تخمین وضعیت شارژ باتری لیتیوم یون با استفاده از فیلتر ذره ای حاشیه‎ ای ‌کمکی بهبود یافته با اپراتورهای ژنتیک و الگوریتم ‌m-h

تخمین وضعیت شارژ باتری های لیتیوم یون نه تنها برای مدیریت بهینه انرژی،بلکه برای اطمینان از عملکرد امن، جلوگیری از شارژ ، دشارژ و در نتیجه کاهش عمر باتری از اهمیت بالایی برخوردار است. با این وجود، اینپارامتر به طور مستقیم از پایانه های باتری قابل اندازه گیری نیست. بنابراین نیاز به تخمین آن وجود دارد. در این مقاله فیلتر ذره ای حاشیه ای کمکی بهبود یافته برای تخمین وضعیت شارژ باتری های لیتیوم یون ارایه شده است. در روش پیشنهادی، برخلاف فیلتر ذره ای، نمونه برداری بر روی توزیع حاشیه ای انجام می شود و ابعاد نمونه برداری با گذشت زمان افزایش نمییابد. بعلاوه، در روش پیشنهادی از عملگرهای ژنتیک و الگوریتم m-h برای افزایش تنوع میان ذرات استفاده شده است. استفاده از عملگرهای ژنتیک و الگوریتم m-h باعث می شود ذراتی که نمونه برداری مجدد شده اند، بطور مجانبی نمونه ها را از تابع چگالی احتمال پسین حالت واقعی تقریب بزنند و سازگاری افزایش یابد. عملکرد روش پیشنهادی برای تخمین وضعیت شارژ باتری، با تخمین وضعیت شارژ براساس فیلتر ذره ای توسعه یافته و فیلتر ذره ای بی رد مقایسه شده است. نتایج نشان دهنده عملکرد موثر روش پیشنهادی در مقایسه با سایر روش ها است. روش پیشنهادی برای بدست آوردن دقت تخمین یکسان با فیلتر ذره ای به ذرات به مراتب کمتری نیاز دارد و حجم محاسبات آن پایین است. جذر میانگین مربعات خطا در روش پیشنهادی با ذرات مختلف 007 / 0 نزدیک است در حالی که در سایر روش ها با کاهش ذرات،جذر میانگین مربعات خطا افزایش می یابد.

estimating the state of charge of lithium-ion batteries using improved marginal particle filter with genetic operators and m-h algorithm

estimating the state of charge of lithium- ion batteries is of great importance not only for optimal energy management, but also for ensuring safe operation, preventing charging and discharging, and as a result reducing the life of the battery. however, this parameter cannot be measured directly from the battery terminals. therefore, there is a need to estimate it. in this paper an improved auxiliary marginal particle filter is presented to estimate the state of charge of lithium-ion batteries. in the proposed method, unlike the particle filter, sampling is done on the marginal distribution and the sampling dimensions do not increase with the passage of time. in addition, genetic operators and m-h algorithm have been used in the proposed method to increase diversity among particles. the use of genetic operators and the m-h algorithm causes the resampled particles to asymptotically approximate the samples from the posterior probability density function of the true state and increases the compatibility. the performance of the proposed method for estimating the state of charge of the battery has been compared with the estimation of the state of charge based on the developed particle filter and traceless particle filter. the results show the effective performance of the proposed method in comparison with other methods. the proposed method to obtain the same estimation accuracy as the particle filter requires far fewer particles and the amount of calculations is low. the root mean square error in the proposed method with different particles is close to 0.007, while in other methods, the root mean square error increases with the decrease of particles.