Estimación del estado de carga de una batería utilizando deep learning

Desde R2024b

En este ejemplo se muestra cómo realizar un flujo de trabajo de extremo a extremo completo para estimar el estado de carga de una batería. Este flujo de trabajo incluye estos pasos: definir requisitos, preparar datos, entrenar modelo, probar modelo, integrarlo en Simulink, simulación SIL y verificar requisitos. Esta figura muestra los pasos que recoge este ejemplo.

El estado de carga (SOC) de una batería es el nivel de carga de una batería eléctrica en relación con su capacidad, medido como un porcentaje. El SOC es información fundamental para el sistema de gestión de energía de un vehículo y debe estimarse de manera precisa para garantizar vehículos electrificados fiables y asequibles (xEV). Sin embargo, debido a la temperatura, estado y comportamiento dependiente del SOC no lineales de las baterías de iones de litio, la estimación del SOC sigue siendo un reto para la ingeniería de automoción. Los enfoques tradicionales para este problema, como modelos electromecánicos, normalmente requieren parámetros precisos y conocimientos sobre la composición de la batería, así como su respuesta física. En cambio, el uso de redes neuronales es un enfoque basado en datos que requiere un conocimiento mínimo sobre la batería o su comportamiento no lineal.

En este ejemplo se muestra cómo realizar estos pasos:

  1. Define Requirements for Battery State of Charge Estimation

  2. Prepare Data for Battery State of Charge Estimation Using Deep Learning

  3. Train Deep Learning Network for Battery State of Charge Estimation

  4. Compress Deep Learning Network for Battery State of Charge Estimation

  5. Test Deep Learning Network for Battery State of Charge Estimation

  6. Integrate AI Model into Simulink for Battery State of Charge Estimation

  7. Generate Code for Battery State of Charge Estimation Using Deep Learning

Consulte también

Temas