Cookies y Privacidad
Usamos cookies propias y de terceros para mejorar la experiencia de nuestros usuarios, analizar el tráfico del sitio y personalizar contenido. Si continúas navegando, asumimos que aceptas su uso. Para más información, consulta nuestra Política de Cookies
Estimación del estado de carga en baterías de iones de litio: un enfoque de optimización de redes neuronales
El desarrollo de una estimación precisa y robusta del estado de carga (SOC) es crucial para la vida útil de la batería, eficiencia, control de carga y conducción segura de vehículos eléctricos (VE). Este trabajo propone un método mejorado basado en datos y en un algoritmo de red neuronal con retardos temporales (TDNN) para la estimación del estado de carga (SOC) en baterías de ion litio. Sin embargo, la precisión del SOC está sujeta al valor adecuado de la selección de hiperparámetros del algoritmo TDNN. Por lo tanto, el algoritmo TDNN se optimiza mediante el algoritmo de luciérnagas mejorado (iFA) para determinar el número óptimo de retardo temporal de entrada (UTD) y neuronas ocultas (HNs). Este trabajo investiga el rendimiento del óxido de níquel manganeso cobalto de litio (LiNiMnCoO) y el óxido de níquel cobalto aluminio de litio (LiNiCoAlO) para la estimación del SOC bajo dos condiciones de prueba experimental: la prueba de descarga estática (SDT) y la caracterización de potencia de pulso híbrida (HPPC). Además, la precisión del método propuesto se evalúa bajo diferentes ciclos de conducción de VE y configuraciones de temperatura. Los resultados muestran que el TDNN basado en iFA logra resultados precisos de estimación del SOC con un error cuadrático medio (RMSE) por debajo del 1%. Además, la efectividad y robustez del enfoque propuesto se validan contra incertidumbres que incluyen impactos de ruido e influencias de envejecimiento.
Autores: Hossain Lipu, M. S.; Hannan, M. A.; Hussain, Aini; Ayob, Afida; Saad, Mohamad H. M.; Muttaqi, Kashem M.
Idioma: Inglés
Editor: MDPI
Año: 2020
Disponible con Suscripción Virtualpro
Artículos
Categoría
Ingeniería y Tecnología
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 10
Citaciones: Sin citaciones
Este documento es un artículo elaborado por M. S. Hossain Lipu, M. A. Hannan, Aini Hussain, Afida Ayob, Mohamad H. M. Saad y Kashem M. Muttaqi para la revista Electronics, Vol. 9, Núm. 9. Publicación de MDPI. Contacto: electronics@mdpi.com
El desarrollo de una estimación precisa y robusta del estado de carga (SOC) es crucial para la vida útil de la batería, eficiencia, control de carga y conducción segura de vehículos eléctricos (VE). Este trabajo propone un método mejorado basado en datos y en un algoritmo de red neuronal con retardos temporales (TDNN) para la estimación del estado de carga (SOC) en baterías de ion litio. Sin embargo, la precisión del SOC está sujeta al valor adecuado de la selección de hiperparámetros del algoritmo TDNN. Por lo tanto, el algoritmo TDNN se optimiza mediante el algoritmo de luciérnagas mejorado (iFA) para determinar el número óptimo de retardo temporal de entrada (UTD) y neuronas ocultas (HNs). Este trabajo investiga el rendimiento del óxido de níquel manganeso cobalto de litio (LiNiMnCoO) y el óxido de níquel cobalto aluminio de litio (LiNiCoAlO) para la estimación del SOC bajo dos condiciones de prueba experimental: la prueba de descarga estática (SDT) y la caracterización de potencia de pulso híbrida (HPPC). Además, la precisión del método propuesto se evalúa bajo diferentes ciclos de conducción de VE y configuraciones de temperatura. Los resultados muestran que el TDNN basado en iFA logra resultados precisos de estimación del SOC con un error cuadrático medio (RMSE) por debajo del 1%. Además, la efectividad y robustez del enfoque propuesto se validan contra incertidumbres que incluyen impactos de ruido e influencias de envejecimiento.
Descripción
El desarrollo de una estimación precisa y robusta del estado de carga (SOC) es crucial para la vida útil de la batería, eficiencia, control de carga y conducción segura de vehículos eléctricos (VE). Este trabajo propone un método mejorado basado en datos y en un algoritmo de red neuronal con retardos temporales (TDNN) para la estimación del estado de carga (SOC) en baterías de ion litio. Sin embargo, la precisión del SOC está sujeta al valor adecuado de la selección de hiperparámetros del algoritmo TDNN. Por lo tanto, el algoritmo TDNN se optimiza mediante el algoritmo de luciérnagas mejorado (iFA) para determinar el número óptimo de retardo temporal de entrada (UTD) y neuronas ocultas (HNs). Este trabajo investiga el rendimiento del óxido de níquel manganeso cobalto de litio (LiNiMnCoO) y el óxido de níquel cobalto aluminio de litio (LiNiCoAlO) para la estimación del SOC bajo dos condiciones de prueba experimental: la prueba de descarga estática (SDT) y la caracterización de potencia de pulso híbrida (HPPC). Además, la precisión del método propuesto se evalúa bajo diferentes ciclos de conducción de VE y configuraciones de temperatura. Los resultados muestran que el TDNN basado en iFA logra resultados precisos de estimación del SOC con un error cuadrático medio (RMSE) por debajo del 1%. Además, la efectividad y robustez del enfoque propuesto se validan contra incertidumbres que incluyen impactos de ruido e influencias de envejecimiento.