Quvvat elektroniği konferentsiyasi materiallari

---

Quvvat elektroniği konferentsiyasi materiallari 2020.8.18~20
ma'lumotlarga asoslangan sun'iy intellekt algoritmlari
Batareyaning zaryad holatini baholash usullarini tekshirish tahlili
Dae-Woong Jeong, Seong-Woo Bae†
Xanyang universitetining elektrotexnika fakulteti
Ma'lumotlarga asoslangan AI algoritmlaridan foydalangan holda batareya quvvatini baholash usullari bo'yicha so'rov
Dae-Ung'Jeong, Sungwoo Bae†
Bo'lim Elektrotexnika fakulteti, Xanyang universiteti, Seul, Koreya
ANTRACT
2. Tana
Ushbu maqola so'nggi paytlarda e'tiborni tortayotgan ma'lumotlarga asoslangan sun'iy 
intellekt algoritmidan foydalangan holda batareya zaryadining holatini baholash usulini 
o'rganadi va tahlil qiladi. Mavjud batareyani modellashtirish usullarining kamchiliklarini 
bartaraf eta oladigan ma'lumotlarga asoslangan AI algoritmlarining strukturaviy 
xususiyatlari tekshiriladi va ma'lumotlarga asoslangan AI algoritmlari batareyaning zaryad 
holatini baholashda qo'llanilganda, zaryad holatini baholashning aniqligiga ta'sir qiluvchi 
omillar ma'lumotlar tarkibini tahlil qilish uchun. ma'lumotlarni qurishda e'tiborga olinishi 
kerak bo'lgan dizayn shartlarini o'rganish va tahlil qilish.
2.1 Ma'lumotlarga asoslangan sun'iy intellekt algoritmlari
So'nggi paytlarda katta hajmdagi ma'lumotlarga asoslangan sun'iy intellekt algoritmi 
orqali ma'lumotlarni tahlil qiluvchi va qayta ishlaydigan texnologiya diqqat markazida 
bo'ldi. Batareya spetsifikatsiyalari va turlari xilma-xil bo'lganda, ma'lumotlarga asoslangan 
AI algoritmlari batareyaning kuchlanishi, oqimi va harorati kabi batareya holati 
ma'lumotlarini SOC bilan taqqoslaydi va natijani chiqaradi. Shuning uchun, u 
akkumulyatorlarni modellashtirish texnikasi kabi modellash parametrlari bo'lishi kerak 
bo'lgan yuqori aniqlikdagi va hisoblashni talab qiluvchi filtrlarning cheklovlaridan ozod 
qilinishi mumkin. Ma'lumotlarga asoslangan sun'iy intellekt algoritmlari sifatida ekstremal 
o'rganish mashinasi (ELM), oldinga yo'naltirilgan sun'iy neyron tarmog'i (FNN) va takroriy 
neyron tarmog'i (RNN) batareya SOCni baholash uchun ishlatiladi.
1.Kirish
Elektr transport vositalarining tarqalishi kengayib borayotganligi sababli, elektr 
transport vositalarining surunkali muammosi bo'lgan masofani yaxshilash bo'yicha 
tadqiqotlar faol olib borilmoqda. Elektr transport vositalari asosan lityum-ion 
batareyalardan energiya saqlash moslamalari sifatida foydalanadi va batareyani 
boshqarish barqaror ishlash va masofani yaxshilash uchun zarurdir [1].
Batareyani boshqarish tizimi (BMS) akkumulyator tizimlari, shuningdek, batareyalardan 
barqaror ishlash va samarali foydalanish uchun elektr transport vositalari uchun zarurdir. 
Batareyani boshqarish tizimi batareyaning haddan tashqari zaryadlanishi, haddan tashqari 
zaryadsizlanishi va qizib ketishi xavfini oldini olish uchun batareyaning kuchlanishini, 
oqimini va haroratini o'lchaydi. Xususan, batareya holati to'g'risidagi ma'lumotni 
ko'rsatadigan Zaryad holati (SOC) va Sog'lik holati (SOH) batareya holatining asosiy 
ko'rsatkichlari bo'lib, BMS tizimining ishonchliligi va aniqligi SOC va SOHni baholashning 
aniqligiga bog'liq [1] .
Yaqinda akkumulyator SOCni aniq baholash uchun ma'lumotlarga asoslangan sun'iy 
intellekt (AI) algoritmini qo'llagan holda SOCni baholash usuli taklif qilindi. Mavjud 
ekvivalent sxema modelidan (ECM) foydalangan holda SOCni baholash usuli batareyani 
modellashtirish va hisoblashni talab qiladigan algoritmlarning cheklovlari tufayli kamchilik 
sifatida ko'rsatildi. Sun'iy intellekt algoritmidan foydalangan holda SOCni baholash usuli 
batareyani modellashtirish bo'yicha oldindan ma'lumotni talab qilmaydigan afzalliklarga 
ega, chunki u batareyani modellashtirish dizaynini talab qilmaydi, bu mavjud ECM usulining 
kamchiliklari va hisoblash intensiv algoritmlaridan chetga chiqishi mumkin [2] ].
Ushbu maqolada biz so'nggi ma'lumotlarga asoslangan sun'iy intellekt algoritmlarida 
qo'llaniladigan SOC baholash usullarini taqdim etamiz va SOCni baholashning aniqligini oshirishi 
mumkin bo'lgan o'qitish ma'lumotlarini loyihalash shartlarini tavsiflaymiz.
2.1.1 ELM asosidagi Batareya SOCni baholash usuli ELM litiy-ion batareyalar 
kabi chiziqli bo'lmagan tizimlarda natijalarni bashorat qilish uchun mos bo'lgan 
algoritmdir. ELM 1-rasmda ko'rsatilganidek, FNNga o'xshash tuzilishga ega, ammo 
farqi shundaki, u orqaga tarqalish jarayonidan o'tmaydi. ELM algoritmning og'irlik 
qiymatini orqaga tarqalish jarayoni o'rniga umumlashtirilgan teskari matritsa yoki 
shunga o'xshash teskari matritsa orqali hisoblash orqali tez o'qitish tezligi 
xususiyatiga ega.
2.1.2 FNN asosidagi Batareya SOCni baholash texnikasi
2-rasmda ko'rsatilganidek, FNN-ga asoslangan batareya SOC baholash 
usuli kirish ma'lumotlari sifatida akkumulyator kuchlanishi V(t), oqim I(t) va 
harorat T(t) kabi batareya holati ma'lumotlari orqali SOC(t) ni baholaydi. , 
yashirin qatlamlar va chiqish. Kirish ma'lumotlari orqali yuqori aniqlikdagi 
SOC qiymatlarini chiqarish uchun algoritm o'quv ma'lumotlari orqali 
o'qitiladi. Bu jarayonda o'quv ma'lumotlarining sifati va miqdoriga qarab,
boshqaSOC baholash aniqligi farqixomqilmoq.
1-rasm Batareya SOCni baholash uchun ELM tuzilishi
- 363 -
Translated from Korean to Uzbek - www.onlinedoctranslator.com

---

grafik
1 Batareya ma'lumotlari SOC baholash usuliga qo'llaniladi
AI usuli
ma'lumotlar profili
Kiritish
Harorat
BJDST,
BIZ06
ELM[2]
-
---
, -
---
,
-
---
25℃,45℃
FUDS, NEDC
BIZ06,DST
-
---
,
-
---
,
FNN[3]
0
℃,25℃,45℃
-
------
,
-
------
HWFETlar,
UDDS, LA92
RNN[1]
-
---
,
-
---
,
-
---
0
℃,Bir0℃,25℃
2.2.2 Ma'lumotlarga asoslangan sun'iy intellekt algoritmlari uchun ma'lumotlar to'plamini 
loyihalash shartlari
Ma'lumotlarga asoslangan sun'iy intellekt algoritmi batareyaning SOC quvvatini 
baholash uchun ma'lumotlarni o'qitish jarayonidan o'tadi.dengiz qisqichbaqasiqilmoq. 
Batareyaning SOC quvvatini baholashdaAtrof-muhitshartlarga ko'rakattaSOCni baholash
Beshsovuq oyoqlarxomBatareyani modellashtirish usullaridan farqli o'laroq, ma'lumotlarga 
asoslangan sun'iy intellekt algoritmlariAtrof-muhitShartlar bo'yicha treninglar orqali SOC 
baholash ko'rsatkichlarini yaxshilashdao'ldirishmumkin Shuning uchun, ma'lumotlarga 
asoslangan AI algoritmlarini SOC baholashni yaxshilash uchun,Xo'shkabi ma'lumotlaruch
Dizayn shartlari qo'llanilishi mumkin:. 1) batareyaAtrof-muhitHolatni aniq aks ettira 
oladigan kirish qiymatini aniqlang 2) Haqiqiy batareya darajasiholbittaAtrof-muhit
O'zgartirishga o'rgatish mumkin bo'lgan turli xil batareyani boshqarish ma'lumotlar 
konfiguratsiyasi3)Ta'lim ma'lumotlari bilan o'qitilmagan domen uchun SOC baholash 
samaradorligitekshirishBuning uchun biz SOC baholash ishonchliligini ta'minlash uchun 
o'rganilmagan domen ma'lumotlarini yaratamiz.tekshirishQadamlarni sozlash mumkin.
2-rasm
Batareya SOCni baholash uchun FNN tuzilishi
3-rasm Batareya SOCni baholash uchun RNN tuzilishi
2.1.3 RNN asosidagi Batareya SOCni baholash usuli RNN asosidagi batareya SOCni baholash 
usuli FNN kabi kirish ma'lumotlari sifatida akkumulyator kuchlanishi V(t), oqim I(t) va harorat T(t) 
haqidagi ma'lumotlardan foydalanadi. SOC baholash tuzilishida FNN dan farq qiladiboshqaraqam3
Ko'rsatilganidek, yashirin qatlamlardan ma'lumotlar chiqishiXo'shshaharjigart ga kirish sifatida 
boradirekursiyaU qarama-qarshi xatti-harakatlar tuzilishiga ega va shuning uchun RNNjigart da 
kiritilgan ma'lumotlarningnaqshva oldingi shaharjigart-1 da ma'lumotlar kyungHyangseongdotaxta
shirin bo'lishi mumkindengiz qisqichbaqasiqilmoq.Boshqa so'zlar bilan aytgandaBatareyaning 
dinamik oqimi, harorati va boshqalar. Atrof-muhito‘zgarishini hisobga olish mumkindengiz 
qisqichbaqasiqilmoq.
3. Xulosa
Ushbu maqolada so'nggi paytlarda e'tibor qaratilayotgan ma'lumotlarga asoslangan 
sun'iy intellekt algoritmlari yordamida batareya zaryad holatini baholash usullari bo'lgan 
ELM, FNN va RNN tuzilishi va ma'lumotlar qo'llanilishi tahlil qilindi. Ma'lumotlarga 
asoslangan AI algoritmini tadqiq qilish uchun ishlatiladigan ma'lumotlar 2.2ITahlil 
qilinganidek haqiqiy batareyadan foydalanishAtrof-muhitaks ettirishi mumkin, va batareya 
ishlaydikattaqal'asiholma'lumotlarni tuzish uchun tahlil qilish kerak. Shunga qaramay, 
trening ma'lumotlari bo'yicha trening emas.hovuzBitta domen uchun taxminiy unumdorlik
tekshirishShunday qilib, ma'lumotlarga asoslangan AI algoritmlarining ishonchliligini 
oshirishda,kalit jarayon bilan birga bo‘lishi kerak.
2.2 Ma'lumotlarga asoslangan SOCni baholash usullarining ma'lumotlarini tahlil qilish
2.2.1 Ma'lumotlar to'plami komponentlari
Ma'lumotlarga asoslangan sun'iy intellekt algoritmlari yaqinda elektr transport 
vositalari uchun o'rganildikyungO'ngdagi 1-jadvalda ko'rsatilganidek,Atrof-muhit
Ma'lumotlar dinamikani hisobga olgan holdauchfoydalanish Elektr avtomobil 
akkumulyatorining ish harorati, foydalanuvchi naqshaks ettiruvchi batareya haydashchop 
etishProfil bilan bir xil shartlarni hisobga olgan holda, oldELM[2], FNN[3],RNN [1] kabi 
ma'lumotlarga asoslangan sun'iy intellekt algoritmlarini o'rganish uchun qo'llaniladigan 
ma'lumotlar batareyaning haqiqiy ish harorati oralig'idir.0℃,25℃,45℃dan iborat edi 
Algoritmga kirish sifatida ishlatiladigan kuchlanish, oqim va haroratning ta'rifi algoritm 
dizayneriga bog'liq.O'rtachaelektr toki,O'rtachaVoltaj kabi qo'shimcha kirish qiymatlari 
o'rnatilishi mumkin va kirish qiymatlarining ta'rifi algoritmni baholash tezligi va aniqligiga 
ta'sir qiladi.iyunHammasi. Va o'quv ma'lumotlaridagi elektr transport vositasining haqiqiy 
yo'l haydash stsenariysiBeshtuzilgan haqiqiy yo'lda haydasholtingugurtMa'lumotlarni aks 
ettiruvchi avtomagistral haydashAtrof-muhitHWFETni aks ettiruvchi, AQSh06orasida katta 
tesyorilishva shahar haydashAtrof-muhitUDDS, avtomagistral va shahar haydashini aks 
ettiruvchiAtrof-muhitbuomadBirgalikda tashkil etilgan NEDC va BJDST mavjud. Yana to'phol
dushmanomadmennaqshva batareya sinfiholDinamik oqim o'zgarishini aks ettirish uchun 
LA92, DST kabi haydash o'rtasidakattasun'iy intellekt algoritmlarining o'quv 
ma'lumotlaridan iborat bo'lishi mumkin.
Ushbu tadqiqot 2020 Savdo, sanoat va energetika vazirligi va Sanoat texnologiyalarini baholash va 
boshqarish instituti (KEIT) (20011626) tomonidan qo'llab-quvvatlandi.
havolalar
[1] Efrem Chemali va boshqalar, ''Li-ion batareyalarining 
zaryad holatini aniq baholash uchun uzoq muddatli qisqa 
muddatli xotira tarmoqlari''
IEEE Trans. Sanoat 
elektronikasi, jild.65,yo'q.8,2 avgust0Bir8
[2] Molla S. Hossain Lipu, va boshqalar, “Litiy-ionli batareyadan 
foydalanishning zaryad holatini baholash uchun ekstremal 
o'rganish mashinasi modeliGravitational qidiruv algoritmi,"
IEEE Trans. Sanoat ilovalari, jild.55,yo'q.4,2 iyul/avgust0Bir9
[3]J. Du,Z.Liu vaY.Vang, '' Li-ion uchun to'lov holatibatteryb
Ekstremal o'rganish mashinasi modeliga asoslangan,''
Control Eng.Pharakat.,
jild. 26,yo'q. 1, bet. 11–19, 2-may
0Bir4.
- 364 -