چکیده مقاله
پایش و پیش بینی وضعیت سلامت SOH باتری های لیتیوم یونی برای افزایش ایمنی، بهینه سازی عملکرد و مدیریت کارآمد انرژی ضروری است در این مطالعه، یک مدل یادگیری عمیق مبتنی بر شبکه عصبی عمیق DNN ارائه شده که با بهره گیری از معماری بهینه شده و استراتژی های تنظیم مدل، قادر به پیش بینی دقیق SOH باتری است مدل پیشنهادی با استفاده از مجموعه ای از ویژگی های کلیدی شامل ولتاژ شارژ ، جریان شارژ ، زمان شارژ، دما، مقاومت داخلی و پارامترهای چرخه ای، آموزش دیده و برای بهبود دقت، فرآیند بهینه سازی معماری شبکه، تنظیم هایپرپارامترها و پردازش پیشرفته داده ها روی آن اعمال شده است برای آموزش و ارزیابی مدل، از مجموعه داده های استاندارد ناسا استفاده شده است که شامل داده های ثبت شده از چرخه های شارژ دشارژ باتری در شرایط عملیاتی مختلف است نتایج ارزیابی مدل با استفاده از معیارهای RMSE و MAPE نشان می دهد، که روش پیشنهادی در مقایسه با مدل های سنتی و برخی روش های یادگیری ماشین، عملکرد برتری دارد و با دقت بالا قادر به تخمین وضعیت سلامت باتری است علاوه بر این، بهینه سازی ساختار شبکه و تنظیمات یادگیری، منجر به بهبود سرعت همگرایی و کاهش خطای پیش بینی شده است این مدل می تواند به عنوان یک ابزار موثر و قابل اعتماد برای مدیریت سلامت باتری ها در کاربردهای عملی و سیستم های ذخیره سازی انرژی مورد استفاده قرار گیرد
کلیدواژهها
نویسندگان
سید حسین جعفرزاده
کارشناسی ارشد الکترونیک قدرت ̶ دانشگاه شاهد تهران
میثم میرزائی
کارشناسی ارشد الکترونیک قدرت ̶ دانشگاه شاهد تهران
علی اکبری زاده
کارشناسی ارشد الکترونیک قدرت ̶ دانشگاه شاهد تهران
شیوه ارجاع
�عفرزاده، سید حسین و میرزائی، میثم و اکبری زاده، علی،1403،تخمین وضعیت سلامت باتری های لیتیوم-یون با استفاده از شبکه های عصبی عمیق (DNN) و داده های ترکیبی از حسگرهای مختلف،بیست و پنجمین کنفرانس ملی مهندسی برق ،کامپیوتر و مکانیک،شیروان
ارائهشده در
مجموعه مقالات بیست و پنجمین کنفرانس ملی مهندسی برق ،کامپیوتر و مکانیک21 اسفند 1403 · شیروان