О выборе метода построения нечеткой модели прогнозирования состояния аккумулятора

Аннотация

В качестве альтернативы неэкологичным автомобилям с двигателями внутреннего сгорания применяются электромобили, работающие на аккумуляторных батареях. Но аккумуляторные батареи нельзя использовать без системы управления, для разработки которой требуется математическая модель прогнозирования состояния отдельного аккумулятора. Такой моделью может являться нечеткая система Такаги --- Сугено (нечеткая модель). Существуют методы автоматического построения нечетких моделей по таблице наблюдений. Однако нет однозначных критериев выбора подходящего метода в каждом конкретном случае. Рассмотрена задача определения метода, позволяющего получить нечеткую модель, прогнозирующую напряжение литийионного аккумулятора по току нагрузки и состоянию заряда при разряде постоянным током с наименьшей среднеквадратической ошибкой. Выполнен обзор существующих методов и их классов, выбрано пять методов для сравнения. Ошибка прогнозирования всеми полученными моделями распределена неравномерно вдоль оси состояния заряда и принимает наибольшие значения в интервале 97...100 %. Наименьшая среднеквадратическая ошибка у модели, построенной комбинированным методом, использующим субтрактивную кластеризацию, метод наименьших квадратов и адаптивную сеть на основе системы нечеткого вывода. У такой модели ошибка изменяется скачками, что связано с особенностью алгоритма субтрактивной кластеризации --- сформированные кластеры имеют одинаковый размер

Просьба ссылаться на эту статью следующим образом:

Яковлева О.В., Строганов Ю.В., Рудаков И.В. О выборе метода построения нечеткой модели прогнозирования состояния аккумулятора. Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение, 2022, № 4 (141), с. 36--55. DOI: https://doi.org/10.18698/0236-3933-2022-4-36-55

Литература

[1] Prajwowski K., Golebiewski W., Lisowski M., et al. Road test of selected electrical parameters of the hybrid vehicle accumulation system. IEEE Trans. Veh. Technol., 2021, vol. 70, no. 1, pp. 203--211. DOI: https://doi.org/10.1109/TVT.2020.3043852

[2] Борисевич А.В. Моделирование литийионных аккумуляторов для систем управления батареями: обзор текущего состояния. Современная техника и технологии, 2014, № 5. URL: https://technology.snauka.ru/2014/05/3542

[3] Moura S.J., Chaturvedi N.A., Krstic M. Adaptive partial differential equation observer for battery state-of-charge/state-of-health estimation via an electrochemical model. J. Dyn. Sys., Meas., Control., 2014, vol. 136, no. 1, art. 011015. DOI: https://doi.org/10.1115/1.4024801

[4] Rahmoun A., Biechl H. Modelling of Li-ion batteries using equivalent circuit diagrams. Przeglad Elektrotechniczny, 2012, vol. 88, no. 7B, pp. 152--156.

[5] Soltani M., Telmoudi A.J., Belgacem Y.B., et al. Parameters identification and discharge capacity prediction of Nickel--Metal Hydride battery based on modified fuzzy c-regression models. Neural Comput. & Applic., 2020, vol. 32, no. 15, pp. 11361--11371. DOI: https://doi.org/10.1007/s00521-019-04631-w

[6] Guo Y., Yang Z., Liu K., et al. A compact and optimized neural network approach for battery state-of-charge estimation of energy storage system. Energy, 2021, vol. 219, no. 5, art. 119529. DOI: https://doi.org/10.1016/j.energy.2020.119529

[7] Fleischer C., Waag W., Bai Z., et al. On-line self-learning time forward voltage prognosis for lithium-ion batteries using adaptive neuro-fuzzy inference system. J. Power Sources, 2013, vol. 243, pp. 728--749. DOI: https://doi.org/10.1016/j.jpowsour.2013.05.114

[8] Ходашинский И.А. Идентификация нечетких систем: методы и алгоритмы. Проблемы управления, 2009, № 4, с. 15--23.

[9] Takagi T., Sugeno M. Fuzzy identification of systems and its application to modeling and control. IEEE Trans. Syst. Man Cybern., 1985, vol. 15, no. 1, pp. 116--132. DOI: https://doi.org/10.1109/TSMC.1985.6313399

[10] Mamdani E.H., Assilian S. An experiment in linguistic synthesis with a fuzzy logic controller. Int. J. Man. Mach. Stud., 1975, vol. 7, no. 1, pp. 1--13. DOI: https://doi.org/10.1016/S0020-7373(75)80002-2

[11] Hathaway R.J., Bezdek J.C. Switching regression models and fuzzy clustering. IEEE Trans. Fuzzy Syst., 1993, vol. 1, no. 3, pp. 195--204. DOI: https://doi.org/10.1109/91.236552

[12] Gustafson D.E., Kessel W.C. Fuzzy clustering with a fuzzy covariance matrix. Proc. IEEE CDC, 1979, pp. 761--766. DOI: https://doi.org/10.1109/CDC.1978.268028

[13] Gath I., Geva A.B. Unsupervised optimal fuzzy clustering. IEEE Trans. Pattern Anal. Mach. Intell., 1989, vol. 11, no. 7, pp. 773--781. DOI: https://doi.org/10.1109/34.192473

[14] Abonyi J., Babuska R., Szeifert F. Modified Gath --- Geva fuzzy clustering for identification of Takagi --- Sugeno fuzzy models. IEEE Trans. Syst. Man Cybern., 2002, vol. 32, no. 5, pp. 612--621. DOI: https://doi.org/10.1109/TSMCB.2002.1033180

[15] Yager R.R., Filev D.P. Approximate clustering via the mountain method. IEEE Trans. Pattern Anal. Mach. Intell., 1994, vol. 24, no. 8, pp. 1279--1284. DOI: https://doi.org/10.1109/21.299710

[16] Chiu S.L. Extracting fuzzy rules for pattern classification by cluster estimation. Proc. IFSA, 1995, vol. 95, pp. 273--276.

[17] Kennedy J., Ebenhart R. Particle swarm optimization. Proc. IEEE ICNN, 1995, pp. 1942--1948. DOI: https://doi.org/10.1109/ICNN.1995.488968

[18] Khosla A., Kumar S., Aggarwal K.K. A framework for identification of fuzzy models through particle swarm optimization algorithm. IEEE Indicon, 2005, pp. 388--391. DOI: https://doi.org/10.1109/INDCON.2005.1590196

[19] Holland J.H. Adaptation in natural and artificial systems. Cambridge, MIT Press, 1975.

[20] Civelek Z. Optimization of fuzzy logic (Takagi --- Sugeno) blade pitch angle controller in wind turbines by genetic algorithm. Eng. Sc. Technol. an Int. J., 2020, vol. 23, no. 1, pp. 1--9. DOI: https://doi.org/10.1016/j.jestch.2019.04.010

[21] Ходашинский И.А., Гнездилова В.Ю., Дудин П.А. и др. Основанные на производных и метаэвристические методы идентификации параметров нечетких моделей. Тр.VIII Междунар. конф. SICPRO’08. М., ИПУ РАН, 2009, с. 501--528.

[22] Guillaume S. Designing fuzzy inference systems from data: an interpret ability-oriented review. IEEE Trans. Fuzzy Syst., 2001, vol. 9, no. 3, pp. 426--443. DOI: https://doi.org/10.1109/91.928739

[23] Shun-Hung T., Yu-Wen Ch. A novel identification method for Takagi --- Sugeno fuzzy model. Fuzzy Sets Syst., 2018, vol. 338, pp. 117--135. DOI: https://doi.org/10.1016/j.fss.2017.10.012

[24] Kalman R.E. A new approach to linear filtering and prediction problems. J. Basic Eng., 1960, vol. 82, no. 1, pp. 35--45. DOI: https://doi.org/10.1115/1.3662552

[25] Ходашинский И.А., Сарин К.С., Черепанов С.А. Об одном методе инициализации нечетких систем типа Такаги --- Сугено. Автометрия, 2016, т. 52, № 3, с. 61--70. DOI: https://doi.org/10.15372/AUT20160308

[26] Junhong Y., Jizhen L., Xiangjie L., et al. Identification of nonlinear system based on ANFIS with subtractive clustering. 6th World Cong. on Intelligent Control and Automation, 2006, pp. 1852--1856. DOI: https://doi.org/10.1109/WCICA.2006.1712675

[27] Benmouiza K., Cheknane A. Clustered ANFIS network using fuzzy c-means, subtractive clustering, and grid partitioning for hourly solar radiation forecasting. Theor. Appl. Climatol., 2019, vol. 137, no. 1, pp. 31--43. DOI: https://doi.org/10.1007/s00704-018-2576-4

[28] Jang J.-S.R. ANFIS: adaptive network based fuzzy inference system. IEEE Trans. Syst. Man Cybern. Syst., 1993, vol. 23, no. 3, pp. 665--684. DOI: https://doi.org/10.1109/21.256541

[29] Калман Р., Фалб П., Арбиб М. Очерки по математической теории систем. М., Мир, 1971.

[30] Заде Л., Дезоер Ч. Теория линейных систем. Метод пространства состояний. М., Наука, 1970.