مقايسه تخمين حالت شارژ باتري ليتيوم يون با استفاده از شبكه عصبي مصنوعي و استنتاج عصبي- فازي- تطبيقي

Comparison of Li-Ion Battery State of Charge Prediction by Artificial Neural Network and Adaptive Neuro Fuzzy Inference System

تخمين دقيق حالت شارژ يك باتري نه‌ تنها براي مديريت بهينه انرژي در خودروهاي الكتريكي و شبكه‌هاي 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 به‌ طور مستقيم از پايانه‌هاي باتري قابل اندازه‌گيري نيست. در اين پژوهش ابتدا مدل مدار معادل الكتريكي در محيط سيمولينك متلب با دو شبكه RC شبيه‌سازي شده است. اين مدل داراي اين مزيت است كه يك آزمون سريع براي استخراج پارامترها و مشخصات ديناميكي مدل باتري را ارايه مي‌كند ولي براي كاربرد برخط در خودرو مناسب نيست. به همين دليل است كه الگوريتم‌هاي شبكه عصبي و استنتاج فازي عصبي سازگار براي تخمين حالت شارژ بسته باتري و سلول منفرد براساس داده‌هاي اندازه‌گيري‌شده براي هر سلول به‌ طور مجزا مورد نياز است. در اين پژوهش به‌ منظور اعتبارسنجي شبكه عصبي از نرخ جريان 0/6آمپر و در شبكه انفيس از نرخ تخليه 0/8، 0/1 و 0/45 استفاده شده است. مقايسه روش انفيس با روش عصبي در اين تحقيق نشان داد كه روش انفيس در تخمين حالت شارژ از شبكه عصبي دقيق‌تر است و داراي همبستگي نقاط تجربي و خروجي شبكه است، به طوري كه خطاي شبكه انفيس در برخي حالت‌هاي شارژ به مقدار كمتر از 2% مي‌رسد.

An accurate estimation of the state of charge is necessary not only for optimal management of the energy in the electric vehicles (EV) 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 like explosion. Despite the importance of this parameter, the state of charge cannot be measured directly from the battery terminals. In this research, an electric equivalent circuit model is simulated in the Simulink environment with two RC networks. This model has the advantage of providing a quick test for the extraction of parameters and dynamic characteristics of the battery model, but is not suitable for on-line applications in an EV. 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. In this paper, for the validation of the neural network, a discharge rate of 0.6A and in the adaptive neuro fuzzy inference system (ANFIS) network, the discharge rate of 0.8, 0.1, and 0.45 was used. The comparison of ANFIS method with the neural method in this study showed that the ANFIS method is more accurate in estimating the state of charge and correlates the experimental points and the output of the network , so that ANFIS error in some states of charge is less than 2%.