تخمین وضعیت شارژ باتری با استفاده از شبکه های عصبی عمیق

هدف از انجام این پژوهش بررسی روش های مختلف مدل سازی باتری ها و بررسی یک روش تخمین وضعیت شارژ باتری مبتنی بر شبکه های عصبی عمیق می باشد. در مقایسه با الگوریتم های سنتی، شبکه های عصبی روشی زمان بر و بسیار دقیق هستند. به صورت جزئی اهداف این تحقیق بررسی روش های مختلف مدل سازی باتری و مقایسه آنها با هم، بررسی روش های مختلف تخمین وضعیت شارژ باتری و مقایسه آنها با هم، بررسی روش مبتنی بر شبکه های عصبی عمیق و بررسی کارایی آن برای تخمین SOC در حالات مختلف می باشد.در این پژوهش، از بسط تیلور-ایتو مرتبه ۱.۵ برای تبدیل معادله فرآیند به مجموعه ای از معادلات تصادفی بهره جویی شده است . با تکیه بر این تبدیل و با فرض اینکه همه چگالی های شرطی توزیع گاوسی هستند، راه حل فیلتر بیزی به مسئله نحوه محاسبه انتگرال های وزن دار گاوسی کاهش پیدا می کند. جهت محاسبه عددی انتگرال ها، از قانون مکعب درجه سوم استفاده شده است. قابلیت اطمینان و دقت نسخه ریشه دوم این روش در یک مطالعه موردی که شامل استفاده از یک مشکل راداری با اهمیت عملی است، آزمایش شده است. مشکل در نظر گرفته شده در اینجا در زمینه رادار از دو جنبه چالش برانگیز ابعاد بالای حالت و افزایش درجه غیرخطی می باشد.همچنین با توجه به نتایج پژوهش، رویکرد مورد مطالعه برای تخمین SOC با استفاده از LSTM پشت سر هم در شرایط مختلف دمایی، با گام های مختلف و با داده های متفاوت با استفاده از مجموعه داده LG پیاده سازی و ارزیابی شد. نتایج حاصل از ارزیابی نشان دادند که معیارهای MSE، MAE، MAPE و RMSE در محدوده قابل قبول بوده و خطای روش مورد مطالعه ناچیز بود که اثبات می کند روش پیشنهادی توانایی خوبی در حفظ دقت و پایداری دارد.