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

• Ano de defesa: 2019
• Autor(a) principal: Castanho, Diego Solak
• Orientador(a): Corrêa, Fernanda Cristina
• Banca de defesa: Corrêa, Fernanda Cristina , Silva, Ludmila Corrêa de Alkmin e , Stevan Junior, Sergio Luiz
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Ponta Grossa
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica
• País: Brasil
• Palavras-chave em Português: Baterias elétricas; Lítio; Veículos elétricos; Inteligência computacional; Electric batteries; Lithium; Electric vehicles; Computational intelligence
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/4758

Nas 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.