مشخصات پژوهش

عنوان	تخمین همزمان وضعیت شارژ و سلامت باتری خودروهای برقی با استفاده از ترکیب ماشین بردار پشتیبان و شبکه هیبرید کانولوشنی_ترانسفورمر با لحاظ سیستماتیک اثر دما
نوع پژوهش	پایان نامه
کلیدواژه‌ها	باتری لیتیوم یونی، خودرو برقی تسلا مدل 3، وضعیت شارژ، وضعیت سلامت، ماشین بردار پشتیبان، شبکه کانولوشنی، ترانسفورمر، اثر دما، یادگیری عمیق هیبرید
چکیده	با افزایش استفاده از خودروهای برقی، تخمین دقیق وضعیت شارژ (State of Charge: SOC) و وضعیت سلامت (State of Health: SOH) باتری های لیتیوم یونی به عنوان یکی از وظایف کلیدی سیستم مدیریت باتری (BMS) اهمیت ویژه ای یافته است. بروز خطا در تخمین این کمیت ها می تواند منجر به کاهش بازده انرژی، افت عمر مفید باتری، کاهش برد حرکتی و افزایش ریسک های ایمنی شود. از سوی دیگر، رفتار غیرخطی باتری و اثرات قابل توجه دما در شرایط بهره برداری واقعی، چالش های جدی برای روش های متداول مبتنی بر مدل های فیزیکی و مدار معادل ایجاد کرده و پایداری و دقت این روش ها را محدود می سازد. با وجود پیشرفت روش های داده محور و یادگیری عمیق، اغلب پژوهش های موجود بر تخمین جداگانه SOC یا SOH متمرکز بوده و تخمین همزمان این دو کمیت، به ویژه مبتنی بر داده های عملیاتی واقعی خودروهای تجاری و با لحاظ ساختاری اثر دما، کمتر مورد توجه قرار گرفته است. در این پژوهش، یک چارچوب داده محور هیبرید برای تخمین همزمان SOC و SOH باتری خودروی برقی ارائه می شود که ترکیبی از ماشین بردار پشتیبان و شبکه هیبرید کانولوشنی–ترانسفورمر است. داده های مورد استفاده از دیتاست عملیاتی باتری خودروی تسلا مدل 3 منتشرشده توسط دانشگاه McMaster استخراج شده و شامل داده های واقعی ولتاژ، جریان و دما در شرایط رانندگی و شارژ واقعی هستند. در چارچوب پیشنهادی، ماشین بردار پشتیبان برای تخمین SOH و شبکه کانولوشنی–ترانسفورمر برای تخمین SOC به کار گرفته شده و اثر دما به صورت سیستماتیک در فرآیند تخمین لحاظ می شود. این پژوهش با هدف افزایش دقت، پایداری و قابلیت تعمیم پذیری مدل ها، گامی در جهت کاهش فاصله میان پژوهش دانشگاهی و کاربرد صنعتی برمی دارد.
پژوهشگران	ابوالفضل ولیزاده چایکندی (دانشجو)، هادی افشاری راد (استاد راهنمای اول)، محمدرضا بنائی (استاد مشاور)