Previsão do estado de carga de bateria aplicada a veículos elétricos usando modelos lineares auto-ajustados através de algoritmos de otimização

Detalhes bibliográficos
Ano de defesa: 2019
Autor(a) principal: Castanho, Diego Solak
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Tecnológica Federal do Paraná
Ponta Grossa
Brasil
Programa de Pós-Graduação em Engenharia Elétrica
UTFPR
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Baterias elétricas
Lítio
Veículos elétricos
Inteligência computacional
Electric batteries
Lithium
Electric vehicles
Computational intelligence
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Engenharia/Tecnologia/Gestão
Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/4758
Resumo: In the last decades, electric vehicles have gained great popularity by their performance and efficiency. Investment in the development of this new technology is justified by increased consciousness of the environmental impacts caused by combustion vehicles such as greenhouse gas emissions that have contributed to global warming as well as the depletion of non-oil renewable energy source. Lithium-ion batteries are the most promising have been widely used for their advantageous features, forecasts such as high energy density, a large number of cycles, and low self-discharge. One of the critical factors for the correct operation of an electric vehicle is the estimation of the battery charge state. This work presents a comparison of the load state estimation (SOC), tested in four different conduction profiles, which was performed using three distinct models: Generalized Linear Model (GLM), GLM with Poisson regression and Linear interpolation (SPLINE) calibrated by 3 different optimization techniques: Genetic Algorithm (GA), Differential Evolution (DE) and Particle Swarm Optimization (PSO). The computational results showed that for the SOC prediction the most suitable model is the GLM calibrated by the PSO optimization algorithm.
id UTFPR-12_be52ebd070a647636b3c7d3958b3e5f3
oai_identifier_str oai:repositorio.utfpr.edu.br:1/4758
network_acronym_str UTFPR-12
network_name_str Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
repository_id_str
spelling Previsão do estado de carga de bateria aplicada a veículos elétricos usando modelos lineares auto-ajustados através de algoritmos de otimizaçãoPredicting the state of charge of the battery applied to electric vehicles using linear models self-tuned through optimization algorithmsBaterias elétricasLítioVeículos elétricosInteligência computacionalElectric batteriesLithiumElectric vehiclesComputational intelligenceCNPQ::ENGENHARIAS::ENGENHARIA ELETRICAEngenharia/Tecnologia/GestãoIn the last decades, electric vehicles have gained great popularity by their performance and efficiency. Investment in the development of this new technology is justified by increased consciousness of the environmental impacts caused by combustion vehicles such as greenhouse gas emissions that have contributed to global warming as well as the depletion of non-oil renewable energy source. Lithium-ion batteries are the most promising have been widely used for their advantageous features, forecasts such as high energy density, a large number of cycles, and low self-discharge. One of the critical factors for the correct operation of an electric vehicle is the estimation of the battery charge state. This work presents a comparison of the load state estimation (SOC), tested in four different conduction profiles, which was performed using three distinct models: Generalized Linear Model (GLM), GLM with Poisson regression and Linear interpolation (SPLINE) calibrated by 3 different optimization techniques: Genetic Algorithm (GA), Differential Evolution (DE) and Particle Swarm Optimization (PSO). The computational results showed that for the SOC prediction the most suitable model is the GLM calibrated by the PSO optimization algorithm.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)Nas últimas décadas os veículos elétricos têm conquistado uma enorme popularidade pelo seu desempenho e eficiência. O investimento no desenvolvimento dessa nova tecnologia é justificado pelo aumento da conscientização sobre os impactos ambientais causados pelos veículos a combustão, como emissões dos gases do efeito estufa que têm contribuído para o aquecimento global, assim como pelo esgotamento das reservas de petróleo. As baterias de íons de lítio são as mais promissoras para aplicações em EV atualmente e vêm sendo largamente utilizadas pelas suas características vantajosas, como elevada densidade de energia, grande número de ciclos e baixa auto descarga. Um dos fatores críticos para a correta operação de um veículo elétrico é a estimação do estado de carga da bateria (SOC). Desta forma, este trabalho apresenta um comparativo de desempenho entre técnicas testadas em quatro perfis de condução diferentes, por meio do uso de 3 modelos distintos: Modelo Linear Generalizado (GLM), GLM com a regressão de Poisson e Interpolação Linear (SPLINE). Estes foram calibrados por 3 diferentes técnicas de otimização: Algoritmo Genético (GA), Evolução Diferencial (DE) e Otimização por Exame de Partículas (PSO). O resultados computacionais mostraram que para a previsão de SOC o modelo mais adequado é o GLM calibrado pelo algoritmo de otimização PSO.Universidade Tecnológica Federal do ParanáPonta GrossaBrasilPrograma de Pós-Graduação em Engenharia ElétricaUTFPRCorrêa, Fernanda Cristinahttps://orcid.org/0000-0003-4907-0395http://lattes.cnpq.br/1495216809511536Siqueira, Hugo Valadareshttps://orcid.org/0000-0002-1278-4602http://lattes.cnpq.br/6904980376005290Corrêa, Fernanda Cristinahttps://orcid.org/0000-0003-4907-0395http://lattes.cnpq.br/1495216809511536Silva, Ludmila Corrêa de Alkmin ehttps://orcid.org/0000-0002-1645-183Xhttp://lattes.cnpq.br/7205004591298114Stevan Junior, Sergio Luizhttps://orcid.org/0000-0002-4783-5350http://lattes.cnpq.br/1661935150054196Castanho, Diego Solak2020-03-11T17:07:59Z2020-03-11T17:07:59Z2019-12-18info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfCASTANHO, Diego Solak. Previsão do estado de carga de bateria aplicada a veículos elétricos usando modelos lineares auto-ajustados através de algoritmos de otimização. 2019. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2019.http://repositorio.utfpr.edu.br/jspui/handle/1/4758porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))instname:Universidade Tecnológica Federal do Paraná (UTFPR)instacron:UTFPR2020-03-12T06:01:03Zoai:repositorio.utfpr.edu.br:1/4758Repositório InstitucionalPUBhttp://repositorio.utfpr.edu.br:8080/oai/requestriut@utfpr.edu.br || sibi@utfpr.edu.bropendoar:2020-03-12T06:01:03Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR)false
dc.title.none.fl_str_mv Previsão do estado de carga de bateria aplicada a veículos elétricos usando modelos lineares auto-ajustados através de algoritmos de otimização
Predicting the state of charge of the battery applied to electric vehicles using linear models self-tuned through optimization algorithms
title Previsão do estado de carga de bateria aplicada a veículos elétricos usando modelos lineares auto-ajustados através de algoritmos de otimização
spellingShingle Previsão do estado de carga de bateria aplicada a veículos elétricos usando modelos lineares auto-ajustados através de algoritmos de otimização
Castanho, Diego Solak
Baterias elétricas
Lítio
Veículos elétricos
Inteligência computacional
Electric batteries
Lithium
Electric vehicles
Computational intelligence
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Engenharia/Tecnologia/Gestão
title_short Previsão do estado de carga de bateria aplicada a veículos elétricos usando modelos lineares auto-ajustados através de algoritmos de otimização
title_full Previsão do estado de carga de bateria aplicada a veículos elétricos usando modelos lineares auto-ajustados através de algoritmos de otimização
title_fullStr Previsão do estado de carga de bateria aplicada a veículos elétricos usando modelos lineares auto-ajustados através de algoritmos de otimização
title_full_unstemmed Previsão do estado de carga de bateria aplicada a veículos elétricos usando modelos lineares auto-ajustados através de algoritmos de otimização
title_sort Previsão do estado de carga de bateria aplicada a veículos elétricos usando modelos lineares auto-ajustados através de algoritmos de otimização
author Castanho, Diego Solak
author_facet Castanho, Diego Solak
author_role author
dc.contributor.none.fl_str_mv Corrêa, Fernanda Cristina
https://orcid.org/0000-0003-4907-0395
http://lattes.cnpq.br/1495216809511536
Siqueira, Hugo Valadares
https://orcid.org/0000-0002-1278-4602
http://lattes.cnpq.br/6904980376005290
Corrêa, Fernanda Cristina
https://orcid.org/0000-0003-4907-0395
http://lattes.cnpq.br/1495216809511536
Silva, Ludmila Corrêa de Alkmin e
https://orcid.org/0000-0002-1645-183X
http://lattes.cnpq.br/7205004591298114
Stevan Junior, Sergio Luiz
https://orcid.org/0000-0002-4783-5350
http://lattes.cnpq.br/1661935150054196
dc.contributor.author.fl_str_mv Castanho, Diego Solak
dc.subject.por.fl_str_mv Baterias elétricas
Lítio
Veículos elétricos
Inteligência computacional
Electric batteries
Lithium
Electric vehicles
Computational intelligence
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Engenharia/Tecnologia/Gestão
topic Baterias elétricas
Lítio
Veículos elétricos
Inteligência computacional
Electric batteries
Lithium
Electric vehicles
Computational intelligence
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Engenharia/Tecnologia/Gestão
description In the last decades, electric vehicles have gained great popularity by their performance and efficiency. Investment in the development of this new technology is justified by increased consciousness of the environmental impacts caused by combustion vehicles such as greenhouse gas emissions that have contributed to global warming as well as the depletion of non-oil renewable energy source. Lithium-ion batteries are the most promising have been widely used for their advantageous features, forecasts such as high energy density, a large number of cycles, and low self-discharge. One of the critical factors for the correct operation of an electric vehicle is the estimation of the battery charge state. This work presents a comparison of the load state estimation (SOC), tested in four different conduction profiles, which was performed using three distinct models: Generalized Linear Model (GLM), GLM with Poisson regression and Linear interpolation (SPLINE) calibrated by 3 different optimization techniques: Genetic Algorithm (GA), Differential Evolution (DE) and Particle Swarm Optimization (PSO). The computational results showed that for the SOC prediction the most suitable model is the GLM calibrated by the PSO optimization algorithm.
publishDate 2019
dc.date.none.fl_str_mv 2019-12-18
2020-03-11T17:07:59Z
2020-03-11T17:07:59Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv CASTANHO, Diego Solak. Previsão do estado de carga de bateria aplicada a veículos elétricos usando modelos lineares auto-ajustados através de algoritmos de otimização. 2019. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2019.
http://repositorio.utfpr.edu.br/jspui/handle/1/4758
identifier_str_mv CASTANHO, Diego Solak. Previsão do estado de carga de bateria aplicada a veículos elétricos usando modelos lineares auto-ajustados através de algoritmos de otimização. 2019. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2019.
url http://repositorio.utfpr.edu.br/jspui/handle/1/4758
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Tecnológica Federal do Paraná
Ponta Grossa
Brasil
Programa de Pós-Graduação em Engenharia Elétrica
UTFPR
publisher.none.fl_str_mv Universidade Tecnológica Federal do Paraná
Ponta Grossa
Brasil
Programa de Pós-Graduação em Engenharia Elétrica
UTFPR
dc.source.none.fl_str_mv reponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
instname:Universidade Tecnológica Federal do Paraná (UTFPR)
instacron:UTFPR
instname_str Universidade Tecnológica Federal do Paraná (UTFPR)
instacron_str UTFPR
institution UTFPR
reponame_str Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
collection Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
repository.name.fl_str_mv Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR)
repository.mail.fl_str_mv riut@utfpr.edu.br || sibi@utfpr.edu.br
_version_ 1850498266314047488

Registros relacionados