31486

ارائه مدل تخمين عمر باتري با در نظر گرفتن الگوريتمهاي شارژ سريع با كمك يادگيري ماشين

كارشناسي ارشد

مكانيك خودرو-قواي محركه نوين

1399

1402/11/30

علي قاسميان مقدم

مسعود دهمرده

خودرو

با توجه به نياز روزافزون به استفاده از انرژي‌هاي تجديدپذير و جهت مقابله با انتشار كربن و مقابله با تغييرات آب و هوايي استفاده از باتري‌هاي ليتيوم يون در لوازم مختلف افزايش چشمگيري داشته است. باتري‌هاي ليتيوم يوني در بسياري از سيستم‌ها و كاربردها نقش حياتي دارند و آنها را به متداول‌ترين سيستم‌هاي ذخيره انرژي باتري تبديل مي‌كنند. يكي از چالش‌هاي استفاده از باتري‌هاي ليتيوم يون نحوه شارژ آنها مي‌باشد، لذا استفاده از پروتكل‌هاي شارژ سريع بسيار ضروري و حائز اهميت به نظر مي‌رسد. بهينه‌سازي استفاده از باتري‌ها نياز به تخمين دقيق وضعيت سلامت باتري دارد، كه بينشي در مورد سطح عملكرد باتري ارائه مي‌دهد و دقت ساير اقدامات تشخيصي مانند وضعيت شارژ را بهبود مي‌بخشد. در اين پايان‌نامه، جهت ارائه مدل تخمين عمر، از استراتژي‌هاي يادگيري ماشين، شبكه عصبي مصنوعي پيشخور FFN ، و الگوريتم بهينه‌سازي ادامز جهت انتخاب بهترين مدل شبكه در بستر پايتون استفاده گرديده است. از ديتاست متناسب با الگوريتم شارژ سريع كه توسط دانشگاه MIT انتشار يافته است جهت آموزش مدل استفاده شده است. پس از انتخاب بهترين مدل جهت استفاده در نرم‌افزار امسيم خروجي مورد نظر ايجاد گرديد. در اين نرم‌افزار پس از كاليبره كردن باتري نرم‌افزار با داده‌هاي موجود مدل منتخب به مدت 30 روز شبيه سازي گرديد. سپس مقدار ظرفيت از دست رفته در باتري امسيم، مدل شبكه‌ي عصبي منتخب و يك ست داده خارج از محدوده داده‌هاي آموزش داده شده، از همين ديتابيس، تحت 3 سناريو مختلف داراي سياست‌هاي شارژ متفاوت با هم مقايسه شدند. جالب است بدانيد كه بررسي نتايج نشان داد، ظرفيت از دست رفته در مدت 30 روز در مدل شبكه‌ي عصبي منتخب بسيار نزديك به داده‌هاي واقعي بوده و رفتار مشابه‌تر و خطاي كمتري نسبت به باتري كاليبره شده امسيم داشت. لذا مي‌توان نتيجه گرفت كه مدل تخمين عمر باتري به دست آمده از استراتژي‌هاي يادگيري ماشين نسبت به مدل‌هاي رياضياتي به واقعيت بسيار نزديك‌تر و خطاي كمتري دارد.

1403/08/16

Presenting a battery life estimation model considering fast charging algorithms with the help of machine learning

1/1/1900 12:00:00 AM

Due to the growing need to use renewable energy and to deal with carbon emissions and climate change, the use of lithium-ion batteries in various appliances has increased significantly. Lithium-ion batteries play a vital role in many systems and applications, making them the most common battery energy storage systems. One of the challenges of using lithium-ion batteries is how to charge them, so the use of fast charging protocols seems very necessary and important. Optimizing the use of batteries requires accurate estimation of battery health status, which provides insight into battery performance levels and improves the accuracy of other diagnostic measures such as state of charge. In this thesis, in order to present the life estimation model, machine learning strategies, FFN feedforward artificial neural network, and Adams optimization algorithm have been used to select the best network model in Python platform. The dataset corresponding to the fast charging algorithm published by MIT University has been used to train the model. After selecting the best model for use in Amsim software, the desired output was created. In this software, after calibrating the software battery, the selected model was simulated for 30 days with the available data. Then, the amount of capacity lost in the Amsim battery, the selected neural network model and a data set outside the range of the trained data, from the same database, were compared under 3 different scenarios with different charging policies. It is interesting to know that the analysis of the results showed that the capacity lost during 30 days in the selected neural network model was very close to the real data and had more similar behavior and less error than the calibrated Amsim battery. Therefore, it can be concluded that the battery life estimation model obtained from machine learning strategies is much closer to reality and has less error than mathematical models.

تخمين عمر باتري , SOH , يادگيري ماشين , شارژ سريع , مدل عمر

Battery life estimation , SOH , machine learning , fast charging , life model

azadeh mohsenpour

ali qasemian moghadam