Determining the architecture of a neural network in the problem of estimating the state of the battery charge

Capa

Citar

Texto integral

Resumo

The problem of estimating the state of charge of the battery, based on neural networks, is considered. Two types of recurrent nonlinear autoregressive neural networks were investigated in the problem of estimating the state of charge of a battery during its use. The main criterion for the quality of forecasting was the mean square error. According to the results of the study, the optimal structure of the neural network was chosen.

Sobre autores

Ilya Yakovlev

Ufa State Aviation Technical University

Email: ilya-yakovlev-1999@bk.ru
Ufa

Anastasia Elizarova

Ufa State Aviation Technical University

Email: elizarovaanastasia@gmail.com
Ufa

Guzel Saitova

Ufa State Aviation Technical University

Email: saitova@bk.ru
Ufa

Bibliografia

  1. 1. ГАЛУШКИН Н.Е., ГАЛУШКИНА Н.Н. Анализ эмпири-ческих зависимостей, описывающих разряд щелочных аккумуляторов // Электрохимическая энергетика. – 2005. – Т. 5, №1. – С. 43–50.
  2. 2. ГЕЙДАРОВ П.Ш. Сравнительный анализ результатов обучений нейронной сети с вычисленными весовыми зна-чениями и с генерацией весовых значений случайным об-разом // Автоматика и телемеханика. – 2020. – №7. – С. 56–78. Англ.: GEIDAROV P. Comparative analysis of the results of training a neural network with calculated weights and with random generation of the weights // Auto-mation and Remote Control. – 2020. – Vol. 81:7. – P. 1211–1229.
  3. 3. ЕРИН С. Литиевые аккумуляторы: от сырья до готовых химических источников тока // Технологии в электрон-ной промышленности. – 2014. – №3. – С. 70–73.
  4. 4. САИТОВА Г.А., ЕЛИЗАРОВА А.В. Нейросетевая мо-дель для оценки состояния заряженности литий-ионного аккумулятора // Перспективные информацион-ные технологии (ПИТ–2021) [Электронный ресурс]: тру-ды Международной научно-технической конференции / Под ред. С.А. Прохорова. – Электрон. текстовые и граф. дан.– Самара: Изд-во Самарского научного центра РАН, 2021. – С. 288–293.
  5. 5. ХАЙКИН С. Нейронные сети. Полный курс. Второе из-дание: перевод с англ. – М: Издательский дом «Виль-ямс», 2006. – 1104 с.
  6. 6. ЧУДИНОВ Е.А., ТКАЧУК С.А., ШИШКО В.С. Техноло-гические основы производства литий-ионного аккуму-лятора // Электрохимическая энергетика. – 2015. – Т. 15, №2. – С. 84–92.
  7. 7. CHANG W.Y. The state of charge estimating methods for battery: A review // International Scholarly Research Notices. – 2013. – Vol. 2013. – 8 p.
  8. 8. LI S. et al. State-of-charge estimation of lithium-ion batteries in the battery degradation process based on recurrent neu-ral network // Energies. – 2021. – Vol. 14, No. 2. – P. 306.
  9. 9. TANG X. et al. Li-ion battery parameter estimation for state of charge // IEEE American Control Conference (ACC-2011). – IEEE, 2011. – P. 941–946.
  10. 10. TIAN J. et al. Flexible battery state of health and state of charge estimation using partial charging data and deep learning // Energy Storage Materials. – 2022. – Vol. 51. – P. 372–381.
  11. 11. VIDAL C. et al. Machine learning applied to electrified ve-hicle battery state of charge and state of health estimation: State-of-the-art // IEEE Access. – 2020. – Vol. 8. – P. 52796–52814.
  12. 12. WANG K. et al. State of charge estimation of composite en-ergy storage systems with supercapacitors and lithium bat-teries // Complexity. – 2021. – Vol. 2021.
  13. 13. WANG L. et al. State of charge estimation for LiFePO4 bat-tery via dual extended kalman filter and charging voltage curve // Electrochimica Acta. – 2019. – Vol. 296. – P. 1009–1017.
  14. 14. WANG Q. et al. Power battery state of charge estimation based on extended Kalman filter // Journal of Renewable and Sustainable Energy. – 2019. – Vol. 11, No. 1. – P. 014302.
  15. 15. WANG Y., CHEN Z. A framework for state-of-charge and remaining discharge time prediction using unscented parti-cle filter // Applied Energy. – 2020. – Vol. 260. – P. 114324.
  16. 16. WEI Z. et al. Load current and state-of-charge coestimation for current sensor-free lithium-ion battery // IEEE Trans. on Power Electronics. – 2021. – Vol. 36, No. 10. – P. 10970–10975.
  17. 17. XI Z. et al. Learning of battery model bias for effective state of charge estimation of lithium-ion batteries // IEEE Trans. on Vehicular Technology. – 2019. – Vol. 68, No. 9. – P. 8613–8628.
  18. 18. XIA Z., QAHOUQ J.A. A. State-of-charge balancing of lith-ium-ion batteries with state-of-health awareness capability // IEEE Trans. on Industry Applications. – 2020. – Vol. 57, No. 1. – P. 673–684.
  19. 19. XIONG R. et al. A set membership theory based parameter and state of charge co-estimation method for all-climate bat-teries // Journal of Cleaner Production. – 2020. – Vol. 249. – P. 119380.
  20. 20. XIONG X. et al. A novel practical state of charge estimation method: an adaptive improved ampere‐hour method based on composite correction factor // Int. Journal of Energy Re-search. – 2020. – Vol. 44, No. 14. – P. 11385–11404.
  21. 21. XU Y. et al. Online identification of battery model parame-ters and joint state of charge and state of health estimation using dual particle filter algorithms // Int. Journal of Energy Research. – 2022. – Vol. 46, No. 14. – P. 19615–19652.
  22. 22. XUAN D.J. et al. Real-time estimation of state-of-charge in lithium-ion batteries using improved central difference trans-form method // Journal of Cleaner Production. – 2020. – Vol. 252. – P. 119787.
  23. 23. YANG B., WANG Y., ZHAN Y. Lithium Battery State-of-Charge Estimation Based on a Bayesian Optimization Bidi-rectional Long Short-Term Memory Neural Network // Ener-gies. – 2022. – Vol. 15, No. 13. – P. 4670.
  24. 24. YANG F. et al. State-of-charge estimation of lithium-ion bat-teries via long short-term memory network // IEEE Access. – 2019. – Vol. 7. – P. 53792–53799.
  25. 25. YANG F. et al. State-of-charge estimation of lithium-ion bat-teries using LSTM and UKF // Energy. – 2020. – Vol. 201. – P. 117664.
  26. 26. ZHANG K. et al. State of charge estimation for lithium bat-tery based on adaptively weighting cubature particle filter // IEEE Access. – 2019. – Vol. 7. – P. 166657–166666.
  27. 27. ZHANG R. et al. State of the art of lithium-ion battery SOC estimation for electrical vehicles // Energies. – 2018. – Vol. 11, No. 7. – P. 1820.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar


Creative Commons License
Este artigo é disponível sob a Licença Creative Commons Atribuição–NãoComercial 4.0 Internacional.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».