Ước lượng trạng thái sạc pin cho xe ô tô điện dựa trên phương pháp mạng nơ-ron học sâu - Deep learning

Chia sẻ: Liễu Yêu Yêu | Ngày: | Loại File: PDF | Số trang:6

Thêm vào BST

Báo xấu

14
lượt xem 5
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết "Ước lượng trạng thái sạc pin cho xe ô tô điện dựa trên phương pháp mạng nơ-ron học sâu - Deep learning" đề xuất mô hình ước lượng trạng thái sạc của pin Lithium-ion cho xe ô tô điện dựa trên phương pháp mạng nơ-ron học sâu deep learning. Mô hình gồm 3 lớp như 1 lớp vào với 5 tín hiệu đặc trưng (điện áp, dòng điện, nhiệt độ, trung bình điện áp và dòng điện), 1 lớp ẩn với 50 nút mạng nơ ron và 1 lớp ra. Mô hình dự đoán dùng thuật toán bình phương trung bình RMSE, để tối ưu hóa hàm mất mát với sai lệch nhỏ. Mời các bạn cùng tham khảo!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Ước lượng trạng thái sạc pin cho xe ô tô điện dựa trên phương pháp mạng nơ-ron học sâu - Deep learning

Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022) Ước lượng Trạng Thái Sạc Pin Cho Xe Ô Tô Điện Dựa Trên Phương Pháp Mạng Nơ Ron Học Sâu-Deep Learning Võ Thanh Hà1, Phạm Thị Giang2, Đào Thanh Toản1 và Trịnh Lương Miên1 1 Khoa Điện-Điện Tử, Trường Đại học Giao Thông Vận Tải 2 Khoa Điện, Trường Đại học Kinh Tế Kỹ Thuật Công Nghiệp Email: vothanhha.ktd@utc.edu.vn Abstract— Trong bài báo đã đề xuất mô hình ước lượng giải pháp và thuật toán điều khiển để đảm bảo tính hiệu trạng thái sạc của pin Lithium-ion cho xe ô tô điện dựa quả và an toàn của bộ pin. Hệ thống này bao gồm các trên phương pháp mạng nơ ron học sâu deep learning. Mô phương pháp xác định tình trạng pin như trạng thái sạc hình gồm 3 lớp như 1 lớp vào với 5 tín hiệu đặc trưng (State-of-Charge- SOC) và Trạng thái tuổi thọ (State-of- (điện áp, dòng điện, nhiệt độ, trung bình điện áp và dòng Health -SoH). Từ SOC cho biết dung lượng pin còn lại điện), 1 lớp ẩn với 50 nút mạng nơ ron và 1 lớp ra. Mô và được yêu cầu để xác định chính xác tuổi thọ của pin hình dự đoán dùng thuật toán bình phương trung bình [6]. Do đó, cần phải có một ước tính chính xác về SOC RMSE, để tối ứu hoá hàm mất mát với sai lệch nhỏ. Mô của pin. Tuy nhiên, do các đặc tính phi tuyến của pin, hình này đã ước lượng được thiết kế và hiệu quả của đặc biệt là ở dòng điện cao và nhiệt độ thấp, ngành công phương pháp này được chứng minh thông qua kết quả mô phỏng MATLAB. Ước lượng trạng thái SOC của pin nghiệp ô tô vẫn phải đối mặt với một vấn đề trong việc LG HG2 trong các điều kiện nhiệt độ khác nhau đã đạt cải thiện các phương pháp dự đoán SoC. Hiện này các được hiệu quả với sai số nhỏ. phương pháp ước tính trạng thái bộ sạc pin đều có những đặc điểm riêng. Phương pháp đếm dung lượng Keywords- Xe ô tô điện, Deep Learning, Học Sâu, Pin theo thời gian - Coulomb (CC) sử dụng tích ohaan dòng Xe Điện, AI, RMSE xả hoặc sạc để tính dung lượng còn lại trong pin. Phương pháp này thực hiện tính toán đơn giản nên I. GIỚI THIỆU phương pháp được sử dụng rất rộng rãi. Tuy nhiên, Trong những năm gần đây, phương tiện xe ô tô điện phương pháp CC không chính xác trong thời gian dài và ngày càng có xu hướng sử dụng sẽ dần thay thế cho xe khó khăn trong việc xác định giá trị SOC ban đầu, ảnh động cơ đốt trong. Xe ô tô điện mang lại nhiều lợi ích hưởng do quá trình tự xả của pin và sai số của cảm biến cho môi trường và khắc phục nhiều nhược điểm của xe [7]. Phương pháp OCV (Open Circuit Voltage) sử dụng truyền thống như phát huy mô-men nhanh, không thải sức điện động ổn định của pin ở trạng thái hở mach kết khí ra mô trường. Vì vậy xe ô tô điện sẽ là một lựa chọn hợp với quan hệ tuyến tính giữa OCV và SOC để ước nhiều hàng sản xuất cũng như người sử dụng trong lượng giá trị SOC. Phương pháp này thực hiện đơn giản nước cũng như trên thế giới. Trong đó vấn đề nghiên nhưng độ chính xác không cao, mất nhiều thời gian. Vì cứu về hệ thống quản lý năng lượng pin đã và đang thu vậy chỉ phù hợp với trường hợp tồn tại mỗi liên quan hút nhiều nhà nghiên cứu trên thế giới. Bời vì pin là này, trong khi đó pin Lithum-ion không có mối quan hệ thành phần đặc biệt quan trọng quyết đến hiệu suất sử giữa OCV và SOC [8]. Phương pháp dựa trên mô hình dụng, giá thành của xe ô tô điện [1]. Các loại pin có thể pin bao gồm mô hình điện hoá và mạch tương đương. được sử dụng trên xe điện như pin axit chì, NiMH, pin Trong đó mô hình mạch tương đương chủ yếu là điện lithium-ion [2]. Trong số đó, pin lithiumion được sử trở và RC. Mô hình mạch cho pin. Đây là mô hình lý dụng rộng rãi do mật độ năng lượng cao, hiệu suất cao, tưởng, đã bỏ qua hiệu ứng có độ trễ và tác động của môi tuổi thọ dài, tốc độ tự xả thấp và điện áp cao [3]. Một trường làm việc (nhiệt độ lớn). Vì vậy phương pháp này số công ty thích pin lithium-ion hơn các loại pin khác vì không phù hợp để ước lượng giá trị SOC [9]. Bên cạnh những ưu điểm của pin, chẳng hạn như sạc nhanh, công đó, các phương pháp với các thuật toán lọc thích nghi suất cao, ít ô nhiễm và kéo dài tuổi thọ và thị phần pin và dựa vào tích luỹ thời gian để chẩn đoán trạng thái bộ lithium-ion trên thị trường đang tăng lên liên tục [4]. Do sạc như bộ lọc Kalman (KF), bộ lọc Kalman mở rộng những đặc điểm nổi trội đó nên đã thu hút được nhiều (EKF) là một trong những lựa chọn giải pháp ước lượng nhà khoa học nghiên cứu quản lý năng lượng pin trong giá trị SOC. Trong đo phương pháp KF ước lượng chính những năm gần đây [5]. xác trạng bất định.Tuy nhiên, KF không sử dụng được trực tiếp để dựn đoán trạng thái của hệ phi tuyến.Đồng Hệ thống quản lý pin (BMS) đảm nhận công đoạn thời, KF còn đòi hỏi tính toán phức tạp [10]. Phương truyền dữ liệu giữa các pin và chương trình quản lý năng pháp EKF được thiết kế để khắc phục những nhược lượng của xe ô to điện. Hệ thống BMS này bao gồm các 1 ISBN 978-604-80-7468-5 310
Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022) điểm của phương pháp KF và vẫn đảm bảo ước lượng 2.3 Phương sai điện áp xả trạng thái chính xác [11]. Các phương pháp KF v à EKF Khi điện áp xả nhanh hơn khi dung lượng pin đòi hỏi phải sử dụng một mô hình pin chính xác với các suy giảm. Phương sai điện áp xả trong mỗi chu kỳ được thông số để cung cấp ước tính chính xác về SOC [12]. viết như công thức (3) Bên cạnh đó, kết hợp phương pháp dựa trên mô hình 𝑉 = E (𝑉$ − 𝜇)% với bộ quán sát phi tuyến như bộ quan sát trượt, Trong đó: E là sức điện động; Vi là mẫu điện áp thứ i Luenberger đã tăng độ tin cậy của các kết quả ước lượng trong n chu kỳ. [13]. 2.4 Chênh lệch điện áp Ngày nay, phương pháp trí tuệ nhân tạo (AI) đã và Chênh lệch điện áp giữa chu kỳ đầu và các chu đang ứng dụng nhiêu trong lĩnh vực xử lý ảnh, nhận kỳ sau đó là chênh lệch năng lượng phóng giữa chu kỳ dạng giọng nói, xử lý ngôn ngữ tự nhiên và dự đoán đầu và các chu kỳ sau. Sự chênh lệch năng lượng này trạng thái. Trong đó, phương pháp học sâu (deep có mối quan hệ phi tuyến với suy giảm dung lượng pin. learning-DL) là một dạng nâng cấp của mạng nơ ron ∆𝑄&"' = 𝑄' − 𝑄& (4) kinh điển. Bên cạnh đó, các nhà khoa học đã kết hợp hiệu quả của DL với các chương trình đào tạo và sửa III. MÔ HÌNH ƯỚC LƯỢNG TRẠNG THÁI SẠC đổi thông minh để dự báo sạc SOC của bộ pin Li-ion. CỦA PIN Ô TÔ ĐIỆN SỬ DỤNG DEEP LEARNING Các tác giả của [11] sử dụng DL perceptron đa lớp để Như đã biết, phương pháp deep leaning được dự báo trạng thái xả và sạc của pin nhằm cải thiện độ xây dựng từ nhiều kiểu mạng nơ ron (truyền thẳng, lan chính xác. Tuy nhiên, các biến thể DL khác vẫn chưa được kiểm tra để ước tính SOC. Các tác giả của [12] đã truyền ngược….). Trong đó, mạng nơ-ron truyền thẳng sử dụng mạng bộ nhớ ngắn hạn LSTM đã được đào tạo xử lý dữ liệu theo một chiều, từ nút đầu vào đến nút đầu và thử nghiệm trên các chu kỳ làm việc cụ thể. Kết quả ra. Mỗi nút trong một lớp được kết nối với tất cả các cho thấy rằng tăng độ chính xác trong việc chấn đoán nút trong lớp tiếp theo. Mạng truyền thẳng sử dụng một các trạng thái. Vì vậy, trong bài báo này sẽ ứng dụng quy trình phản hồi để cải thiện dự đoán theo thời gian. phương pháp DL-LSTM để giải quyết vấn đề ước tính Mạng nơ-ron deep learning, có nhiều lớp ẩn với hàng trạng thái sạc củau pin SOC. triệu nơ-ron nhân tạo liên kết với nhau. Trọng số, có chức năng kết nối giữa hai nút. Trọng số sẽ dương nếu Bài báo được sắp xếp năm phần như sau. Tham số một nút kích thích nút còn lại, hoặc âm nếu một nút ngăn chính của sạc pin xe điện được thể hiện phần 2. Mô hình cản nút còn lại. Các nút với trọng số cao hơn sẽ có ảnh ước lượng trạng thái sạc của pin ô tô điện sử dụng DL được thảo luận chi tiết trong Phần 3. Phần 4 mô tả xây hưởng lớn hơn lên các nút khác. Về mặt lý thuyết, mạng dựng mô phỏng quá trình ước lượng của DL-STM. Cuối nơ-ron chuyên sâu có thể ánh xạ bất kỳ loại dữ liệu đầu cùng, trong phần 5 đưa ra kết luận và hướng nghiên cứu vào với bất kỳ loại dữ liệu đầu ra nào. Tuy nhiên, mạng trong tương lai. DL cũng cần được đào tạo hơn rất nhiều so với các phương pháp máy học khác. Mạng DL cần hàng triệu II. THAM SỐ CHÍNH CỦA SẠC PIN XE dữ liệu đào tạo. Ô TÔ ĐIỆN Trong bài báo đưa ra cấu trúc mạng nơ ron như Tham số chính của sạc pin xe ô tô điện được hình 1 bao gồm một lớp đầu vào có 5 tín hiệu như điện xác định từ mỗi chu kỳ xả, đó là dựa trên dữ liệu về điện áp, dòng điện, nhiệt độ, phương sai nhiệt độ và điện áp, áp xả, dòng điện xả, nhiệt độ và thời gian [15]. lớp ẩn có 50 lớp và một lớp ra. Để đào tạo nơ ron sâu 2.1 Nội điện trợ DC bao gồm phương pháp đào tạo, tối ưu hoá các hàm mất Theo tài liệu [13], nội điện trợ DC được xác mát (loss) và báo lỗi. Thuật toán tối ưu hóa thực hiện định bởi công thức (1). Công thức với giải thiết sụt dung nhiệm vụ quan trọng tìm điểm hội tụ trong suốt quá trình lượng pin trong một khoảng thời gian xác định nhỏ, sao đào tạo mạng nơ-ron sâu được đề xuất. Để đạt được cho sụt điện áp do nội điện trở DC gây nên. hiệu quả tìm nghiệm hội tụ mong muốn, thông thường ! "! sử dụng tối ưu hóa Stochastic Gradient Descent (SGD) 𝑅𝐷𝐶 = !"# !# (1) !# để đào tạo các mạng nơ ron sâu. Tuy nhiên, ngày nay Trong đó: Vt1; Vt2 là cực điện áp của pin tại t1 và t2; It2 là các kỹ thuật tối ưu hóa nhanh hơn, chẳng hạn như giảm dòng xả tại thời điểm t2. độ dốc ngẫu nhiên, truyền bình phương trung bình gốc, 2.2 Phương sai của nhiệt độ tối ưu hóa Adam, tối ưu hóa Nesterov Adam, để cải Nhiệt độ bề mặt tăng lên trong quá trình sinh thiện độ chính xác của giải pháp. Bài báo này sử dụng nhiệt, không đổi và thay đổi trong giai đoạn xả. Nhiệt độ tối ưu kỹ thuật tối ưu SGD để tối ưu hóa khung nơ ron này được tạo bởi I2R và phản ứng hoá học. Khi dung sâu. Để đào tạo, mô hình nơ ron sâu được đề xuất, SGD lượng pin suy giảm thì nhiệt độ tăng lên dẫn đến phương với kỹ thuật tối ưu hóa được sử dụng chia dữ liệu với sai nhiệt lớn. Phương sai nhiệt độ trong mỗi chu kỳ kích thước là 256. Quá trình học được lặp đi lặp lại để được tính toán bởi công thức (2). cập nhật trọng số, giá trị bias và độ chệch để thực hiện T= E (𝑇$ − 𝜇)% (2) cho các thuật toán học có giám sát sao cho giảm sai số Trong đó: E là sức điện động; Ti là mẫu nhiệt độ thứ i giữa giá trị thử nghiệm và giá trị ước tính. Giá trị ước trong n chu kỳ. tính được biểu thị bằng vectơ Yk (SoCk), trong trường 2 ISBN 978-604-80-7468-5 311
Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022) hợp này đại diện cho SOC đo được. Trong bài báo, sử IV. MÔ PHỎNG VÀ ĐÁNH GIÁ KẾT QUẢ dụng sai số bình phương trung bình là hàm Root-Mean- Trong bài báo sử dụng thông số mạng nơ ron deep- Square-Error (RMSE) làm hàm mất mát, được trình learning như bày trong công thức (5), trong đó N là số mẫu dữ liệu 3( ) là SOC được xác định bởi thuật toán mẫu và 𝑌0( (𝑆𝑂𝐶 Bảng 1: Thông số mô phỏng mạng deep-learning. đề xuất. Tham số Giá trị Tốc độ học ban đầu 0.01 ' 3 𝑅𝑀𝑆𝐸 6) ∑) (*' 8(𝑆𝑂𝐶( − 𝑆𝑂𝐶( ) (5) Số lớp 3 Số lớp ẩn 50 Hệ số giảm tốc độ học 0.1 Dự đoán các lỗi bằng cách tính toán đạo hàm Số dữ liệu 1200 riêng của hàm mất mát đối với mỗi biến có thể học, sau Hàm phi tuyến Sigmoid và SELU đó được sử dụng để sửa đổi các giá trị tham số. Phương cho lớp ẩn và hàm pháp DL là quá trình học đi lặp đi lặp lại nhiều lần cho RELU cho lớp ra đến khi các tiêu chí đào tạo được đáp ứng (lỗi nhỏ nhất). Khoảng thời giảm tốc độ học 400ms Chính vì vậy, bài báo lựa chọn dữ liệu vào mạng nơ ron (Epochs) là 1200, sử dụng chia dữ liệu (bactchsize) là , tốc độ học ban đầu là 0.01, khoảng thời gian giảm tốc Ước lượng trạng thái sạc của pin ô tô điện dựa trên deep learning sẽ được thực hiện ba bước như thu nhập độ học là 400ms, hệ số giảm tốc độ học là 0,1, tần suất dữ liệu đầu vào, tiếp theo tạo tập dữ liêụ mẫu và cuối xác thực là 30, cứ sau 500 giây cho đến khi hoàn thành cùng cho mạng nơ ron đào tạo và đưa ra kết quả. giai đoạn đào tạo. Toàn bộ quá trình của mô hình được đề xuất để ước tính SOC của pin Li-ion được thể hiện Bước 1: Dữ liệu đâù vào qua hình 2. Bên cạnh đó để ước lượng được trạng thái SOC, bàì báo sử dụng dữ liệu đào tạo của pin LG 18650HG2 Li-ion, 3Ah mới 100% được thử nghiệm trong buồng nhiệt với 75A, 5 V. Độ chính xác điện áp và dòng điện trong phạm vi 0,1% của thang đo 3Ah. Một loạt các thử nghiệm đã được thực hiện ở bốn nhiệt độ khác nhau. Pin được sạc sau mỗi lần thử nghiệm với tốc độ một chu kỳ trên giây đến 4,2 V với mức cắt 50 mA khi nhiệt độ pin đạt 22 ° C trở lên. Trong bài báo này, tập dữ liệu ở nhiệt độ môi trường xung quanh 25 ° C, 10 ° C, 0 ° C và -10 ° C được xem xét. Các cấu hình đầu ra của chu kỳ hoạt động được thực hiện cho đến khi nơ ron đã được xả đến 95% khả năng xả 1C của pin ở nhiệt độ thích hợp. Điện áp, dòng Hình 1: Cấu trúc mạng nơ ron học sâu cho SOC điện và nhiệt độ của các tế bào LG HG2 trong các chu kỳ xả khác nhau với các điều kiện nhiệt độ khác nhau, như hình 5a – 5d minh họa các chu kỳ hoạt động khác nhau của LG HG2 dưới nhiệt độ âm 10 ° C, 10 ° C, 0 ° C và 25 ° C. Bước 2: Tạo tập mẫu Đầu tiên, tạo lớp đầu vào gồm có năm tín hiệu đặc trưng của sạc pin xe ô tô điện (điện áp, dòng điện, nhiệt độ, trung bình điện áp và dòng điện); số lớp ần được lựa chọn là 50 và một lớp đầu ra. Dự liệu đầu vào được thể hiện qua hình 4. Quá trình tạo tập mẫu mạng nơ ron sâu sử dụng hàm mất mát là bình phương sai trung bình RMSE đưa giá trị sai số giữa trạng thái SOC dự báo với SOC mẫu trong từng trường hợp nhiệt độ được thể hiện qua hình 3. Sai số giữa trạng thái SOC dự đoán với SOC mẫu từ Hình 2: Cấu trúc Deep learning cho ước 791 đến 1200 dữ liệu đầu vào với tần số hội tụ 30, tốc lượng trạng thái sạc của pin SOC độ học 0.01 thì sai số giữa mô hình SOC dự đoán và mẫu có giá nhỏ 98.9%. 3 ISBN 978-604-80-7468-5 312
Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022) Hình 3: Kết quả đào tạo giữa trạng thái SOC dự báo với SOC mẫu khác nhau (−10 ° C, 0 ° C, 10 ° C và 25 ° C) lần lượt, có kết quả như hình 5. Hình 4: Đáp ứng dữ liệu dòng điện, điện áp, nhiệt độ Để tiến hành kiểm tra tập mẫu thì đưa ra dự đoán trên dữ liệu thử nghiệm bằng cách sử dụng dự đoán. Để tránh phải thêm các trình tự để đảm bảo rằng tất cả các Hình 5: Chu kỳ hoạt động nhiệt độ của pin LG HG2 trình tự trong một lô nhỏ có cùng độ dài, hãy đặt kích thước lô nhỏ thành 1. Mạng nơ ron sâu thực hiện tính sai số giữa SOC dự đoán và SOC mẫu cho mỗi nhiệt độ 4 ISBN 978-604-80-7468-5 313
Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022) Qua hình 5 nhận thấy rằng chu kỳ hoạt động nhiệt độ pin ô tô điện dự đoán được tạo đúng với từng trường hợp nhiệt độ mẫu. Tính toán sai số bình phương trung bình gốc (RMSE) và sai số tuyệt đối lớn nhất giữa SOC dự đoán và SOC mẫu cho mỗi nhiệt độ môi trường tương ứng. Chỉ định các hàm mất mát tùy chỉnh định để tính toán các giá trị tổn thất dựa trên các giá trị dự đoán đã được cắt giảm. Kết quả mô phỏng được thể hiện tại hình 6. Qua hình 6 nhận thấy rằng các giá trị thấp hơn trong đồ thị RMSE và đồ thị sai số tuyệt đối tối đa cho thấy các dự đoán chính xác hơn cho các nhiệt độ tương ứng. Nếu các giá trị lớn hơn trong các ô giống nhau cho thấy các dự đoán kém chính xác hơn cho các nhiệt độ tương ứng. Hình 6: Đồ thị RMSE và sai số tuyệt đối max giữa SOC dự đoán và mẫu tại mỗi nhiệt độ xác định Bước 3: Đào tạo và kết quả Kết quả dự đoán mô hình SOC của pin được thể hiện qua hình 7. Hình 7: Đáp ứng dự đoán trạng thái sạc của pin xe ô tô điện C đến 25˚, dự đoán các giá trị SOC với độ chính xác cao. Hình 7 cho thấy sự phù hợp đường cong của SOC thử nghiệm và SOC dự đoán . Qua đồ thị hình 7 hiện V. KẾT LUẬN thị các dự đoán mạng nơ-ron của SOC theo thời gian. Trong nghiên cứu này, một phương pháp dự đoán Các dự đoán mạng nơ ron sâu gần với giá trị SOC thu SOC dựa trên deep learning mới cho pin Li-ion được được từ dữ liệu thử nghiệm. Mạng nơ ron sâu dự đoán thiết kế và hiệu quả của phương pháp này được chứng trạng thái tích điện với độ chính xác 3 lớp với 50 nơ minh thông qua kết quả mô phỏng Matlab. Ước lượng ron trong 1 lớp nơ ron trong phạm vi nhiệt độ từ –10˚ 5 ISBN 978-604-80-7468-5 314
Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022) SOC của pin LG HG2 trong các điều kiện nhiệt độ khác [9] E. Chemali, P. J. Kollmeyer, M. Preindl and A. nhau đã đạt được hiệu quả với sai số dưới 5%. Do đó, Emadi, “State-of-charge estimation of li-ion batteries mô hình DL được đề xuất hứa hẹn và việc sử dụng mô using deep neural networks: A machine learning hình trong các kịch bản ước tính SoC cho xe ô tô điện, approach,” Journal of Power Sources, vol. 400, no. 5, tuy nhiên cần được kiểm tra kỹ lưỡng khi áp dụng các pp. 242–255, 2018. kỹ thuật học máy. Nghiên cứu này đóng góp quan trọng [10] M. Zhang and X. Fan, “Review on the state of bằng cách thúc đẩy sự phát triển của pin Li-ion. Ước charge estimation methods for electric vehicle battery,” lượng SOC thông qua thuật toán DN, kết quả là nâng World Electric Vehicle Journal, vol. 11, no. 1, pp. 23, cao hiệu suất ước tính SOC và giảm tỷ lệ lỗi trong các 2020. thử nghiệm chu kỳ truyền động EV khác nhau. Tuy [11] Z. Nan, L. Hong, C. Jing, C. Zeyu and F. Zhiyuan, nhiên, hiệu quả của mô hình này cần phải tiến hành so “A fusion-based method of state-of-charge online sánh với các mô hình tương tự khác trong tương lai estimation for lithium-ion batteries under low-capacity bằng mô phỏng và thực nghiệm. conditions,” Frontiers in Energy Research, vol. 9, pp. 790295, 2021. TÀI LIỆU THAM KHẢO [12] D. N. T. How, M. A. Hannan, M. S. H. Lipu, K. [1] JC. idal, O. Gross, R. Gu, P. Kollmeyer and A. S. M. Sahari, P. J. Ker et al., “State-of-charge Emadi, “xEV li-ion battery low-temperature effects- estimation of li-ion battery in electric vehicles: A deep review,” IEEE Transactions on Vehicular Technology, neural network approach,” in Proc. of IEEE Industry vol. 68, no. 5, pp. 4560–4572, 2019. Applications Society Annual Meeting, MD, USA, pp. 1– [2] C. Zhu, F. Lu, H. Zhang and C. C. Mi, “Robust 8, 2019. predictive battery thermal management strategy for [13] V. Chandran, C. K. Patil, A. Karthick, D. connected and automated hybrid electric vehicles based Ganeshaperumal, R. Rahim et al., “State of charge on thermoelectric parameter uncertainty,” IEEE estimation of lithium-ion battery for electric vehicles Journal of Emerging and Selected Topics in Power using machine learning algorithms,” World Electric Electronics, vol. 6, no. 4, pp. 1796–1805, 2018. Vehicle Journal, vol. 12, no. 1, pp. 38, 2021. [3] C. Vidal, P. Kollmeyer, E. Chemali and A. Emadi, [14] M. A. Hannan, M. S. H. Lipu and A. Hussain, “Li-ion battery state of charge estimation using long “Toward enhanced state of charge estimation of short-term memory recurrent neural network with lithium-ion batteries using optimized machine learning transfer learning,” in Proc. of IEEE Transportation techniques,” Scientific Reports, vol. 10, no. 1, pp. 4687, Electrification Conf. and Expo (ITEC), Detroit, MI, 2020. USA, pp. 1–6, 2019. [15] Kollmeyer, Phillip, Carlos Vidal, Mina Naguib, [4] C. She, L. Zhang, Z. Wang, F. Sun, P. Liu et al., and Michael Skells. “LG 18650HG2 Li-Ion Battery “Battery state of health estimation based on incremental Data and Example Deep Neural Network XEV SOC capacity analysis method: Synthesizing from cell-level Estimator Script.” Mendeley, March 5, test to real-world application,” IEEE Journal of 2020. https://doi.org/10.17632/CP3473X7XV.3. Emerging and Selected Topics in Power Electronics, vol. 10, no. 1, pp. 28–41, 2022. [5] S. Guo, R. Yang, W. Shen, Y. Liu and S. Guo, “DC- AC hybrid rapid heating method for lithium-ion batteries at high state of charge operated from low temperatures,” Energy, vol. 238, no. B, pp. 121809, 2022. [6] A. Samanta, S. Chowdhuri and S. S. Williamson, “Machine learning-based data-driven fault detection/di- agnosis of lithium-ion battery: A critical review,” Electronics, vol. 10, no. 11, pp. 1309, 2021. [7] R. Xiong, J. Cao, Q. Yu, H. He and F. Sun, “Critical review on the battery state of charge estimation methods for electric vehicles,” IEEE Access, vol. 6, pp. 1832–1843, 2018. [8] M. Premkumar, M. K. Ramasamy, K. Kanagarathinam and R. Sowmya, “SoC estimation and monitoring of li-ion cell using kalman-filter algorithm,” International Journal on Electrical Engineering and Informatics, vol. 6, no. 4, pp. 418–427, 2018. 6 ISBN 978-604-80-7468-5 315