دانلود پایان نامه شبکه عصبی برای مدل سازی پارامتر الکتریکی در خودروی الکتریکی

1. مقدمه 2. چارچوب نظری 3. مروری بر مقالات و کارهای مرتبط 4. روش تحقیق تجربی 5. نتایج و بحث و بررسی 6. نتیجه گیری و کارهای آتی

چکیده – ماشین های سنکرون مغناطیس دائم، مزایای متعددی دارند و عالی ترین عملکرد را برای خودروهای الکتریکی از خود نشان داده اند. با این حال، مدلسازی آنها بخاطر غیرخطی بودنشان دشوار است. برای پرداختن به این پیچیدگی، مدل های شبکه عصبی مصنوعی و یادگیری ماشین، شامل k نزدیکترین همسایه، درخت تصمیم، جنگل تصادفی و رگرسیون خطی چندگانه با یک مدل درجه دوم برای پیش بینی پارامترها و تلفات الکتریکی به عنوان رویکردهای پیش بینی جدید برای عملکرد خودروهای الکتریکی Volvo Cars و ارزیابی عملکرد آنها، بکار گرفته شدند. داده های عملکرد آزمون شرکت Volvo برای استخراج و محاسبه داده های ورودی و خروجی برای هر مدل پیش بینی مورد استفاده قرار گرفت. برای هموارسازی اثرات هر متغیر ورودی، داده های ورودی بهنجار سازی (نرمالیزه) شدند. علاوه بر آن، ماتریس های همبستگی ورودی های بهنجار شده تولید شدند که این ماتریس ها همبستگی بالایی بین دمای روتور و مقاومت سیم پیچ در مجموعه داده های پیش بینی پارامتر الکتریکی، نشان دادند. همچنین، همبستگی قوی بین دمای سیم پیچ و دمای روتور در مجموعه داده پیش بینی تلفات، نشان دادند. جستجوی شبکه ای (Grid Search) با اعتباریابی متقابل 5 برابر برای بهینه سازی ابرپارامترهای شبکه عصبی مصنوعی و مدل های یادگیری ماشینی بکار گرفته شد. مدل های شبکه عصبی مصنوعی، بهترین عملکرد از نظر نمره های MSE و R2 برای همه پارامترهای الکتریکی و پیش بینی تلفات را داشتند. نتایج نشان می دهند که شبکه های عصبی مصنوعی در مدیریت روابط غیرخطی پیچیده مانند روابط مشاهده شده در سیستم های الکتریکی در مقایسه با دیگر الگوریتم های یادگیری ماشینی، موفق تر هستند. جنگل تصادفی در مقایسه با دیگر الگوریتمهای یادگیری ماشینی مانند درخت های تصمیم، k نزدیکترین همسایه و رگرسیون خطی چندگانه با یک مدل درجه دوم، بهترین نتایج را تولید کرد. به استثنای ولتاژ محور q، مدل درخت تصمیم عملکرد بهتری نسبت به مدل k نزدیکترین همسایه از لحاظ پیش بینی پارامتر، سنجش شده بوسیله نمره های MSE و R2 داشت. رگرسیون خطی چندگانه با یک مدل درجه دوم، بدترین نتایج را برای پیش بینی پارامترهای الکتریکی حاصل کرد زیرا رابطه بین ورودی و خروجی برای یک «معادله درجه دوم چندگانه» بسیار پیچیده بود. مدل های جنگل تصادفی عملکرد بهتری نسبت به مدل های درخت تصمیم داشتند، زیرا جنگل تصادفی صدها زیرمجموعه از درخت های تصمیم را سرهم بندی می کند و نتایج را میانگین گیری می کند. K نزدیکترین همسایه، عملکرد ضعیفتری را برای پیش بینی تقریباً همه پارامترهای الکتریکی در مقایسه با درخت تصمیم داشت، زیرا بسادگی نزدیک ترین نقاط را انتخاب می کند و از میانگین به عنوان خروجی های پیش بینی شده استفاده می کند، بنابراین برای پیش بینی روابط غیرخطی پیچیده بسیار چالش برانگیز است. با این حال، این مدل برای سروکار داشتن با روابط ساده و برای درک روابط بین داده ها مفید است. از لحاظ پیش بینی تلفات، مدل های k نزدیکترین همسایه و درخت تصمیم نتایج مشابهی براساس نمره های MSE و R2 برای تلفات ماشین الکتریکی و تلفات اینورتر داشت. نتایج پیش بینی آنها ضعیف تر از مدل رگرسیون خطی چندگانه با یک مدل درجه دوم بودند، اما عملکرد بهتری نسبت به رگرسیون خطی چندگانه با یک مدل درجه دوم، برای پیش بینی اختلاف توان بین توان الکترومغناطیسی و توان مکانیکی داشت.

Permanent magnet synchronous machines have various advantages and have showed the most superior performance for Electric Vehicles. However, modeling them is difficult because of their nonlinearity. In order to deal with the complexity, the artificial neural network and machine learning models including k-nearest neighbors, decision tree, random forest, and multiple linear regression with a quadratic model are developed to predict electrical parameters and losses as new prediction approaches for the performance of Volvo Cars’ electric vehicles and evaluate their performance. The test operation data of the Volvo Cars Corporation was used to extract and calculate the input and output data for each prediction model. In order to smooth the effects of each input variable, the input data was normalized. In addition, correlation matrices of normalized inputs were produced, which showed a high correlation between rotor temperature and winding resistance in the electrical parameter prediction dataset. They also demonstrated a strong correlation between the winding temperature and the rotor temperature in the loss prediction dataset. Grid search with 5-fold cross validation was implemented to optimize hyperparameters of artificial neural network and machine learning models. The artificial neural network models performed the best in MSE and R-squared scores for all the electrical parameters and loss prediction. The results indicate that artificial neural networks are more successful at handling complicated nonlinear relationships like those seen in electrical systems compared with other machine learning algorithms. Compared to other machine learning algorithms like decision trees, k-nearest neighbors, and multiple linear regression with a quadratic model, random forest produced superior results. With the exception of q-axis voltage, the decision tree model outperformed the knearest neighbors model in terms of parameter prediction, as measured by MSE and R-squared score. Multiple linear regression with a quadratic model produced the worst results for the electric parameters prediction because the relationship between the input and output was too complex for a multiple quadratic equation to deal with. Random forest models performed better than decision tree models because random forest ensemble hundreds of subset of decision trees and averaging the results. The k-nearest neighbors performed worse for almost all electrical parameters anticipation than the decision tree because it simply chooses the closest points and uses the average as the projected outputs so it was challenging to forecast complex nonlinear relationships. However, it is helpful for handling simple relationships and for understanding relationships in data. In terms of loss prediction, the k-nearest neighbors and decision tree produced similar results in MSE and R-squared score for the electric machine loss and the inverter loss. Their prediction results were worse than the multiple linear regression with a quadratic model, but they performed better than the multiple linear regression with a quadratic model, for forecasting the power difference between electromagnetic power and mechanical power.