دانلود ترجمه مقاله استفاده از سیستم جدید نورو فازی در نشانگر ظرفیت باتری لیتیم یون خودرو الکتریکی – مجله الزویر

elsevier

 

 عنوان فارسی مقاله: یک شاخص جدید ظرفیت باتری برای باتری لیتیم-یون به کار گرفته شده در وسایل نقلیه الکتریکی با استفاده از سیستم استنتاج نورو-فازی آداپتیو
 عنوان انگلیسی مقاله: A new battery capacity indicator for lithium-ion battery powered electric vehicles using adaptive neuro-fuzzy inference system
دانلود مقاله انگلیسی: برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید
خرید ترجمه آماده: downloadbutton

 

سال انتشار  ۲۰۰۴
تعداد صفحات مقاله انگلیسی  ۱۲ صفحه
تعداد صفحات ترجمه مقاله  ۱۵ صفحه
مجله  مجله مدیریت و تبدیل انرژی
دانشگاه  هونگ کونگ
کلمات کلیدی  –
نشریه الزویر Untitled

 


فهرست مطالب:

 

چکیده
۱ مقدمه
۲ ویژگی‌های باتری لیتیم-یون
۳ مدل سازی سواک لیتیم-یون با استفاده از انفیس
۳ ۱ معماری پایه انفیس
۳ ۲ مدل سواک لیتیم-یون
۴ مجموعه داده‌ها
۵ آموزش و اعتبارسنجی مدل
۶ فهمیدن مدل
۷ نتایج
قدردانی و تشکر
مرجع

 


 

بخشی از ترجمه:

 

مقدمه

در حال حاضر و در آینده قابل پیش‌بینی، باتری‌ها به عنوان منبع انرژی برای وسایل نقلیه الکتریکی مدرن (EVs)، شامل باتری EV BEV، هیبرید EV HEV و پیل سوختی EV FCEV مورد توافق هستند [۱]. این باتری‌های زیست پذیر EV شامل یک شیر تنظیم کننده اسید می باشند (VRLA)، و شامل نیکل-کادمیوم، نیکل-روی، هیبرید فلزی-نیکل، روی/هوا، آلومینیوم/هوا، سدیم/گوگرد، سدیم/ نیکل کلرید، لیتیم-پلیمر و لیتیم-یون می‌باشند [۲].
اخیراً، تشخیص داده شده است که آن باتری‌ها کاربردهای نویددهنده ای برای EV ها، VRLA، هیبرید فلزی-نیکل و باتری‌های لیتیم–یون می‌باشند [۳]. باطری VRLA برای عملکرد پایین EV ها به دلیل سودمندی هزینه به طور گسترده‌ای مورد پذیرش قرار گرفته است؛ باطری هیبرید فلزی-نیکل برای عملکرد متوسط EV ها به دلیل انرژی مشخص خوب آن و توان مشخص خوب آن جذاب می باشد؛ و باتری لیتیم-یون برای عملکرد بالای EV ها مورد پذیرش قرار گرفته است زیراکه انرژی مشخص عالی و توان مشخص عالی را فراهم می‌آورد. پیش‌بینی شده است که باتری هیبرید فلزی-نیکل یک تکنولوژی باتری موقت می‌باشد که به وسیله باتری لیتیم-یون جایگزین خواهد شد اگر هزینه اولیه باتری لیتیم-یون بتواند به طور چشمگیری کاهش پیدا کند.
اگرچه توسعه تکنولوژی‌های باتری EV به طور فعالانه انجام شده است، تکنولوژی کاربرد باتری‌های EV، به عبارت دیگر، شاخص ظرفیت باقی‌مانده باتری (بی آر سی)، نمی‌تواند به سرعت توسعه استانداردهای لازم برسد، بی آرسی به مقدار الکتریسیته باقی‌مانده در باتری برمی‌گردد که می‌تواند در جریان تخلیه و دمای مشخصی آزاد شود قبل از اینکه به مقدار ولتاژ قطع مشخصی برسد. در حالت کاملاً شارژ شده، بی آرسی مربوطه، ظرفیت در دسترس باتری را نشان می‌دهد. ازآنجایی‌که تخمین بی آرسی به شدت به محدوده پیش‌برنده EV ها بستگی دارد، یک محاسبه سریع از بی آرسی لازم می باشد. واقعاً، این تکنولوژی برای تجاری سازی و معروف و مشهور شدن EV ها مهم می باشد.

 ۷٫   نتایج:
این مقاله یک مدل جدید سواک برای تخمین صحیح بی آرسی مربوط به یک باتری لیتیم-یون برای EV های مدرن را مطرح می‌کند. نکته مهم این است که این مدل از توزیع های ظرفیت تخلیه/ احیا و توزیع های دما به عنوان پارامترهای ورودی و سواک عنوان پارامتر خروجی استفاده می‌کند. علاوه بر این، پروفایل‌های جریان تخلیه واقعی EV برای فرمول بندی مدل مطرح شده استفاده شده‌اند. با مقایسه کردن سواک های به دست آمده از این مدل و سواکهای واقعی به دست آمده در آزمایشات، مدل مطرح شده اعتبارسنجی شده است تا یک صحت بالاتری را فراهم آورد.

 


بخشی از مقاله انگلیسی:

 

Introduction

At the present time and in the foreseeable future, batteries have been agreed to be the majorenergy source for modern electric vehicles (EVs), including the battery EV (BEV), hybrid EV(HEV) and fuel cell EV (FCEV) [1]. Those viable EV batteries consist of the valve regulated leadacid (VRLA), nickel cadmium (Ni–Cd), nickel zinc (Ni–Zn), nickel metal hydride (Ni–MH), zinc/air (Zn/air), aluminum/air (Al/air), sodium/sulfur (Na/S), sodium/nickel chloride (Na/NiCl2),lithium-polymer (Li-polymer) and lithium-ion (Li-ion) types [2].Recently, it has been identified that those batteries with promising application to EVs are theVRLA, Ni–MH and Li-ion batteries [3]. The VRLA battery is widely accepted for low performanceEVs due to its maturity and cost effectiveness; the Ni–MH battery is attractive for moderateperformance EVs because of its good specific energy and good specific power; and the Li-ionbattery is becoming accepted for high performance EVs because it offers excellent specific energyand excellent specific power. It is anticipated that the Ni–MH battery is an interim batterytechnology that will be superseded by the Li-ion battery if the initial cost of the Li-ion battery canbe significantly reduced upon mass production.Although the development of EV battery technologies is being actively conducted, the applicationtechnology of EV batteries, namely the battery residual capacity (BRC) indicator, cannotcatch up with the development pace. The BRC refers to the quantity of electricity remaining in thebattery that can be delivered at a certain discharge current and temperature before reaching thespecified cutoff voltage. At the fully charged state, the corresponding BRC is denoted the batteryavailable capacity (BAC). Since the BRC estimation is strongly related to the driving range ofEVs, an accurate calculation of the BRC is vital. Actually, this technology is the key to commercializationand popularization of EVs. Starting from the past decade, many battery capacity estimation approaches for the VRLAbattery in EVs have been investigated, such as the impedance measurement approach [4] andartificial neural network (ANN) modeling approach [5]. Recently, these approaches have beenextended to the Ni–MH battery. For the impedance approach [6], the terminal voltage (response)is measured when a small amplitude ac perturbation (stimulus) is injected into the battery, andhence, the impedance is calculated by the ratio of the response to the stimulus. However, themeasured impedance can only indicate the state of charge (SOC), namely the theoretical ratio ofthe remaining active material to the total active material inside the battery that can be convertedinto electrical energy from the chemical energy [7], which is actually different from the BRC forEVs. For the ANN modeling approach [8], an ANN model with three layers (input, hidden andoutput layers) is applied. In the input layer, there are four neurons to represent the battery terminalvoltage, discharge current, temperature and discharged capacity. In the hidden layer, fiveneurons are adopted as a result of a compromise between the estimation accuracy and thecomplexity of the ANN. In the output layer, there is one neuron indicating the battery capacity.However, this approach does not take into account the influence of the EV discharge currentprofile, which is essential for accurate estimation of BRC. Very recently, the ANN modeling approach has been further extended by incorporating fuzzylogic, hence the use of an adaptive neuro-fuzzy inference system (ANFIS) modeling for capacityestimation of the Ni–MH battery [9]. This approach can accurately estimate the state ofavailable capacity (SOAC) of the Ni–MH battery. The SOAC refers to the BRC normalized bythe BAC. However, this modeling approach has three shortcomings. First, the discharge currentsare always positive, which has not considered the regenerative braking of EVs. Second, theinstantaneous temperature, rather than its distributions, is used as an input, which cannot fullydescribe the influence of temperature. Third, the current profiles are simplified to the climbinghill discharge current, fast discharge current, normal discharge current and small dischargecurrent, which cannot reflect the actual operation of EVs. On the other hand, the use of another neuro-fuzzy system has been attempted to model the Li-ion battery for estimation of SOC [10].However, it deals only with constant current discharge profiles, which are far from realistic EVoperation.Since the Li-ion battery is becoming accepted by high performance EVs, such as the NissanAltra EV, an accurate BRC indicator for Li-ion battery powered EVs is highly desirable. Based onthe spirit of our previous work for the Ni–MH battery [9], the purpose of this paper is to proposea new ANFIS model for accurate BRC estimation of the Li-ion battery. Instead of a straightforwardextension of our previous work, the model will newly consider the effect of regenerativebraking and the use of temperature distributions. Also, rather than using those simplified dischargecurrent profiles, the model will newly employ realistic EV discharge current profiles forboth training and validation.

 


 عنوان فارسی مقاله: یک شاخص جدید ظرفیت باتری برای باتری لیتیم-یون به کار گرفته شده در وسایل نقلیه الکتریکی با استفاده از سیستم استنتاج نورو-فازی آداپتیو
 عنوان انگلیسی مقاله: A new battery capacity indicator for lithium-ion battery powered electric vehicles using adaptive neuro-fuzzy inference system
دانلود مقاله انگلیسی: برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید
خرید ترجمه آماده: downloadbutton

 

 

 

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

خرید نسخه پاورپوینت این مقاله جهت ارائه

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *