Resultados do Perfil de Teste BJDST

As Tabelas 21-26 apresentam os resultados obtidos a partir do perfil de teste BJDST, para as métricas AE, MAE e MSE, onde o GLM-PSO foi superior em todas as variações de SOC e temperatura.

Tabela 21 – Resultados previsão BJDST para 0º Celsius e 50% de SOC

Modelo AE MAE MSE

GLM-AG 300,22398149057 0,055320431452104 0,003215360185901 POISSON-AG 282,599027728959 0,052072789336458 2,59581772382825 SPLINE-AG 1229,0767047127 0,226474425043799 0,125844736211633 GLM-DE 42,4945733936136 0,007830214371405 6,79E-05 POISSON-DE 261,638655830867 0,048210550180738 2,61896872759208 SPLINE-DE 778,561955076033 0,143460835650642 0,048937929151039

GLM-PSO 3,49E-06 6,43E-10 4,26E-19

POISSON-PSO 9651,83742596643 1,77848487672129 0,235279135535181 SPLINE-PSO 376,894035239591 0,069447951951279 0,019213805344634

Tabela 22 – Resultados previsão BJDST para 0º Celsius e 80% de SOC

Modelo AE MAE MSE

GLM-AG 728,569694223908 0,077252644918239 0,00610967675902 POISSON-AG 918,73712663884 0,09741672427514 2,39167773981491 SPLINE-AG 2649,29938775385 0,280913942079721 0,208410932314222 GLM-DE 66,6106542631402 0,007062947117288 5,86E-05 POISSON-DE 853,539282436766 0,090503582063065 2,37922598448909 SPLINE-DE 1697,56568779482 0,179998482429734 0,0779607286603

GLM-PSO 9,26E-06 9,82E-10 9,81E-19

POISSON-PSO 94990,7781948344 10,0721851547911 3,14788313033665 SPLINE-PSO 922,550782691397 0,097821098790308 0,038222695916661

Fonte: Autoria própria.

Tabela 23 – Resultados previsão BJDST para 25º Celsius e 50% de SOC

Modelo AE MAE MSE

GLM-AG 157,043557723653 0,029348450331462 0,000951469992413 POISSON-AG 169,34913222655 0,031648127868912 2,0956997012175 SPLINE-AG 1199,36610108335 0,224138684560522 0,12241953352365 GLM-DE 7,92327103635608 0,001480708472502 3,15E-06 POISSON-DE 259,364463814298 0,048470279165445 1,96343477694116 SPLINE-DE 655,969653899752 0,122588236572557 0,037512432276089

GLM-PSO 2,32E-06 4,33E-10 1,98E-19

POISSON-PSO 1054,82309717963 0,19712634968784 7,00518367212999 SPLINE-PSO 89,1442596602557 0,016659364541255 0,0011575409184

Fonte: Autoria própria.

Tabela 24 – Resultados previsão BJDST para 25º Celsius e 80% de SOC

Modelo AE MAE MSE

GLM-AG 294,86925511474 0,030983424935877 0,001048944154405 POISSON-AG 273,582628094777 0,028746729861803 1,67217116270466 SPLINE-AG 2529,08409151344 0,265743836451974 0,183740299234195 GLM-DE 22,2320812110551 0,002336038794899 7,06E-06 POISSON-DE 498,124599961724 0,052340506458099 1,55515404717383 SPLINE-DE 1410,21041969834 0,148178041367904 0,06100500833436

GLM-PSO 3,53E-06 3,71E-10 1,60E-19

POISSON-PSO 2877,81289301108 0,302386560156676 6,29036499660631 SPLINE-PSO 130,430371109609 0,013704988032953 0,000915311553868

Fonte: Autoria própria.

Tabela 25 – Resultados previsão BJDST para 45º Celsius e 50% de SOC

Modelo AE MAE MSE

GLM-AG 307,255070273279 0,057355809272593 0,003379975999239 POISSON-AG 323,219153894213 0,06033585101628 1,85973418387081 SPLINE-AG 1165,10596468072 0,217492246533642 0,115461992191646 GLM-DE 15,8075636997097 0,002950823912583 1,10E-05 POISSON-DE 428,074608245165 0,079909391122861 1,72161102917636 SPLINE-DE 644,101534214935 0,120235492666592 0,036616609806235

GLM-PSO 4,18E-06 7,81E-10 6,21E-19

POISSON-PSO 1429,12132051799 0,266776427201417 14,4883855948295 SPLINE-PSO 246,640677345841 0,04604082085978 0,008501641608166

Tabela 26 – Resultados previsão BJDST para 45º Celsius e 80% de SOC

Modelo AE MAE MSE

GLM-AG 551,404018430111 0,058380520744321 0,003497869697459 POISSON-AG 639,215967941165 0,067677709681436 1,47148653777874 SPLINE-AG 2443,53901705421 0,258712442250314 0,174388617559523 GLM-DE 38,1054351299929 0,004034455810481 1,90E-05 POISSON-DE 892,006779932628 0,094442221273968 1,353058438171 SPLINE-DE 1378,58458635259 0,145959193896515 0,06070889196993

GLM-PSO 6,70E-06 7,10E-10 5,25E-19

POISSON-PSO 3799,40241683244 0,402266004958438 13,3701865291027 SPLINE-PSO 402,094208597439 0,042572176664631 0,007371108264872

Fonte: Autoria própria.

Por meio da análise dos perfis de teste, pode-se constatar que os algoritmos implementados obtiveram bons resultados, em especial o GLM-PSO, que foi superior aos outros em todos os testes e condições de temperatura.

5.3 NOTAS SOBRE O CAPÍTULO

Este capítulo apresentou os resultados obtidos no processo de treinamento e teste utilizados no processo de previsão de SOC.

Dentre os três modelos empregues no treinamento, pode-se perceber que o POISSON foi o que teve maior dificuldade em representar a curva de capacidade inicial. Sendo que o SPLINE e o GLM tiveram maior precisão neste processo.

Para o processo de calibração, o GLM-PSO foi o que obteve melhor desem- penho, chegando próximo de zero. Para este problema em especial, GA e DE tiverem dificuldade em realizar o ajuste fino, esta dificuldade não descarta a sua utilização, pois cada algoritmo desses possui uma enormidade de variações, de forma que pos- sivelmente operadores de busca local poderiam melhorar o desempenho dos mesmos. Porém, é notório que o PSO obteve melhor desempenho, alcançando uma calibração precisa quando somado ao GLM e o SPLINE.

Como o POISSON não obteve desempenho satisfatório no processo de treina- mento, o mesmo não obteve previsões adequadas no processo de teste. Os resultados obtidos pelo SPLINE-PSO, mesmo sendo satisfatórias no processo de treinamento, fo- ram muito inferiores ao GLM-PSO nas previsões, onde os trechos os pontos de nó do SPLINE apresentaram maior erro. Desta forma, dentro as nove combinações apresen- tadas, a mais adequada para o problema de previsão de SOC é o o modelo GLM com

o otimizador PSO.

Quando comparado ao trabalho de Zheng et al. (2016) que obteve MAE pró- ximo a 1% e 0.6% em seus estimadores, o GLM-PSO mostrou-se superior, atingindo valores de MAE próximos a zero.

6 CONCLUSÕES E PERSPECTIVAS

A previsão de estado de carga de bateria é uma etapa fundamental para a nova geração de veículos elétricos. Na literatura, diversas abordagens foram utilizadas para realizar esta tarefa, frequentemente apresentando elevado erro e baixa confiabi- lidade ou técnicas computacionalmente muito caras pela complexidade do problema, aliada às não-linearidades das baterias.

Desta forma, este trabalho realizou o treinamento dos modelos por meio da curva de capacidade inicial de uma bateria INR 18650-20R LiNiMnCoO2/Graphite. Para teste e validação dos resultados utilizou-se a previsão a partir de 4 perfis de testes reconhecidos internacionalmente: DST, FUDS, US06 e BJDST. Ao todo, foram implementadas as combinações de três modelos: GLM, POISSON e SPLINE com 3 diferentes técnicas de inteligência computacional: GA, DE e PSO, o que resultou em nove combinações.

Como resultado, um algoritmo em específico foi muito superior aos outros, de modo que o GLM-PSO praticamente não apresentou erro no treinamento, com uma representação fiel da curva de capacidade inicial, bem como um desempenho elevado em todos os perfis de teste. ESta proposta apresenta desempenho superior a outras técnicas e modelos mais sofisticados, como o SPLINE.

Por fim, como trabalhos futuros, diferentes modelos de baterias podem ser testados, bem como, a aplicação de mais variações nas técnicas de inteligência com- putacional.

REFERÊNCIAS

BERECIBAR, M. et al. Critical review of state of health estimation methods of li-ion batteries for real applications.Renewable and Sustainable Energy Reviews, v. 56, p. 572–587, 2016.

BERRY, I. M. The effects of driving style and vehicle performance on the real-world fuel consumption of US light-duty vehicles. 2010. 140 p. Tese (Doutorado) — Massachusetts Institute of Technology, Cambridge, 2010.

BIZHONG, X; CHAOREN, C.; TIAN, Y. A novel method for state of charge estimation of lithium-ion batteries using a nonlinear observer.Journal of Power Sources, v. 270, p. 359–366, 2014.

CASTANHO, D. et al. Aplicação de um controlador pid fuzzy adaptativo otimizado via algoritmo genético à um motor de corrente contínua didático.XIII SIMMEC 2018, p. 1–15, 2018.

CASTRO, L. N. De. Fundamentals of natural computing: basic concepts, algorithms, and applications. [S.l.]: Chapman and Hall/CRC, 2006. 696 p.

CHEN, X. et al. Adaptive gain sliding mode observer for state of charge estimation based on combined battery equivalent circuit model in electric vehicles.ICIEA, p. 601–606, 2013.

CHEN, Z. et al. Online battery state of health estimation based on genetic algorithm for electric and hybrid vehicle applications. Journal of Power Sources, v. 240, p. 184–192, 2013.

CHEVROLET. BOLT EV Owner’s Manual. USA, 2017. Disponível em: <https: //my.chevrolet.com/content/dam/gmownercenter/gmna/dynamic/manuals/2017/ Chevrolet/BOLT20EV/Owner’s20Manual.pdf>. Acesso em: 06.04.2019.

CHEVROLET. Bolt: O futuro é a realidade. 2019. Site Chevrolet. Acesso em: 06.04.2019. Disponível em: <https://www.chevrolet.com.br/carros/bolt-ev>.

CLERC, M.; KENNEDY, J. The particle swarm-explosion, stability, and convergence in a multidimensional complex space. IEEE transactions on Evolutionary

Computation, v. 6, p. 58–73, 2002.

CORRÊA F, C.Desenvolvimento e análise de estratégias de gerenciamento de potência em veículo elétrico híbrido de configuração paralela. 2013. 138 p. Tese (Doutorado) — Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, 2013.

FARAG, M. S.Lithium-Ion Batteries: Modelling and State of Charge Estimation. 2013. 169 p. Tese (Doutorado) — Faculty of Engineering, McMaster University, Ontario, Canada, 2013.

FARMANN, A. et al. Critical review of on-board capacity estimation techniques for lithium-ion batteries in electric and hybrid electric vehicles. Journal of Power Sources, v. 281, p. 114–130, 2015.

FORMAN, J. C. et al. Genetic identification and fisher identifiability analysis of the doyle-fuller-newman model from experimental cycling of a LiFePO4 cell.Journal of Power Sources, v. 210, p. 263–275, 2012.

GILAT, A.; SUBRAMANIAM, V.Métodos numéricos para engenheiros e cientistas. [S.l.]: Bookman Editora, 2009.

GIZI, A. J.H. Al et al. Integrated PLC-fuzzy PID simulink implemented AVR system. International Journal of Electrical Power & Energy Systems, v. 69, p. 313–326, 2015.

HAN, X. et al. A comparative study of commercial lithium ion battery cycle life in electrical vehicle: Aging mechanism identification.Journal of Power Sources, v. 251, p. 38–54, 2014.

HANNAN, M. A. et al. A review of lithium-ion battery state of charge estimation and management system in electric vehicle applications: Challenges and

recommendations.Renewable and Sustainable Energy Reviews, v. 78, p. 834–854, 2017.

HASSAN, M.K. et al. Optimal design of electric power assisted steering system (EPAS) using GA-PID method.Procedia Engineering, v. 41, p. 614–621, 2012.

HE, H. et al. Online model-based estimation of state-of-charge and open-circuit voltage of lithium-ion batteries in electric vehicles.Sustainable Energy and Environmental Protection 2010, v. 39, n. 1, p. 310–318, 2012.

HE, Y.; LIU, W.; KOCH, B. J. Battery algorithm verification and development using hardware-in-the-loop testing.Journal of Power Sources, v. 195, n. 9, p. 2969–2974, 2010.

HOLLAND, J. H. Genetic algorithms.Scientific American, v. 267, p. 66–73, 1992.

HU, X. et al. Charging time and loss optimization for LiNMC and LiFePO4 batteries based on equivalent circuit models.Journal of Power Sources, v. 239, p. 449–457, 2013.

HU, Y. Electro-thermal battery model identification for automotive applications. Journal of Power Sources, v. 196, n. 1, p. 449–457, 2011.

HU, Y. et al. A technique for dynamic battery model identification in automotive applications using linear parameter varying structures.Control Engineering Practice, v. 17, n. 10, p. 1190–1201, 2009.

HUNT, Gary et al. Usabc electric vehicle battery test procedures manual.Washington, DC, USA: United States Department of Energy, 1996.

HYUNDAI. 2019 Hyundai Ioniq Electric - Owner’s Manual. [S.l.], 2018. Disponível em: <https://carmanuals2.com/hyundai/

ioniq-electric-2019-owner-s-manual-rhd-uk-australia-113008>. Acesso em: 06.04.2019.

HYUNDAI. IONIQ eletric: Movido pela emoção. Carregado pelo dinamismo. 2019. Site Hyndai. Acesso em: 21.04.2019. Disponível em: <https://www.hyundai.pt/ automoveis/ioniq-electric/>.

IEA.Global Energy & CO2 Status Report - 2017. [S.l.], 2019. Acesso em: 21-04- 2019. Disponível em: <https://www.iea.org/publications/freepublications/publication/ GECO2017.pdf>.

KENNEDY, J. Particle swarm optimization. In: SAMMUT, C.; WEBB, G. I. (Ed.). Encyclopedia of Machine Learning. [S.l.]: Springer US, 2010. p. 760–766.

LAZZARIN, L. A. et al.Método ensemble baseado em redes neurais artificiais para estimação de internações por doenças respiratórias. 2019. Dissertação (Mestrado) — Universidade Tecnológica Federal do Paraná, 2019.

MARTINS, M.S.R. et al. Pso with path relinking for resource allocation using simulation optimization.Computers & Industrial Engineering, v. 65, n. 2, p. 322–330.

MARTINS, M. S. R.A hybrid multi-objective bayesian estimation of distribution algorithm. 2017. 130 p. Tese (Doutorado) — Universidade Tecnológica Federal do Paraná, Campus Curitiba, Curitiba, 2017.

MCCULLAGH, P. Quasi-likelihood functions.The Annals of Statistics, v. 11, n. 1, p. 59–67, 1983.

MENDES, J. et al. An architecture for adaptive fuzzy control in industrial environments. Computers in Industry, v. 62, n. 3, p. 364–373, 2011.

MICHALEWICZ, Z. Evolution strategies and other methods. In: MICHALEWICZ, Z. (Ed.).Genetic Algorithms + Data Structures = Evolution Programs. [S.l.]: Springer Berlin Heidelberg, 1996. p. 159–177.

MORETTIN, P. A.; TOLOI, C.Análise de séries temporais. [S.l.]: ABE- Projeto Fisher e Editora Edgard Blucher, 2006.

NELDER, J. A.; WEDDERBURN, R. W. M. Generalized linear models.Journal of the Royal Statistical Society: Series A (General), v. 135, n. 3, p. 370–384, 1972.

NEUHAUS, J.; MCCULLOCH, C. Generalized linear models.Wiley Interdisciplinary Reviews: Computational Statistics, v. 3, n. 5, p. 407–413, 2011.

NISSAN. Especificações Nissan LEAF/2019 - B12P. [S.l.], 2019. Disponível em: <https://www.nissan-cdn.net/content/dam/Nissan/br/vehicles/2018/Leaf/fichas/ NISSAN_Ficha20Tecnica20LEAF202019.pdf>. Acesso em: 06.04.2019.

NISSAN. Simply Amazing: Novo Nissan Leaf. 2019. Site Nissan. Acesso em: 21.04.2019. Disponível em: <https://www.nissan.com.br/veiculos/modelos/ leaf-b12p-my18-prelaunch1.html#caracteristicas>.

PALADINI, V. et al. Super-capacitors fuel-cell hybrid electric vehicle optimization and control strategy development.Energy Conversion and Management, v. 48, n. 11, p. 3001–3008, 2007.

POLI, R.; KENNEDY, J.; BLACKWELL, T. Particle swarm optimization. Swarm Intelligence, n. 1, p. 33–57, 2007.

RAHIMI-EICHI, H. et al. Battery management system: An overview of its application in the smart grid and electric vehicles.IEEE Industrial Electronics Magazine, v. 7, n. 2, p. 4–16, 2013.

RAHMAN, M. A.; ANWAR, S.; IZADIAN, A. Electrochemical model parameter identification of a lithium-ion battery using particle swarm optimization method. Journal of Power Sources, v. 307, p. 86–97, 2016.

REMES, C. L.; OLIVEIRA, S. V. G.Modelagem, Simulação e Estimação de Carga de Baterias de Lítio com Implementação de um Carregador de Baterias. 2016. Dissertação (Mestrado) — Universidade do Estado de Santa Catarina, Joinville, 2016.

RENAULT. Renault ZOE - Manual do Proprietário. Nanterre, França, 2018.

Disponível em: <https://www.cdn.renault.com/content/dam/Renault/BR/personal-cars/ ZOE/catalogos-manuais/Manual_do_Propietario_ZOE_2018.pdf>. Acesso em: 06.04.2019.

RENAULT. Renault ZOE: The Electric Live. 2019. Site Renault. Acesso em: 21.04.2019. Disponível em: <https://www.renault.com.br/veiculos/veiculos-eletricos/ renault-zoe.html>.

SEIXAS, L.; CASTANHO, D.; CORRÊA, F. Controlador fuzzy sintonizado por algoritmo genético em sistema de armazenamento de energia.XIII SIMMEC 2018, p. 1–13, 2018.

SHAFIEKHANI, A.; MAHJOOB, M.J.; AKRAMINIA, M. Design and implementation of an adaptive critic-based neuro-fuzzy controller on an unmanned bicycle. Mechatronics, v. 28, p. 115–123, 2015.

SHAREEF, H.; ISLAM, M. M.; MOHAMED, A. A review of the stage-of-the-art charging technologies, placement methodologies, and impacts of electric vehicles.Renewable and Sustainable Energy Reviews, v. 64, p. 403–420, 2016.

STORN, R.; PRICE, K. Differential evolution a simple and efficient heuristic for global optimization over continuous spaces.Journal of global optimization, v. 11, n. 4, p. 341–359, 1997.

TADANO, Y. S. et al.Simulação da dispersão dos poluentes atmosféricos para aplicação em análise de impacto. 2012. 168 p. Tese (Doutorado) — Universidade Estadual de Campinas, Campinas, 2012.

WEDDERBURN, R. W. Quasi-likelihood functions, generalized linear models, and the gauss—newton method.Biometrika, v. 61, n. 3, p. 439–447, 1974.

WU, G. et al. State of charge estimation for NiMH battery based on electromotive force method.IEEE Vehicle Power and Propulsion, p. 1–5, 2008.

YANG, Z.; LI, K.; FOLEY, A. Computational scheduling methods for integrating plug-in electric vehicles with power systems: A review.Renewable and Sustainable Energy Reviews, v. 51, n. 4543, p. 396–416, 2015.

YINJIAO, X. et al. Battery management systems in electric and hybrid vehicles. energies, v. 4, p. 1840–1857, 2011.

ZHENG, F et al. Influence of different open circuit voltage tests on state of charge online estimation for lithium-ion batteries.Applied Energy, v. 183, p. 513 – 525, 2016.

ÖZTüRK, N.; ÇELIK, E. Speed control of permanent magnet synchronous motors using fuzzy controller based on genetic algorithms. International Journal of Electrical Power & Energy Systems, v. 43, p. 889–898, 2012.