PERFORMANCE ANALYSIS OF CHARGE ESTIMATION IN SODIUM BATTERIES USING ARTIFICIAL NEURAL NETWORKS
Uma possível aplicação de redes neurais artificiais é operar como aproximador universal de funções, mapeando o relacionamento funcional entre as variáveis de um sistema a partir de um conjunto conhecido de valores amostrados. Neste contexto, este trabalho apresenta um método para estimação do estado de carga de baterias empregando técnicas de redes neurais artificiais através de um de banco de dados e modelos da curva de carga de baterias de sódio-cloreto de níquel. O método proposto utiliza rede neural artificial do tipo Perceptron multicamada, uma arquitetura feedforward com algoritmo de treinamento do tipo backpropagation. São apresentados resultados indicando a capacidade do método em indicar o estado de carga da bateria, assim como, uma análise dos erros estipulados. Antecipando uma conclusão, foi verificado que para esta aplicação as configurações das redes neurais possuem maior impacto no erro de estimação do
que o número de camadas utilizado no algoritmo.
PERFORMANCE ANALYSIS OF CHARGE ESTIMATION IN SODIUM BATTERIES USING ARTIFICIAL NEURAL NETWORKS
-
DOI: 10.22533/at.ed.08820240822
-
Palavras-chave: Estado da carga; redes neurais artificiais; bateria de sódio; sistema de gerenciamento de bateria.
-
Keywords: State of charge; artificial neural networks; sodium battery; battery management system.
-
Abstract:
A possible application of artificial neural networks is to operate as a universal approximator of functions, mapping the functional relationship between the variables of a system from a known set of sampled values. In this context, this work presents a method for estimating the state of charge of batteries using techniques of artificial neural networks through a database and models of the charge curve of sodium-nickel chloride batteries.The proposed method uses a multi-layer Perceptron artificial neural network, a feedforward architecture, and a backpropagation training algorithm. Results are presented indicating the capacity of the method to indicate the battery charge status, as well as an analysis of the errors obtained. Anticipating a conclusion, it was verified that for this application the configurations of the neural networks have a greater impact on the estimation error than the number of layers used in the algorithm.
-
Número de páginas: 15
- Oswaldo Hideo Ando Junior
- Helton Fernando Scherer
- Norah Nadia Sanchez Torres
- JORGE GIMENEZ LEDESMA
