Un novedoso sistema de estimación del estado de carga basado en aprendizaje profundo para el sistema de gestión de energía renovable en vehículos eléctricos híbridos
Autores: Vellingiri, Mahendiran T.; Mehedi, Ibrahim M.; Palaniswamy, Thangam
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Un novedoso sistema de estimación del estado de carga basado en aprendizaje profundo para el sistema de gestión de energía renovable en vehículos eléctricos híbridos
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Tecnologías de motores alternativas
Vehículos eléctricos
Vehículos híbridos eléctricos
Fuentes de energía renovable
Sistema de gestión de baterías
Aprendizaje profundo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 30
Citaciones: Sin citaciones
En los últimos años, las tecnologías de motor alternativas son necesarias para resolver los problemas relacionados con los vehículos convencionales. Los vehículos eléctricos (VEs) y los vehículos híbridos eléctricos (HEVs) son soluciones efectivas para descarbonizar el sector del transporte. También es importante pasar de las casas tradicionales a las casas inteligentes y de los vehículos clásicos a los VEs o HEVs. Es necesario combinar fuentes de energía renovable (FER) como la energía solar fotovoltaica, los sistemas de energía eólica y diversas formas de bioenergías. Entre las diversas tecnologías HEV, un sistema de gestión de baterías (BMS) efectivo sigue siendo un problema crucial que se utiliza principalmente para indicar el estado de carga de la batería (SOC). Dado que la sobrecarga y la sobre descarga resultan en un deterioro inevitable de las baterías, se desea una estimación precisa del SOC presentada por el BMS. Aunque existen varias técnicas de estimación del SOC para regular el SOC de la celda de la batería, es necesario mejorar el rendimiento de la estimación del SOC en los HEVs. En este sentido, este documento se centra en el diseño de un novedoso modelo de estimación de SOC con aprendizaje profundo (DL) para la gestión segura de energía renovable (DLSOC-REM) para HEVs. El modelo presentado emplea un modelo híbrido de red neuronal convolucional y memoria a corto plazo (HCNN-LSTM) para la estimación precisa del SOC. Con el fin de mejorar los resultados de estimación del SOC del modelo HCNN-LSTM, se aplica el optimizador de apareamiento de percebes (BMO) para el proceso de ajuste de hiperpotencia. La utilización del modelo HCNN-LSTM hace que el proceso de modelado sea más sencillo y ofrece una representación precisa de la relación de entrada-salida del modelo de batería. El diseño del modelo HCNN-LSTM basado en BMO para la estimación de SOC muestra la novedad del trabajo. Un análisis experimental extenso destacó la supremacía del modelo propuesto sobre otros métodos existentes en términos de diferentes aspectos.
Descripción
En los últimos años, las tecnologías de motor alternativas son necesarias para resolver los problemas relacionados con los vehículos convencionales. Los vehículos eléctricos (VEs) y los vehículos híbridos eléctricos (HEVs) son soluciones efectivas para descarbonizar el sector del transporte. También es importante pasar de las casas tradicionales a las casas inteligentes y de los vehículos clásicos a los VEs o HEVs. Es necesario combinar fuentes de energía renovable (FER) como la energía solar fotovoltaica, los sistemas de energía eólica y diversas formas de bioenergías. Entre las diversas tecnologías HEV, un sistema de gestión de baterías (BMS) efectivo sigue siendo un problema crucial que se utiliza principalmente para indicar el estado de carga de la batería (SOC). Dado que la sobrecarga y la sobre descarga resultan en un deterioro inevitable de las baterías, se desea una estimación precisa del SOC presentada por el BMS. Aunque existen varias técnicas de estimación del SOC para regular el SOC de la celda de la batería, es necesario mejorar el rendimiento de la estimación del SOC en los HEVs. En este sentido, este documento se centra en el diseño de un novedoso modelo de estimación de SOC con aprendizaje profundo (DL) para la gestión segura de energía renovable (DLSOC-REM) para HEVs. El modelo presentado emplea un modelo híbrido de red neuronal convolucional y memoria a corto plazo (HCNN-LSTM) para la estimación precisa del SOC. Con el fin de mejorar los resultados de estimación del SOC del modelo HCNN-LSTM, se aplica el optimizador de apareamiento de percebes (BMO) para el proceso de ajuste de hiperpotencia. La utilización del modelo HCNN-LSTM hace que el proceso de modelado sea más sencillo y ofrece una representación precisa de la relación de entrada-salida del modelo de batería. El diseño del modelo HCNN-LSTM basado en BMO para la estimación de SOC muestra la novedad del trabajo. Un análisis experimental extenso destacó la supremacía del modelo propuesto sobre otros métodos existentes en términos de diferentes aspectos.