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

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCorrêa, Fernanda Cristina-
Autor(es): dc.contributorhttps://orcid.org/0000-0003-4907-0395-
Autor(es): dc.contributorhttp://lattes.cnpq.br/1495216809511536-
Autor(es): dc.contributorSiqueira, Hugo Valadares-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-1278-4602-
Autor(es): dc.contributorhttp://lattes.cnpq.br/6904980376005290-
Autor(es): dc.contributorCorrêa, Fernanda Cristina-
Autor(es): dc.contributorhttps://orcid.org/0000-0003-4907-0395-
Autor(es): dc.contributorhttp://lattes.cnpq.br/1495216809511536-
Autor(es): dc.contributorSilva, Ludmila Corrêa de Alkmin e-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-1645-183X-
Autor(es): dc.contributorhttp://lattes.cnpq.br/7205004591298114-
Autor(es): dc.contributorStevan Junior, Sergio Luiz-
Autor(es): dc.contributorhttps://orcid.org/0000-0002-4783-5350-
Autor(es): dc.contributorhttp://lattes.cnpq.br/1661935150054196-
Autor(es): dc.creatorCastanho, Diego Solak-
Data de aceite: dc.date.accessioned2022-02-21T21:37:38Z-
Data de disponibilização: dc.date.available2022-02-21T21:37:38Z-
Data de envio: dc.date.issued2020-03-11-
Data de envio: dc.date.issued2020-03-11-
Data de envio: dc.date.issued2019-12-17-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/4758-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/656863-
Descrição: dc.descriptionIn 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.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionNas 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.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherPonta Grossa-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherPrograma de Pós-Graduação em Engenharia Elétrica-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectBaterias elétricas-
Palavras-chave: dc.subjectLítio-
Palavras-chave: dc.subjectVeículos elétricos-
Palavras-chave: dc.subjectInteligência computacional-
Palavras-chave: dc.subjectElectric batteries-
Palavras-chave: dc.subjectLithium-
Palavras-chave: dc.subjectElectric vehicles-
Palavras-chave: dc.subjectComputational intelligence-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA-
Palavras-chave: dc.subjectEngenharia/Tecnologia/Gestão-
Título: dc.titlePrevisão do estado de carga de bateria aplicada a veículos elétricos usando modelos lineares auto-ajustados através de algoritmos de otimização-
Título: dc.titlePredicting the state of charge of the battery applied to electric vehicles using linear models self-tuned through optimization algorithms-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.