تخمین وضعیت شارژ باتری لیتیوم با استفاده از فیلتر کالمن مکعبی تطبیقی فازی

Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 543

This Paper With 13 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_IJMT-7-2_001

تاریخ نمایه سازی: 18 خرداد 1400

Abstract:

تخمین وضعیت شارژ باتری(SOC) در باتری های لیتیوم یون برای اطمینان از عملکرد ایمنی و جلوگیری از شارژ و دشارژ بیش از حد از اهمیت بالایی برخوردار است. با وجود اهمیت بسیار زیاد پارامتر SOC، این پارامتر به طور مستقیم از پایانه های باتری قابل اندازه گیری نیست. بنابراین نیاز به تخمین آن وجود دارد. تاکنون روش های مختلفی برای تخمین وضعیت شارژ باتری های لیتیوم یون معرفی شده است. در این مقاله شناسایی مدل باتری و الگوریتم تخمین SOC بر اساس فیلتر کالمن مکعبی تطبیقی فازی (FACKF) برای باتری های لیتیوم یون در وسایل نقلیه الکتریکی ارائه شده است. در این روش، ابتدا باتری لیتیوم یون توسط مدار معادل RC مرتبه دوم مدل شده است. سپس روش فیلتر کالمن مکعبی برای تخمین پارامترهای باتری و وضعت شارژ باتری استفاده شده است. یکی از ملزومات فیلتر کالمن مکعبی اطلاع داشتن از ماتریسهای کواریانس نویز اندازه گیری و پروسه است. با وجود این، این ماتریس ها عموما در عمل نامعلوم می باشند. درصورت انتخاب نادقیق ماتریسهای Q و R عملکرد فیلتر تحت تاثیر قرار گرفته و دقت تخمین وضعیت شارژ کاهش و حتی امکان واگرایی وجود دارد. برای رفع این مشکل در این مقاله یک سیستم فازی برای نظارت بر عملکرد فیلتر کالمن مکعبی طراحی شده است. سیستم فازی ماتریسهای R و Q به گونه ای تنظیم می نماید که فیلتر دارای عملکرد بهینه باشد. برای ارزیابی عملکرد روش پیشنهادی، این روش با روش های کلاسیک مقایسه شده است. نتایج نشان دهنده عملکرد موثر روش پیشنهادی در مقایسه با سایر روش ها است.

Keywords:

باتری لیتیوم یون , تخمین وضعیت شارژ , فیلتر کالمن توسعه یافته , فیلتر کالمن مکعبی تطبیقی فازی

Authors

رمضان هاونگی

دانشیار گروه الکترونیک دانشگاه بیرجند

سمانه همتی

دانشجوی کارشناسی ارشد گروه الکترونیک دانشگاه بیرجند

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • J. Jaguemont, L. Boulon and Y. Dube, “Characterization and Modeling ...
  • X. Zeng and J. Wang, “A Parallel Hybrid Electric Vehicle ...
  • J. K. Barillas, J. Li, C. Gunther and M. A. ...
  • F. Feng, R.G .Lu, G. Wei and C.B. Zhu, “Online ...
  • J.Y.Cao, “A New Method to Estimate the State of Charge ...
  • H. Rahimi-Eichi, F. Baronti and MY. Chow, “Online Adaptive Parameter ...
  • C .Zhang, K. Li, L. Pei and C.B. Zhu, “ ...
  • S.Sepasi, L.R. Roose and M.M. Matsuura, “ Extended Kalman Filter ...
  • C. Hu, B. D. Youn and J. Chung, “A Multiscale ...
  • Y.Tian, B.Z. Xia. , W. Sun. Z.H .Xu and W.W ...
  • Q .Yu, et al., “Lithium-ion Battery Parameters and State-of-Charge Joint ...
  • M. Partovibakhsh and G. Liu, “An Adaptive Unscented Kalman Filtering ...
  • X.J .Tang, Z.B .Liu and J.S .Zhang, " Square-Root Quaternion ...
  • I.Arasaratnam, S. Haykin and T.R. Hurd, “Cubature Kalman Filtering for ...
  • W. Li and Y .Jia, “Location of Mobile Station with ...
  • M. Dahmahi, A.Meche, M. Keche and A. Oramri,. “Reduced Cubature ...
  • Y. Sun, J. Xie and J. Guo, “A New Maneuvering ...
  • B. Xia, et al., “State of Charge Estimation of Lithium-ion ...
  • S. Khashirunnisa, B. K. Chand and B. L. Kumari, “Performance ...
  • Y.Q. Shen, "Adaptive Online State-of-Charge Determination based on Neuro-Controller and ...
  • H. He, R. Xiong, and J.J.E. Fan, “Evaluation of Lithium-ion ...
  • B. Diouf and R. Pode, “Potential of Lithium-ion Batteries in ...
  • D .Li , J.Ouyang, H.Li and J.Wan, “State of charge ...
  • I. Arasaratnam and S. Haykin, “Cubature Kalman Smoothers,” Automatica۲۰۱۱,vol.۴۷, pp. ...
  • Z. Pan, L. Gao, S. Gao and B. Gao, “Adaptive ...
  • N. Gao, M. Wang and L. Zhao, “An Integrated INS/GNSS ...
  • نمایش کامل مراجع