Estimativa do estado de carga de baterias utilizando redes neurais artificiais

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSiqueira, Hugo Valadares-
Autor(es): dc.contributorSiqueira, Hugo Valadares-
Autor(es): dc.contributorMartins, Marcella Scoczynski Ribeiro-
Autor(es): dc.contributorKan, Rafael Felipe Van-
Autor(es): dc.creatorSilva, Cristiellen Heuko da-
Data de aceite: dc.date.accessioned2025-08-29T12:01:12Z-
Data de disponibilização: dc.date.available2025-08-29T12:01:12Z-
Data de envio: dc.date.issued2025-08-08-
Data de envio: dc.date.issued2025-08-08-
Data de envio: dc.date.issued2025-06-13-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/37818-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1087483-
Descrição: dc.descriptionWith the growing demand for electric vehicles, the development of intelligent systems capable of accurately monitoring the functionality and longevity of batteries has become essential, as they are among the most critical and costly components of these automobiles. Proper management of the State of Charge (SOC) is crucial to ensure battery performance, safety, and lifespan. In this context, the present work aims to estimate the SOC of batteries from the Renault Kangoo, an electric vehicle with approximately 10 years of use, using machine learning techniques. Three distinct Artificial Neural Network (ANN) architectures were implemented and evaluated: the Multilayer Perceptron (MLP), the Long Short-Term Memory network (LSTM), and the Extreme Learning Machine (ELM). The methodology involved collecting, preprocessing, and analyzing real-world operational data from the vehicle to train and validate the proposed models. The best performance was achieved by the ELM and LSTM networks, with mean squared errors of 0.000023 and 0.000048, respectively, demonstrating high accuracy in SOC prediction. The results highlight the potential of neural networks for intelligent battery monitoring in vehicular applications.-
Descrição: dc.descriptionCom a crescente demanda por veículos elétricos, tornou-se necessário o desenvolvimento de sistemas inteligentes capazes de monitorar com precisão a funcionalidade e a longevidade das baterias, que representam um dos principais componentes desses automóveis 4 tanto do ponto de vista técnico quanto econômico. O gerenciamento adequado do Estado de Carga (State of Charge 3 SOC) é essencial para garantir o desempenho, a segurança e a vida útil das baterias. Nesse contexto, o presente trabalho tem como objetivo estimar o SOC de baterias do Renault Kangoo, um veículo elétrico com cerca de 10 anos de uso, utilizando técnicas de aprendizado de máquina. Foram implementadas e avaliadas três arquiteturas distintas de Redes Neurais Artificiais (RNAs): o Perceptron de Múltiplas Camadas (MLP), a Memória de Longo-Curto Prazo (LSTM) e a Máquina de Aprendizado Extremo (ELM). O processo envolveu a coleta, pré-processamento e análise de dados reais de operação do veículo, com o intuito de treinar e validar os modelos propostos. Os melhores desempenhos foram obtidos pelas redes ELM e LSTM, com erros quadráticos médios de 0.000023 e 0.000048, respectivamente, demonstrando elevada acurácia na predição do SOC. Os resultados reforçam o potencial das RNAs no monitoramento inteligente de baterias em aplicações veiculares.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherPonta Grossa-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherDepartamento Acadêmico de Engenharia Elétrica-
Publicador: dc.publisherEngenharia Elétrica-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectBaterias elétricas-
Palavras-chave: dc.subjectCarga e distribuição elétrica-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectVeículos elétricos-
Palavras-chave: dc.subjectIndústria automobilística-
Palavras-chave: dc.subjectElectric batteries-
Palavras-chave: dc.subjectElectric charge and distribution-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectElectric vehicles-
Palavras-chave: dc.subjectAutomobile industry and trade-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA-
Título: dc.titleEstimativa do estado de carga de baterias utilizando redes neurais artificiais-
Título: dc.titleState-of-charge estimation of batteries using artificial neural networks-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.