26234

تخمين وضعيت بار و سلامت باتري ليتيوم-يوني بكار رفته در خودروي الكتريكي

كارشناسي ارشد

مهندسي برق/ گرايش الكترونيك قدرت و ماشين هاي الكتريكي

1400

1400/09/30

دكتر داوود عرب خابوري

دكتر ابوالفضل واحدي

مهندسي برق

در اين پايان نامه هدف شناخت رفتار باتري¬هاي ليتوم-يوني و همچنين طراحي سيستم مديريت باتري بمنظور افزايش بازدهي و طول عمر باتري مي¬باشد كه از جمله موضوعات جديد و پرطرفدار است. بمنظور شناخت رفتار باتري¬، يك نمونه باتري ليتيوم-يوني 2600 mah، با استفاده از داده¬هاي استخراج شده از آزمايشگاه در محيط سيمولينك/متلب مدلسازي شده است. براي اين منظور دو نمونه مدار معادل مرتبه اول و مرتبه دوم باتري مورد نظر، مدلسازي شده و پارامترهاي مختلف آن با انجام تست¬هاي استاندارد جهاني در محيط آزمايشگاه، تخمين زده مي¬شوند. در ادامه¬ي تحقيق نيز، سيستم مديريت باتري براي ده عدد باتري ليتيوم-يوني سري طراحي شده و برد آن در آزمايشگاه ساخته شده است. سپس دو متغير بسيار ضروري در هر سيستم مديريت باتري كه تخمين وضعيت بار و تخمين وضعيت سلامت باتري مي-باشند، با استفاده از روش¬هاي نوين شبكه¬هاي عصبي مصنوعي تخمين زده مي¬شوند. دليل استفاده از شبكه¬هاي عصبي دقت بالا و عدم نياز به محاسبات طولاني مي¬باشد. لازم بذكر است كه اين دو متغير همانند ساير متغيرهاي باتري براحتي و توسط حسگرها قابل اندازه¬گيري نمي¬باشد و همين امر موجب شده است تا پژوهشگران بسياري در سال¬هاي اخير در اين زمينه تحقيقات انجام دهند. بمنظور آموزش شبكه-هاي عصبي مناسب، مجددا تست¬هاي ويژه¬اي در محيط آزمايشگاه انجام شده است و در نهايت با استفاده از داده¬هاي استخراج شده، شبكه¬ عصبي مورد نظر طراحي شده¬ است. در اين بخش تلاش شده است تا شبكه¬هايي با دقت محاسباتي بالا، در زمان كوتاه¬تري نسبت به تحقيقات گذشته محاسبات را انجام دهند. لازم به ذكر است كه در اين تحقيق از اثرات هيسترزيس و اثر حرارتي براي مدلسازي باتري صرف نظر شده است. بعلاوه بدليل محدوديت¬هاي آزمايشگاه، رفتار باتري در دماهاي منفي بمنظور تخمين وضعيت بار باتري بررسي نشده است.

1400/12/14

State of charge and state of health estimation of a lithium-ion battery used in electric vehicles

12/21/2022 12:00:00 AM

The goal of this dissertation is to understand the behavior of lithium-ion batteries and also to design a battery management system in order to increase the efficiency and lifespan of the battery, which is a brand-new and popular topic. To understand the behavior of the battery, a lithium-ion battery is modeled by using the laboratory-derived data in Simulink / MATLAB environment. For this purpose, two equivalent circuits like the first and second-order equivalent circuits of the battery are modeled and its various parameters are estimated by performing some standard tests in the laboratory. In the continuation of the research, the battery management system is designed for ten series of lithium-ion batteries, and its board was made in the laboratory. Then, two very important variables in each battery management system, which are state of charge and state of health, are estimated using modern methods of artificial neural networks. The reason for using neural networks is high accuracy and no need for long calculations. It should be noted that these two variables, unlike other variables, can not be easily measured by sensors, and this has led many researchers in recent years to do research in this area. In order to train the appropriate neural networks, special tests have been performed in the laboratory and finally, the desired neural network has been designed using the real data. In this section, an attempt has been made to perform networks with high computational accuracy in a shorter time than previous research. Besides, in this study, the effects of hysteresis and thermal effects for battery modeling have been omitted and due to laboratory restrictions, the behavior of the battery in negative temperatures is neglected for the state of charge estimation.

سيستم مديريت باتري، وضعيت بار باتري، وضعيت سلامت باتري، مدار معادل باتري، شبكه¬هاي عصبي مصنوعي

Battery management system, state of charge, state of health, battery equivalent circuit, artificial neural networks

yasaman haghjoo

davood arabkhaburi