه الگوريتم هاي لازم براي تخمين حالت شارژ بسته باطري و سلول منفرد براساس داده هاي اندازه گيري شده براي هر يك به طور مجزا مورد نياز است. اين تحقيق يك روش هوشمند جهت تخمين سطح شارژ در باتري هاي ليتيوم يون را با استفاده از داده هاي تجربي ارايه مي كند. جهت تخمين از داده هاي ولتاژ و جريان شركت سازنده و مدل سازي باتري استفاده شده است. بر خلاف ديگر راهبردهاي تخمين، اين روش پيشنهادي نيازمند شناخت هيچ پارامتري از باتري و هيچ مدل رياضي باتري نيست. نتايج پس از مقايسه مقادير به دست آمده از مدل و داده هاي بدست آمده از تخليه يك باتري ليتيوم فرو فسفات بكار رفته در خوروهاي برقي استخراج شده اند.

An accurate estimation of the SOC is necessary not only for optimal management of the energy in the EVs 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. Despite the importance of this parameter, the SOC cannot be measured directly from the battery terminals. 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. This paper presents an intelligent technique for the SOC estimation in Lithium-Ion batteries using experimental data. To estimate the state of charge, the manufacturer's voltage and current data and battery modeling are used. Unlike other estimation strategies, this proposed technique requires no knowledge of any battery parameter and no mathematical model of the battery. The conclusions are drawn after comparing the values obtained from the models and the data obtained from discharging a LiFePO4 (LFP) battery.