Kalman filtering state of charge estimation for battery management system based on a stochastic fuzzy neural network battery model

2012 ◽  
Vol 53 (1) ◽  
pp. 33-39 ◽  
Author(s):  
Long Xu ◽  
Junping Wang ◽  
Quanshi Chen
Keyword(s):  
Neural Network ◽  
Kalman Filtering ◽  
Management System ◽  
Fuzzy Neural Network ◽  
State Of Charge ◽  
Battery Management System ◽  
Battery Management ◽  
Battery Model ◽  
Fuzzy Neural ◽  
State Of Charge Estimation

Validation and benchmark methods for battery management system functionalities: State of charge estimation algorithms

2016 ◽  
Vol 7 ◽  
pp. 38-51 ◽  
Author(s):  
Christian Campestrini ◽  
Max F. Horsche ◽  
Ilya Zilberman ◽  
Thomas Heil ◽  
Thomas Zimmermann ◽  
...  
Keyword(s):  
Management System ◽  
State Of Charge ◽  
Battery Management System ◽  
Battery Management ◽  
Estimation Algorithms ◽  
State Of Charge Estimation

scholarly journals FEED FORWARD NEURAL NETWORK SEBAGAI ALGORITMA ESTIMASI STATE OF CHARGE BATERAI LITHIUM POLYMER

2020 ◽  
Vol 7 (1) ◽  
pp. 13
Author(s):  
Mohammad Imron Dwi Prasetyo ◽  
Anang Tjahjono ◽  
Novie Ayub Windarko
Keyword(s):  
Neural Network ◽  
Smart Grid ◽  
Management System ◽  
Open Circuit Voltage ◽  
Open Circuit ◽  
State Of Charge ◽  
Battery Management System ◽  
Battery Management ◽  
Feed Forward Neural Network ◽  
Feed Forward

<p><em>Estimasi State Of Charge (SOC) baterai merupakan parameter terpenting dalam Battery Management System (BMS), terlebih sebagai aplikasi dari mobil listrik dan smart grid. SOC tidak dapat dilakukan pengukuran secara langsung, sehingga diperlukan metode estimasi untuk mendapatkan nilai tersebut. Beberapa metode yang pernah diusulkan adalah coloumb counting dan open circuit voltage. Akan tetapi coloumb counting memiliki kelemahan dalam hal inisialisasi SOC awal dan memiliki ketergantungan terhadap sensor arus. Sedangkan metode open circuit voltage hanya dapat digunakan pada baterai dalam kondisi idel. Pada penelitian ini diusulkan metode algoritma Feed Forward Neural Network (FFNN) untuk estimasi SOC baterai lithium polymer. Algoritma ini dapat menyelesaikan sistem nonlinier seperti yang dimiliki oleh baterai lithium polymer. Arsitektur FFNN dibangun dua kali (dual neural) untuk estimasi OCV dan SOC. FFNN pertama dengan input tegangan, arus,  dan waktu charging maupun discharging untuk estimasi OCV. OCV hasil training neural pertama digunakan sebagai input FFNN kedua untuk estimasi SOC. Hasil dari estimasi ini didapatkan dengan nilai hidden neuron 11 pada neural pertama dan hidden neuron 4 pada neural kedua.</em></p><p><strong>Keywords:</strong><em> </em><em>SOC, BMS, Coloumb Counting, OCV, FFNN</em></p><p><em>Estimasi State Of Charge (SOC) baterai merupakan parameter terpenting dalam Battery Management System (BMS), terlebih sebagai aplikasi dari mobil listrik dan smart grid. SOC tidak dapat dilakukan pengukuran secara langsung, sehingga diperlukan metode estimasi untuk mendapatkan nilai tersebut. Beberapa metode yang pernah diusulkan adalah coloumb counting dan open circuit voltage. Akan tetapi coloumb counting memiliki kelemahan dalam hal inisialisasi SOC awal dan memiliki ketergantungan terhadap sensor arus. Sedangkan metode open circuit voltage hanya dapat digunakan pada baterai dalam kondisi idel. Pada penelitian ini diusulkan metode algoritma Feed Forward Neural Network (FFNN) untuk estimasi SOC baterai lithium polymer. Algoritma ini dapat menyelesaikan sistem nonlinier seperti yang dimiliki oleh baterai lithium polymer. Arsitektur FFNN dibangun dua kali (dual neural) untuk estimasi OCV dan SOC. FFNN pertama dengan input tegangan, arus,  dan waktu charging maupun discharging untuk estimasi OCV. OCV hasil training neural pertama digunakan sebagai input FFNN kedua untuk estimasi SOC. Hasil dari estimasi ini didapatkan dengan nilai hidden neuron 11 pada neural pertama dan hidden neuron 4 pada neural kedua.</em></p><p><strong>Kata kunci</strong><em>: </em><em>SOC, BMS, Coloumb Counting, OCV, FFNN</em></p><p><em><br /></em></p><p><em><br /></em></p>

A Merged Fuzzy Neural Network and Its Applications in Battery State-of-Charge Estimation

2007 ◽  
Vol 22 (3) ◽  
pp. 697-708 ◽  
Author(s):  
I-Hsum Li ◽  
Wei-Yen Wang ◽  
Shun-Feng Su ◽  
Yuang-Shung Lee
Keyword(s):  
Neural Network ◽  
Fuzzy Neural Network ◽  
State Of Charge ◽  
Fuzzy Neural ◽  
Battery State Of Charge ◽  
State Of Charge Estimation
Sign in / Sign up

Export Citation Format

Share Document