بكارگيري الگوريتم هاي يادگيري ماشين جهت تخمين وضعيت سلامت باتري

Using Machine Learning Algorithms to Estimate Battery Health Status

كاركرد صحيح بسياري از سامانه هاي الكتريكي منوط به عملكرد صحيح باتري مي باشد. با مرور زمان و در طول چرخه‌هاي مكرر شارژ و دشارژ، باتري ها دچار افت ظرفيت غيرقابل برگشت خواهند شد كه منتج به كاهش ظرفيت خواهد شد. با وجود اهميت بسيار زياد وضعيت سلامت باتري، پارامترهاي تعيين كننده آن از جمله ظرفيت باقيمانده به‌طور مستقيم از پايانه‌هاي باتري قابل اندازه‌گيري نيستند و بايد بصورت غير مستقيم و از طريق داده هاي قابل اندازه گيري، آنها را تخمين زد. از اين رو در اين مقاله يادگيري ماشين و بطور خاص شبكه عصبي جهت تخمين وضعيت سلامت باتري (طول عمر) با توجه به داده هاي مختلف اندازه-گيري شده، بكار گرفته شده است. براي ارزيابي و مقايسه جامع، تعدادي از الگوريتم هاي پركاربرد هوش مصنوعي جهت تعيين ظرفيت واقعي باتري بكار گرفته شده اند و به طبقه بندي نتايج و مقايسه آن ها با پرداخته شده است. در اين راستا با توجه مجموعه داده هاي اندازه گيري شده از سل هاي باتري ليتيومي، شبكه عصبي عميق، شبكه عصبي پرسپترون چندلايه، درخت تصميم، ماشين بردار پشتيبان و K-نزديكترين همسايه جهت تخمين ظرفيت واقعي باتري استفاده شده اند و نتايج بدست آمده مورد بررسي و مقايسه قرار گرفته اند. نتايج نشان داد كه استفاده از رويكردهاي شبكه عصبي، مي توانند با دقت بالايي داده هاي هدف كه همان ارزيابي وضعيت سلامت باتري مي باشد را تشخيص و طبقه بندي كنند.

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.