بکارگیری الگوریتم های یادگیری ماشین جهت تخمین وضعیت سلامت باتری

کارکرد صحیح بسیاری از سامانه های الکتریکی منوط به عملکرد صحیح باتری می باشد. با مرور زمان و در طول چرخه‌های مکرر شارژ و دشارژ، باتری ها دچار افت ظرفیت غیرقابل برگشت خواهند شد که منتج به کاهش ظرفیت خواهد شد. با وجود اهمیت بسیار زیاد وضعیت سلامت باتری، پارامترهای تعیین کننده آن از جمله ظرفیت باقیمانده به‌طور مستقیم از پایانه‌های باتری قابل اندازه‌گیری نیستند و باید بصورت غیر مستقیم و از طریق داده های قابل اندازه گیری، آنها را تخمین زد. از این رو در این مقاله یادگیری ماشین و بطور خاص شبکه عصبی جهت تخمین وضعیت سلامت باتری (طول عمر) با توجه به داده های مختلف اندازه-گیری شده، بکار گرفته شده است. برای ارزیابی و مقایسه جامع، تعدادی از الگوریتم های پرکاربرد هوش مصنوعی جهت تعیین ظرفیت واقعی باتری بکار گرفته شده اند و به طبقه بندی نتایج و مقایسه آن ها با پرداخته شده است. در این راستا با توجه مجموعه داده های اندازه گیری شده از سل های باتری لیتیومی، شبکه عصبی عمیق، شبکه عصبی پرسپترون چندلایه، درخت تصمیم، ماشین بردار پشتیبان و k-نزدیکترین همسایه جهت تخمین ظرفیت واقعی باتری استفاده شده اند و نتایج بدست آمده مورد بررسی و مقایسه قرار گرفته اند. نتایج نشان داد که استفاده از رویکردهای شبکه عصبی، می توانند با دقت بالایی داده های هدف که همان ارزیابی وضعیت سلامت باتری می باشد را تشخیص و طبقه بندی کنند.

using machine learning algorithms to estimate battery health status

the correct operation of many electrical systems depends on the correct operation of the battery. over time and during repeated charge and discharge cycles, batteries will experience irreversible capacity loss, which will result in capacity reduction. despite the great importance of battery health, its determining parameters, including the remaining capacity, cannot be measured directly from the battery terminals and must be estimated indirectly through measurable data. therefore, in this article, machine learning and specifically neural network have been used to estimate the state of battery health (lifetime) according to various measured data. for a comprehensive evaluation and comparison, a number of widely used artificial intelligence algorithms have been used to determine the actual capacity of the battery, and the results have been classified and compared. in this regard, according to the measured data set of lithium battery cells, deep neural network, multilayer perceptron neural network, decision tree, support vector machine and k-nearest neighbor have been used to estimate the real capacity of the battery and the results obtained have been examined and compared. the results showed that the use of neural network approaches can identify and classify the target data with high accuracy, which is the assessment of battery health.