Abstract:
Abstract:
The State of Charge (SOC) is a relative measure of the amount of energy stored in a
battery, defined as the ratio between the cell's charge at a certain moment and its total
capacity. An accurate estimation of the state of charge is important because battery
management systems (BMS) use it to inform the user of the remaining capacity until the
next recharge, ensure the proper functioning of the battery, implement control strategies,
and ultimately maximize the battery life.
In this work, we presented an experimental study of SOC identification systems
using an Arduino microcontroller board. We demonstrated the practical implementation of
a test bench associating a microcontroller cascaded with a battery and intermediate Hall
effect electric sensors. In the context of this study, we integrated two SOC identification
methods: a classical method based on a mathematical model and an intelligent method
based on artificial neural networks. The study and analysis of the performance obtained
show the good efficiency of the microcontroller board in executing the implementation of
the two methods in real time.
Résumé:
L'état de charge (SOC) est une mesure relative de la quantité d'énergie stockée dans
une batterie, définie comme étant le ratio entre la charge de la cellule à un certain moment
et sa capacité totale. L'estimation précise de l'état de charge est importante car les systèmes
de gestion de batteries (BMS) l’utilisent pour informer l'utilisateur de la capacité restante
jusqu’à la prochaine recharge, assurer le bon fonctionnement de la batterie, implémenter
des stratégies de contrôle et, à terme, maximiser la durée de vie de la batterie.
Dans ce travail nous avons présenté une étude expérimentaledes systèmes
d’identification du SOC en utilisant d’une carte microcontrôleur Arduino. Nous avons
montré la réalisation pratique d’un banc d’essai d’association d’un microcontrôleur en
cascade avec une batterie et en intermédiaire des capteurs électriques à effet de Hall. Au
sens de ce contexte, nous avons intégré deux méthodes d’identification du SOC : Une
méthode classique à base d’un modèle mathématique et une méthode intelligente à base
des réseaux de neurones artificiels. L’étude et l’analyse des performances obtenues
montrent la bonne efficacité de la carte microcontrôleur pour exécuter l’exécution de deux
méthodes en temps réel.
