دانلود ترجمه مقاله روش برآورد حالت شارژ مبتنی بر دینامیک ولتاژ برای سیستم باتری

1. مقدمه 2. کارهای مرتبط 3. مقدمات 4. روش پیشنهادی 5. آزمایشات 6. نتیجه گیری و کارهای آتی

چکیده – در سالهای اخیر، استفاده از باتریهای یون لیتیوم در سیستم های قدرت هوشمند و خودروهای الکتریکی/هیبرید، بیش از پیش مرسوم شده است، زیرا روشی انعطاف پذیر و مقرون به صرفه برای ذخیره و تحویل توان، فراهم می کنند. انتگراسیون کامل آنها در سیستم های پیچیده تر، نیاز به برآورد دقیق انرژی ای دارد که یک باتری در حال حاضر ذخیره می کند. به آن «وضعیت شارژ» (SoC) گفته می شود. با این حال، روش های استانداردی در مقالات بیان شده، تخمین دقیق SoC را با فقط داشتن دانش قبلی در مورد باتری، فراهم می کنند. علاوه بر آن، دقت آنها تنزل پیدا می کند اگر شرایط کاری باتری (برای مثال، دمای بیرونی)، در گذر زمان متغیر باشد، یا اندازه گیری های باتری لازم برای تخمین SoC، تحت تاثیر آفست یا بایاس گین (بهره) قرار گیرند. برای رفع این محدودیت ها، این مقاله، یک روش مبتنی بر بهینه سازی داده محور نوین را برای تخمین SoC باتری، به نام VDB-SE، پیشنهاد می کند. روش پیشنهادی، تخمین دقیق SoC را بدون دانستن پارامترهای مدل باتری، مانند ظرفیت و مقاومت داخلی، فراهم می کند. مشخص سازی این پارامترها، نیاز به تست های آزمایشگاهی پیچیده و طولانی دارد. تایید تجربی و مقایسات نشان می دهند که عملکرد VDB-SE در طیف گسترده ای از شرایط کاری با الگوریتم های نوین موجود، مشابه است. در واقع، تفاوت عملکردی کمتر از 0.2% است. علاوه بر آن، نتایج تجربی نشان دادند که در یک سیستم ذخیره انرژی واقعی، روش پیشنهادی، با خطایی کمتر از 2.1%، تخمین SoC را فراهم می کند.

In recent years, the use of Lithium-ion batteries in smart power systems and hybrid/electric vehicles has become increasingly popular since they provide a flexible and cost-effective way to store and deliver power. Their full integration into more complex systems requires an accurate estimate of the energy a battery is currently storing, a.k.a. State of Charge (SoC). However, the standard techniques present in the literature provide an accurate estimation of the SoC only having a priori knowledge about the battery. Moreover, their accuracy degrades if the battery working conditions (e.g., external temperature) are variable over time, or battery measurements necessary for the SoC estimation are affected by offset or gain biases. To overcome these limitations, this paper proposes a novel data-driven optimization based methodology for battery SoC estimation, namely VDB-SE. The proposed methodology provides accurate SoC estimations without knowing battery model parameters, such as capacity and internal resistance, whose characterization would require complex and long laboratory tests. Experimental verification and comparisons demonstrate that VDB-SE performance are comparable to the state-of-the-art algorithms over a wide range of working conditions. Indeed, the difference in terms of performance is smaller than 0.2%. Moreover, experimental results showed that on a real energy storage system the proposed method provides a SoC estimation with an error of less than 2.1%.