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

• Autor(a) principal: Castanho, Diego Solak
• Data de Publicação: 2019
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
• Texto Completo: http://repositorio.utfpr.edu.br/jspui/handle/1/4758
• topic: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA; Baterias elétricas; Lítio; Veículos elétricos; Inteligência computacional; Electric batteries; Lithium; Electric vehicles; Computational intelligence; Engenharia/Tecnologia/Gestão

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.