ترجمه مقاله مهندسی برق - کد 07

برای خرید ترجمه مقاله میتوانید از یکی از دو طریق زیر اقدام نمایید. پیشنهاد میکنیم از طریق گزینه اول اقدام نمایید

  1. کد مقاله را از طریق واتس آپ یا تلگرام برای پشتیبان ارسال نمایید و بعد از پرداخت هزینه فایل ترجمه برای شما ارسال می شود.
  2. از طریق سایت بعد از پرداخت هزینه امکان دانلود فایل برای شما ایجاد می شود.

هزینه ترجمه مقاله :

45,000تومان 30,000تومان

توضیحات

Advanced Machine Learning Approach for Lithium-Ion Battery State Estimation in Electric Vehicles

Abstract—To fulfill reliable battery management in electric
vehicles (EVs), an advanced State-of-Charge (SOC) estimator is
developed via machine learning methodology. A novel genetic
algorithm-based fuzzy C-means (FCM) clustering technique is
first used to partition the training data sampled in the driving
cycle-based test of a lithium-ion battery. The clustering result
is applied to learn the topology and antecedent parameters of
the model. Recursive least-squares algorithm is then employed
to extract its consequent parameters. To ensure good accuracy
and resilience, the backpropagation learning algorithm is finally
adopted to simultaneously optimize both the antecedent and consequent
parts. Experimental results verify that the proposed estimator
exhibits sufficient accuracy and outperforms those built by
conventional fuzzy modeling methods

Terms—Battery management, electric vehicle (EV), energy storage, machine learning, state estimation

اطلاعات بیشتر

رشته

مهندسی برق

سال چاپ

2016

مجله

ieee

نقد و بررسی‌ها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین کسی باشید که دیدگاهی می نویسد “ترجمه مقاله مهندسی برق – کد 07”

نشانی ایمیل شما منتشر نخواهد شد.

روش پیشرفته یادگیری ماشین برای برآورد وضعیت باتری لیتیوم یون در وسایل نقلیه الکتریکی

چکیده

به منظور تکمیل مدیریت باتری معتبر در وسایل نقلیه الکتریکی (EVs)، برآوردگر پیشرفته وضعیت شارژ (SOC) از طریق روش یادگیری ماشین توسعه می یابد. ابتدا تکنیک خوشه بندی c میانگین مبتنی بر الگوریتم ژنتیکی برای تجزیه داده های آموزش داده شده در آزمون چرخه رانندگی با یک باتری لیتیوم یون استفاده می شود. نتیجه خوشه بندی برای به دست آوردن توپولوژی و پارامترهای پیشین مدل استفاده می شود. سپس الگوریتم حداقل مربعات بازگشتی برای استخراج پارامترهای مربوطه استفاده می شود. در نهایت برای اطمینان از دقت و انعطاف پذیری خوب، الگوریتم پس انتشار، به طور همزمان برای بهینه سازی هر دو قسمت پیشین و برآیند به کار می رود. نتایج تجربی حاکی از آن است که برآوردگر پیشنهاد شده، دقت کافی را نشان می دهد و از روش های مدل سازی فازی معمولی بهتر عمل می کند.

کلمات کلیدی: مدیریت باتری، وسیله نقلیه الکتریکی (EV)، ذخیره انرژی، یادگیری ماشین، تخمین وضعیت.

بعضی رشته های پر طرفدار