Bedah Kasus Algoritma Genetika (2)



Referensi:  T. O. Ting, K. L. Man, E. G. Lim, and M. Leach, “Tuning of Kalman filter parameters via genetic algorithm for state-of-charge estimation in Battery Management System,” The Scientific World Journal, vol. 2014, pp. 1–11, 2014. doi:10.1155/2014/176052



Tuning of Kalman Filter Parameters via Genetic Algorithm for State-of-Charge Estimation in Battery Management System



1. Abstrak [BACK] 

In this work, a state-space battery model is derived mathematically to estimate the state-of-charge (SoC) of a battery system. Subsequently, Kalman filter (KF) is applied to predict the dynamical behavior of the battery model. Results show an accurate prediction as the accumulated error, in terms of root-mean-square (RMS), is a very small value. From this work, it is found that different sets of and values (KF’s parameters) can be applied for better performance and hence lower RMS error. This is the motivation for the application of a metaheuristic algorithm. Hence, the result is further improved by applying a genetic algorithm (GA) to tune and parameters of the KF. In an online application, a GA can be applied to obtain the optimal parameters of the KF before its application to a real plant (system). This simply means that the instantaneous response of the KF is not affected by the time consuming GA as this approach is applied only once to obtain the optimal parameters. The relevant workable MATLAB source codes are given in the appendix to ease future work and analysis in this area.

2. Pendahuluan [BACK] 
  • Sistem Manajemen Baterai (BMS) [1-3] terdiri dari mekanisme yang memantau dan mengontrol operasi normal sistem baterai untuk memastikan keamanannya sekaligus mempertahankan kondisi kesehatannya. Pada dasarnya, BMS mengukur tegangan, arus, dan suhu setiap sel dalam kemasan baterai. Data ini kemudian dianalisis oleh sistem manajemen yang menjamin operasi yang aman dan andal.
  • Baterai adalah komponen penting dan harus dimodelkan secara akurat untuk merancang sistem manajemen yang efisien [4]. Oleh karena itu, algoritma untuk alat generik untuk menggambarkan kinerja baterai dalam berbagai kondisi dan aplikasi menjadi sangat diinginkan.
  • Algoritme ini mengontrol operasi dan mempertahankan kinerja baterai. Singkatnya, tujuan utama BMS adalah untuk memperpanjang masa pakai baterai [5], sekaligus memastikan pengoperasian yang andal di samping banyak aplikasi [6], terutama dalam sistem fotovoltaik [7].
  • SoC adalah ukuran daya baterai yang tersedia dan oleh karena itu penting untuk menghitung nilai ini secara akurat dari BMS dengan tegangan sel, suhu, dan efek polarisasi yang disebabkan oleh gradien konsentrasi elektrolit selama siklus pengisian/pengosongan tingkat tinggi [8].
  • Penentuan SoC yang akurat akan memungkinkan pemanfaatan baterai untuk kinerja optimal dan umur panjang serta mencegah kerusakan fisik yang tidak dapat dipulihkan pada baterai [9].
  • Saat ini, penghitungan Coulomb, juga dikenal sebagai penghitungan muatan, atau integrasi saat ini adalah teknik yang paling umum digunakan [10]; teknik ini membutuhkan pengukuran arus baterai yang dinamis, seperti dengan menggunakan sensor. Sisi positifnya, jika sensor arus yang akurat digabungkan, implementasinya akan jauh lebih mudah.
  • Metode Kalman Filter adalah teknik yang terkenal untuk estimasi status sistem dinamis [11-12] seperti pelacakan target, navigasi, dan juga sistem baterai [13-14]. Pada paper ini, KF diterapkan untuk memperkirakan SoC sistem baterai.

3. Metodologi Penelitian [BACK] 
  • Pemodelan Baterai
Dalam penelitian ini, model baterai dinamis diadopsi, yang terdiri dari persamaan variabel keadaan, dari [15,16]. Representasi skematis dari model ini ditunjukkan pada gambar berikut
Dengan menerapkan hukum kirchoff, maka didapatkan, 

Hingga didapatkan

Dengan nilai kapasitor dimasukkan ke persamaan, didapatkan fungsi alih,
  • Filter Kalman untuk Estimasi SoC

  • Genetic Algorithm
Algoritma genetika (GA) diterapkan untuk mendapatkan set nilai Q dan R yang lebih baik yang menghasilkan kesalahan RMS yang lebih rendah dari output KF.



4. Hasil dan Pembahasan [BACK] 
  • Step Response from Gain
dari paper


dari simulasi

Simulasi lainnya pada program tidak bisa dijalankan karena source kodenya hanya bisa membaca sampai mendapatkan step response.

Hasil yang didapatkan pada paper; 


5. Kesimpulan dan Saran [BACK] 
  • Kesimpulan
    • Variabel keadaan dari model RC yang mewakili baterai dalam hal turunan matematika berhasil didapatkan, dimana ada tiga variabel keadaan yang relevan dengan SoC baterai.
    • Dengan model estimasi keadaan ini, sebuah teknik terkemuka yang dikenal sebagai filter Kalman diterapkan dengan tujuan untuk memperkirakan status pengisian daya untuk Sistem Manajemen Baterai, dan terbukti akurat.
    • Estimasi kesalahan semakin berkurang setelah memasukkan nilai yang dioptimalkan dan melalui pendekatan GA offline.
6. Daftar Pustaka  [BACK] 
  1. C. Chen, K. L. Man, T. O. Ting et al., “Design and realization of a smart battery management system,” in Proceedings of the International MultiConference of Engineers and Computer Scientists (IMECS '12), vol. 2, pp. 1173–1176, March 2012.View at: Google Scholar
  2. K. L. Man, K. Wan, T. O. Ting et al., “Towards a hybrid approach to SoC estimation for a smart Battery Management System (BMS) and battery supported Cyber-Physical Systems (CPS),” in Proceedings of the 2nd Baltic Congress on Future Internet Communications (BCFIC '12), pp. 113–116, April 2012.View at: Publisher Site | Google Scholar
  3. K. L. Man, C. Chen, T. O. Ting, T. Krilavičius, J. Chang, and S. H. Poon, Artificial Intelligence Approach to Socestimation for Smart Battery Management System, 2012.
  4. P. H. L. Notten and D. Danilov, “From battery modeling to battery management,” in Proceedings of the 33rd International Telecommunications Energy Conference (INTELEC '11), pp. 1–8, October 2011.View at: Publisher Site | Google Scholar
  5. D. Benchetrite, F. Mattera, M. Perrin et al., “Optimization of charge parameters for lead acid batteries used in photovoltaic systems,” in Proceddings of the 3rd World Conference on Photovoltaic Energy Conversion, vol. 2, pp. 2408–2410, Osaka, Japan, May 2003.View at: Google Scholar
  6. T. O. Ting, K. L. Man, S. Guan, J. K. Seon, T. T. Jeong, and P. W. H. Wong, “Maximum power point tracking (MPPT) via weightless swarm algorithm (WSA) on cloudy days,” in Proceedings of the IEEE Asia Pacific Conference on Circuits and Systems (APCCAS '12), pp. 336–339, Kaohsiung, Taiwan, December 2012.View at: Publisher Site | Google Scholar
  7. J. Ma, T. O. Ting, K. L. Man, N. Zhang, S. U. Guan, and P. W. H. Wong, “Parameter estimation of photovoltaic models via cuckoo search,” Journal of Applied Mathematics, vol. 2013, Article ID 362619, 8 pages, 2013.View at: Publisher Site | Google Scholar | MathSciNet
  8. I.-S. Kim, “Nonlinear state of charge estimator for hybrid electric vehicle battery,” IEEE Transactions on Power Electronics, vol. 23, no. 4, pp. 2027–2034, 2008.View at: Publisher Site | Google Scholar
  9. C. S. Moo, K. S. Ng, Y. P. Chen, and Y. C. Hsieh, “State-of-charge estimation with open-circuit-voltage for lead-acid batteries,” in Proceedings of the 4th Power Conversion Conference (PCC '07), pp. 758–762, Nagoya, Japan, April 2007.View at: Publisher Site | Google Scholar
  10. H. Blanke, O. Bohlen, S. Buller et al., “Impedance measurements on lead-acid batteries for state-of-charge, state-of-health and cranking capability prognosis in electric and hybrid electric vehicles,” Journal of Power Sources, vol. 144, no. 2, pp. 418–425, 2005.View at: Publisher Site | Google Scholar
  11. R. E. Kalman, “A new approach to linear filtering and prediction problems,” Journal of Fluids Engineering, vol. 82, no. 1, pp. 35–45, 1960.View at: Publisher Site | Google Scholar
  12. R. Faragher, “Understanding the basis of the kalman filter via a simple and intuitive derivation,” IEEE Signal Processing Magazine, vol. 29, no. 5, pp. 128–132, 2012.View at: Publisher Site | Google Scholar
  13. B. S. Bhangu, P. Bentley, D. A. Stone, and C. M. Bingham, “Nonlinear observers for predicting state-of-charge and state-of-health of lead-acid batteries for hybrid-electric vehicles,” IEEE Transactions on Vehicular Technology, vol. 54, no. 3, pp. 783–794, 2005.View at: Publisher Site | Google Scholar
  14. G. L. Plett, “Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs—part 1. Background,” Journal of Power Sources, vol. 134, no. 2, pp. 252–261, 2004.View at: Publisher Site | Google Scholar
  15. H. Blanke, O. Bohlen, S. Buller et al., “Impedance measurements on lead-acid batteries for state-of-charge, state-of-health and cranking capability prognosis in electric and hybrid electric vehicles,” Journal of Power Sources, vol. 144, no. 2, pp. 418–425, 2005.View at: Publisher Site | Google Scholar
  16. R. E. Kalman, “A new approach to linear filtering and prediction problems,” Journal of Fluids Engineering, vol. 82, no. 1, pp. 35–45, 1960.View at: Publisher Site | Google Scholar
7. Video [BACK] 




8. Link Download [BACK] 

Tidak ada komentar:

Posting Komentar

Langganan: Postingan (Atom)