دانلود مقاله ISI انگلیسی شماره 92840
ترجمه فارسی عنوان مقاله

تعریف شارژ مبتنی بر الگوریتم ژنتیک بر اساس باتری لیتیوم در خودروهای الکتریکی بهبود یافته است

عنوان انگلیسی
Improved chaos genetic algorithm based state of charge determination for lithium batteries in electric vehicles
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
92840 2018 10 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Energy, Volume 152, 1 June 2018, Pages 576-585

ترجمه کلمات کلیدی
الگوریتم ژنتیک هرج و مرج بهبود یافته، دولت شارژ، مکانیزم سوئیچ سازگار، باتری لیتیوم، مدل فضای حالت ترکیبی
کلمات کلیدی انگلیسی
Improved chaos genetic algorithm; State of charge; Adaptive switch mechanism; Lithium batteries; Combined state space model;
ترجمه چکیده
باتری لیتیوم به سرعت در وسایل نقلیه الکتریکی توسعه یافته است و با توجه به ثبات ارزش اولیه، نیازهای محاسباتی گسترده و مسائل همگانی، ارزیابی دقیق و دقیق از ظرفیت موجود برای اطمینان از قابلیت های ایمنی و عملکرد آنها به چالش کشیده می شود. این مقاله روش مبتنی بر الگوریتم ژنتیک بهبود یافته را برای ارزیابی وضعیت باتری با پیچیدگی محاسباتی کم و پایداری اولیه ارائه می دهد. بر اساس یک مدل فضای حالت ترکیبی که برای شبیه سازی پویش باتری استفاده می شود، یک روش مبتنی بر الگوریتم ژنتیک بهبود یافته هرج و مرج که شامل الگوریتم ژنتیک هرج و مرج، روش ساعت آمپر و مکانیسم سوئیچ سازگار است، پیش بینی ظرفیت موجود را پیش بینی می کند. این روش با داده های آزمایشی که از سیستم آزمون باتری جمع آوری شده، اعتبار دارد. نتایج نشان می دهد که روش مبتنی بر الگوریتم ژنتیک پیشرفته هرج و مرج عملکرد خوبی با پیچیدگی محاسباتی کم دارد و تحت تأثیر مقدار اولیه قرار می گیرد.
پیش نمایش مقاله
پیش نمایش مقاله  تعریف شارژ مبتنی بر الگوریتم ژنتیک بر اساس باتری لیتیوم در خودروهای الکتریکی بهبود یافته است

چکیده انگلیسی

Lithium batteries are developed rapidly in electric vehicles, and the accurate online evaluation of available capacity for ensuring their safety and functional capabilities is challenging due to the stability of initial value, extensive computational requirements and convergence issues. This paper proposes an improved chaos genetic algorithm based method to evaluate the state of charge of batteries with low computational complexity and high initial stability. Based on a combined state space model employed to simulate battery dynamics, an improved chaos genetic algorithm based method which comprises chaos genetic algorithm, Ampere hour approach and adaptive switch mechanism is advanced to predict the available capacity. The method is validated by the experiment data collected from battery test system. Results indicate that the improved chaos genetic algorithm based method shows great performance with low computational complexity and is little influenced by the given initial value.